论文部分内容阅读
图像分割是图像处理到图像分析的关键步骤之一，也是图像分析和图像识别过程中首先要面临的问题。颜色作为人们认知图像的一个重要特征，在计算机视觉及模式识别领域充当了至关重要的角色。随着彩色图像采集成本的降低、计算机处理能力的不断提高以及彩色图像应用的增加，彩色图像分割技术受到了研究学者们越来越多的关注和青睐。灰度图像分割技术已相当成熟，我们可以把彩色图像分割技术看成是灰度图像分割技术的延伸，即把常用的灰度图像分割技术运用到合适的彩色空间中，便可以形成常见的彩色图像分割技术。传统的高斯混合模型(Gaussian Mixture Model, GMM)聚类算法已普遍应用于图像处理领域,但在真实彩色图像分割中，由于其没考虑到像素间的空间相关性，使之对高斯噪声及孤立点非常敏感。本文研究提出了一种基于区域块的高斯混合模型彩色图像聚类算法，有效提高了分割的效果。论文主要研究工作如下：(1)研究了图像分割的定义和一般过程，整理并总结了主要的图像分割方法。研究了常用的彩色空间，以及不同彩色空间之间的转换方法，分析比较了不同彩色空间的优缺点。(2)研究提出了一种基于区域块的高斯混合模型彩色图像分割算法，该算法实现步骤为：首先对彩色图像求其彩色梯度，然后对彩色图像梯度图进行分水岭分割，分水岭分割会产生过分割区域，但基本得到同质区域，提取彩色图像的区域块特征并把其作为高斯混合模型聚类的输入样本值，实现最终分割。同时，在GMM模型参数估计的过程中，采取了一种EM (ExpectationMaximization)算法进行初始化，该方法利用初始估计结果值，实现最终的参数估计，有效提高了参数估计的准确性。本文算法把基于像素的聚类提升至基于区域块特征聚类，很好的降低了噪声及孤立点对彩色图像分割结果的影响。通过在合成图像上及大量Berkeley图像库中真实自然彩色图像上进行实验，并与多种经典分割算法进行了比较，实验结果证明本文算法能够在一定程度上提高分割结果的有效性。