本文目录一览

1，在图像处理中有什么算法可以将目标分割成几个部分

标准的答案!可以用阈值化技术、边缘检测、边界跟踪等等至于算法，有分水岭算法、各种门限算子灰度门限法（最大类间方差、最大后验概率、最小风险法...）

在图像处理中有什么算法可以将目标分割成几个部分

2，图像分割算法那么多 如何正确的使用适合的算法

从学术角度讲图像分割主要分成3大类，一是基于边缘的，二是基于区域的，三是基于纹理的。由于基于纹理的也可以看成是基于区域的，所以有些专家也把分割方法分成基于边缘和基于区域两大类。选择算法的时候主要参考你要分割的图像样本的特点。如果图像的边界特别分明，比如绿叶和红花，在边界处红绿明显不同，可以精确提取到边界，这时候用基于边缘的方法就可行。但如果是像医学图像一样，轮廓不是特别明显，比如心脏图像，左心房和左心室颜色比较接近，它们之间的隔膜仅仅是颜色比它们深一些，但是色彩上来说很接近，这时候用基于边缘的方法就不合适了，用基于区域的方法更好。再比如带纹理的图像，例如条纹衫，如果用基于边缘的方法很可能就把每一条纹都分割成一个物体，但实际上衣服是一个整体，这时候用基于纹理的方法就能把纹理相同或相似的区域分成一个整体。不过总体来说，基于区域的方法近些年更热一些，如Meanshift分割方法、测地线活动轮廓模型、JSEG等。

图像分割算法那么多 如何正确的使用适合的算法

3，跪求图像分割snake算法详细解释

主要公式为曲线能量Esnake(公式1)；Esnake由内部能量Eint(公式2)及外部能量Eext(公式3)组成；而根据公式2内部能量Eint是由一阶导得到的平滑性约束(弹性绳子)二阶导得到的气球约束(刚性棍子)共同决定；根据公式3外部能Eext由梯度场决定(另一个分量不考虑)那么粗略表示为Esnake=Vs+Vss+Eext；可以认为当Esnake的能量达到最小时snake曲线和物体的边缘一致。 上面这些基本是每个论文上面都有的，下面照我的理解来讲。结合很多论文上用的那个U形物体，snake检测它的轮廓时，预先以一个圆形的像素圈套住它作为初始的snake线，可以取一定个数的点来离散化snake线,那么这时就可以求这条snake线与原始图像间的曲线能量Esnake了；Vs对应的是一阶的平滑性，可转化为snake线中相邻像素之间的坐标差;差值越大能量越大平滑性也就越差；Vss对应的是二阶的刚性；可转化为snake线中某点和它相邻的线上点间的法线方向的增长度量;Eext是梯度场能量，是由原本的灰度图决定的，可转化为snake中某点在灰度图中的邻域梯度。求出了这三个；再以一定的方式进行循环逼近那个使Esnake最小的snake线就找到了轮廓。 过奖了~我也是在研究中，你留个邮箱，我发个程序给你，看实例好理解点

跪求图像分割snake算法详细解释

4，如何用区域生长法实现图像分割

区域生长法图像分割是直接根据像素的相似性和连通性来对图像进行聚类的算法。基本原理是，给出若干种子点，然后依次对这些种子点进行如下操作，直到种子点集合为空：判断种子点四邻域或八邻域的像素点是否和种子点相似（灰度相似或其他测度相似），如果相似则将该点加入种子点集合，否则不作处理。该算法原理很简单，但在数据结构的组织上却需要技巧，本文介绍一种简易的数据组织方式实现该算法。如上图所示，左图为一幅W*H大小的图像示意图，利用区域生长法图像分割算法，该图像被分割（聚类）为7块；右图为相应的数据结构，图像分割的结果属于图像空间数据，其实就是一系列的像素点坐标数组或与像素点坐标直接关联的属性数组如FLAG的数组等，这个数组的维度一定是W*H，而分割结果体现在数组元素的排列顺序：同一类别的元素连续存储。然而类别的界限无法用该数组表明，而只能用另外一个描述数组，这里我们称之为图像空间数据的“元数据”数据，这个数组的有效维度为空间数据的类别数，即7，每个元素代表的是空间数据数组中每个类别的元素个数，其实也就相应地表明了每个类别的指针位置。
如果无法实现在任何站点上查看任何图片，请确保将 internet explorer 设置为显示图片，然后尝试删除 internet 临时文件，或者重置 internet explorer 的设置。 以下是操作方法： 将 internet explorer 设置为显示图片 1、打开 internet explorer，单击“工具”，然后单击“internet 选项”。 2、在“高级”选项卡的“多媒体”下，单击“显示图片”复选框，然后单击“确定”。 如果这不起作用，请尝试清除 internet 临时文件。 清除 internet 临时文件 1、打开 internet explorer，单击“工具”，然后单击“internet 选项”。 2、在“常规”选项卡的“浏览历史记录”下，点击或单击“删除”。 3、在“删除浏览历史记录”对话框中，清除“临时 internet 文件和网站文件”复选框。 4、单击“删除”，然后单击“确定”。 如果这不起作用，请尝试重置安全设置。 重置 internet explorer 的安全设置 1、打开 internet explorer，单击“工具”，然后单击“internet 选项”。 2、在“安全”选项卡上，单击“默认级别”，然后单击“确定”。

5，图象分割有哪三种不同的途径

图象分割有三种不同的途径，其一是将各象素划归到相应物体或区域的象素聚类方法即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘象素再将边缘象素连接起来构成边界形成分割。早期的图像分割方法可以分为两大类。一类是边界方法，这种方法假设图像分割结果的某个子区域在原来图像中一定会有边缘存在；一类是区域方法，这种方法假设图像分割结果的某个子区域一定会有相同的性质，而不同区域的像素则没有共同的性质。这两种方法都有优点和缺点，有的学者考虑把两者结合起来进行研究。现在，随着计算机处理能力的提高，很多方法不断涌现，如基于彩色分量分割、纹理图像分割。所使用的数学工具和分析手段也是不断的扩展，从时域信号到频域信号处理，小波变换等等。图像分割主要包括4种技术：并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。下面是分别对每一项做简单的介绍。
http://media.cs.tsinghua.edu.cn/~ahz/digitalimageprocess/chapter15/chapt15_ahz.htm图象分割有三种不同的途径,其一是将各象素划归到相应物体或区域的象素聚类方法即区域法,其二是通过直接确定区域间的边界来实现分割的边界方法,其三是首先检测边缘象素再将边缘象素连接起来构成边界形成分割。 图象分割是图象理解的基础,而在....
一、以美国、英国为代表的自由市场经济模式 二、以德国、瑞典为代表的社会市场模式 三、以日本、韩国为代表的政府主导型市场经济模式 三种主要市场经济模式的比较与借鉴：http://www点chinadaily点com点cn/micro-reading/dzh/2011-12-28/content_4809628.html
象分割是图象处理、分析的一项关键技术。在基于非特定目标、非特定环境的应用中（如基于内容的图象查询系统），图象分割的要求是：在没有高层知识约束的情况下将图象分割成有“意义”的区域。每个区域内的元素具有一致的“属性”和较完整的信息，区域和区域之间有较明显的边界和差距。在分割结果中，一个物体对象内部的细节与颜色渐变应被忽略，而且一个物体对象只应被表示为一个或少数几个分割区域。本文所提出的分割算法主要是针对这类应用。 图象分割的方法众多，并且各自有不同的运用范围，并没有一种适合于所有图象的分割算法[1]，这个领域的最新发展中，有基于象素聚类的[9]，有基于马尔科夫链的[10]。在这些方法中，利用图划分的全局优化法是一类引人注意的算法。这类方法先把图象转化成一个无向图G=(V,E)，其中图象中的每个象素是图的顶点，图的边的权重表示象素之间的关系紧密程度。在此基础上确定一个划分准则，然后利用图的划分算法对图象进行分割。这类方法存在两个难点，一个是如何确定划分准则，另一个是如何在这个准则下进行划分。在文章[2] 中，确定了最小相似度约束，并在此约束下利用最大流算法来进行图划分，但是这个方法倾向于将图中的孤立点划分出来。文章[3]对这个问题进行了修正，提出了正规化的划分函数（Normalized cuts），并且在此准则下将 NP 难度的图划分问题转化成一个利用求矩阵特征值得到次优解的问题。因为这种方法保证了全局最优性，因此能得到较好的分割结果。但其缺点是当待分割图象较大时，计算量巨大。 也可以从局部入手进行分割，比较典型的是利用区域生长算法，这类算法比较常用于医学图象的分割。如在[4][5]中均采用了一定的区域生长准则，并通过此准则不断的对有相同属性的区域进行扩张，直到达到稳定。在这方面让人重视的还有分水岭算法[6]，这种算法是通过在图象的不同区域同时进行区域生长，并且引入了相互竞争的概念。这类方法往往能找到局部最优的分割，但是很难达到全局最优性。 也有不少方法是将局部和全局相结合，比较典型的如[7]。在这篇文章中，作者先利用区域生长法对图象进行粗分，然后再利用相似性约束对粗分区域进行合并，从而给出最后结果。由于这种混合的方法能充分利用图象的局部和全局信息，因此具有较好的分割效果。本文提出了一种新的图象分割方法，主要运用于基于内容的图象查询系统的彩色图象分割。它利用一种基于边界强度变化的区域生长算法对图象进行粗分，并将结果转化成一个无向图G=(V,E)，然后利用[3]中提出的方法在全局最优化约束的条件下进行细分。试验结果表明此方法有效的结合了图象的局部和全局的信息，分割速度快，而且用它分割不同类型的图，都能得到满意的结果。

6，图像分割的分割方法

灰度阈值分割 法是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。阈值分割方法实际上是输入图像f到输出图像g的如下变换：其中，T为阈值，对于物体的图像元素g(i,j)=1，对于背景的图像元素g(i,j)=0。由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接给出图像区域。阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算效率的应用场合(如用于硬件实现)，它得到了广泛应用。人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。全局阈值是指整幅图像使用同一个阈值做分割处理，适用于背景和前景有明显对比的图像。它是根据整幅图像确定的：T=T(f)。但是这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差法、最大熵自动阈值法以及其它一些方法。在许多情况下，物体和背景的对比度在图像中的各处不是一样的，这时很难用一个统一的阈值将物体与背景分开。这时可以根据图像的局部特征分别采用不同的阈值进行分割。实际处理时，需要按照具体问题将图像分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图像分割。这时的阈值为自适应阈值。阈值的选择需要根据具体问题来确定，一般通过实验来确定。对于给定的图像，可以通过分析直方图的方法确定最佳的阈值，例如当直方图明显呈现双峰情况时，可以选择两个峰值的中点作为最佳阈值。图1(a)和(b)分别为用全局阈值和自适应阈值对经典的Lena图像进行分割的结果。 区域生长和分裂合并法是两种典型的串行区域技术，其分割过程后续步骤的处理要根据前面步骤的结果进行判断而确定。 区域生长 区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。这样一个区域就长成了。区域生长需要选择一组能正确代表所需区域的种子像素，确定在生长过程中的相似性准则，制定让生长停止的条件或准则。相似性准则可以是灰度级、彩色、纹理、梯度等特性。选取的种子像素可以是单个像素，也可以是包含若干个像素的小区域。大部分区域生长准则使用图像的局部性质。生长准则可根据不同原则制定，而使用不同的生长准则会影响区域生长的过程。区域生长法的优点是计算简单，对于较均匀的连通目标有较好的分割效果。它的缺点是需要人为确定种子点，对噪声敏感，可能导致区域内有空洞。另外，它是一种串行算法，当目标较大时，分割速度较慢，因此在设计算法时，要尽量提高效率。区域分裂合并区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标提取。分裂合并差不多是区域生长的逆过程：从整个图像出发，不断分裂得到各个子区域，然后再把前景区域合并，实现目标提取。分裂合并的假设是对于一幅图像，前景区域由一些相互连通的像素组成的，因此，如果把一幅图像分裂到像素级，那么就可以判定该像素是否为前景像素。当所有像素点或者子区域完成判断以后，把前景区域或者像素合并就可得到前景目标。在这类方法中，最常用的方法是四叉树分解法(如图3所示)。设R代表整个正方形图像区域，P代表逻辑谓词。基本分裂合并算法步骤如下：(1)对任一个区域，如果H(Ri)=FALSE就将其分裂成不重叠的四等份；(2)对相邻的两个区域Ri和Rj，它们也可以大小不同（即不在同一层），如果条件H(Ri∪Rj)=TRUE满足，就将它们合并起来。(3)如果进一步的分裂或合并都不可能，则结束。分裂合并法的关键是分裂合并准则的设计。这种方法对复杂图像的分割效果较好，但算法较复杂，计算量大，分裂还可能破坏区域的边界。 图像分割的一种重要途径是通过边缘检测，即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。这种不连续性称为边缘。不同的图像灰度不同，边界处一般有明显的边缘，利用此特征可以分割图像。图像中边缘处像素的灰度值不连续，这种不连续性可通过求导数来检测到。对于阶跃状边缘，其位置对应一阶导数的极值点，对应二阶导数的过零点(零交叉点)。因此常用微分算子进行边缘检测。常用的一阶微分算子有Roberts算子、Prewitt算子和Sobel算子，二阶微分算子有Laplace算子和Kirsh算子等。在实际中各种微分算子常用小区域模板来表示，微分运算是利用模板和图像卷积来实现。这些算子对噪声敏感，只适合于噪声较小不太复杂的图像。由于边缘和噪声都是灰度不连续点，在频域均为高频分量，直接采用微分运算难以克服噪声的影响。因此用微分算子检测边缘前要对图像进行平滑滤波。LoG算子和Canny算子是具有平滑功能的二阶和一阶微分算子，边缘检测效果较好，如图4所示。其中loG算子是采用Laplacian算子求高斯函数的二阶导数，Canny算子是高斯函数的一阶导数，它在噪声抑制和边缘检测之间取得了较好的平衡。关于微分算子的边缘检测的详细内容可参考文献 。 与其他图像分割方法相比，基于直方图的方法是非常有效的图像分割方法，因为他们通常只需要一个通过像素。在这种方法中，直方图是从图像中的像素的计算，并在直方图的波峰和波谷是用于定位图像中的簇。颜色和强度可以作为衡量。这种技术的一种改进是递归应用直方图求法的集群中的形象以分成更小的簇。重复此操作，使用更小的簇直到没有更多的集群的形成。基于直方图的方法也能很快适应于多个帧，同时保持他们的单通效率。直方图可以在多个帧被考虑的时候采取多种方式。同样的方法是采取一个框架可以应用到多个，和之后的结果合并，山峰和山谷在以前很难识别，但现在更容易区分。直方图也可以应用于每一个像素的基础上，将得到的信息被用来确定的像素点的位置最常见的颜色。这种方法部分基于主动对象和一个静态的环境，导致在不同类型的视频分割提供跟踪。

文章TAG：图像分割算法  在图像处理中有什么算法可以将目标分割成几个部分  
下一篇