分割技术
开篇：润墨网以专业的文秘视角，为您筛选了八篇分割技术范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
分割技术范文第1篇
Abstract: As the special application environment of coal fields, the image segmentation technique is commonly used to directly cut the surveillance image of the underground coal mines video, but it often does not get the desired effect. This paper provides comparisons and analysis of several commonly used image segmentation algorithms in the applications for coal mine environmental requirements.
关键词： 图像分割；图像去噪；煤矿生产
Key words: image segmentation；image remove noise；coal production
中图分类号：TP391 文献标识码：A 文章编号：1006-4311（2012）11-0151-02
0 引言
近年来，视频图像处理技术的应用越来越广泛，图像处理算法的改进或创新成为了热门研究领域之一。视频图像分割是视频处理领域中的重要组成部分，对于图像理解、图像分析、模式识别、计算机视觉等具有重要的意义。目前，在图像分割理论与技术方面已经取得了丰硕的研究成果，运动目标分割技术根据算法采用特征主要分为四类[1]：基于变化检测的方法、基于光流估计的方法、基于模型的方法和时空分割算法。然而，针对煤矿领域特殊环境的应用的算法却比较少，本文从煤矿领域环境出发，对常用的几种图像分割算法进行深入比较分析。
1 常用的噪声去除算法
由于工作环境的限制，图像中往往含有大量的噪声，因此需要对采集的原始图像进行去噪处理，常用的处理技术是基于空间滤波。空间滤波是借助模板在图像空间内完成的领域操作，空间滤波器的工作原理是抑制图像在傅里叶空间某个范围内的分量，而其他分量不受影响，以改变输出图像的频率分布来达到增强的目的。滤波处理过程中既要保存图像的轮廓及边缘信息，又要使图像具有清晰的视觉效果。图像的滤波方法可以被分为频率域法和空间域法[2]。滤波方法中将输入和输出像素邻域像素是线性关系的称为线性滤波，如均值滤波和高斯滤波；否则为非线性滤波，如中值滤波。
高斯滤波根据高斯函数的形状来选择权值，对服从正态分布噪声的去除很有效。为了克服边界效应的影响，高斯滤波的加权平均值的中间权重比邻近像素的权重更大。采用3×3掩模的高斯滤波公式如下：
g（x，y）={f（x-1，y-1）+f（x-1，y+1）+f（x+1，y-1）+f（x+1，y+1）+
[f（x-1，y）+f（x，y-1）+f（x+1，y）+f（x，y+1）]*2+f（x，y）*4}/16（1）
其中f（x，y）为（x，y）像素点的灰度值，g（x，y）为经过高斯滤处理后的值。
中值滤波在某些条件下既可以去除噪声又能够保护图像的边缘信息，它的基本原理是将像素邻域内各点值的中值代替该像素点的值。中值的定义如下：
一组数x1，x2，x3，…xn，把n个数按值的大小顺序排列如下：
xi1xi2xi3…xin（2）
则序列x1，x2，x3，…，xn的中值表示为：
y=Med（x1，x2，x3，…，xn}=x ， n为奇数x+x，n为偶数（3）
二维中值滤波表达式为：
g（x，y）=Med{f（x-k，y-l），（k，l∈W）}（4）
其中，f（x，y）为原始图像，g（x，y）表示处理后的二维图像。W为二维模板，模板通常为2×2、3×3区域，也可以是不同的形状，如方形、十字形、线形、圆形、菱形等。
虽然中值滤波器对脉冲信号很有效，但仅采用简单的中值滤波将会丢失图像的细节，造成视觉效果的模糊。于是又有研究者提出了一些改进的方法，如基于个数判断的脉冲噪声的中值滤波器、自适应门限的中值滤波器、多窗口下的自适应中值滤波器等等。
均值滤波是指在图像上给定目标像素的模板，此模板包括当前像素点及其周围的八邻域像素点，以模板像素点的平均值来代替原当前像素点。
均值滤波属于线性滤波的一种，其基本原理是用当前像素的领域均值代替原图像中当前像素值，即对图像的当前像素点（x，y），选择一个模板，该模板由其八个近邻的像素组成，求模板中所有像素的均值，再以该均值代替当前像素点（x，y），作为处理后图像在该点上的灰度值g（x，y），方程表示如下：
g（x，y）=f（x，y）（5）
m为该模板中包含当前像素在内的像素总个数。均值滤波能够平滑图像且速度快，算法简单。但只能减弱噪声，无法予以去除。
2 图像分割算法介绍
经过多年的研究，图像分割方法已经有很多种，根据算法采用特征主要分为四类：基于变化检测的方法[3]、基于光流估计的方法[2]、基于模型的方法和时空分割算法。
2.1 基于变化检测的图像分割研究 基于变化检测的方法通过对视频帧间差图像的检测实现运动目标的分割。常用变化检测的方法有帧差法和高阶统计量检测法，帧差法利用图像帧间的变化进行运动目标的检测，该算法简单易实现，实时性强，但容易出现空洞现象，通常结合其它方法应用。高阶统计量的检测法是由Neri[3]提出的，高阶统计（HOS）量主要利用图像信息的四阶累积或者四阶矩对运动区域进行提取。运动区域的提取过程中，首先要计算局部估计信息的帧差零延迟四阶矩；其次，进行自适应地设定阈值，该阈值要能够随背景相适应的变化；再次，将得到的阈值与计算出的四阶矩相比较，以区分运动区域和背景；最后，提取出不同于背景波动和噪声的运动区域。提取过程需要注意两个方面：一方面是阈值的设定，如果阈值设定不当，将会导致部分噪声不能被消除；另一方面，由于物体内部纹理信息的一致性，检测过程中会出现信息内部的空洞现象，为此还要进行边缘提取和区域填充等。
下面将分别给出随机变量的高阶矩和高阶累积量。
随机变量x的k阶矩通常可用x的特征函数（s）在原点的k阶导数来表示：（s）=f（x）edx=E{e}（6）
（0）=E{x}=m（7）
这里也把（s）称为x的矩生成函数，将函数φ（s）=ln（s）称为x的累积量生成函数，随机变量x的k阶累积量ck定义为它的累积量生成函数φ（s）的k阶导数在原点的值，表示为：
c= （8）
高阶统计量最初应用于信息处理领域，然而由于具有抑制加性高斯噪声的能力，可以避免高斯噪声对图像的影响的特点，已经被很多研究者引入到图像滤波、图像分割等图像处理的不同研究领域。该方法能够较完整地分割出运动目标，但只适用于静止背景环境下。
2.2 基于光流估计的图像分割研究 光流估计的方法通过光流场的运动估计实现分割的目的。光流场估计经典方法有Horn和Shuck利用光流的假设条件求解光流[4]，相应的光流约束方程如下：
Ixu+Iyv+It=0（9）
式中，u=，E（C），Ix、Iy、It分别为图像I在x，y，t方向的偏导数。
光流估计能够适合背景变化的场景，但计算复杂。利用光流场对运动进行估计是一种常用方法，但由于应用过程中存在的空洞问题和遮挡问题，所以也存在估计的不确定性。对于煤矿领域的图像，由于噪声含量较大的原因，基于光流估计的图像分割很少被应用。
2.3 基于模型方法的图像分割研究 基于模型的方法通过建立对象模型，利用模板匹配的方法实现运动目标的分割。常用基于模型的方法有Snake模型、C-V模型等，Snake模型使初始曲线通过外部约束力及图像内部能量的相互作用进行演化，通过图像的边缘信息实现图像的分割；Chan和Vese提出不依赖图像梯度信息的图像检测算法[5]，该算法可以克服在图像光滑边界上分割效果不好的问题。C-V模型水平集其能量函数是，定义域为Ω的图像I（x，y）被闭合边界C划分为目标、背景2个区域Ca，Cb其平均灰度分别为ca，cb。表达式如下：
E（C，ca，cb）=μL（C）+vSa（C）+λa1-cdxdy+λ1-cdxdy（10）
其中，L（C）是闭合轮廓线C的长度；Sa（C）是C的内部区域，即Ca的面积；μ，v0，λa，λ>0是各个能量项权重系数。只有轮廓线位于2个区域边界时，E（C）才能达到最小值。
对于运动图像的分割，由于模型方法需要借助其他方法进行引导，并且演化速度较慢等原因，不便于实时系统的应用，在煤矿领域应用也较少。
2.4 时空分割算法的研究 时空分割算法在运动目标分割中引入图像区域分割，首先根据某种方法得到基于区域的图像信息，再根据时域信息确定区域的运动，最后合并运动区域实现运动目标的分割。Mech和Wollborn提出利用二次空间分割实现对运动目标的准确分割[6]，分割过程中利用数学形态学消除噪声，并结合了边缘信息。郑河荣等提出基于时空注意模型的视频分割算法，通过显著性映射构造时空注意特征，并采用分层条件随机场进行视频分割[7]，算法不仅能够分割复杂动态背景下的运动目标，还可以去除摄像机运动等所导致的误分割问题。由于时空分割算法能够得到理解的分割效果，且满足实时性的要求，得到了广泛的应用。
3 实验结果分析
为了验证四类分割算法的效果，本文选用一组煤矿地面输送带视频图像进行分析。算法由matlab7.1实现，图1（a）和图1（b）为视频图像中两幅原始图像，图1（c）为高阶统计量分割图，该算法能够较准备的分割出运动目标，但图中仍然含有一定的误分割，且计算时间较长；图1（d）为光流场分割图，该算法不仅计算时间较长，而且不利于实现准备分割；图1（e）为帧差法引导的C-V水平集分割图，随然能够分割出运动目标，但C-V水平集演化过程很慢，且会出现过度分割现象；图1（f）为时空结合算法的分割图，该图中能够分割出较理想的运动目标，且计算速度较快，易于实现实时性较高的要求。
4 总结
针对煤矿应用领域的环境要求，分析了按特征分类的四种分割算法，并根据工作环境对图像的影响分析了常用噪声去除的方法，通过比较实现分析了四种分割算法的分割效果。
参考文献：
[1]Neri A, Colonnese S, Russo G, et al. Automatic moving object and background separation[J].Signal Processing,1998,66(2):219-232.
[2]HADDADI S, FERNANDEZ C. Luminance and texture variation analysis for motion detection[J]. SPIE, 1997, 33(9): 1008-1018.
[3]B D Lucas,T Kanade. An Iterative Image Registration Technique with an Application to Stereo Vision[C]. Processing of the International Joint Conference on Artificial Intelligence, 1981.
[4]M Pardas. Relative Depth Estimation and Segmentation in Monocular Schemes[C]. Picture Coding Symposium, Berlin, Germany, 1997,367-372.
[5]刘珂,张宪民,付永会.一种改进的Hausdorff距离目标跟踪算法[J].上海交通大学学报,2001,35(2):223-227.
分割技术范文第2篇
关键词：图像；分割方法
中图分类号：TP399 文献标识码：A 文章编号：1007-9599 (2011) 22-0000-01
Picture Partitions Technology Application Study in the Medical Science Picture Processing
Yang Jiaping
(Wuxi Teachers’ College,Wuxi 214000,China)
Abstract:Pass a picture partition technique in the medical science picture application study within processing,go deep into to comprehend various theory foundation,applied value and merit and shortcoming that partition a method and emphasize research according to transform the partition method of model partitions in the medical science picture in of application,study the merit and shortcoming of the method and put forward homologous improvement calculate way.
Keywords:Picture;Partition a method
随着多媒体技术的迅速发展，在现代医学中，医学成像技术已成为其重要分支和不可或缺的诊断、治疗及研究工具。计算机和医学图像处理技术作为这些成像技术的发展基础，带动着现代医学诊断技术产生着深刻的变革。图像分割技术是医学图像处理和分析中的关键技术之一，图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域内表现出明显的不同；从医学研究和临床应用的角度来看，图像分割的目的是对原始的二维或三维图像划分成不同性质（如灰度、纹理、形状等）的区域，从而把感兴趣的区域提取并显示出来，并使它尽可能地接近解剖结果，为临床诊疗和病理学研究提供可靠的依据，提高医生对疾病诊断的准确性。因此，最大限度地利用医学图像数据提供的有用信息，对于促进医学科学和临业的发展具有重大的意义，对辅助医生进行医学图像临床诊断具有重要的实用价值。根据图像分割的定义，人们提出了许多种图像分割的分类方法，大致可以把医学图像的分割技术分为以下几类：
一、基于区域的图像分割方法
基于区域的图像分割方法是利用同一对象区域内部的均匀性，依照共同的图像属性来划分图像区域。阈值分割技术是最常见的、并行分割方法。它是通过阈值化操作直接把图像分割成不同的区域，常用于分割对象区域与周围对象或背景区域具有显著不同灰度级的图像。阈值分割算法实现简单，对于目标灰度值相差很大的图像很有效，常被用于CT图像中皮肤、骨骼的分割。但是该算法对于目标与背景或目标之间灰度差异不明显的情况，或者目标与背景的灰度值范围有较大重叠的图像，则难以得到准确的结果，而且阈值分割算法对噪声非常敏感。
二、基于边缘检测的图像分割方法
基于边缘检测的图像分割方法通过检测相邻像素特征值的突变性来获得不同区域之间的边缘，能检测出图像存在的所有边缘。人们为边缘检测设计了各种检测算子，包括提升算子、Sobel算子、Kirsh算子等。基于边缘检测的方法定位精度比较高，但受噪声影响比基于区域的方法却要大得多，所以对于医学图像而言，仅仅利用基于边缘检测的分割技术是难以达到目的的，绝大部分边缘检测技术要与其它模型结合才能得到满意的结果。
三、基于数学形态学的分割方法
数学形态学是建立在积分几何和随机集理论基础上的一整套变换、概念和算法。基于数学形态学的分割方法利用膨胀和腐蚀两种数学形态学基本运算及其不同逻辑组合构成的开运算和闭运算对图像进行处理，然后再通过边缘强度算子就可以检测出图像的边缘。
四、基于人工神经网络模型的方法
神经网络是一种大规模的并行连接处理系统，它模拟生物，特别是人类大脑的学习过程，具有强大的自学习能力和非线性表达能力。基于神经网络的分割方法的基本思想是将图像影射为某种网络，然后把边缘己知的图像及其边缘作为先验知识对网络进行训练，直到训练过程收敛为止。
五、基于模糊集理论的分割方法
医学图像通常具有模糊和不均匀特性，图像中的区域并非总能被明确地划分。是模糊图像分割实施起来非常复杂，对于医学超声图像的分割，因为图像质量较差，所以更是难以运用模糊理论来实现。
六、基于分形理论的分割方法
分形分割方法是近年来新出现的图像分割方法。自Mandelbrot于1975年系统地提出了分形几何学的理论，它已经成为研究和处理具有复杂和不规则图形的有力工具。遗憾的是，基于纹理分析的图像分割一般分辨率比较低，分形理论的应用还是比较少的。
七、基于变形模型的分割方法
自二十世纪八十年代Kass等提出基于变形模型（Snake）的分割方法以来，对变形模型的研究和改进工作在近十几年中广泛地展开：如Mclnemey和Terzopoulos从医学图像分析的角度考察了可变形模型，Brown从配准的角度考察可变形模型，Audete则纯粹从算法的角度考察配准中的可变形模型，Montagnat则对可变形表面模型的数学描述以及拓扑结构的变化做了详尽的考察。从最近十几年的研究成果来看，变形模型已经由最初的Snake模型衍生出具有各种不同特点的变形模型，如气球模型、T-Snake模型、梯度矢量流（Gradient Vector Flow，GVF）变形模型、测地线模型、基于水平集的变形模型等等。
而主动轮廓线模型（Active Contour Model），又称蛇（Snake）模型，是一条由若干个点连接起来的能量最小化的样条，该样条同时受到内外力和图像力的引导而趋向图像的形状边缘。它的一个很突出的缺点是只能检测到图像的外在轮廓而无法检测图像的内在轮廓，而在医学图像处理中，很多医学图像需要我们分割出不同的区域，而这些区域可能是相互嵌套的，在这种情况下，必须得到图像的内在轮廓。基于Snake模型的一系列方法，使用Matlab编程实现并应用到医学图像数据库上进行测试，并提出对Snake模型的改进算法。希望提出一种新的方法，使得改进后的snake模型能够识别待检测图像的内在轮廓，从而更好的达到图像分割的目的。
参考文献：
分割技术范文第3篇
关键词：图像分割； 阈值；串行；并行
1 引言
图像处理的最终目的应是满足对图像的正确理解，即对图像中物体的正确识别，以指导下一步的行动。在这一过程中，图像分割是关键的一步。图像分割 (Image Segmentation)是一种重要的图像技术，它不仅得到人们的广泛重视和研究，也在实际中得到大量的应用。图像分割在不同领域中有时也用其它名称，如目标轮廓技术、阈值化技术、图像区分或求差技术、目标检测技术、目标识别技术、目标跟踪技术等，这些技术本身或核心实际上也是图像分割技术。
2 图像分割的定义
图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。这里所说的特性可以是灰度、颜色、纹理等，而目标可以对应单个区域，也可以对应多个区域。图像分割是由图像处理进到图像分析的关键步骤，也是一种基本的计算机视觉技术。这是因为图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能。图像分割多年来一直得到人们的高度重视。至今已经提出了上千种各种类型的分割算法，而且近年来每年都有大量研究报道发表。多年来人们对图像分割提出了不同的解释和表达，借助集合概念对图像分割可给出如下比较正式的定义：
令集合 R 代表整个图像区域，对 R 的分割可以看作是将 R 分成若干个满足以下五个条件的非空子集(子区域)：
其中是代表所有在集合中元素的某种性质，是空集。
上述条件指出：(1)分割所得到的全部子区域的总和(并集)应能包括图像中所有像素，或者说分割应将图像中的每个像素都分进某一个子区域中。条件(2)指出各个子区域是互不重叠的，或者说一个像素不能同时属于两个区域。条件(3)指出在分割后得到的属于不同区域中的像素应该具有一些不同的特性。条件(5)要求同一个子区域内的像素应当是连通的。对图像的分割总是根据一些分割的准则特性进行的。条件(1)与(2)说明分割准则应可适用于所有区域和所有像素，而条件(3)与(4)说明分割准则应能帮助确定各区域像素有代表性的特性。最后需要指出，实际应用中图像分割不仅要把一幅图像分成满足上面五个条件的各具特性的区域而且需要把其中感兴趣的目标区域提取出来。只有这样才算真正完成了图像分割的任务。
3 主要的图像分割方法
经过相关学者们几十年的研究与努力，相继踊跃出大量的图像分割方法。大致归纳起来包括：串行边界分割技术、串行区域分割技术、并行边界分割技术、并行区域分割技术、结合特定理论工具的分割技术等。
3.1 串行边界分割技术
串行边界分割技术是指采用串行方式，通过顺序搜索边缘点来对感兴趣目标的边界进行检测。主要有三个关键步骤：
①确定一个顺序搜索的起始边界点；
②选择某种搜索策略，确定先前的搜索结果对下一边界点的检测和下一个结果的影响，并根据一定的原则依次检测新的边界点；
③选定搜索终止的条件，以结束搜索过程。
串行边界分割技术所采取的策略主要有以下两种：
①首先检查出边界点，然后再连接边界点；
②对边界点的检查和连接以交叉结合的方式进行。
3.2 串行区域分割技术
串行区域分割技术是指采用串行方式，通过对目标区域的直接检测来对图像进行分割的技术。其特点是：将整个处理过程分解为顺序的多个步骤依次进行，对后续步骤的处理要根据前续步骤的处理结果而定。近年来，一些结合了特定数学理论工具的图像分割方法也常常采用串行区域分割的方式。
串行区域分割技术有两种基本的形式：
①首先从单个像素出发，然后逐渐合并成所需的分割区域；
②首先从全图出发，然后逐渐分裂成所需的分割区域。
3.3 并行边界分割技术
并行边界分割技术是指采用并行方式，通过对感兴趣区域的边界进行检测来对图像进行分割的技术。其实现过程主要有两个步骤：
①感兴趣区域边界点的检测；
②感兴趣区域边界的形成。
对于步骤(1)可以采用各种微分算子进行直接检测，也可以利用边缘模型与拟合方法进行间接检测。对于步骤(2)由于其过程比较复杂，所以单纯利用微分算子不能形成闭合的边界，需要利用一定的准则和数学工具把感兴趣区域分离出来。
3.4 并行区域分割技术
并行区域分割技术是指采用并行方式，通过对感兴趣区域的检测来对图像进行分割的技术。在实际应用中，并行区域分割技术主要包括两大类：
①阈值化方法；
②特征空间聚类方法。
（1）阈值化方法
阈值化方法的定义为：对于一幅灰度图像，根据预先确定的一个处于图像灰度取值范围当中的灰度阈值把所有的像素归为两大类，灰度值大于阈值的像素为一类，灰度值小于阈值的像素归为另一类，灰度值等于阈值的像素可视情况归为前面两类当中的任意一类。
通常情况下，两类像素分属于图像中的两类区域，从而根据阈值分类完成了对图像的分割。
阈值化方法有两个关键的步骤：
①分割阈值的确定；
②将像素值与分割阈值比较以对像素进行归类。
其中，步骤(1)是分割的关键，阈值确定的恰到好处，可以方便地将图像分割开来。另外，阈值化方法通常都是基于一定图像模型的。最常用的模型可描述如下：假设图像是由具有单峰灰度分布的目标和背景组成，处于目标或背景内部相邻像素间的灰度值是高度相关的，但处于目标和背景交界处两边的像素在灰度值上是有很大差别的。如果一幅图像满足这些条件，它的灰度直方图基本上可看作是由分别对应目标和背景的两个单峰直方图混合构成的。进一步如果这两个分布大小接近且均值相距足够远，而且两部分的均方差也足够小，则直方图应为较明显的双峰。类似地，如果图像中有多个单峰灰度分布的目标，则直方图有可能表现为较明显的多峰。对这类图像常可采用阈值化方法来进行分割。
3.5 结合特定理论工具的分割技术
（1）基于小波分析和小波变换的分割技术
小波变换是空间(时间)和频率的局域变换，通过伸缩、平移等运算对函数和信号进行多尺度的细化分析，能有效的从信号中提取信息，解决了傅立叶变换所不能解决的许多问题。近年 来，在低频和高频分析时，有“变焦”(zooming)特性的小波变换在图像分割中得到广泛应用。
（2）基于信息论的分割技术
近些年来，出现了许多借助信息论中熵的概念的图像分割方法。这些方法利用信息论当中求熵的极值的方式来对图像进行分割。如：1D 最大熵法、2D 最大熵法、最大后验熵法、最小熵相关法、条件熵法、最大香农熵法等等。
4 图像分割性能评估
尽管人们在图像分割方面做了许多研究工作，由于尚无通用的分割理论，已有的分割算法大都是针对具体问题的，并没有一种适合于所有图像的通用的分割算法。美国 L. G. CIark 等从检测的角度对分割算法进行评估，着重处理两方面问题：第一，定义了图像的质量，包括目标对背景的质量和目标自身特性的质量；第二，是定义目标自身特性的度量，包括分割得出的目标灰度域中像素点个数及其灰度的标准方差、平均边缘强度、边缘标准方差以及目标的周长等。他们根据度量进行检测性能评估，并将结果以检测一误警曲线表征。
L. F. Bennet 在分割的性能评估方面提出了一种以分割精确性为评估指标的基于知识的方法，他指出了分割出的目标区域与标准参照区域的吻合程度。
分割结果的好坏主要靠观察者主观评价。用肉眼直接观察图像的效果，是一种定性的方法，评价结果有一定的不确定性。随着模糊数学的发展，人们可以用模糊综合评判方法来尽量减少主观因素对实现近似定量评价的影响，其定量计算公式中的参数往往要依赖专家经验确定。
5 结束语
图像分割是很多高级图像处理技术(如可视化、图像压缩、医学图像诊断等)的重要基础工作。迄今为止，已经有很多种不同的图像分割方法提出。阈值法因其实现的简单性而成为图像分割领域的一种重要方法。但是对于复杂的实时图像分割问题，阈值法的高耗时性己经成为该方法发展的一个障碍。因此，寻求一种高效的算法来解决基于阈值法的图像分割问题具有重要意义。
参考文献：
[1] 贾承丽，赵凌君，吴其昌等.基于遗传算法的 SAR 图像道路网检测方法[J]. 计算机学报,2007,30(7):1186~1194
[2] 刘智勇,李进,黄道君. 基于遗传算法的视频交通检测图像分割方法[J]. 公路交通科技，2001, 18(3) :43~45
分割技术范文第4篇
>> Veloce平台在大规模SOC仿真验证中的应用 遍地开花的多核技术 Intel多核技术 AMD多核技术 英特尔推动多核技术在嵌入式系统的应用 多核技术已成潮流 多核SOC系统整合过程中的FPGA软处理器应用 LabVIEW驰骋多核技术时代 x86多核技术解析 利用多核技术提升IPS性能 基于协作学习的核技术应用课程教学模式研究与实践 核技术在环境保护中的应用探究 核技术在环境保护中的应用 用于SoC的SPI接口设计与验证 一种基于SOC软硬件协同仿真调度技术的研究 SOC与单片机应用技术的发展 SoC系统平台在EDA技术教学中的应用 图书重量复核技术的应用 环保部门在核技术应用辐射安全监管工作中的问题研究 英特尔启动多核技术大学计划等 常见问题解答 当前所在位置：l”的报告，选择基于模块的视图，就可以看到整个设计中各个模块在仿真过程中所消耗的时间。
1.2 DLP技术的使用方法
在确认所验证的设计可以使用DLP技术后，VCS提供了两种方法来对设计进行分割，一种是自动分割方法，另一种是手动分割方法。这里推荐使用手动分割的方法，因为项目工程师更加了解自己当前的设计，知道如何分割更加的合理，而工具提供的自动分割方法可以作为参考。
1.2.1 自动分割方法
对于自动分割方法的使用，只需在VCS编译时加入“?parallel+autopart=N”的选项，其中，N是分割后Slave的个数。如果当前设计适合使用DLP技术，那么VCS将会在当前目录下生成名为“autopart.cfg”的分割配置文件，而如果当前设计并不适合使用多核技术，那么VCS将会生成名为“autopartFail.txt”的文件来说明分割失败的原因。
1.2.2 手动分割方法
对于手动分割方法的使用，只需在VCS编译时加入“?parallel+design=part.cfg”的选项，其中，“part.cfg”是分割配置文件。该配置文件的具体语法规则如下：
partition {hierarchical_name（module_identifier），...} ;
其中：“partition”是关键词，代表分割出的一个Slave;“hierarchical_name”是该Slave在整个设计中的层级路径;“module_identifier”是该Slave对应的模块定义名字，该配置语句的个数也就是分割后Slave的个数。这里需要注意的是，可以将设计中的多个模块分割在同一个Slave部分中，只需要在配置语句中以逗号隔开这些模块即可。
2 DLP多核技术的应用
本文通过在实际项目使用DLP多核技术，成功地缩减了仿真时间，保证了整个项目的验证工作能够高效顺利地完成。
2.1 项目介绍
本文所验证的设计属于多核类型，主要是由6个Core电路和其他控制电路构成，其系统框图如图 1所示。
该设计的数据流过程为：芯片通过SPI协议接收寄存器配置信息和工作任务，主控电路将这些任务分配给Core电路进行计算，Core电路通过一系列的计算过程将最终结果反馈给主控电路。
<E：＼王芳＼现代电子技术201506＼现代电子技术15年38卷第6期＼Image＼29t1.tif>
图1 验证对象的系统框图
通过对验证对象的典型应用进行仿真，并且使用Profile工具统计各个模块在仿真过程所消耗的时间，可以得到如图 2所示的结果。
从图中可以看到，6个Core电路占用了绝大部分的仿真时间（79.70%），而每一个Core电路分别占用的仿真时间都在10%以上，符合DLP技术的使用条件。
<E：＼王芳＼现代电子技术201506＼现代电子技术15年38卷第6期＼Image＼29t2.tif>
图2 验证对象典型应用的时间消耗图
2.2 实验结果
为了更好地说明DLP技术对仿真速度的提升，本文选取了3个验证对象的典型应用进行实验，在每一种应用下，分别进行传统的单核串行仿真和DLP多核并行仿真，并且采用如表 1所示的3种配置文件对验证对象进行分割。
2.2.1 工作量和工作时刻相同
在该场景中，6个Core电路拥有相同的工作量，并且开始工作的时刻也相同，这是该设计在实际应用中最为常见的情况。通过仿真实验，得到了在不同配置条件下运行所需要的时间，如表2所示。
表1 DLP技术的分割配置文件
表2 工作量和工作时刻相同的仿真运行时间
从表2中可以看出，如果使用传统的串行方法进行仿真，CPU利用率为100%，即占用一个CPU核运行仿真任务，需要5 471 s才能够完成一次仿真。而当使用DLP技术，将仿真对象分割为1个Master和2个Slave，CPU利用率将提高到300%，仿真只需要2 633 s即可完成，仿真速度提升了50%以上。同时，随着Slave分割个数的增加，仿真速度的提升效果也会随之增加。当Slave个数为6时，仿真速度加快了80%以上，效果非常显著。
2.2.2 工作量不同
在该场景中只有前3个Core电路被分配有工作任务，而另外3个Core电路并不需要启动。这种情况得到的仿真结果如表 3所示。
表3 工作量不同的仿真运行时间
从表3中可以看出，使用不同的分割配置文件，DLP技术可以为仿真速度带来21%～66%不等的提升。与第一种应用场景相比，此处的性能提升有所减少，这是因为有一半的Core电路不需要工作，而将它们单独分割出来放到某个CPU核运行仿真并不会带来很多速度上的优化。
2.2.3 工作时刻不同
在该场景中，6个Core电路拥有相同的工作量，但是每个Core电路开始工作的时刻不同，它们是顺序地依次打开。这种情况得到的仿真结果如表 4所示。
表4 工作时刻不同的仿真运行时间
从表4中可以看出，DLP技术在不同的分割配置文件情况下为仿真速度带来最高67%的提升，可以为仿真工作节省不少的时间。由于每个Core电路开始工作的时刻存在一定的延迟，在整个仿真过程中的某一些时间段，并不是所有的Core电路都在并行的运算，所以该场景性能提升的效果也略低于第一种情况下的数值。
3 结 语
综上所述，本文重点研究了VCS仿真工具所提供的DLP多核技术，包括其使用条件和使用方法。通过在实际项目中的应用和分析，对于符合DLP技术使用条件的电路设计，该并行技术相较于传统的单核串行仿真，可以大幅地缩减仿真运行时间，有效地提高验证工作的效率。因此，多核技术必将成为SoC验证工作中的一个重要发展方向。
参考文献
[1] 吴军，华更新，刘鸿瑾.SoC验证方法学研究与应用[J].空间控制技术与应用，2012（5）：27?33.
[2] 黄欣.基于UVM的高效验证平台设计及运用[J].电子技术与软件工程，2014（4）：28?29.
[3] 宋秀兰，吴晓波.高性能验证平台设计与搭建[J].电子器件，2008（6）：1819?1821.
[4] 邓爱国.基于验证方法学的IC验证平台研究[D].武汉：武汉邮电科学研究院，2009.
[5] PUGH Richard.SoC验证走出实验室良机已到[J].中国集成电路，2014（3）：36?37.
[6] ，耿相铭.SoC验证平台的联合架构设计[J].信息技术，2013（7）：75?79.
[7] 代君利.面向多核技术的新一代验证平台[J].中国电子商情：基础电子，2009（5）：29?30.
[8] 李响.使用先进技术来加速SoC验证[J].电子产品世界，2013（12）：51?53.
分割技术范文第5篇
【关键词】数字音视频 MXF DV MP4
数字音频码流的分割及合并技术能够快速对音视频数据进行删除、替换以及增加等修改操作。在对数字高清视频素材进行编辑时，能够使各类高清素材完成精确帧定位并进行剪、接等操作；能够确保素材在分割后，拥有独立的组织结构，以正确的格式进行播放并且支持再次编辑；能够使多个素材片段实现无缝拼接。这就使得对数据码流的分割以及合并技术的研究显得尤为重要，因为数据码流的分割与合并技术直接关系到编辑的效果。
1 数字音频编码标准
目前在国际上，数字音视频编码压缩标准主要以MPEG和H.26X标准为主。其中，MPEG主要是针对MPEG系统、视频、音频制定的标准格式，又可分为：MPEG-1、MPEG-2、MPEG-4、MPEG-7、MPEG-21；而H.26X主要是针对多媒体通信视频和音频编码制定的标准格式。
随着数字音视频编码技术的不断完善，由 SMPTE制定的DV和MXF格式，已成为当今高清电影电视、电子新闻节目制作的主流。其中，DV是一种专业的数字音视频采集设备、数码影像规格，它广泛应用在电视电影节目制作、电子新闻采集等专业领域。MXF是一种通用的媒体容器格式，它可以在不同的协议和操作系统下工作，它能够将各类压缩方式的素材进行灵活封装。目前，音视频素材的封装主要以P2系列音视频标准格式为主。它能够直接采用MXF文件格式将音视频素材记录到P2卡上，提高了音视频编辑的速度和效率，P2已经成为高清数字音视频编缉的主要格式。本文就是在P2格式环境下，对高、低码率两类素材的分割合并技术进行研究。
2 分割及合并技术分析
要想准确顺利完成对数字音频视频文件进行分割及合并，必须在了解MXF文件结构、音视频数据组织、封装形式、素材数据等信息前提下，对文件头部重要元素进行分析。P2系列音视频素材MXF文件结构主要由头部Partition Pack标识的 Header Partition和Body Partition，以及Footer Partition所组成。由于Header Partition中涉及头部元素数据与索引表，Header Partition紧跟Partition Pack标识，Footer Partition又对索引表进行了拷贝；Body Partition中涉及音视频素材实质数据，因此，P2系列音视频素材MXF文件中的数据都将以KLV编码组织。如下图1所示：
为了将音视频数据放入通用媒体容器中，则利用Body Partition Pack后的Essence Container作为能够承受装载的容器，并采用Clip Wrapping封装映射方式对音视频数据帧进行定位分割及合并操作。因此，先对文件进行读取，查看是否属于MXF文件；其次，当文件为多个Body Partition时，则从尾读取至Partition Pack起点位置，当文件为单个时，则依次序读取，并对Header Partition进行依次序分析，并确定Essence Container的位置；再次，根据Header Metadata给出的信息，对格式、生成方式、素材输入时间等信息进行音视频确认；最后，对音视频数据帧进行定位分割及合并操作。由于数字音频数据编码方式为KLV组织，使素材检索定位效率获得了提高。在进行Clip Wrapping封装时，视频所有帧数依次一帧紧接一帧靠在一起作为Picture Item放置到通用媒体容器中。对帧的定位顺序为：Body Partition、Picture Item的位置，以及视频帧在Picture Item的位置，并取出。而音频数据与视频数据读取的方式相类似，由于数据重要放置在Sound Item中，因此，读取的时候，只需要一次读取1s或Ns的采样数据，封装时，因Sound Item中的数据量不够，则需要从多个Sound Item中读取音频数据进行分割合并，组成一个较大的数据缓冲，从而实现数字音频码流的无缝拼接。
视频压缩编码技术有帧内压缩（ Intra--frame ） 和帧间压缩（Inter-frame）两种， 音视频素材在编辑过程中采用哪种压缩方式决定了对素材进行分割与合并的难度。帧内压缩一般是有损压缩，针对每一帧图像进行压缩，帧与帧之间没有相互关联，在压缩以后仍然可以以帧为单位进行编辑，因此，在DV格式等非线性编辑领域常常会使这种压缩方式。但是这种压缩比率一般不高，为了要达到更高的压缩比例就得使用帧间压缩方式。帧间压缩一般是无损压缩，它通过比较相邻两帧之间的差异，在记录时仅仅记录本帧与相邻帧的差值，这种压缩方式减少了数据量，大大提高了压缩的比率。在实际应用中，两种压缩方式往往同时使用，MPEG-2编码就同时具有帧内压缩与帧间压缩两种方式。
3 数字音视频压缩技术的实现
3.1 帧内压缩方式下的分割及合并
利用帧内压缩方式下的分割及合并技术，只需要对分割文件偏移位置进行确认后，进行重新编写新的文件，所修改分割合并后的新音视频素材文件就能够正常进行播放。下面主要针对DV、AVCI两类采用帧内压缩方式的素材进行分析。其具体分割流程如图2所示：
合并的实现过程与分割过程基本相同，素材的合并主要是针对格式以及参数相同的两个素材而言。
3.2 帧间压缩方式下的分割及合并
帧间压缩方式具有压缩效率高、速度快等优点，但对素材的分割与合并不能简单的找到相应帧的位置进行操作。我们将采用帧类型变换的方法对帧间压缩的素材进行分割。以MPEG-4格式为例，首先把MP4文件分解成视频数据MPEG-4 video ES和 音频数据MPEG-4 audioAAC。由于MPEG-4 文件中没有各帧对应的时码信息，没有分割MXF文件时直接供参考帧的绝对时码，因此需先依据原素材文件的开始时码即入点和出点来计算出对应的帧序号，然后根据帧头分别找到入点和出点对应的帧偏移。合并技术的重点在于实现各个素材片段的重排序以及无缝合并，实现音视频重同步效果。
综上所述，数字音视频压缩技术主要是为了能够在原音视频素材上，有效缩短任务时间快速对帧进行定位访问，并根据帧的位置，实现数字音视频素材编辑的无缝拼接。以确保数字音视频素材在经过压缩以后，依然具有完整性、可再编辑性。目前针对多种应用环境下的音视频码流素材的分割、合并技术的研究也正在进行，对数字音视频的高效长远的发展有着很大的意义。
参考文献
[1] 龚声蓉，王朝晖.结合视频分割的形状编码算法[A].苏州市自然科学优秀学术论文汇编，2010.
[2] 张晓萌，刘云，陈潜.嵌入式音视频码流合并系统的设计与实现[J].计算机应用，2011.
[3]张文丰.MPEG-2音视频码流合成与转换技术的研究和实现[D].电子科技大学，2006.
分割技术范文第6篇
关键词:图像识别;图象分割;特征提取;匹配
中图分类号:TP391文献标识码:A文章编号:1009-3044(2010)21-6045-02
Current Situation and Perspective of Image Recognition Technology
ZHANG Jia-yi
(Antenna Department of 54th Institute of CETC, Shijiazhuang 050081, China)
Abstract: This paper introduces the current image recognition research in China and abroad, and basic relative work in image recognition.Then this paper describes the crucial steps of image recognition including image segmentation, feature extraction, classifying and matching. Finally, the advantages and disadvantages of various a1gorithms are compared and the key new technology is introduced.
Key words: image recognition; image segmentation; pre-processing; feature extraction; matching
1 图像识别技术范畴
图像识别技术的研究目标是根据观测到的图像,对其中的物体分辨其类别,做出有意义的判断。即利用现代信息处理与计算技术来模拟和完成人类的认识,理解过程。一般而言,一个图像识别系统主要由三个部分组成,如图1所示,分别是图像分割,图像特征提取以及分类器的识别分类。
其中,图像分割将图像划分为多个有意义的区域,然后将每个区域的图像进行特征提取,最后分类器根据提取的图像特征对图像进行相应的分类。实际上,图像识别和图像分割并不存在严格的界限。从某种意义上,图像分割的过程就是图像识别的过程。图像分割着重于对象和背景的关系,研究的是对象在特定背景下所表现出来的整体属性,而图像识别则着重于对象本身的属性。图像分割以及识别技术在航空航天、医学、通信。、工业自动化、机器人、及军事等领域均有着广泛的应用。
2 图像识别的国内外研究现状
图像的识别与分割是图像处理领域研究最多的课题之一,但它们依然是众多研究人员的研究重心, 因为己经取得的成果远没有待解决的问题多。
图像识别的发展经历了三个阶段:文字识别、数字图像处理与识别、物体识别。文字识别的研究是从1950年开始的,一般是识别字母、数字和符号,从印刷文字识别到手写文字识别,应用非常广泛,并且已经研制了许多专用设各。数字图像处理和识别的研究开始于1965年。数字图像与模拟图像相比具有存储,传输方便可压缩、传输过程中不易失真、处理方便等巨大优势,这些都为图像识别技术的发展提供了强大的动力。物体的识别主要指的是对三维世界的客体及环境的感知和认识,属于高级的计算机视觉范畴。它是以数字图像处理与识别为基础的结合人工智能、系统学等学科的研究方向,其研究成果被广泛应用在各种工业及探测机器人上。现代图像识别技术的一个不足就是自适应性能差,一旦目标图像被较强的噪声污染或是目标图像有较大残缺往往就得不出理想的结果。
图像识别问题的数学本质属于模式空间到类别空间的映射问题。目前,在图像识别的发展中,主要有三种识别方法:统计模式识别、结构模式识别、模糊模式识别。图像分割是图像处理中的一项关键技术,自20世纪70年代,其研究已经有几十年的历史,一直都受到人们的高度重视,至今借助于各种理论提出了数以千计的分割算法,而且这方面的研究仍然在积极地进行着。
现有的图像分割的方法有许多种,有阈值分割方法,边缘检测方法,区域提取方法,结合特定理论工具的分割方法等。从图像的类型来分有:灰度图像分割、彩色图像分割和纹理图像分割等。早在1965年就有人提出了检测边缘算子,使得边缘检测产生了不少经典算法。但在近二十年间,随着基于直方图和小波变换的图像分割方法的研究计算技术、VLSI技术的迅速发展,有关图像处理方面的研究取得了很大的进展。图像分割方法结合了一些特定理论、方法和工具,如基于数学形态学的图像分割、基于小波变换的分割、基于遗传算法的分割等[1]。
3 图像识别的关键步骤
3.1 图象分割
图像作为一个整体,有丰富的内容和色彩,我们所需要的目标和背景与整幅网像融为一体,不利于进行图像处理,因此,先将图象划分成若干个与物体目标相对应的区域,根据目标和背景的先验知识.对图像中的目标与背景进行标识、定位,将目标从背景或其他伪目标中分离出来,这种疗法称为图象分割。
图象分割而成的区域所包含的信息包括了分区分割和对各分区的描述,利用这些区域中所包含的部分特征,例如灰度差别、局部纹理差别、彩色差别、局部统汁特征或局部区域的频谱特征的差别等,可以用来区分整幅图象种不同的目标物体,这些区域称为感兴趣区。因为我们是利用图象信息中的部分特征去进行区域分割,所以这样的分割方法并不具有通用性。
3.2 三种分割法
1)基于阈值的分割
这是一种最常用的区域分割技术,阈值是用于区分不同目标的灰度值。在图象只有目标和背景的情况下,只需选取单阈值分割,将图像每个象素的灰度值和阈值比较,灰度值大于阈值的象素和灰度值小于闽值的象素分别归类。
2)基于区域的分割
有两种基本形式:区域生长和分裂合并。前者是从单象素出发,逐渐合并以形成所需的分割结果。后者是从整个图象出发,逐渐分裂或合并以形成所需要的分割结果。与阈值方法不同,这类方法不但考虑了象素的相似性,还考虑了空间上的邻接性,因此可以有效地消除孤立噪声的干扰,具有很强的鲁棒性。
3)基于边缘的分割
是利用不同区域中象素灰度不连续的特点检测出区域间的边缘,从而实现图象分割。边界的象素灰度值变化往往比较剧烈 首先检测图象中的边缘点,在按一定策略连接成轮廓,从而构成分割区域[4]。
3.3 图像特征提取和分类
直接从图像原始灰度图提取特征,效率高,但容易提取出大量的伪特征信息。基于全局结构特征的分类方法,通过提取和分析方向图、奇异点等全局结构特征来实现分类。采用模仿人类进行图像分类的做法,对图像的变形有较强的鲁棒性;但图像质量较差时很难提取可靠的结构特征[5]。
目前主流的特征提取和分类算法是基于局部细节特征的算法。局部细节特征提取的算法如下:
利用一个3×3的模版来对细化后的图像进行端点和分歧点的特征提取,如图2所示,M是待检测的点,沿顺时针排列的P1,P2,P3,...,P8是它的8个邻域点,R(1),R(2),R(3...,R(8)分别是P1,P2,P3,...,P8的灰度值。如果M是端点,则它的邻域点满足式:
如果M 分支点,则它的邻域点满足如下等式:
通过对图像进行遍历。可以找到图像的特征点,同时记录它们的类型和位置。
3.4 图像的匹配
在图像匹配方面,很多学者进行了研究工作,但目前最常用的方法是细节匹配。细节点模式中细节点特征向量集合和输入细节点模式中细节点特征向量集合可分别表示为:
其中模板细节点特征集合P包括M个细节点,输入细节点特征集合Q包括N个细节点。在以上表示方法的基础上,细节点匹配问题表述为:搜索P和Q中点之间的最佳对应关系,根据在此对应关系下相对应细节点的数目得到匹配分值Ms,并与阈值T比较,如果MS>T,则两个细节点模式匹配,如果gS
4 计算机图像识别新技术
以色列魏兹曼研究院计算机科学家艾坦.沙龙博士正在与美国马萨诸塞综合医院的梅拉夫.格伦博士合作开发一种通过分级比较提高计算机识别物体的新方法。他们计划进一步研究并拓展这项技术的应用范围,使其成为多学科的医学诊断助手。
参考文献:
[1] 章毓晋.图像处理和分析基础[M].北京:高等教育出版社,2002.
[2] 章毓晋.图像分割[M].北京:科学出版社.2001.
[3] 崔屹.图像处理与分析一数学形态学方法及应用[M].北京:科学出版社,2000.
[4] 杨小冬,宁新宝.自动图像识别系统图像分割算法的研究[J].南京大学学报,2004,40(4):424-431.
[5] 唐良瑞,谢晓辉.基于D-s证据理论的图像图像分割方法[J].计算机学报,2003,26(7):887-892.
分割技术范文第7篇
关键词：图像增强 图像分割 灰度直方图 阈值
中图分类号：TP37 文献标识码：A 文章编号：1007-9416（2016）10-0131-01
1 引言
数字图像是获取、表达和传递信息的重要手段之一。虽然人眼具有很高的识别能力，可辨认出原始图像中的上千种颜色、各种不同物体的轮廓和形态。但由于人眼的生理限制或目标物体本身的一些特性，有时难以对图像定目标物进行准确识别。因此，需要采用合理的图像增强和图像分割技术来辅助识别。
计算机表示和存储图像时，可用二维数组来表示数字图像，数组的每个元素被称为像素，像素的计数值又被称为灰度值[1]。数字图像可以分为二值图像、索引图像、灰度图像和真彩色图像等几种基本类型。当图像的色彩比较复杂时，常使用彩色图像来表示。每个像素用红（R）、绿（G）、蓝（B）三个通道的值来分别表示。单个通道中每个像素点的值的取值为0～255。0表示黑色，255表示白色，中间从小到大的数值分别表示由黑到白的过渡灰度[2]。灰度直方图反映的是就是图像灰度和该灰度出现概率之间的关系。
本文首先针对原始数字图像进行灰度等级直方图处理，然后通过直方图均衡化使其在某一灰度范围内有更好的对比度；接着分析目标物（被分割对象）和背景（下垫面）的颜色特征，统计比较目标物与背景的阈值；最后建立阈值分割算法，从而实现对目标物的识别[3]。
2 算法模型
步骤I：原始图像的灰度直方图处理。
设变量r代表图像中像素点的灰度值，并进行归一化处理，将其归一化到[0，1]范围之内。由于图像中每个像素的灰度取值可能是任意的，即r是一个随机变量，原始图像的灰度分布可用概率分布函数p（rk）来表示[2]：
其中，rk是第k个灰度等级，nk是在rk灰度等级的像素数，N是图像中像素总数，L为图像的灰度值。在笛卡尔坐标系中这种关系图即表现为原始图像的灰度直方图。
步骤II：灰度直方图均衡化的图像增强处理。
为增加原始图像的对比度，可通过直方图均衡化处理，使图像细节更清晰，提高目标物的识别度。直方图均衡化的主要思想是对图中像素个数多的灰度等级进行拉伸，而对像素个数少的灰度等级进行压缩，动态拓展原始图像灰度等级的范围，增加对比度和灰度色调，达到使图像更清晰的目的。
通过累积分布函数（Cumulative Distribution Function，CDF）可实现图像的原始灰度分布与增强后的灰度值的转换：
上述2-2式的求和区间为0到k。
通过上述公式，可将原始图像的灰度值rk直方图均衡化转换为Sk，完成图像增强处理。
步骤III：分析目标物和背景的特征（特征向量），使用阈值法进行图像分割，实现目标物识别。
设C（R，G，B）为物体在彩色图像中的任意一点，则对应的RGB三个通道特征向量为：
式中是RGB三通道灰度值的平均值，c图像的亮度成正比，是图像的亮度特征。
统计得到不同目标物体的颜色特征向量：
通过判断比较目标物体的颜色特征与阈值的大小，即可实现对目标物的分割。
3 算例实验
针对样例卫星数据。首先对原始的单通道数据值进行读取和转换，进行原始图像的灰度直方图处理。通过反色及灰度直方图均衡化，对原始图像进行增强处理；然后进行RGB通道组合构成真彩色图像；对图像中的任意像素点构建RGB特征向量，比较与阈值的大小，实现对目标物（云）的图像分割（图略）。通过对连续一个月的数据检验，本文的算法在白天对目标物（云）和背景（晴空）的进行了比较理想的分割，准确率可达80%以上，分割效果较好。
4 结语
综上看出，本文所提出的模型算法主要通过对目标物的颜色特征的统计分析，可以实现对卫星图像中目标物的识别分割。现在已经出现了许多图像分割算法，可以用于各种用途。但是，对于图像分割的问题仍然没有统一的解决方案，这一技术和相关领域知识往往要紧密结合，从而为更有效的解决图像分割领域。通过各种新理论和新技术结合，图像分割方法将不断取得突破和进展，分割结果更加高效、精确。
参考文献
[1]陈炳权，刘宏立，孟凡斌.数字图像处理技术的现状及其发展方向[J].吉首大学学报（自然科学版），2009.1：63-65.
[2]万玲，马兴.数字图像处理的方法与应用[J].科技信息，2010.23：590，635.
[3]张姗姗.基于直方图均衡化的数字图像增强技术[J].电脑编程技巧与维护，2015.21：77-78.
分割技术范文第8篇
【关键词】Canny边缘检测；Sobel边缘检测器；图像分割
1.图像分割
图像分割是利用灰度、颜色、纹理、形状等信息按照一定标准从图像中分离出与现实世界中的物体或区域相关的有一定意义的实体，是图像理解、图像分析、模式识别、计算机视觉等领域中首要解决的关键问题之一。例如，在电子组件异常的自动检查系统中，主要分析组件图像中是否存在有缺陷的组件或断开的组件。主要是通过图像的特征对其进行图像分割，图像分割的准确性决定了计算机分析程序最终的成功或失败。
2.边缘检测技术
边缘检测是目前图像分割中最常用的方法，检测灰度级或者结构具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方。这种方法主要是运用一阶和二阶导数的不连续性进行检测，但是利用导数的边缘检测对噪声敏感。以下是常用边缘检测技术：
（a）梯度算子：在图像进行分割之前，必须对图像的边缘特征进行归类。运用梯度算子找出潜在的图像边缘。梯度算子可以检测出所有方向的图像边缘，但检测出的未必是真正的边缘，所以必须选择恰当方向的梯度算子。
（b）Sobel边缘检测：在这种情况下，对输入的图像数据与3 X 3的卷积模板（即Soble算子）在水平和垂直四个方向进行卷积运算。结合运算所得的四个值，估计边缘强度和方向。当然加入对角线的四个方向进行卷积运算会更准确。
（c）Canny边缘检测：Canny算子是一个多阶段的检测过程。首先进行高斯滤波对图像去噪。然后由原始灰度图求出纵横2个梯度图，以及综合梯度图，其次结合3个梯度图来进行非极大抑制和进行边缘连接，最后对边缘进行细化。
3.基本区域生长方法
区域生长是指将成组的像素或区域发展成更大区域的过程。从种子点的集合开始，从这些点的区域增长是通过将与每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。它是一个迭代的过程，这里每个种子像素点都迭代生长，直到处理过每个像素，因此形成了不同的区域，这些区域它们的边界通过闭合的多边形定义。 图像区域分割的过程首先选择区域内某一像素点作为生长种子，然后判断其相邻像素是否满足相似性准则，如果是，将其合并到当前区域，给该像素添加区域标记，对于新合并的区域，重复上述步骤，不断重复，区域将在各个方向上不断增长，直至没有相邻像素满足相似性性准则为止，或者是满足停止准则为止。
4.整合区域增长与边缘检测
该方法用于整合边缘和区域生长图像分割方法，首先运用恰当的算子进行图像边缘检测。然后，利用被检测到的边缘区域，在改区域中选择某一个像素点作为生长种子。因此，边缘区域围绕着由边缘算子计算出的边缘选出的单个像素种子进行迭代生长，最后进行区域尺寸比较，非常小的边缘区域被删除，而不是合并。因此，可以基本消除噪声的影响。按这种方法分割图像时，该图像被分割成边缘区域和单一特性的均匀区域。
5.结论
该算法对于图像分割具有较好的效果，基本消除了噪声影响，以及弧度不均匀可能会导致的空洞和过分割，但是计算代价比较大，对图像中的阴影效果往往不是很好。 [科]
【参考文献】
［1］J.F.Canny，A Computational Approach to Edge Detection，IEEE Transac-tions on Pattern Analysis and Machine Intelligence，8（6）：679-698，1986.
［2］A.K.Jain，Fundamentals of Digital Image Processing，Prentice-Hall，Englewood Cliffs，NJ，1991.