论文部分内容阅读
图像分割技术在目标追踪、医学检测、人脸识别、指纹识别、病虫害识别等方面有着重要的应用。但是,彩色图像因为包含复杂的颜色和纹理信息,其图像特征的提取和识别较为困难,这成为了当前彩色图像分割技术发展的一个瓶颈。在研究学者的努力下,彩色图像分割取得了一定的成果,但是目前还没有一种通用的适用于所有彩色图像的分割方法。针对这一现状,本文提出了一种基于颜色和纹理特征聚类的彩色图像分割方法,通过将位置相邻且颜色与纹理特征相似的像素点合并为超像素,并对超像素进行聚类完成彩色图像的分割,在MATLAB平台上进行仿真验证了算法的有效性。本文主要研究内容有:(1)对颜色空间和聚类方法进行深入研究。论述了彩色图像的RGB颜色空间、HSI颜色空间以及LAB颜色空间对颜色的描述方法,采用最符合人类视觉感知的LAB颜色空间来表征图像的颜色信息;研究了目前主流的彩色图像分割方法,包括传统分割方法、SVM、K-means、FCM以及均值漂移的分割方法,通过实验对比分析各类算法后,选择收敛速度较快的K-means算法作为本文创新性实验的聚类方法的理论依据。(2)提出一种结合颜色信息和纹理信息的分割彩色图像的算法。该算法首先采用在多尺度多方向上对纹理有较好响应的Gabor滤波器来提取纹理特征,并利用主成分分析法(PCA)对其进行降维。其次将图像划分为大小平均的网格(通过实验分析网格个数取500个),选取网格中纹理能量梯度极小值点作为初始种子点,将LAB颜色空间与像素点坐标组成五维向量,计算初始种子点与网格内所有像素点的五维向量的距离,将距离作为相似性度量对网格内的像素点进行局部聚类形成超像素区域块,同时得到超像素区域块中聚类中心的特征向量。最后利用K-means算法依据特征向量的欧氏距离对超像素区域进行再次聚类,就得到了分割后的目标区域。(3)将本文算法与目前主流的彩色图像分割方法采用MIT彩色纹理库以及Segbench自然风景图像库中的图片进行实验对比,证明了本文算法在保证运行时间与其他算法相近的前提下,目标区域分割准确,噪音少,从主观视觉来看,分割结果更加平滑。这种利用颜色信息和纹理信息对彩色图像进行聚类分割的方法,在一定程度上改善了目前主流分割方法适用性不强的缺点。通过对本课题进行研究,掌握了分割彩色图像所需要的特征提取以及聚类的关键技术,为以后的学术研究和工程实践打下了理论基础。