巨志勇，翟春宇，张文馨

(上海理工大学 光电信息与计算机工程学院,上海 200093)

图像分割是图像处理和计算机视觉不可或缺的一部分，也是近年来的研究热点之一，广泛应用于计算机视觉、计算机图形学、机器人等领域，已取得了一定的成果。精确分割出目标物有着十分重要的意义，但目前很多分割方法仍存在着明显的缺陷。文献[1]采用的一维熵阈值分割方法在求解分割阈值时易受噪声的干扰。二维熵阈值分割方法虽提高了分割的精度，但运算量过大导致运算时间过长。文献[2]提出用K-means均值聚类算法对图像进行分割，较好地改善了欠拟合的问题，但是较容易陷入到局部最优解，最终仍会出现过分割的现象。

考虑以上缺点 ，本文利用支持向量机(Support Vector Machine，SVM)整体复杂性较低的特点来提升分割效率。同时，SVM可以将图像分割问题转换成图像像素的分类，提高分割精度[3-5]。

在支持向量机分割算法方面，文献[6]采用分区域特征匹配方法，进行二维图像的分块融合性检测和特征块匹配，根据超声纹理的规则性特征分量进行病理边缘特征提取，并利用提取的精度作为约束条件，优化SVM进行分割。文献[7]采用显著性检测得到大致的显著区域和背景区域，并分别提取颜色等特征利用SVM进行训练，有效解决了因为显著图不均匀导致分割结果缺乏准确边缘的问题。

针对于区域生长算法噪声及灰度不均可能会导致过分割的问题，基于文献[6～7]，本文提出了一种基于SVM的区域生长分割算法。……