阈值化分割算法及其在显著物体检测中的应用研究(2)
时间:2018-09-04 17:40 来源:毕业论文 作者:毕业论文 点击:次
1.1 研究背景与意义 人类在认识世界的信息中，有80%是通过视觉获得的。所以图像信息是人类最重要的信息来源，是进行智能活动不可或缺的因素。人类的视觉系统能快速而且有效地完成大量复杂外部景物的定位、识别、追踪，通过大脑做出相应的判断和处理，是一个特非常优秀的信息处理系统。 随着科学技术的发展，人们对信息处理和信息交流的要求越来越高，最典型的表现是手机及相关数码产品的更新换代速度加快。图像信息具有直观、形象、易懂和信息量大等特点，因此它是人们日常生活、生产中接触最多的信息种类之一。正是因为图像所带给人们的直观信息的特点，使得数字图像处理技术随着计算机技术、多媒体技术的发展取得了长足的进步。 基于使机器模拟人的视觉的目标，产生了一门新兴学科，计算机视觉学。在计算机视觉理论中，图像分割、特征提取与目标识别构成了由低层到高层的三大任务。目标识别与特征提取都以图像分割作为基础，图像分割结果的好坏将直接影响到后续的特征提取与目标识别，是一种重要的图像分析技术。 在图像分析中，通常需要将图像分成各具特性的区域并提取出感兴趣的目标，这种从图像中将某个区域与其他部分进行分离并提取出来的处理，就是图像分割。因为图像分割实际上就是区分图像中的“前景目标”和“背景”，所以通常又称之为图像的二值化处理。而这里所说的特性可以是灰度、颜色、纹理等，目标可以对应单个区域，也可以对应多个区域。分割出的区域需要同时满足均匀性和连通性的条件。其中均匀性是指该区域中的所有像素点都满足基于灰度、颜色、纹理等特征的某种相似性准则，连通性是指该区域内存在连接任意两点的路径。 图像分割的应用非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。图像分割作为图像处理中如此关键的一项技术，自20世纪70年代起一直受到人们的高度重视，至今已提出上千种分割算法，但因尚无通用的分割理论，并没有一种适合所有图像的通用分割算法。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题。最近几年又出现了许多新思路、新方法或改进算法。总的来说，图像分割是图像识别和图像分析的基本前提步骤，图像分割的质量好坏直接影响后续图像处理的效果，甚至决定成败。因此，图像分割在数字图像处理技术中占有非常重要的地位。物体检测也是图像处理领域的研究热点之一，它有极广泛的应用，例如飞机航拍或卫星图像中的道路检测，监控视频中的车辆行人检测，CT图像中的肿瘤检测等等。本课题在对数字图像分割研究探讨的基础上，研究适合显著物体检测的阈 值分割算法。 1.2 国内外研究现状与水平 1.2.1 图像阈值分割的技术发展 常见的数字图像其表现形式和特征各式各样，如彩色图像、纹理图像、指纹、MRI图像、红外图像等等。对于阈值化技术而言，处理的对象多为灰度图像。用 表示一幅大小为 的灰度图像， 表示像素 处的灰度值， ， ， 为图像的最大亮度值，一般为255。阈值化就是寻找最佳的分割阈值 ，使得 (1) 其中， 为分割后图像。可见，阈值化过程就是将灰度图像转化为二值图像的过程。 图像阈值化技术由于其简单直观、易于实现，在图像分割中处于中心地位，是很多图像处理系统的基础。在很多方面得到了广泛的应用，如目标识别、医学图像处理、遥感图像处理等。对于阈值化技术而言，最重要的就是确定最佳的分割阈值。近几十年来，众多的学者已经提出了几十甚至上百种图像阈值化分割算法。但由于数字图像的复杂性，以及图像分割问题依赖于具体应用的病态定义，因此，没有一种通用的阈值化分割方法。图像阈值化分割仍是值得学者们研究的热点问题。 (责任编辑：qin) |