图像是对客观对象的一种相似性的、生动性的描述或写真，是网络和信息时代最常用的信息载体，是人们最主要的信息源。基于图像的直观性，它已经广泛应用于自然及社会科学领域。在图像处理和图像处理领域，图像分割［197］是一种重要的基础技术，是图像分析和图像理解的关键步骤，其目的在于把图像分成若干个特定的、具有独立意义的区域（同性质像素集合）。综合近年来相关文献，图像分割方法可以粗略地分为三类：基于图的方法、基于区域生长方法、基于聚类方法。基于图的方法首先将图像素点抽象为图数据结构中的节点，根据像素之间的位置及相似性构造图的边，通过消去部分边实现图像分割。但是，它一般需要预设区域个数，而且复杂度较高。标准化切割（Normalized Cut，NCUT）［198］是一种经典的基于图的分割方法。基于区域生长方法，也称为基于空间的方法，该类方法从一个或多个种子像素开始，通过不断合并邻近像素实现图形分割。尽管这种方法能够有效地保护图像的边界信息，但是它经常会导致图像的过分割或欠分割。统计区域合并（Statistical Region Merging，SRM）［199］和一致性区域合并（Consensus Region Merging，CRM）［200］是一类行之有效的区域生长方法。基于聚类方法通过将相似特征的像素聚成一簇来实现图像分割，这类方法的缺点在于它没有考虑像素的空间信息，而且簇个数的选择直接影响最终分割结果。模糊c均值（Fuzzy c-means，FCM）［201］是一种最常用的模糊聚类算法，但是其计算复杂度较高。线性复杂度超像素方法［202］（Simple Linear Iterative Clustering，SLIC）也是一种聚类方法，这种方法巧妙地利用了图像的空间信息，并且具有线性的复杂度，但是对于图像分割来说，其结果存在明显的过分割问题，如图7.3（a）所示。然而即使能够确切知道分割区域个数，该方法仍然不能得到正确的分割结果，如图7.3（b）所示。因而，本书将通过区域合并的方法解决该问题。
图7.3 SLIC超像素图像分割结果
基于计算复杂度的考量，本书采用SLIC超像素算法进行预处理操作。超像素方法提供了一种方便、原始的初始分割效果，并大大降低了后续图像处理工作的复杂度。它已经被证明具有越来越多的有效应用，比如深度估计、图像分割、身体姿态估计和目标定位等。在本书中所采用的SLIC超像素方法，是明显简单快速，并且获得了高质量，高紧凑度，极度接近于规范化的超像素方法。在文献［202］中，它已经被证明优于目前代表先进水平的多种方法。但是，如前所述，如果用来独立解决图像分割问题，该方法存在明显的过分割现象。(www.xing528.com)
区域生长与合并［203］是较早采用的图像分割方法之一，在区域合并方法中，区域是具有相同特性像素的集合，初始区域为独立像素点，迭代的合并像素点或小区域来实现区域生长，最终获得图像分割效果。本书将采用文献［199，200］中的统计区域合并方法。区域生长/合并技术通常伴随着一个统计测验来决定区域合并与否。在统计测验中使用的合并预测函数是基于局部区域的决策，因此该局部属性的决策必须保护图像的全局属性，在图7.4（a）中老鹰区域明显区别于天空区域，在这种情况下，一个好的区域合并算法必须能够保证该区域完整并且防范将该区域分割到邻近天空区域的风险。图7.4（b）显示了我们方法的分割结果。
图7.4 hock图像分割结果
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
