Mean Shift圖像分割算法的改進.pdf

1、圖像分割(Image Segmentation)是圖像處理研究領(lǐng)域的一個重要問題，是圖像分析、特征提取、模式識別等的基礎(chǔ)和關(guān)鍵步驟，其中圖像的分割質(zhì)量好壞很重要，而且從有效分割中提取的有利信息能使高層的圖像理解成為可能。國內(nèi)外的研究者在圖像分割領(lǐng)域提出大量分割方法，但是這些方法都存在一定程度的不足和缺陷，而且很多方法都依賴先驗知識。
　　均值漂移(Mean Shift)算法是一種傳統(tǒng)的統(tǒng)計迭代方法，原理簡單、魯棒性強，而且可以處理

2、灰度圖像、彩色圖像、復(fù)雜圖像及高分辨率的圖像數(shù)據(jù)。但是，該算法需要對圖像中的每個像素點進行迭代計算，因此分割所需要的時間較長。而且，迭代過程中的帶寬(核窗寬)很難確定，一個帶寬并不能適用于所有的圖像。本文圍繞Mean Shift算法的這兩方面問題展開，在分割效率和分割效果上進行改善，更利于圖像的實時分割，使算法更適合實際應(yīng)用，主要研究內(nèi)容如下：
　?。?）提出一種快速均值漂移圖像分割算法(Fast Mean Shift，F(xiàn)MS)，

3、改善傳統(tǒng)Mean Shift算法迭代次數(shù)多、分割效率低的問題。FMS算法選擇少量像素點作為初始點進行迭代計算，而出現(xiàn)在高維球區(qū)域內(nèi)的其他像素點則根據(jù)其與已有類中心的相似性進行歸類，從而減少Mean Shift算法總的迭代次數(shù)，縮短分割時間。FMS算法采用加州大學(xué)伯克利分校圖像數(shù)據(jù)庫和互聯(lián)網(wǎng)圖像進行實驗。
　?。?）提出一種基于支持向量機(Support Vector Machine，SVM)和FMS的圖像分割算法(FMS-SVM)

4、，改善Mean Shift算法迭代時人為設(shè)定帶寬影響前景分割的問題。FMS-SVM算法首先尋找圖像中包含顯著區(qū)域(即目標(biāo)區(qū)域)的最小子圖，接下來的操作都在子圖上進行，減少參與分割的像素點個數(shù)，縮短分割時間。然后用FMS算法對子圖預(yù)分割，并根據(jù)預(yù)分割結(jié)果選擇正負樣本進行SVM分類超平面訓(xùn)練，接著用得到的SVM分類超平面對子圖像素點分類，得到子圖分類結(jié)果。最終，將子圖像素的分類標(biāo)簽還原到原圖，得到原圖的結(jié)果。FMS-SVM算法采用加州大學(xué)伯