基于內(nèi)容的彩色圖像的分割的研究.pdf

1、隨著智能化信息技術(shù)、工業(yè)自動化、自動識別、視頻監(jiān)控、視頻跟蹤等的快速發(fā)展，彩色圖像處理日漸頻繁。本文采用了一個非監(jiān)督的的聚類方法，即Mean shift方法。一般而言，Mean shift起初提供一種類似于最小下降梯度的搜索方法：對于一簇數(shù)據(jù)的一局部區(qū)域和一目標點，定義該目標點的平均偏移向量以指向(決定)該區(qū)域的質(zhì)點(Centre of mass)，接著移動目標點和局部區(qū)域到區(qū)域質(zhì)點，這一過程繼續(xù)下去便可找到最密集的區(qū)域和相應(yīng)的峰值點。

2、作用于所有目標點，最終Meanshift便可估計樣本數(shù)據(jù)的概率密度函數(shù)。Mean shiit是一種非參數(shù)密度估計方法。Mean shift可以避免對樣本所屬的總體概率密度函數(shù)形式的先驗性強制假設(shè)，它不但具有更高的可靠性、健壯性和相當?shù)耐ㄓ眯?，還具有嚴格的收斂性。應(yīng)用上述基本原理，可以通過一系列模式搜索的迭代過程，Mean shift可將圖像區(qū)域有效分割為若干形狀的組合。這種方法目前已經(jīng)被越來越多研究人員加以研究和應(yīng)用，為不同類型的圖像處

3、理和模式識別任務(wù)提供基本的解決方案。 針對彩色圖像的特性，本文系統(tǒng)地介紹了Mean shift方法，嚴格地證明了Mean shift搜索序列的收斂性，并對算法步驟和算法性能進行了參數(shù)分析和試驗檢測： (1)探討相關(guān)理論：Mean shift方法的原理、算法步驟及收斂性證明。 (2)選擇核函數(shù)：核函數(shù)用于為區(qū)分不同樣本(樣本點到偏移點的距離不同)對Mean shift數(shù)量的不同大小的貢獻(通常距離越近則貢獻越大)，

4、同時核函數(shù)還決定著迭代的次數(shù)和精度(通常迭代的次數(shù)越多，聚類的精度越高，但計算的時間復雜度越高)。為此、本文提出截斷高斯函數(shù)作為核函數(shù)。 (3)解決分割圖像背景吞噬現(xiàn)象：Mean shift方法能夠突出圖像的各個物體并且能夠使各個物體內(nèi)平坦；但在目標和背景很接近的條件下，卻存在背景吞噬現(xiàn)象。本文采用重疊區(qū)域近鄰法解決這個問題。 (4)調(diào)節(jié)帶寬：Mean shift帶寬不僅決定迭代的采樣點數(shù)量，而且極大地影響算法的收斂速度