一種混合無(wú)監(jiān)督圖像分割算法.pdf

1、圖像分割是計(jì)算機(jī)視覺(jué)的預(yù)處理部分，在人工智能領(lǐng)域占有非常重要的地位。分水嶺算法是快速有效的圖像分割算法，但它有一個(gè)內(nèi)在的缺陷，用純粹的分水嶺算法來(lái)進(jìn)行圖像分割的結(jié)果通常是過(guò)分割的[2-4]，所以在應(yīng)用分水嶺算法的時(shí)候必須根據(jù)所要分割的圖像特點(diǎn)來(lái)對(duì)算法進(jìn)行改進(jìn)。改進(jìn)的方向一般包括以下三個(gè)：首先，在分水嶺算法執(zhí)行之前對(duì)圖像進(jìn)行平滑，從而消除細(xì)小噪聲對(duì)算法結(jié)果的影響，這在分水嶺算法的應(yīng)用領(lǐng)域稱為圖像預(yù)處理；其次，直接對(duì)分水嶺算法本身的區(qū)域形成

2、過(guò)程進(jìn)行控制和改進(jìn)；再次，將算法分割結(jié)果中過(guò)度分割的區(qū)域進(jìn)行合并。 本文研究了所有上述三個(gè)改進(jìn)方向，并針對(duì)分水嶺算法本身的改進(jìn)以及區(qū)域合并的后處理過(guò)程給出了獨(dú)創(chuàng)的算法。 在圖像預(yù)處理中本文使用多尺度的形態(tài)學(xué)濾波技術(shù)來(lái)平滑圖像。 在分水嶺算法執(zhí)行過(guò)程中，本文引入湖最小值的概念來(lái)改進(jìn)Lin[3]的順序無(wú)關(guān)算法，并結(jié)合落差來(lái)控制區(qū)域的形成。Lin通過(guò)引入特殊的不確定標(biāo)記RIDGE得到一種與像素訪問(wèn)順序無(wú)關(guān)的分水嶺算法，

3、證實(shí)了自下而上的泛洪算法和自上而下的降水算法可以得到一致的分割結(jié)果。但其算法僅僅使用像素灰度作為地形特征，因而結(jié)果中有過(guò)多的RIDGE標(biāo)記，這些標(biāo)記不屬于任何區(qū)域，影響了算法的進(jìn)一步應(yīng)用。我們將湖最小值當(dāng)作像素除灰度之外的附加地形特征，在標(biāo)記時(shí)予以參照，從而減少了約80％的不確定標(biāo)記數(shù)量。此外，本文引入的落差也減少了約10％的分割結(jié)果區(qū)域，從而減少了后續(xù)合并工作的計(jì)算復(fù)雜度。 在執(zhí)行了改進(jìn)的分水嶺算法之后，本文使用層次聚類技術(shù)來(lái)

4、合并算法的分割結(jié)果區(qū)域。在聚類相似測(cè)度的計(jì)算巾，推導(dǎo)出一個(gè)啟發(fā)式的基于Bayesian目標(biāo)函數(shù)以及Markov隨機(jī)域理論的簡(jiǎn)單計(jì)算模型，這個(gè)模型的兩個(gè)部分分別代表了使相鄰區(qū)域保持獨(dú)立的因素和使相鄰區(qū)域合并到一起的因素，兩個(gè)因素間的相互制衡使得算法在Bayesian目標(biāo)下得到了最優(yōu)的分割結(jié)果。從實(shí)驗(yàn)結(jié)果上看，這種基于區(qū)域的簡(jiǎn)單計(jì)算模型有效的減少了層次聚類的計(jì)算復(fù)雜度，即使是復(fù)雜的航空?qǐng)D像也能在幾十秒內(nèi)就完成聚類。 最后，本文綜合三