一種混合無監(jiān)督圖像分割算法.pdf

1、圖像分割是計算機視覺的預處理部分，在人工智能領(lǐng)域占有非常重要的地位。分水嶺算法是快速有效的圖像分割算法，但它有一個內(nèi)在的缺陷，用純粹的分水嶺算法來進行圖像分割的結(jié)果通常是過分割的[2-4]，所以在應(yīng)用分水嶺算法的時候必須根據(jù)所要分割的圖像特點來對算法進行改進。改進的方向一般包括以下三個：首先，在分水嶺算法執(zhí)行之前對圖像進行平滑，從而消除細小噪聲對算法結(jié)果的影響，這在分水嶺算法的應(yīng)用領(lǐng)域稱為圖像預處理；其次，直接對分水嶺算法本身的區(qū)域形成

2、過程進行控制和改進；再次，將算法分割結(jié)果中過度分割的區(qū)域進行合并。 本文研究了所有上述三個改進方向，并針對分水嶺算法本身的改進以及區(qū)域合并的后處理過程給出了獨創(chuàng)的算法。 在圖像預處理中本文使用多尺度的形態(tài)學濾波技術(shù)來平滑圖像。 在分水嶺算法執(zhí)行過程中，本文引入湖最小值的概念來改進Lin[3]的順序無關(guān)算法，并結(jié)合落差來控制區(qū)域的形成。Lin通過引入特殊的不確定標記RIDGE得到一種與像素訪問順序無關(guān)的分水嶺算法，

3、證實了自下而上的泛洪算法和自上而下的降水算法可以得到一致的分割結(jié)果。但其算法僅僅使用像素灰度作為地形特征，因而結(jié)果中有過多的RIDGE標記，這些標記不屬于任何區(qū)域，影響了算法的進一步應(yīng)用。我們將湖最小值當作像素除灰度之外的附加地形特征，在標記時予以參照，從而減少了約80％的不確定標記數(shù)量。此外，本文引入的落差也減少了約10％的分割結(jié)果區(qū)域，從而減少了后續(xù)合并工作的計算復雜度。 在執(zhí)行了改進的分水嶺算法之后，本文使用層次聚類技術(shù)來

4、合并算法的分割結(jié)果區(qū)域。在聚類相似測度的計算巾，推導出一個啟發(fā)式的基于Bayesian目標函數(shù)以及Markov隨機域理論的簡單計算模型，這個模型的兩個部分分別代表了使相鄰區(qū)域保持獨立的因素和使相鄰區(qū)域合并到一起的因素，兩個因素間的相互制衡使得算法在Bayesian目標下得到了最優(yōu)的分割結(jié)果。從實驗結(jié)果上看，這種基于區(qū)域的簡單計算模型有效的減少了層次聚類的計算復雜度，即使是復雜的航空圖像也能在幾十秒內(nèi)就完成聚類。 最后，本文綜合三