图象分割是图象处理中的一个重要问题,也是计算机视觉研究中的一个经典难题。它是由图象处理过渡到图象分析的关键步骤,在图象工程中占据着重要的位置。一方面,图象分割是目标表达的基础,对特征测量有重要影响。另一方面,因为图象分割及其基于分割的目标表达、特征提取和参数测量等将原始图象转化为更抽象更紧凑的形式,使得更高层的图象分析和理解成为可能。图象分割质量的好坏直接影响到后续识别和理解的成败。尽管每年都有大量的研究成果被提出,但是直到目前为止还不存在一种通用的分割方法。 本文针对图象分割现状和实用性进行了研究,主要内容包括如下几个方面: (1)按照分割方法的分类,简单介绍了基于区域和基于边界两大类图象分割方法的经典理论。这是开展后续研究的基础。 (2)提出了基于图象分类的分割策略,将图象分为纹理图象与非纹理图象,分割工作在分类的基础上进行,使其针对性更强、分割效果更好。算法基于RGB颜色空间,首先从图象离散小波变换的低频子带提取一定的颜色和纹理特征用于K-均值聚类,将图象的低频子带分割成为一定的区域,然后根据分割的结果将图象自动语义分类为纹理或者非纹理图象,分类效果令人满意。 (3)对归为纹理类的图象,为了提高纹理图象分割的边缘准确性和区域一致性以及降低分割错误率,采用了一种基于小波变换的利用特征加权来进行纹理分割的方法。该方法包括特征提取、聚类数的确定、粗分割和细分割四个阶段。其中,特征提取在金字塔结构小波变换的基础上进行,聚类数的确定采用改进的MH指标数,粗分割利用K-均值聚类算法来对原始图象进行初步的分割,细分割则根据粗分割的结果对特征进行加权,然后利用最小距离分类器来实现图象的最后分割。与传统的方法相比,该方法在分割错误率、边缘准确性以及区域一致性等方面均有明显的改善。 (4)对归为非纹理类的图象,探讨了一种基于色调、饱和度和亮度联合概率分布的彩色图象分割方法。该方法首先将RGB图象转换为HSV图象,并以色调为主要依据对图象进行粗分割,然后利用亮度和饱和度信息进行细节分割并组合成有意义的区域。实验表明该方法的分割效果良好。