形態(tài)學分水嶺和Fisher線性判別的圖像分割算法研究.pdf

1、圖像分割是圖像處理中的重要問題，也是計算機視覺領域低層次視覺中的基礎。圖像分割是將圖像表示為物理上有意義的連通區(qū)域的集合，這些區(qū)域即是人們感興趣的部分。它是實現(xiàn)圖像理解與分析的基礎，分割結果很大程度上影響著后續(xù)處理。
　　圖像分割結果的準確性和分割算法的快速性是保證圖像識別系統(tǒng)的重要條件。論文在提高圖像分割結果準確性和算法的快速性方面做了以下幾個工作：
　　分水嶺分割算法是根據(jù)數(shù)學形態(tài)學提出的一種基于區(qū)域分割的圖像分割方法。

2、該方法簡單、直觀、可快速并行處理，能得到連通封閉的區(qū)域輪廓。但分水嶺算法也存在一個嚴重的“過分割”問題。本文首先詳細給出了分水嶺變換的數(shù)學描述及實現(xiàn)方法，并分析算法產(chǎn)生“過分割”現(xiàn)象的原因。在此基礎上提出了兩種改進方法。
　　第一種方法結合小波變換和多尺度形態(tài)學梯度，對基本分水嶺分割算法進行了改進。該方法首先選擇適當?shù)慕Y構元素對原始圖像進行預處理和多尺度梯度變換，把分水嶺分割建立在小波變換的低頻圖像上，并通過形態(tài)重構有效地解決了偽

3、極小值給分水嶺算法帶來的“過分割”現(xiàn)象；第二種方法提出了一種新的基于標記閾值的分水嶺分割算法。算法通過對原始梯度圖像的極小值標記進行強制修定，并在強制標記的梯度圖像上進行分水嶺變換。實驗結果表明，兩種方法都能有效地改善分水嶺算法的“過分割”問題，得到理想的分割結果。其中，第二種方法帶標記的分水嶺使分割結果更為準確。同時，不需要人為對圖像具有先驗知識，實用性較強。
　　模式識別中的Fisher線性判別函數(shù)是判定類別分離程度的有效準則

4、?；诙S的Fisher線性判別圖像分割方法不僅考慮圖像的灰度信息和像素間的空間鄰域信息，而且進一步考慮類間方差和類內方差在類別分離性中的相關性。對于邊緣模糊，信噪比較低的圖像分割有很大改善。
　　針對二維Fisher分割算法計算量大的問題，采用粒子群優(yōu)化(Particle Swarm Optimization, PSO)算法來搜索最優(yōu)二維閾值向量。結果表明,采用PSO來搜索二維閾值向量，PSO算法能在很短的時間內搜索到全局最優(yōu)閾