邓晓飞，徐蔚鸿

（长沙理工大学计算机与通信工程学院，湖南 长沙 410114）

1 引言

图像分割是图像分析和理解的一个基本步骤，同时也是图像信息处理的热点和难点之一。图像分割的目的是把图像划分为若干个互不相交的区域，使各区域属性具有一致性，而相邻区域间的属性特征有明显差别。许新征等[1]归纳了常用的图像分割方法：阈值分割、边缘检测、区域生长、神经网络、模糊聚类。近年来，基于统计学理论和结构风险最小化的支持向量机SVM（Support Vector Machine）已应用于图像分割领域。

支持向量机作为一种有监督的分类器，需要选取训练特征样本，而特征样本的选取对分类的效果起到了关键作用。目前，很多研究人员单独将灰度值特征作为SVM 的训练特征向量，如Reyna R A等[2]将子图像块中的像素值进行简单的排列来构成训练特征向量；薛志东等[3～5]将整幅图像的每个像素值作为训练特征向量；还有学者在灰度值特征的基础上利用统计学方法加入了灰度统计特征，如魏鸿磊等[6]将子图像块的对比度、方向偏差和频率偏差作为训练特征向量，Chen Xin-jian 等[7]将每个子图像块的像素聚集度、灰度均值、灰度方差作为训练特征向量。但是，这些方法都没有摆脱基于像素分类方法的局限性，忽略了图像的边缘锐变情况和纹理信息，从而影响了分割的效果。因此，上述方法不适用于图像中目标区域的边缘对比度低和纹理信息丰富的情形。

针对上述问题，本文提出一种结合相位一致性和纹理特征的SVM 图像分割方法。……