基于图论最小割集算法的图像分割研究
2014-06-23李白燕
张 健,李白燕
(黄淮学院信息工程学院,驻马店463000)
基于图论最小割集算法的图像分割研究
张 健,李白燕
(黄淮学院信息工程学院,驻马店463000)
为了提高图像分割的质量,采用图论最小割集算法进行了研究。首先将图像中的像素点映射为图论节点,节点权值通过平衡因子与共享最近邻节点数的比率计算;然后基于最小化能量方程建立图像最小割集,提取分割块内的灰度值作为块特征向量,用最小生成树对图分割;接着用判定函数判断临近区域是合并或者分割;最后给出了算法流程。结果表明,该算法可以分割出目标信息,并且算法鲁棒性好、峰值内存小。
图像处理;最小割集;权值;最小生成树
引 言
图像分割是将图像细分为多个图像子区域(像素的集合)的过程[1],把感兴趣的图像目标区域从不同区域的背景区域中提取出来,从而为下一步处理奠定基础。
图像分割方法有阈值分割法(threshold method,TM)、小波分析法(wavelet analysis method,WAM)、区域生长法(region growing method,RGM)、分裂融合法(fission and fusion method,FFM)、数学形态学法(mathematical morphological method,MMM)、多尺度法(multiple scales method,MSM)、马尔可夫随机场模型法(Markov random field model method, MRFMM)、水线法(waterline method,WM)等[2]。阈值分割法较其它方法具有直观性、易于实现、性能稳定等性质,使其被广泛地应用,但是存在计算量较大的缺点[3]。小波和阈值结合算法有较强的抗噪声性能[4],很难有效地选择阈值,后来出现硬阈值法和软阈值法,但是经过硬阈值函数处理后在正负阈值处不连续,软阈值方法通常会丢掉某些特征,分割图像会产生剧烈震荡。模糊集聚类的阈值方法(fuzzy threshold clustering method,FTCM)把背景与目标进行划分[5],聚类样本不需要训练集,但对初始分割需要提供一个初始参量,同时仍需多次迭代,花费大量的运算时间。……
