论文部分内容阅读
图像分割是图像分析和模式识别的首要问题,也是图像处理的经典难题之一,它是图像分析和模式识别系统的重要组成部分,并决定图像的最终分析质量和模式识别的判别结果。这是因为图像的分割、目标的分离、特征的提取和参数的测量将原始的图像转化为更抽象更紧凑的形式,使得更高层的分析和理解成为可能。图像分割作为图像处理中的一个更高层次的自身图像分析和模式的识别,具有相当重要的研究意义。图像分割在实际中有着广泛的应用前景,例如在工业自动化、在线产品检测、生产过程控制、文档图像处理、遥感和生物医学图像分析、保安监视以及军事、遥感气象服务、交通图像分析、基于内容的图像数据库的查询、体育、农业工程等方面。概括来说,在各种图像应用中,只要需对图像目标进行提取、测量、跟踪等都离不开图像分割。所谓图像分割是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。这里的特性可以是灰度、颜色、纹理等,目标可以对应单个区域,也可以对应多个区域。图像分为灰度图像和彩色图像两种。彩色图像是外部客观世界的最为逼近的描述,因为人眼对亮度具有适应性,即在一幅复杂图像的任一点上只能识别几十种灰度级,但可以识别成千上万种颜色,所以许多情况下,单纯利用灰度信息无法从背景中提取出的目标,还必须借助于色彩信息。彩色图像的信息量比灰度图像要大得多。对于灰度图像的分割来说,仅有明亮度是可用信息,但是人的视觉对明亮度的感觉一般只有20级左右,而彩色图像不仅提供明亮度信息,还包括色调和饱和度。因此,使用灰度信息不能分割的目标,可以尝试使用彩色信息来分割。如今,随着计算机处理能力的快速提高,彩色图像的分割技术正日益受到人们的关注,其具有广阔的发展空间及开发前景。彩色图像的分割主要有两方面,一是选择合适的颜色空间或模型;二是采用适合此空间或模型的分割策略和方法。可表示如下:彩色图像分割方法=颜色空间+灰度图像分割方法本文的研究工作主要针对彩色图像,首先对彩色视觉及各种颜色空间进行全面的介绍,然后对当前传统的彩色图像分割技术进行系统的论述:包括直方图阈值法、聚类法、基于区域的方法、基于边缘的方法、基于模型的方法等主要的彩色图像分割技术,比较各自的优缺点,通过比较发现传统的单一分割算法在彩色图像分割中都不可避免地存在一定的不足与缺陷。现有的各种图像分割算法中,结合人工神经网络或遗传算法进行图像分割的方法,由于从不同侧面反映了人类视觉感知的智能性、并行性,因此取得了较好的效果,推动了图像分割向智能化方向发展,但无论是在理论还是实践上都远远没有达到让人满意的程度。正是基于此,我们可以根据实际情况组合不同的智能算法,分层次地分割图像,力求寻找符合人类视觉感知特性的有效的彩色图像分割混合智能算法,从而弥补单一算法对彩色图像分割的不足,这将是今后彩色图像分割技术的一种发展趋势。论文的选择正是基于智能方法的应用,特别是将其中最具代表性的人工神经网络,遗传算法,蚁群算法,模糊算法混合起来进行彩色图像分割,提出了聚类分析与神经网络、熵阈值分割与遗传算法、蚁群算法与遗传算法相结合的新思路对彩色图像进行分割。这对于丰富彩色图像分割的算法,提高图像处理系统的性能具有一定的意义和价值。