基于分形的图像分割关键技术研究

论文摘要

人们获得信息的能力随着信息技术的发展不断加强,使得各种信息的数量快速增长,如何对信息进行快速分析,得到所关心的内容已经成为信息处理的一个重要问题。图像是一种重要的信息资源,应用的领域非常广泛。图像分割作为一种重要的图像分析提取技术,成为图像处理领域中的一个基本问题。本文以分形理论为基础,结合图像的灰度特征进行了图像特征向量提取的研究与对比实验。论文的主要贡献:1、在研究基于分形理论进行图像分割的基本原理与方法的基础上,验证了空隙特征和多重分形特征区分具有相近分形维图像的能力;2、提出了新的图像特征向量用于图像分割,包括原始图像的分形维、空隙、多重分形和变换后图像的分形维等共8个分形特征,针对SAP图像和航拍图像提取了图像的灰度作为第9个特征,这些特征组成的特征向量构成了新的特征空间,并提出了以特征空间平滑滤波处理后的向量数据进行图像分割的方法;3、设计实现了基于K均值聚类算法的图像分割程序,对3类图像(纹理图像、SAR图像和航拍图像)进行了分割实验,实验结果表明:本文提出的基于分形特征结合灰度特征的图像分割方法能够有效减小图像噪声影响,提高分割精度。论文研究表明基于分形理论的图像分割方法在针对纹理图像进行分割时具有一定的优势,对SAP图像和航拍图像,本文提出的基于分形特征和灰度特征结合的方法要优于单纯的灰度级阈值或单纯的基于分形的图像分割方法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题意义
• 1.2 图像分割研究现状
• 1.3 论文的主要工作和结构
• 1.3.1 论文的主要工作
• 1.3.2 论文结构
• 第二章 分形及图像分形维计算方法
• 2.1 分形与分形维
• 2.1.1 分形
• 2.1.2 分形维
• 2.2 计算图像分形维的方法
• 2.2.1 Peleg的ε毯子模型
• 2.2.2 功率谱方法
• 2.2.3 盒子维法
• 2.2.4 图像分形维计算方法比较
• 2.3 小结
• 第三章 图像特征分析与向量提取
• 3.1 图像的主要分形特征分析
• 3.1.1 空隙特征
• 3.1.2 多重分形特征
• 3.2 图像分形特征与灰度特征的结合
• 3.3 特征空间的处理及分类器选择
• 3.3.1 边缘保持噪声平滑处理
• 3.3.2 分类器选择
• 3.4 样本图像特点分析
• 3.4.1 纹理图像特点分析
• 3.4.2 SAR图像特点分析
• 3.4.3 航拍图像特点分析
• 3.5 小结
• 第四章 图像分割实验及结果对比分析
• 4.1 图像分割实验方案设计
• 4.2 纹理图像分割实验与分析
• 4.2.1 实验一:纹理库图像的图像分割
• 4.2.2 实验二:合成图像的图像分割
• 4.3 SAR图像分割实验与分析
• 4.3.1 实验一:海陆分界图像的图像分割
• 4.3.2 实验二:高分辨率SAR图像的图像分割
• 4.4 航拍图像分割实验与分析
• 4.4.1 实验一:前景粗糙图像的图像分割
• 4.4.2 实验二:前景平滑图像的图像分割
• 4.5 实验结果分析
• 4.6 小结
• 第五章 结束语
• 5.1 论文的主要工作和结论
• 5.2 下一步工作
• 致谢
• 参考文献
• 作者在学期间取得的学术成果