基于Parzen窗和Q學習的圖像分割算法研究.pdf

1、圖像分割能夠按照某一特征把圖像分成若干具有一定意義的、互不交疊的區(qū)域，是由圖像處理前進到圖像分析的關(guān)鍵一步。圖像分割的質(zhì)量將直接影響對圖像的后續(xù)處理，所以圖像分割被視為圖像處理的瓶頸，具有十分重要的意義。
　　 圖像分割是一種重要的和關(guān)鍵的圖像分析技術(shù)，對圖像目標進行提取、測量等都離不開它，圖像分割的結(jié)果是圖像特征提取和識別等圖像理解的基礎(chǔ)，對它的研究一直是圖像技術(shù)研究中的熱點和焦點。本文針對圖像的分割問題進行了以下的研究。

2、r>　　 本文綜合考慮了圖像中像素的灰度分布信息，以及像素的鄰域平均灰度信息，提出了基于帶有鄰域平均灰度信息的Parzen窗圖像分割算法(即NPW圖像分割算法)。從而使得此算法在圖像的質(zhì)量較差時，仍然可以取得較好的分割效果。但是此算法需要在圖像的二維灰度空間里進行遍歷搜索，因此算法復雜性高而且運算時間長。為了解決這個問題，提出了基于過渡區(qū)和粒子群優(yōu)化的NPW圖像分割算法(即TPNPW圖像分割算法)。TPNPW圖像分割算法采用了過渡區(qū)技

3、術(shù)來縮短NPW圖像分割算法的運算時間。同時，為了更進一步的縮短NPW圖像分割算法的運算時間。TPNPW圖像分割算法還使用了粒子群優(yōu)化來加快搜索的速度。根據(jù)所做的對比實驗和對實驗結(jié)果的分析，可以得出TPNPW圖像分割算法對質(zhì)量較差的圖像仍然能夠取得較好的分割效果并且能夠滿足一般環(huán)境下對實時性的要求。
　　 本文考慮到基于不同理論的圖像分割算法在圖像分割效果中的互補性，提出了將不同理論的圖像分割算法進行融合的Q學習閾值融合分割算法(

4、即FQ圖像分割算法)。從而達到提高算法普遍適應性的目的。FQ圖像分割算法綜合考慮了三種判別分割圖像質(zhì)量的評價指標(即區(qū)域間對比度，區(qū)域內(nèi)部均勻性，形狀測度)來構(gòu)造積累回報函數(shù)。并以獲得最大積累回報為準則來調(diào)整不同分割算法的權(quán)值。從而使FQ圖像分割算法取得更好的分割效果和普遍適應性。FQ圖像分割算法中使用了粒子群優(yōu)化來加快算法的運行速度。實驗結(jié)果表明FQ圖像分割算法，不僅分割性能優(yōu)于單一圖像分割算法，而且具有良好的普遍適應性。