论文摘要
图像分割(Image Segmentation)是图像处理中的关键技术,其原理是将一幅图像划分成若干个特性不同且相互不交迭的区域集合,并从中提取出目标的过程,图像分割结果的精确度对后续的图像处理流程有直接影响。阈值分割法、边缘检测法、区域分割法等经典图像分割方法对一些特定图像能较好的分割,但是还没有一种方法能适用于所有图像。近年来,随着各种新的技术和新的理论的不断提出和完善,并广泛应用于图像分割领域,提出并改进了许多种基于新的理论的图像分割方法。通过对现有图像分割技术的不断改进,一方面是提高了精确分割图像的能力’；二是为了提高图像分割效率；三是提升了图像分割方法的应用范围。分水岭变换(Watershed Transform)是一种数学形态学分割方法,通过分水线的获取,分水岭算法能得到连续、封闭、单像素宽的边缘。但它的缺点也很明显,分水岭算法对噪声干扰和纹理的细微变化非常敏感,图像中的微弱的噪声或图片纹理的细微变换会导致梯度发生很大变化,在其上实施分水岭变换会造成严重的过分割现象,产生大量的细小的区域。本文通过改进算法预处理过程对算法进行改进,创新点如下：(1)改进了自适应遗传算法的交叉和变异公式,引入最优保存策略提高算法收敛性；(2)提出一种结合图像特性的小波阈值选择方法；(3)改进了图像去噪方法,引入多分辨分析方法提高去噪算法的自适应性；(4)改进了分水岭算法的预处理过程,减轻算法的过分割性。本文做了如下工作：(1)对图像进行多尺度小波变换,由于图像进行小波多尺度分解后,各个尺度的小波系数具有不同的特性。噪声干扰小的低频子带采用各向异性扩散滤波：高频子带采用阈值萎缩去噪。(2)本文结合自适应遗传算法(AGA)提出了一种与图像自身特性相关阈值,并用于对高频系数去噪,该阈值相对于其他阈值更接近图像最优阈值。(3)改进了AGA的自适应交叉和边缘概率公式,并引入神经网络中的sigmoid函数以平滑自适应交叉和变异曲线,以促进算法收敛和防止局部最优。(4)根据基于标记的形态学分水岭算法对梯度图像进行极大极小值标记的原理,对图像梯度的边缘进行增强以提高标记的精度。
论文目录
相关论文文献
标签：图像分割论文; 形态学分水岭变换论文; 多分辨分析论文; 自适应遗传算法论文; 各向异性扩散论文;