區域分割演算法
A. 圖像分割最好方法
1.基於閾值的分割方法
閾值法的基本思想是基於圖像的灰度特徵來計算一個或多個灰度閾值,並將圖像中每個像素的灰度值與閾值作比較,最後將像素根據比較結果分到合適的類別中。因此,該方法最為關鍵的一步就是按照某個准則函數來求解最佳灰度閾值。
閾值法特別適用於目標和背景占據不同灰度級范圍的圖。圖像若只有目標和背景兩大類,那麼只需要選取一個閾值進行分割,此方法成為單閾值分割;但是如果圖像中有多個目標需要提取,單一閾值的分割就會出現作物,在這種情況下就需要選取多個閾值將每個目標分隔開,這種分割方法相應的成為多閾值分割。
2.基於區域的圖像分割方法
基於區域的分割方法是以直接尋找區域為基礎的分割技術,基於區域提取方法有兩種基本形式:一種是區域生長,從單個像素出發,逐步合並以形成所需要的分割區域;另一種是從全局出發,逐步切割至所需的分割區域。
分水嶺演算法
分水嶺演算法是一個非常好理解的演算法,它根據分水嶺的構成來考慮圖像的分割,現實中我們可以想像成有山和湖的景象,那麼一定是水繞山山圍水的景象。
分水嶺分割方法,是一種基於拓撲理論的數學形態學的分割方法,其基本思想是把圖像看作是測地學上的拓撲地貌,圖像中每一點像素的灰度值表示該點的海拔高度,每一個局部極小值及其影響區域稱為集水盆,而集水盆的邊界則形成分水嶺。分水嶺的概念和形成可以通過模擬浸入過程來說明。在每一個局部極小值表面,刺穿一個小孔,然後把整個模型慢慢浸入水中,隨著浸入的加深,每一個局部極小值的影響域慢慢向外擴展,在兩個集水盆匯合處構築大壩,即形成分水嶺。
B. 求一個區域劃分問題的演算法
#include <iostream>
using namespace std;
int q(int n,int m) //n個正整數的小於m的劃分個數
{
if(n<1 || m<1) return 0;
if(n==1 || m==1) return 1;
if(n<m) return q(n,n);
if(n==m) return q(n,n-1)+1;
return q(n,m-1)+q(n-m,m);
}
int q2(int n,int m) //正奇數劃分
{
if(n<1 || m<1) return 0;
if(n==1 || m==1) return 1;
if(n<m) return q2(n,n);
if(n==m && n%2==1) return q2(n,n-1)+1;
if(n==m && n%2==0) return q2(n,n-1);
//if(n>m && n%2==1)
return q2(n,m-2)+q2(n-m,m);
//return q2(n,m-2)+q2(n-m,m);
}
int q3(int n,int m) //不同正整數劃分
{
if(n==1 && m==1) return 1;
if(n<0 || m<=1) return 0;
if(n<m) return q3(n,n);
if(n==m) return q3(n,n-1)+1;
return q3(n,m-1)+q3(n-m,m-1);
}
int main()
{
int n,m;
cin >> n >> m;
cout << q(n,n) << endl;
cout << q(n,m) << endl;
cout << q2(n,n) << endl;
cout << q3(n,n) << endl;
return 0;
}
C. 多尺度分割
與傳統的基於像元的分類方法不同,面向對象的遙感影像分類方法處理的基本單元是影像對象,而不是單個的像元。其採用一種基於遙感影像的多尺度分割方法,可以生成任意尺度的、屬性信息相似的影像多邊形 ( 對象) ,運用模糊數學方法獲得每個對象的屬性信息,以影像對象為信息提取的基本單元,實現分類和信息提取。面向對象的遙感影像分類有兩個獨立的模塊: 對象生成 ( 影像分割) 與信息提取 ( 影像分類) ( Blaschket et al. ,2000; Metzler et al. ,2002) 。對象生成即採用多尺度分割技術生成同質對象,其是進行分類識別和信息提取的必要前提。信息提取是基於模糊邏輯分類的思想,建立特徵屬性的判別規則體系,計算出每個對象屬於某一類別的概率,達到分類識別和信息提取的目的。
地表信息在不同的尺度 ( 時間或空間跨度) 上有著不同的表現,例如從圖 5 -1 中分辨出的就是兩個圓形的物體,當把觀察距離拉遠時,我們看到了圖5 -2,這時我們根據其與相鄰物體之間的關系能立刻分辨出左邊的圓形物體是盤子,右邊的圓形物體是車輪。這是空間尺度上的一個簡單例子。時間尺度就更加簡單,例如一片耕地,在夏季的時候是綠色的,到了秋季變成黃色的。上述的例子說明,當我們要正確識別目標地物的時候,必須要選擇一個合適的尺度,達到最佳的分辨效果。傳統的基於像元的信息提取方法均是在同一個尺度上進行,該尺度即影像的空間解析度,由於它無法兼顧地物的宏觀和微觀特徵,導致在影像信息十分豐富的時候 ( 高解析度影像) ,往往達不到很好的提取效果,出現許多破碎的區域,這也就是常說的高解析度影像分類的 「胡椒鹽效應」。針對這一問題,面向對象的分類方法引進了多尺度分割的概念。
圖 5 -1 兩個圓形物體
圖 5 -2 盤子和車輪
( 一) 多尺度分割的概念
多尺度分割是指在影像信息損失最小的前提下,以任意尺度生成異質性最小、同質性最大的有意義影像多邊形對象的過程,其是一種影像抽象 ( 壓縮) 的手段,即把高解析度像元的信息保留到低解析度的對象上,不同的地物類型可以在相應尺度的對象上得到反映( 黃慧萍,2003) 。影像的多尺度分割從任意一個像元開始,採用自下而上的區域合並方法形成對象。小的對象可以經過若干步驟合並成大的對象,每一對象大小的調整都必須確保合並後對象的異質性小於給定的閾值 ( 王岩等,2009) 。因此,多尺度分割可以理解為一個局部優化過程,而對象的同質性標准則是由對象的顏色 ( color) 因子和形狀 ( shape)因子確定,分別代表了影像分割時 「顏色」和 「形狀」各自所佔的權重,兩者之和為 1。而 「形狀因子」又由光滑度 ( smoothness) 和緊致度 ( compactness) 兩部分組成,兩者權重之和為 1,這四個參數共同決定分割效果 ( 圖 5 -3) 。
圖 5 -3 多尺度分割的參數構成
( 二) 多尺度分割參數的選擇
同質性標准包括光譜 ( 顏色) 和形狀兩個因子,其中形狀因子又包括光滑度和緊致度。大多數情況下,顏色因子對生成對象最重要,形狀因子有效控制著影像對象的破碎程度,可以避免 「同物異譜」和 「同譜異物」現象與 「胡椒鹽效應」,以此提高分類精度( 田新光,2007) 。傳統的基於像元的方法不考慮形狀因子,而將光譜因子設置為 1,即完全依靠像元的光譜值進行信息提取。光滑度是通過邊界平滑來優化影像對象的,其描述的是對象邊界與一個正方形的相似度; 緊致度是通過聚集度來優化影像對象的,其作用是利用較小的差別把緊湊和不緊湊的目標對象區分開。光滑度和緊致度兩個形狀因子相互作用、相互影響,但並不完全對立,即通過光滑度優化的對象也可能會有好的緊致度,反之,通過緊致度優化過的對象也可能會有光滑的邊界。
在參數設置時,首先應當明確光譜信息的重要性,應充分利用光譜 ( 顏色) 信息,形狀因子權重太高會導致對象同質性的破壞,出現一個對象包含若乾地類的情況,不利於信息提取。因此,在進行多尺度分割時要遵循兩條基本原則: ① 盡可能使用較大的顏色因子; ② 如果遇到邊界不很光滑但是聚集度較高的影像對象,可嘗試使用較大的形狀因子來加以控制。
( 三) 分割尺度的選擇
多尺度分割的一個突出貢獻是同一空間解析度的遙感影像信息不再只由一種尺度來表示,而是在同一遙感影像中可以由多種適宜的尺度來描述 ( 黃慧萍,2003) 。多尺度分割不僅生成了有意義的影像對象,並且將原解析度的影像信息擴展到不同尺度上,實現了信息的多尺度表達與描述。多尺度分割表示在影像分割過程中採用不同的分割尺度值,所生成的對象大小取決於分割前確定的分割尺度值,其值越大,所生成對象的多邊形面積就越大而數目越少,反之多邊形面積越小,數目越多。因此,影像分割時尺度的選擇很重要,其直接決定了分類和信息提取的精度。
最優尺度的確定一直是面向對象分類方法的一個研究重點,但是最優尺度是相對的,是相對於某一特定目標或要求的,某一特定變數的最優分割尺度值不一定適用於其他變數,所以最優尺度只能是一個數值范圍。但是分割尺度的選擇應當遵守以下規則: 對於某一特定地物類別,最適合的尺度是指分割後的對象邊界清晰,能用一個或者多個對象來表達這種地物類別,既不能太破碎也不能出現混合類別對象,單個對象能夠很好地表達這種地物類別特有的屬性特徵,使其能很好地與其他地物類別區分開來 ( 黃慧萍,2003) 。一般來看,分割尺度越小,產生的對象就越 「純」,不同地物類別被劃分到單個對象的概率就越小,這樣信息提取的精度就越高; 但是分割尺度越小會導致同一地物類別對象之間差異性增加,不同地物類別對象之間的異質性反而降低,並不利於分類和識別,而且分割對象數目過多,過於破碎,反而增加了計算機的運算量,降低了提取的精度,並不可取,所以,必須在分割尺度和分類精度之間尋找到平衡點。
( 四) 多尺度分割的網路層次關系
不同的分割尺度生成相應的對象層,從而構建影像對象之間的層次等級網路,它以不同的空間尺度表達了影像所包含的信息,每一個對象都有它的鄰域 ( 左右) 對象、上層父對象和下層子對象 ( 圖 5 -4) 。對象網路層次結構按照從大到小、從上到下的方式安排:原始層 ( 像元層) 放在最底層,尺度最大的放在最高層。分割尺度較小的層中包含的對象數量較多,每個對象包含的像元數較少; 而分割尺度較大的層中,單個對象包含的像元數目比較多,而包含的對象數量比較少。在這個對象網路層次結構中,每一個對象都包含了鄰域對象、下層子對象和上層父對象之間復雜的屬性關系,在處理這些關系的時候,上、下層次對象間的關系顯得尤為重要,因為通常可以根據父對象的屬性確定子對象類別、根據子對象的平均屬性對父對象的紋理屬性進行分類以及根據已確定類別的子對象組成對父對象進行分類等。此外,相鄰對象也十分重要,因為如果有些對象的光譜、紋理和形狀信息都十分相似,若以它們的對象作為分類判定的一個標准,則信息提取就容易得多。
圖 5 -4 多尺度分割的網路層次結構圖
( 五) 基於異質性最小原則的區域合並演算法
多尺度分割採用的是基於異質性最小原則的區域合並演算法,其基本思想是把具有相同或相似性質的相鄰像元集合起來組成區域多邊形 ( 對象) 。首先在每個需要分割的區域中找一個種子像元作為生長起點,然後將種子像元鄰域中與種子像元有相同或相似性質的像元合並到種子像元所在的區域中,將這些新的像元當作新的種子像元繼續進行上面的過程,直到再沒有滿足條件的像元,由此生成一個區域 ( 對象) ( 章毓晉,2000) 。區域合並演算法的目的是實現分割後影像對象的權重異質性最小,如果僅考慮光譜異質性最小會導致分割後的對象邊界比較破碎,因此,需要把光譜異質性的標准和空間異質性的標准配合使用。在分割前,需要首先確定影響異質性大小的光譜因子和形狀因子,因為只有同時滿足光譜異質性、光滑度異質性和緊致度異質性最小,才能使整幅影像中所有對象的平均異質性最小 ( 戴昌達等,2004) 。
( 六) 模糊分類方法
面向對象的遙感影像分類方法採用的是基於模糊邏輯分類系統的模糊數學分析方法。模糊理論是由美國加州伯克萊分校 Zadeh 教授於 1965 年提出的,主要用來處理模糊不清、不嚴密和不明確的問題。模糊性是客觀世界存在的普遍現象 ( 陳文凱,2007) ,遙感影像中的模糊性主要表現在一個對象 ( 像元) 內可能出現多個地物類別在這種情況下如何確定其歸屬。
模糊分類系統一般由模糊化、模糊推理和去模糊三個部分組成。模糊化就是把特徵值向模糊值轉化的過程,實質上是一個特徵標准化的過程,成員函數是一個模糊表達式,能把任意特徵值范圍轉換為 [0,1] 這個統一的范圍。模糊推理是指對模糊集合建立相關的模糊判斷規則並進行最終推理。去模糊實際上是通過模糊推理以及綜合評價方法最終確定結果的過程。
遙感影像經過分割後得到的對象不再是硬性地屬於某個特定的地物類別,而是在不同程度上與該類別相關,它們之間的關系不再是 「是」與 「非」的硬性關系,而是不確定的。模糊分類方法是一種量化不確定狀態的數學分析方法。採用模糊分類方法有以下三點優勢:① 特徵值向模糊值轉化,這實際上是一個特徵標准化的過程; ② 允許特徵之間的相互組合,甚至是范圍和大小迥異的特徵也可以組合起來作為分類的規則; ③ 提供了靈活的、可調整的特徵描述,通過模糊運算和層次分析,能夠進行復雜的分類和信息提取 ( 張永生等,2004) 。
本研究面向對象的地物分類方法技術流程如圖 5 -5 所示。
圖 5 -5 面向對象的地物分類方法技術流程圖
D. 圖像分割演算法分為幾類
從學術角度講圖像分割主要分成3大類,一是基於邊緣的,二是基於區域的,三是基於紋理的。由於基於紋理的也可以看成是基於區域的,所以有些專家也把分割方法分成基於邊緣和基於區域兩大類。
選擇演算法的時候主要參考你要分割的圖像樣本的特點。
如果圖像的邊界特別分明,比如綠葉和紅花,在邊界處紅綠明顯不同,可以精確提取到邊界,這時候用基於邊緣的方法就可行。但如果是像醫學圖像一樣,輪廓不是特別明顯,比如心臟圖像,左心房和左心室顏色比較接近,它們之間的隔膜僅僅是顏色比它們深一些,但是色彩上來說很接近,這時候用基於邊緣的方法就不合適了,用基於區域的方法更好。再比如帶紋理的圖像,例如條紋衫,如果用基於邊緣的方法很可能就把每一條紋都分割成一個物體,但實際上衣服是一個整體,這時候用基於紋理的方法就能把紋理相同或相似的區域分成一個整體。
不過總體來說,基於區域的方法近些年更熱一些,如Meanshift分割方法、測地線活動輪廓模型、JSEG等。
E. 目前應用最廣的圖像分割演算法是什麼
小波變換是近年來得到了廣泛應用的數學工具,它在時域和頻域都具有良好的局部化性質,而且小波變換具有多尺度特性,能夠在不同尺度上對信號進行分析,因此在圖像處理和分析等許多方面得到應用。
基於小波變換的閾值圖像分割方法的基本思想是首先由二進小波變換將圖像的直方圖分解為不同層次的小波系數,然後依據給定的分割准則和小波系數選擇閾值門限,最後利用閾值標出圖像分割的區域。整個分割過程是從粗到細,有尺度變化來控制,即起始分割由粗略的L2(R)子空間上投影的直方圖來實現,如果分割不理想,則利用直方圖在精細的子空間上的小波系數逐步細化圖像分割。分割演算法的計算饋與圖像尺寸大小呈線性變化。
F. 圖象分割有哪三種不同的途徑
http://media.cs.tsinghua.e.cn/~ahz/digitalimageprocess/chapter15/chapt15_ahz.htm
圖象分割有三種不同的途徑,其一是將各象素劃歸到相應物體或區域的象素聚類方法即區域法,其二是通過直接確定區域間的邊界來實現分割的邊界方法,其三是首先檢測邊緣象素再將邊緣象素連接起來構成邊界形成分割。 圖象分割是圖象理解的基礎,而在....