基于人工生命的图像分割技术的研究及应用毕业论文(编辑修改稿)

基于人工生命的图像分割技术的研究及应用毕业论文(编辑修改稿)内容摘要：

序 列的目标有较好的效果。 论文结构 本论文分为五章 ： 第一章是绪论部分。 主要介绍了图像分割的背景和动机，研究的内容和创新点，以及论文的结构。 第二章是图像分割与人工生命的研究背景介绍部分。 主要介绍图像分割的基本概念和一些经典的算法，人工生命的发展和现状，相关概念及思想以及这一学科的发展前景和应用的情况。 第三章是作者的基于细胞自动机的人工生命模型介绍部分。 主要介绍了作者研究的应用于单一静态图像上的人工生命模型，系统地介绍了模型的各个模块及 第 8 页 共 78 页 算法，并通过实验对人工生命模型分割出的图像做了定量定性的评价，也与其它的 传统的方法作了一个比较，论证了基于细胞自动机的人工生命模型在静态图像上的良好的性能，分析了该模型的优点及缺陷。 第四章是根据图像视频序列的图像特征，针对目标提取的图像分割而提出的基于多粒度的改进的人工生命模型，完整的介绍了该算法的设计思想，模型的各个模块等 ， 并通过实验来展示了 多粒度人工生命 模型用于 目标提取 的性能优势和发展及应用的潜力，并与其他经典算法的对比实验。 第五章是结论和展望部分，对两个人工生命模型作了简短的总结，并且对于模型的改进的方向和问题发表了一些看法以及对于图像处理领域结合人工生命的方法论的前 景做出了展望。 第 9 页 共 78 页 第二章 图像分割与人工生命 图像分割的定义 图像分割是将整个图像区域分割成若干个互不交叠的非空子区域的过程。 每个子区域的内部是连通的，同一区域内部具有相同或相似的特性，这里的特性可以是灰度、颜色、纹理等。 连通是指在该区域内任 意 两个像素之间存在一条完全由这个区域的元素构成的连通路径。 有两种可能的选择，如果只依据旁侧相邻的像素（上、下、左、右）来确定连通，叫做四连通；如果再加上 45度角方向的像素，则称为八连通的。 对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域边界上一般具有 灰度不连续性。 图像分割的数学描述如下： 令集合 R 代表整个图像区域，对 R 的图像分割可以看作是将 R 分成 n个满足如下规则的非空子集： R1， R2， …..R n： （ 1）1Nii RR „„„„„„„„„„„„„„„„„„„„ () （ 2）对于所有的 i 和 j ， ij , ijRR （ 3）对于 1 , 2 , , ( )ii n P R TR U E有 （ 4） , ( )iji j P R R F A L S E对于 有 （ 5） 1 , 2 , , , ii n R对于 是连通的区域 P(Ri)=TRUE 指出在分割结果中，每个区域的像素有着相同的特性。 P（ Ri∪ Rj） =FALSE 表示在分割结果中，不同的子区域具有不同的特性。 （ ）式表示子区域的并集是整个图像，这一点 是 保证图像的每个象素都被处理的充分条件 第 10 页 共 78 页 传统图像分割的方法及其局限 阈值法 阈值法是一种最简单的图像分割方法 ,是一种最常用的并行区域技术。 阈值是用于区分目标和背景的灰度门限。 如果图像只有目标和背景两大类 ,那么只需选 取一个阈值称为单阈值分割，这种方法是将图像中每个像素的灰度值与阈值相比较，灰度值大于阈值的像素为一类，灰度值小于阈值的像素为另一类。 如果图像中有多个目标，就需要选取多个阈值将各个目标及背景分开，这种方法称为多阈值分割。 阈值 T一般可写成： T = T[ x , y , p ( x , y) , q ( x , y) ] 其中 p ( x , y) 代表点 ( x , y) 处的灰度值 , q ( x ,y) 代表该点邻域的某种局部特性。 常用的选取阈值的方法有灰度直方图峰谷法、最大类间方差法（ Otsu 法）等等。 灰 度直方图峰谷法 [7]。 若图像的灰度直方图呈双峰状且有明显的谷 ,选择谷点的灰度值作为阈值就可把目标从背景中分割出来。 选取直方图的谷点可借助求曲线极小值的方法，该方法对于目标和背景有很大灰度差异的图像能实现简单而有效的分割。 图 21 阈值为 81 时的分割效果图 在众多的阈值选取方法中 ， Otsu [8]方法被认为是最优方法之一。 其基本思想是用阈值把图像像素划分为两类，通过使划分后得到的两类的类间方差最大来确定最佳阈值。 设图像 f ( x , y) 灰度级范围为 G = [ 0 , L 1]，各灰度级出现的概 第 11 页 共 78 页 率为 Pi，阈值 t 将图像像素分为两类 C0 = [0 ， t ]和 C1 = [ t + 1 ,L 1 ]。 两类的概率为0 0tii P 和 101。 两类的平均灰度为0 0 00t itiiP  和11 1 101L ititiP   ，其中 10Lii iP，0ttii iP 。 其中准则定义为两类的类间方差： 2 2 2 20 0 1 1 0 1 0 1( ) ( ) ( ) ( )t               „„„„„„„„„ () 使 2()t 取最大值的 t，就是分割目标和背景的最佳阈值 T。 如果图像中含有多个物体，尤其是含有多个灰度值存在差异的物体，显然不能进行二值化分割。 其次，还有许多使用多阈值的阈值化修正方法比如文献 [9]利用遗传算法进行多个阈值的选取和文献 [10]中提到的基于过渡区域的多阈值分割方法 ，其处理后的结果图像不再是二值的，而是一个有限的灰度值集合组成的图像。 其中每个 iD 是一个指定的灰度集。 (, )Gij 1 当  1F(i,j) D 时 2 当  2F(i,j) D 时。 n 当 nF(i,j) D 时。 图 22 多阈值划分图 第 12 页 共 78 页 图 23 原始 peppers 图像 A 二值分割图像 B 三值分割图像 C 四值图像分割 D 五值图像分割 第 13 页 共 78 页 图 24 Otsu 法应用到多阈值分割的效果图 Otsu 算法不仅适用于选择单阈值，也可用于 多阈值的确定 [11]。 要 M1 个阈值 {t1,t2……tm 1}„„ .来将图像分成 M 个子集，这些个子集包含的灰度值范围分别为：        1 1 2 1 2 1 10 , , 1 , , . . . . . , 1 , , . . . . , 1 , 1i i i M MC t C t t C t t C t L        最佳阈值  * * *1 2 1, ,..., mt t t 的公式为：  * * *1 2 1, ,..., mt t t  =112 110 ... 1 { ( , , ..., ) }M BMt t LA rg M a x t t t     „„„„„„„ () 其中 221 ()MB k k rk   ，kkiiCP  ，kikiC kiP 。 阈值法优点是计算简单，速度快，易于实现。 它的缺点是当图像中的目标和背景灰度差异不明显或灰度值范围有重叠时，全局阈值的分割结果不理想，而且这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声和灰度不均匀很敏感。 基于区域的图像分割方法 基于区域的分割方法 得到的分割结果 直接构成区域，基本思想就是将图像划分成最大一致性的分区。 一致性是分区的最大的特征，也是分割的准则。 一致性准则可以是基于灰度，色彩，纹理等的标准。 在基于区域的分割方法中比较 经典的方法有区域生长和分裂合并法。 区域生长和分裂合并法是两种典型的串行区域技术，其分割过程后续步骤的处理要根据前面步骤的结果进行判断而确定。 区域生长的基本思想 [12,13,14]是将具有相似特性的像素集合起来构成区域。 首先为每个需要分割的区域确定一个种子像素作为生长起点，然后按一定的生长准则把它周围与其特性相同或相似的像素合并到种子像素所在的区域中。 把这些新像素作为种子继续生长，直到没有满足条件的像素可被包括，这时生长停止，一个区域就形成了。 区域生长法要解决的主要问题是区域生长准则的设计和算法的高效性。 生长准则往往和具体问题有关，直接影响最后形成的区域，如果选取不当，就会造成过分割和欠分割的现象。 区域生长法的优点是计算简单，对于较均匀的连通目标有较好的分割效果。 它的缺点是需要人为确定种子点，对噪声敏感，可能导致区 第 14 页 共 78 页 域内有空洞。 另外，它是一种串行算法，当目标较大时，分割速度较慢，因此在设计算法时要尽量提高效率。 分裂合并法的基本思想 [12， 15， 16]是从整幅图像开始通过不断分裂合并得到各个区域。 一种利用四叉树表达方法的分割算法如下： R代表整个正方形图像区域， P代表检验准则。 1） 对任意区域 Ri，如果 P（ Ri ） =FAlSE就将其分裂为不重叠的四等分。 2）对相邻的两个区域 Ri 和 Rj ，如果 P（ Ri U Rj） =TRUE 则将它们合并为一个区域。 3）如果进一步的分裂和合并都不可能时则停止。 图 25 分列合并法演示图 分裂合并法的关键是分裂合并准则的设计。 这种方法对复杂图像的分割效果较好，但算法较复杂，计算量大，分裂还可能破坏区域的边界。 基于边界的图像分割方法 基于边界的分割方法是利用不同区域间象素灰度不连续的特点检测出区域间的边缘，从而实 现图像分割。 图像中相邻的不同区域间总存在边缘，边缘处 像素的灰度值不连续，这种不连续性可通过求导数来检测到。 对于阶跃状边缘，其位置对应一阶导数的极值点，对应二阶导数的过零点（零交叉点）。 因此常用微分算子进行边缘检测，它是一种并行边界技术。 常用的一阶微分算子有 Roberts、1R 2R 3R 41R 42R 43R 44R R 1R 2R 3R 4R 41R 42R 43R 44R 第 15 页 共 78 页 Prewitt和 Sobel算子、二阶微分算子有 Laplace和 Kirsh算子等。 在实际中各种微分算子常用小区域模板来表示，微分运算是利用模板与图像卷积来实现。 下面介绍几种经典的边缘检测算子。 Sobel算子 [12]是实际应用中效果比较好的边 缘算子。 由于差分算子的抗干扰性很差，噪音会使得使用差分算子的时候在噪音边缘产生冲击， Sobel算子通过先求加权平均然后再求差分的方法来增强抑制噪音干扰的能力： 39。 [ ( 1 , 1 ) 2 ( , 1 ) ( 1 , 1 ) ] [ ( 1 , 1 ) 2 ( , 1 ) ( 1 , 1 ) ]xf f i j f i j f i j f i j f i j f i j               39。 [ ( 1 , 1 ) 2 ( 1 , ) ( 1 , 1 ) ] [ ( 1 , 1 ) 2 ( 1 , ) ( 1 , 1 ) ]yf f i j f i j f i j f i j f i j f i j                上述的 Sobel算子不是各向同性的，沿不同方向的梯度幅值不一样，因此通常使用改进的各向同性的 Sobel算子，它的加权系数是 2 不是 2。 1 0 1 2 1 0 0 2 1 1 1 2 0 0 0 1 2 1 图 26 Sobel 算子卷积模板 第 16 页 共 78 页 拉普拉斯 (Laplacian)算子，定义如下： 22222( , ) ( , )( , ) ( ) ( )f x y f x yf x y xy  „„„„„„„„„ () 拉普拉斯算子是一个标量，它没有边缘方向的信息，对噪音非常敏感，具有旋转不变性即各向同性的性质。 由于拉普拉斯算子没有边缘方向的信息，并且对噪音非常敏感，因此实际应用中往往不直接用来获取边缘，而是先做图像滤波后再使用拉普拉斯算子，这种方法就是拉普拉斯一高斯 (Laplacian of Gaussian)算子，此处不做过多介绍。 0 1 01 4 10 1 01111 8 1111 图 28 拉普拉斯算子卷积模板 Roberts 算子是数字图像处理中最古老的边缘检测算子之一。 它也是最简单的一种边缘检测算子。 它的卷积模 板 如下： 10010110 图 29 Roberts 算子卷积模板 卷积边缘检测算子的主要缺点是它们依赖于尺度且对噪声敏感。 很少有合适的理由来解。