weixin_43171119的博客

图像分割是图像识别和机器视觉领域中关键的预处理操作。分割理论算法众多，文中 具体介绍基于聚类的分割算法的思想和原理，并将包含的典型算法的优缺点进行介绍和分析。 经过比较后，归纳了在具体应用中如何对图像分割算法的抉择问题。近年来传统分割算法不断 被科研工作者优化和组合，相信会有更多的分割新算法井喷而出。

由于SLIC0 算法在分割时仅考虑图像的颜色、亮度、空间位置特征，没有考虑纹理特征，当分割具有繁杂纹理的自然图 像时，其分割的超像素无法精准地符合区域或目标的边界或外轮廓，因此提出基于SLIC0 融合纹理信息的超像素分割算法——— SLIC0-t。首先利用光谱分析描述图像中区域的纹理特性，然后在分割中融合能够准确反映图像中目标轮廓或区域边界的纹理 特征;其次在分割过程中，进一步优化SLIC0 围绕种子像素搜索近邻像素的搜索策略，采用以各个种子点为中心，在以预期超像 素邻接距离为半径的圆盘内搜索的搜索策略;最后通过在公共图像库BSDS500 上进行连续不同大小超像素的分割实验验证， 结果表明:在边界召回率方面，SLIC0-t 算法明显稳定优越于SLIC0 算法;在欠分割错误率方面，其与SLIC0 算法基本相当，处于 可接受范围内。

针对自然场景图像，提出了一种快速的显著对象自动分割方法． 首先，将图像从RGB 颜色空间变换至HSV 颜色空间，利用色调和亮度等特征获得显著度图，得到待分割对象所在的区域; 然后利用改进的分水岭算法将原始图像预分割为若干子区域，将这些区域描述为超像素，使用混合高斯分布描述其特征，用于构建图切分方法的网络图，经过迭代分割之后，获得最终的显著对象． 实验结果表明，该算法与人工交互的图切分算法相比，能自动获得前景和背景的先验知识，在不影响分割精度的情况下，加快了分割速度．

：图像分割是基于内容的服装图像检索系统的重要研究内容之一，传统的模糊Ｃ均值聚类算法在用于图像分割时，存在对样本分布和输入参数有限制、收敛于局部最优解、对噪声敏感等缺点．本文加入高斯核函数优化空间样本数据计算，并利用局部空间信息提高图像分辨能力，有效改善了模糊聚类算 法．通过实验发现，改进的算法提高了图像类与类之间的分离性，分割结果更准确，对样本间的微小差别处理较好，具有更加可靠的性能．

为实现自然条件下棉花叶片的精准分割，提出一种粒子群（Ｐａｒｔｉｃｌｅ　ｓｗａｒｍ　ｏｐｔｉｍｉｚａｔｉｏｎ，ＰＳＯ）优化算法和Ｋ－ｍｅａｎｓ聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在ＲＧＢ颜色空间模式下采用二维卷积 滤波进行去噪预处理，并将预处理后的彩色图像从ＲＧＢ转换到目标与背景差异性最大的Ｑ 分量、超Ｇ 分量、ａ＊分量；随后在Ｋ均值聚类的一维数据空间中，利用ＰＳＯ算法向全局像素解的子空间搜寻，通过迭代搜寻得到全局最优解，确定最佳聚类中心点，改善Ｋ均值聚类的收敛效果；最后，对像素进行聚类划分，从而得到棉花叶片分割结 果。按照不同天气条件和不同背景采集了１　２００幅棉花叶片样本图像，对本研究算法进行测试。试验结果表明：该算法对于晴天、阴天和雨天图像中目标（棉花叶片）分割准确率分别达到９２．３９％、９３．５５％、８８．０９％，总体平均分割精度为９１．３４％，并与传统Ｋ均值算法比较，总体平均分割精度提高了５．４１％。分割结果表明，本研究算法能够对 ３种天气条件（晴天、阴天、雨天）与４种复杂背景（白地膜、黑地膜、秸秆、土壤）特征混合的棉花叶片图像实现准确分割，为棉花叶片的特征提取与病虫害识别等后续处理提供支持。

超像素能够捕获图像冗余信息，降低后续处理任务复杂度，已受到了国内外研究者的日益关注。首先 分析了超像素分割领域的发展现状，以基于图论的方法和基于梯度下降的方法为视角，对现有超像素分割方法 进行归纳和论述。在此基础上，就目前常用的超像素分割算法进行了实验对比，分析各自的优势和不足。最后， 对超像素分割技术的最新应用进行了介绍和展望

数学形态学以图像的形态特征为研究对象，用具有一定形态的结构元素描述图像中元素与元素、部分与部分之间的关系，以达到对图像分析和识别的目的。数学形态学用于基于区域的图像分割最典型的例子就是分水岭(Watershed)方法。 分水岭算法(Watershed)基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。 分水岭算法对微弱边缘具有良好的响应，图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象。figure2就是直接对梯度图进行分水岭算法的结果，产生了严重的过分割。