论文部分内容阅读
图像在表现信息时较文字更明确、形象且更有情境,是人类获取信息的重要途径之一。科技的发展与用户习惯的改变导致互联网上存在海量图像信息。因此在研究用户感兴趣的目标时,需要对海量图像信息进行处理,分离出有效信息。图像处理可分为图像去噪、图像分割、图像识别、图像融合等,其中图像分割是图像处理的重要环节,分割结果的优劣直接影响后续处理的结果。图像分割技术作为图像处理的预处理步骤,是一大重要研究课题。其分割方法主要有基于像素和基于超像素两大类的分割方法。本文主要研究基于超像素的分割方法。图像的超像素是颜色、纹理、形状等具有一致性的相邻像素点所组成的区域。使用超像素代替像素点表示图像,使图像的基元个数和冗余程度大大减少,这降低了后续模式识别、目标跟踪、图像搜索等处理过程的运算规模。本文研究的主要内容如下:(1)改进了传统k-means算法,提出了一种边界贴合的超像素生成方法BM-k-means。由于图像中含有的自然信息复杂,现有算法生成的超像素不够理想,其特征之间会相互制约,相互影响。本文基于传统k-means算法,用Mean Shift算法来初始种子点,用3原则筛选信誉度较高的像素点来更新种子点,在相似距离函数中引入边界项、数据项和紧致项概念,提出了一种边界贴合的超像素生成方法BM-k-means,利用BM-k-means算法生成的超像素较传统k-means算法更理想。(2)改进了传统DBSCAN算法,提出了一种新的聚类算法Grid-DBSCAN。由于传统DBSCAN算法在聚类过程中每个点会进行全图搜索,搜索规模与图像大小呈正比;每个点只会标记一次,无法更新类标签易导致分割错误。本文在传统的DBSCAN算法中引入了网格片区划分和最小可达距离概念,提出了Grid-DBSCAN聚类算法,减小了搜索范围、使每个点的类标签可被修改。(3)结合上文提出的BM-k-means算法和Grid-DBSCAN算法来生成超像素以及对超像素进行聚类得到最终分割结果。在BSD500数据集上对本文提出的图像分割算法与传统的SLIC算法、Mean Shift算法和Graph-Based算法进行了对比实验,验证了其合理性。实验表明,本文提出的图像分割算法的分割效果要优于传统的算法。