结合模糊聚类与区域合并的彩色图像分割方法
颜色分割方法
颜色分割方法
颜色分割是图像处理中的一种方法，用于将图像中的不同颜色区域分隔开。
以下是一些常见的颜色分割方法：
阈值分割：将图像的每个像素与一个或多个预定义的颜色阈值进行比较，根据比较结果将像素分类为不同的颜色区域。
基于颜色空间的分割：将图像从RGB颜色空间转换为其他颜色空间（如HSV、Lab），然后根据新颜色空间的特性进行分割。
K均值聚类：将图像中的像素分成K个簇，每个簇代表一个颜色区域。
这是一种无监督学习方法，适用于没有明确颜色标签的图像。
区域生长：从种子像素开始，逐步合并相邻的像素，合并规则通常基于像素之间的颜色相似性。
图割（Graph Cut）：将图像表示为图，通过最小化或最大化割边的方式实现分割。
这在处理具有复杂颜色分布的图像时很有效。
分水岭算法：基于图像的梯度信息，将图像看作地形地貌，通过水流模拟来找到图像中不同颜色的分割。
这些方法可以单独使用，也可以结合使用，具体选择取决于图像的特性和应用需求。
在实践中，通常需要根据具体情况调整参数或采用适用于特定场景的算法。
1。
融合颜色和区域信息的彩色图像分割新方法
１Ｓ ｈ ｏ ｆ Ｅ ｅ ｔ ｎ ｃ Ｉ ｆ ｒ ｔ ｎ ａ ｄ Ｅ ｅ ｔ ｃ ｎ ｉ ｅ ｒ ｇ Ｓ ａ ｇ ａ ｉｏｏ ｇ Ｕｎ ｖ ｒｉ ， ｈ ｎ ｈ ｉ ２ ０ ４ Ｃｈｎ ．ｃ ｏ ｌ ｏ ｌ ｃｒ ｉ ，ｎ ｏｍａｉ ｎ ｌｃ ｒ Ｅ ｇ ｎ ｅ ｎ ， ｈ ｎ ｈ ｉ Ｔ ａ ｔ ｎ ｉｅ ｓｔ Ｓ ａ ｇ ａ ０ ２ ０， ｉ ａ ｏ ｏ ｉ ｉ ｙ
关键词 ： 均值漂移 ； 色图像分割 ； 彩 区域合并
文章编号 ：０ ２ ８ ３ （ｏ ７ ２ — ０ ２ ０ 文献标识码 ： 中图分类号：Ｐ ９ １０ — ３ １２ ０ ）５ ０ ７ — ３ Ａ Ｔ３１
ｄ ｍｏ ｓ ａｅ ｔ ａ ｈ ｔ ｏ ｓ ｅｆ ｃｉｅ ａ ｄ ｏ ｔ ｓｉ ． ｅ ｎ ｔ ｔ ｈ ｔ ｔｅ ｍｅ ｈ ｄ ｉ ｆ ｔ ｎ ｐ ｉ ｔ ｒ ｅ ｖ ｍｉ ｃ Ｋｅ ｒ ｓ：ｍｅ ｎ ｓ ｉ ； ｏｏ ｍａ ｅ ｓ ｇ ｅ ｔ ｔ ｎ； ｇｏ ｒ ｉ ｇ ｙ ｗｏ ｄ ａ ｈｆ ｃ ｌｒｉ ｇ ｅ ｔ ｍ ｎ ａｉ Ｒｅ ｉｎ Ｍｅ ｇｎ ｏ
摘 要： 结合 了均值漂移算法和 区域合并算法， 取长补短 。 出了一种 融合颜 色和 区域信息的彩 色图像分割方法。 提 该算法首先利用 均值漂移求取各 个局部极值（ 聚类 中心）在 带宽求取和权 重设 置上使 用 了自适应 法则， ， 使算法更具有适用性 ； 然后使 用一个基于 阀值的区域合并算法， 解决 了均值漂移对纹理和关照变化 的过分割。实验证 明， 该算法是有效的。
ｉｆｒ ｔ ｎ Ｃ ｍｐ ｔｒ Ｅ ｇｎ ｅｉ ｇ ａ ｄ Ａｐ ｌ ａ ｏ ｓ ２ ０ 。３ ２ ）７ － ４ ｎ ｏ ａ ｏ ． ｏ ｕ ｎ ｉ ｅ ｒ ｐ ｉ ｔ ｎ ，０ ７ ４ （ ５ ： ２ ７ ． ｉ ｅ ｎ ｎ ｃｉ
常用彩色图像分割方法的分析与探讨
常用彩色图像分割方法的分析与探讨严春来袁双云(攀枝花学院计算机学院，四川攀枝花617000)i喃要】彩色图像包含了丰富的颜色信息，是对客观存在的物体的一种相似性的生动模仿或描述。
近年来，随着计算机技术的进一步提高。
，‘彩色图像的使用越来越多，彩色图像的分割方法的研究也成为了一大研究热点。
本文讨论了4类常见的分割算法的原理、特点以及在解决分；割问题时需要深入分析的要素。
4供键词】彩色图像；分割；算法；要素所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每—个区域都满足特定区域的一致性。
图像分割是一种基本的计算机视觉技术，是从图像处理到图像分析的关键步骤，也是解决起来比较困难的一个问题。
近年来，随着计算机技术的进—步提高，彩色图像的使用越来越多，彩色图像的分割方法的研究也成为了一大研究热点，其关键就是姗0用丰富的色彩信息来达到有效分割的目的。
常用彩色图像分割方法=单色图像分割方法+颜色空间。
1基于区域的分割技术1．1直方图阈值法直方图阈值法广泛应用于单色图像的分割。
在利用阈值法来分割图像时有一定的假设(换句话说，是基于一定的图像模型的)，即图像具有单峰灰度分布的目标和背景组成，处于目标或背景内的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有很大的差别。
由于彩色图像不仅只有灰度这—个属性，所以使用直方图阈值法会出现很大的不同。
大多数方法都是对彩色图像的每个分量(属性)分别采用直方图阈值法。
．12颜色聚类的方法彩色图像分割对于图像中不同物质的颜色因光源颜色和亮度的不同变化较大，而同一物质颜色比较单一，可以利用相似色合并的方法，对颜色进行聚类，最终得到由几种颜色表示不同区域的分割图像。
常用的聚类方法有K均值聚、模糊c均值聚类和分层聚类等。
13区域生长和区域合并与区域分型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，而区域分裂技术则是将种子区域不断分裂为4个矩形区域，直到每个区域内部都是相似的为止。
彩色图像分割方法综述_林开颜
第10卷 第1期2005年1月中国图象图形学报Journa l o f I m age and G raph ics V o.l 10,N o .1Jan .,2005收稿日期:2003-08-28;改回日期:2004-06-29第一作者简介:林开颜(1975～ ),男,先后于1998年、2001年获长春光学精密机械学院机械设计与制造专业工学学士学位、机械电子工程专业工学硕士学位,2004年获同济大学控制理论与控制工程专业博士学位,现在同济大学现代农业科学与工程研究院工作。
研究方向为智能控制理论与技术、农业计算机视觉技术等。
E -m ail :ky .li n @163.co m ;li nkai yan @yahoo .co 彩色图像分割方法综述林开颜1) 吴军辉1) 徐立鸿1),2)1)(同济大学现代农业科学与工程研究院,上海 200092) 2)(同济大学控制科学与工程系,上海 200092)摘 要 由于彩色图像提供了比灰度图像更为丰富的信息,因此彩色图像处理正受到人们越来越多的关注。
彩色图像分割是彩色图像处理的重要问题,彩色图像分割可以看成是灰度图像分割技术在各种颜色空间上的应用,为了使该领域的研究人员对当前各种彩色图像分割方法有较全面的了解,因此对各种彩色图像分割方法进行了系统论述,即先对各种颜色空间进行简单介绍,然后对直方图阈值法、特征空间聚类、基于区域的方法、边缘检测、模糊方法、神经元网络、基于物理模型方法等主要的彩色图像分割技术进行综述,并比较了它们的优缺点,通过比较发现模糊技术由于能很好地表达和处理不确定性问题,因此在彩色图像分割领域会有更广阔的应用前景。
关键词 彩色图像分割 颜色空间 直方图阈值化 边缘检测 模糊方法 神经网络中图法分类号:TP391.41 文献标识码:A 文章编号:1006-8961(2005)01-0001-10A Survey on Color I mage Seg m entati on T echni quesLI N Ka i -yan 1),WU Jun -hui 1),XU Li -hong1),2)1)(Moder n Ag ri cu lt ur a l Sci ence ＆E ng ineeri ng Instit u t e of Tong jiUn i versit y ,Shanghai 200092)2)(Con tr ol S cie nce ＆E ngineeri ng D epart men t of TongjiUn iver sity ,S hangha i 200092)Ab strac t Due to co lor i m ag e prov i d i ng mo re infor m a tion than monochro m e i m age ,co l o r i m age proce ssi ng is be i ng paid m ore and m ore atten tion .I m ag e seg m entati on is critica l to i m age proce ssi ng and pa tte rn recogniti on ,so a ll t he t ypica lapp roaches are presented and discussed in this paper .Basica ll y ,color i m age segm en t a tion techni ques are based onm onoch ro m e ones ope ra ting i n diffe rent co lor s paces .T his pape r first rev i ew ed so m e m a j o r co lor representation m ethods ,then su mm arized t he m a j o r co l o r i m age segmenta tion approaches i nc l ud i ng hist og ram thresho l ding ,cha racte ristic fea t urecl ustering ,reg ion -based approache s ,edge de t ec tion ,f uzzy technique s ,neural ne t w o rks ,physics -basedm e t hod .The me rits and dra wbacks of t he me t hods we re discussed t oo .F uzzy set theo ry p rovide s a m echanis m t o pre sen t and manipu l a t e uncer t a i n t y and a m bigu ity ,which is de sirab le for i m age p rocessi ng .So ,t he f uzzy approaches w ill have a pro m isingapp licati on i n t he color i m age seg m entati on area .K eyword s co l o r i m ag e segm en t a tion ,co l o r space ,h ist og ra mt hresho l d i ng ,edge de t ec tion ,f uzzy techniques ,neu ra l net wo rks1 引 言图像分割是图像分析和模式识别的首要问题,也是图像处理的经典难题之一,它是图像分析和模式识别系统的重要组成部分,并决定图像的最终分析质量和模式识别的判别结果。
灰度分割和彩色分割的方法
灰度分割和彩色分割的方法灰度分割和彩色分割的概述灰度分割和彩色分割是图像处理领域常用的方法，用于将图像分割为不同的区域或对象。
灰度分割适用于灰度图像，彩色分割则适用于彩色图像。
本文将详细介绍灰度分割和彩色分割的原理、方法和应用。
灰度分割灰度分割是指将灰度图像分割为具有不同灰度级别的区域。
其主要目的是提取出感兴趣的目标，便于后续的分析和处理。
下面介绍几种常用的灰度分割方法。
基于阈值的分割基于阈值的分割是最简单常用的分割方法之一。
其基本原理是将图像的像素根据灰度值与预先确定的阈值进行比较，将大于阈值的像素设置为目标区域，将小于阈值的像素设置为背景区域。
基于区域的分割基于区域的分割方法将图像分割成一系列具有相似特征的区域。
其基本思想是将相邻像素根据一定的相似性准则进行合并，形成具有统一特征的区域。
基于边缘的分割基于边缘的分割方法通过检测图像中的边缘信息，将图像分割为由边缘组成的区域。
常用的边缘检测算法有Canny算法、Sobel算法等。
彩色分割彩色分割是指将彩色图像分割为不同的颜色区域或对象。
相比灰度分割，彩色分割更复杂，因为需要考虑颜色信息的不同。
下面介绍几种常用的彩色分割方法。
基于颜色空间的分割基于颜色空间的分割方法是最常用的彩色分割方法之一。
常见的颜色空间包括RGB、HSV、Lab等。
该方法的基本思路是选取恰当的颜色空间，并将图像像素在该颜色空间中的分布作为分割的依据。
基于聚类的分割基于聚类的分割方法将图像像素根据其颜色信息进行聚类，形成一系列具有相似颜色的区域。
常用的聚类算法有K均值聚类、高斯混合模型等。
基于纹理的分割基于纹理的分割方法考虑图像中不同区域的纹理特征，将图像分割为具有相似纹理的区域。
常用的纹理特征包括灰度共生矩阵、小波变换等。
基于边缘的分割基于边缘的分割方法在彩色图像中同样适用。
通过检测图像中的边缘信息，将图像分割为由边缘组成的区域。
灰度分割和彩色分割的应用领域灰度分割和彩色分割方法在许多领域都得到了广泛的应用。
图像分割的常用方法
图像分割的常用方法
1. 阈值分割：根据像素灰度值与预设阈值之间的大小关系将图片分成黑白两个部分，常用于二值化处理。
2. 区域生长：利用像素之间的空间连通关系，从种子像素开始，将与其相邻的像素逐步合并成同一个区域。
3. 全局图像分割：将图像分成多个颜色或灰度级别，然后根据图像亮度、颜色、纹理、空间信息等特征进行分类，常用于分类、检测、识别等任务。
4. 模型分割：使用先前训练好的模型对图像分类和分割。
例如，利用卷积神经网络(CNN) 对图像进行分类和分割。
5. 基于图的分割：将图像转换成图形结构，建立节点之间的连接关系，通过图形算法对图形进行分割。
6. 边缘检测：检测图像中的边缘线条并将其分割出来，常用于目标检测和识别。
7. 水平集分割：该方法使用曲线(水平集) 对图像进行分割，可以在不同曲线之间自由地移动，因此在较复杂的图像中可以得到更好的分割效果。
基于模糊技术的彩色图像分割方法
ｔｃ ｎｑ ｅ ｒ ｒｓｎｅ ｅ ｈ ｉｕ ｓａｅｐｅｅ ｔｄ，ａ ｎ ｈ ｓ ｅ ｈ ｉｕ ｓｆｚｙｔｃ ｎｑ ｅ ｒｖｄ ｓａ ｍｅｈ ｉｍ ｏｐ ｓ ｎ ｄ ｍａ ｉｕａｅ ｕ ｃ ｒａｎｙ ｍｏ ｇｔｅ ｅｔｃ ｎｑ ｅ ｕ ｚ ｅｈ ｉ ｓｐｏ ｉｅ ｃ ａ ｓ ｔ ｒ ｅ ｔａ ｎ ｐ ｌｔ ｎ ｅｔ ｔ ｕ ｎ ｅ ｎ ｉ
维普资讯
２０ ０ ８年第 ６期
文 章 编 号 ：０ ６２７ （ ０ ８ ０ － ８ －４ １０ －４ ５ ２ ０ ） ６０ ７０ ０
计 算 机 与 现 代 化 Ｊ Ｕ Ｎ ＩＹ ＩＮ Ａ Ｈ Ａ Ｉ Ａ Ｊ Ｕ ＸＡ Ｄ ＩＵ Ｓ
总第 １４期 ５
是彩 色图像处理的重要 问题 ，目前 对彩 色图像 的分割 已提 出了许 多种算法 ， 这些算 法中由于模糊技 术能很好 地表 达 在 和处理不确定性 问题 ，因此在 彩 色图像 分割领域会有更广 阔的应用前景。本文主要介 绍 了基 于模糊技 术 的模糊 阈值 分
割 法 、 Biblioteka 聚 类 分 割 法 和模 糊 连 接度 分 割 法 。 模
关键 词 ： 色 图像 分 割 ； 色 空 间 ； 糊技 术 彩 颜 模
中 图 分 类 号 ：Ｐ ９ 、 １ Ｔ ３ １ ４
文献标识码 ： Ａ
Ｃｏｏ ｍ ａ ｅＳ ｇ ｅ ｔ ｔ ｎ Ｂａ ｅ ｎ Ｆ ｚ ｙ Ｔｅ ｈ ｏｏ ｉｓ ｌｒＩ ｇ ｅ ｍ ｎ ａ ｉ ｓ ｄ ｏ ｕ ｚ ｃ ｎ ｌ ｇｅ ｏ
Ｋｅ ｒ ｓ ｃ ｌ ｒｉ ｇ ｅ ｓ ｇ ｅ ｔｔ ｎ；ｃ ｌｒｓ ａ ｅ；ｆ ｚ ｅ ｈ ｉ ｕ ｓ ｙ ｗｏ ｄ ￣ ｏ ｏ ｍａ ｅ ｍ ｎａｉ ｏ ｏｏ ｐ ｃ ｕ ｚ ｔｃｎｑ ｅ ｙ
０ 引 言
一种主分量直方图模糊增强的彩色图像分割方法研究
（． １大连大学 信 息工程 学院，辽宁 大连
摘
要 ：提 出一种 主分量 直方 图模 糊增 强的彩 色图像分割 方法，该方法 自动确 定主分 量和 次分量，并对 两个分量
的 直 方 图进 行 模 糊 增 强 ，根 据 模 糊 增 强 的 直 方 图对 像 素 点 分 级 标 号 ， 最后 根 据 颜 色距 离和 空 间信 息进 行 区域 合 并 ，
抽 象 出 十分 有 用 的信 息， 从而 使 得 高 层 的 图 像理 解
成 为可 能ｌ２ １】 ，。
彩 色 图像 分 割 方 法 可 分 成 基 于 图像 颜 色 信 息 的 方 法和 基 于 图像 空 间 信 息 的方 法 两 大 类。 基 于 图像
颜 色 信 息 的 方 法 一 般 包 括 阈 值 直 方 图和 聚 类 方 法 ，
第 ３期
第３ ２卷 第 ３期 ２ １ 年 ６月 ０１
大
连
大
学
学
报
Ｖｏ ＿ ２Ｎｏ ３ ｌ ． ３
Ｊ ｕｎ．２０１１
Ｊ ＯＵＲＮＡＬ ０Ｆ ＤＡＬＩ ＡＮ ＵＮＩ ＶＥＲＳ ＴＹ Ｉ
一
种 主 分 量 直 方 图模 糊 增 强 的彩 色 图像 分 割 方 法研 究
李 丽 ２ ，
法
１１ 颜 色 空 间 的选 择 ．
彩 色 图像 总是 以ＲＧＢ 三 基色 表 示 的 ，但 它并 不 是 以 一 致 的尺 度 表 示 色 彩 ，不 符 合 人 的 感 知 心 理 ，
管 基 于 区域 的 图像 分 割 既考 虑 到 彩 色 空 间 中颜 色 的
结合模糊聚类算法的图像分割方法
（ 江苏建 筑职业技 术 学院公 共基 础 学 院 江 苏徐 州 ２ １ １ ） ２ １ ６
【 摘 要 】在 介绍聚 类分析原 理 的基础 上 ，比较 了几 种聚 类分 割 算法 ， 出 了模糊 Ｃ 均值 聚 类方 法在 图像分 割 中 得 一 的优势 。最 后 ， 于排 列组合 熵和灰 度特征 ， 基 结合 模糊 Ｃ 均值 聚 类算 法 对 图像纹 理进 行分 割。实验结果 表 明， 一 该 方 法 既能 快速地 分割 图像 ，又具 有 较好 的抗 噪能力 ，分 割效 果 较为理 想 。
基 于 聚类分析 的图像 分割方 法是 图像 分割领 域 中
一
理 ， ｗｉ 首 先 提 出 了 图像 分 割 时应 该 采 用 模 糊 处 理 Ｐ ｔ ｔ 的方 法［ 。 ３ 同时 ， 练样本 图像 的匮乏 又需要无 监督 分 ］ 训 析， 而模糊 聚类 正好 满足 这两 方面 的要求 ， 因此成 为图
【 键词 】模 糊 Ｃ 均 值 ，图像 纹 理 ，纹 理分 割 ，灰度特 征 关 一
中 图 分 类 号 ：Ｔ ３ １４ Ｐ ９．１ 文 献 标 识 码 ：Ａ
ＡＢ Ｔ Ｓ ＲＡＣＴ Ｉ ｈ ｎ ｒ ｄ ｃｉ ｎ ｏ ｌ ｓ ｅ ｉ ｇ ａ ａ ｙ ｉ ，ｔ ｅ ｂ ｓｃ ｐ ｉ ｃ ｐ ｅ ｏ ｈ ｏ ａ ｉｏ ｆｓ ｖ ｒ ｌｃ ｕ ｔ ｒｎ ｅ ｍｅ ｔ ｔ ｎ ｎ ｔ ｅ ｉ ｔ ｏ ｕ ｔｏ ｆｃ ｕ ｔ ｒｎ ｎ ｌ ｓｓ ｈ ａ ｉ ｒｎ ｉ ｌ ｆ ｔ ｅ ｃ ｍｐ ｒｓ ｎ ｏ ｅ ｅ ａ ｌ ｓｅ ｉ ｇ ｓ ｇ ｎ ａ ｉ ｏ ａ ｇ ｒｔ ｍ ，ｄ ａ ｔ ｅ ｃ ｍｅ ｎ ｌ ｓ ｅ ｉ ｇ ｉ ｈ ｍａ ｅ ｓ ｇ ｎ ａ ｉ ｎ ｍｅ ｈ ｄ ｏ ｄ ａ ｔ ｇ ．Ｆ ｎ ｌ ｉ ｇ ｅ ｔ ｒ ｅ ｍｅ ｔ ｔｏ ａ ｅ ｌ ｏ ｉｈ ｒ ｗ ｈ － ａ ｓ ｃｕ ｔ ｒ ｎ ｔ ｅｉ ｇ ｅ ｍｅ ｔ ｔ ｔ ｏ ｆａ ｖ ｎ ａ ｅ ｉ ａｌ ｎ ｏ ｙ， ｍａ ｅ ｔ ｘ ｕ ｅ ｓ ｇ ｎ ａ ｉ ｎ ｂ ｓ ｄ ｏ ｈ ｅ ｍ ｕ ａ ｉｎ ａ ｄ ｃ ｍｂ ｎ ｔ ｎ ｅ ｔ ｏ ｙ ａ ｄ ｇ ａ ｈ ｒ ｃ ｅ ｉｔ ｓ，ｃ ｍｂ ｎ ｄ ｗｉ ｈ ｕ ｚ — ａ ｓ ｃｕ ｔ ｒｎ ｌ ｏ ｉｈ ．Ｔｈ ｎ ｔ ｅ ｐ ｒ ｔ ｔ ｎ ｏ ｉ ａ ｉ ｎ ｒ ｐ ｎ ｒ ｙ ｃ ａ ａ ｔ ｒｓ ｉ ｏ ｏ ｃ ｏ ｉ ｅ ｔ ｔ ｅ ｆ ｚ ｙ ｃ ｍｅ ｎ ｌ ｓ ｅ ｉ ｇ ａ ｇ ｒｔ ｍ ｈ ｅ
基于区域合并的图像分割方法
基于区域合并的图像分割方法作者：薛辉高倩倩罗欣来源：《环球人文地理·评论版》2014年第04期摘要：提出了一种基于相似性最大原则进行区域合并的方法。
用户仅需要对感兴趣的对象进行标记，以此为依据来进行区域合并；该方法以分水岭算法的初始分割结果为基础，利用彩色直方图来度量不同区域的相似性，从而引导区域合并的进程。
实验结果表明，该方法能较好地从背景中提取出所需对象，最终达到图像分割的效果。
关键词：图像分割；相似性；分水岭算法0. 引言在图像处理领域中，图像分割是进行图像分析的关键技术。
其是在一定的应用需求上，把图像分成不同类型的区域并从中提取所需的对象。
通常，对于彩色图像而言，光谱和纹理特征是非常复杂的。
因此，结合用户的先验知识进行图像分割已成为一个研究热点。
本文提出了一种人机交互的图像分割方法[1-2]，该方法以分水岭算法的初始分割结果为基础，通过人为的标记感兴趣的对象，综合利用图像的光谱特征进行合并[2]。
在合并过程中，以局部最优合并条件为依据来选取合并区域，可得到最终的分割结果。
1. 相似性度量准则图像分割实质上就是不断合并相邻区域，而合并的过程就是寻找相似性最大的相邻区域进行合并[3]。
本文选择利用彩色直方图来描述图像的特征。
其中，将每一个颜色通道都被统一量化成16个灰度级，然后在16×16×16=4096维的特征空间中，计算出每个区域的颜色直方图[5]。
2. 分水岭变换分割算法要合并同质区域，需要用初始分割将图像分割成均匀的区域，本文将利用分水岭算法来对图像进行初始分割。
过程如下：（1）寻找每一个像元的下游像元，记录在数组中。
寻找数组中，与每个像元相比灰度最小的邻域像元；（2）标识局部最小像元。
判断数组中每个像元是否为局部最小，若是，则赋予一个新的编号，并赋予与其连通且局部最小的区域同样的编号；（3）标识非局部最小像元。
对于每一个非局部最小像元r，都有一个下游像元，若其下游像元已被赋予编号，则将该编号同样赋予r；否则，寻找下游像元的下游像元，直到找到赋予编号的像元，将其赋予r。
基于KL变换的模糊C-均值聚类彩色图像分割
Ｉ获得采样点
彩色图 ——＋ ｌ 变最终 分割 结果
目前 ， 彩色图像分割方法 主要分 为［ ： 方 图阚值 法 、 １直 ］ 特 征空间聚类 、 基于区域的方法 、 边缘检测方法 、 模糊 方法 、 神经 元 网络方法等 ６ 方法 。其 中结合聚类和模糊集理论 的模糊 种 聚类方法＿ 是 目前广泛采用 的方法之一 。它直观 ， ２ ］ 易于实现 ， 同时模糊概念的引入 ， 使得模糊 Ｃ均值 算法不 易于 收敛 到局
Ｋｅ ｗａｄ Ｃ ｌｒｉ ｇ ｅ ｍｅ ｔ ｔ ｎ，ＫＬ ｔａ ｓｏ ，Ｆｕ ｚ－ ｌｓｅ ，Ｃ ｒｅａｉｎ ｍ ｔｉ ｙ ｒ ｓ ｏｏ ａ ｍ ｅｓｇ ｎａｉ ｏ ｒｎ ｆｒ ｍ ｚｙ Ｃ ｃｕ ｔｒ ｏ ｒｌｔ ｒｘ ｏ ａ
图像分割是 图像分 析和模 式识 别 的首要 问题 和基 本 问 题， 也是 图像处理的经典难 题 。所谓 图像 分割是 指将 图像 中 具有特殊意义的不 同区域分开来 ， 这些 区域是相互 不相 交的 ，
Ｏｎｔ ｅｂａｉ ｆｔｅｏ ｔ ｏ ｏ ａｉｙａ ｄｔ ｅｓａｉｔ ａ ｒ ｓ ｅ ｉｅ ｅｗｅ ｎ ｅｇ ｎ ｅｔ ｒ ｎ ｉｅ ｖ ｌｅ ｆｔ ｅ ｈ ｓｓｏ ｈ ｒｈ ｇ ｎ ｌ ｎ ｈ ｔｔｓｉ ｌ ｏ ｐ ｒｔ ｓｂ ｔ ｅ ｉｅ ｖ ｃｏ ｓａ ｄ ｅｇ ｎ ａｕ ｓｏ ｈ ｔ ｃ ｐ ｉ
的彩 色图像指定 区域分割算法。首先在指 定区域 选取采样像素 ， 通过 ＫＬ变换计 算采 样像 素的协 方差 矩 阵、 特征 值 、
特征 向量； 由特征 向量构成指定 区域 的色彩特征空 间， 然后对原 色彩 空间 中的 向量 进行 空间 变换 和权重 变换 ； 最后 用
模糊 Ｃ 均值聚类方法聚类 变换后的向量 ， ＿ 得到分割 结果。文 中给 出了静物 图像 的 聚类 分割 结果 ， 体现 了算 法对于指
基于超像素快速模糊聚类的印刷品图像分割方法
基于超像素快速模糊聚类的印刷品图像分割方法
彭来湖;张晓蓉;李建强;胡旭东
【期刊名称】《包装学报》
【年(卷),期】2024(16)3
【摘要】针对当前彩色印刷品色差检测过程中效率低、复杂性高等问题,提出了一种基于超像素快速模糊聚类的印刷品图像分割方法(SFFCM)。
先用简单线性迭代聚类(SLIC)算法将图像分割为紧密相邻的超像素区域。
每个超像素区域被视为一个独立的聚类单元。
随后,将模糊C均值聚类(FCM)算法应用于超像素的归属关系计算中,即引入隶属度值,允许超像素归属于多个聚类中心,并通过权衡归属度值来实现模糊聚类。
实验结果表明,相对于其他算法,本文方法在保持良好实时性的同时,实现了较好的分割效果,有效平衡了算法复杂度与分割效果之间的关系。
【总页数】6页(P85-90)
【作者】彭来湖;张晓蓉;李建强;胡旭东
【作者单位】浙江理工大学机械工程学院;浙江理工大学龙港研究院
【正文语种】中文
【中图分类】TB484;TP317.4
【相关文献】
1.超像素有偏观测模糊聚类的乳腺超声图像分割
2.一种基于超像素的快速聚类图像分割算法
3.基于超像素粒化与同质图像粒聚类的矿井人员图像分割方法
4.一种基
于自适应超像素的改进谱聚类图像分割方法5.一种基于超像素的快速聚类图像分割算法
因版权原因，仅展示原文概要，查看原文内容请购买。
灰度分割和彩色分割的方法
灰度分割和彩色分割的方法灰度分割和彩色分割是数字图像处理中常用的两种分割方法。
灰度分割是指将一幅灰度图像分成若干个区域，每个区域内的像素灰度值相同或者相似。
而彩色分割则是将一幅彩色图像按照颜色特征进行分割，得到不同的颜色区域。
在数字图像处理中，图像的分割是一个非常重要的步骤，它可以将复杂的图像转化成易于处理和理解的部分。
灰度分割和彩色分割都是基于不同特征进行图像区域划分的方法。
对于灰度图像，灰度值代表了每个像素点的亮度等级。
因此，可以通过比较不同区域内的灰度值来实现图像的灰度分割。
常见的方法包括阈值法、区域生长法、边缘检测法等。
阈值法是最简单且最常用的一种方法。
它基于一个预设阈值将图像划分为两个部分：高于阈值和低于阈值。
这种方法适用于背景与前景差异明显、噪声较少、目标物体与背景颜色差异大的情况。
但是，阈值的选择需要根据具体情况进行调整，否则可能会出现目标物体被分割成多个部分或者背景被误判为目标物体等问题。
区域生长法是一种基于像素相似性的方法。
它从一个或多个种子点开始，将像素按照相似性逐步合并成一个区域。
该方法可以自动选择合适的阈值，并且能够处理噪声和图像中存在的小尺寸目标物体。
但是，该方法容易受到图像中存在的灰度不均匀和重叠目标物体等因素的影响。
边缘检测法则是通过检测图像中不同区域之间的边缘来实现分割。
常见的方法包括Sobel算子、Canny算子、Laplacian算子等。
这种方法对于目标物体边缘清晰、背景复杂、噪声较多等情况有很好的效果。
对于彩色图像，由于每个像素点包含了RGB三个通道的信息，因此彩色分割需要考虑颜色特征。
常见的方法包括基于颜色空间变换、基于聚类分析和基于纹理特征等。
基于颜色空间变换的方法是将彩色图像转换到另一个颜色空间中，例如HSV、YCbCr等。
然后通过对某个通道进行阈值分割或者区域生长等操作来实现图像分割。
基于聚类分析的方法则是将彩色图像中的像素点按照颜色特征进行聚类，得到不同的颜色区域。
结合图论的JSEG彩色图像分割算法_耿永政_陈坚
Abstract: Joint Systems Engineering Group (JSEG) is a classic method of image segmentation algorithm. It fully takes the local image information into account, so it can get more precise segmentation boundary. But the JSEG algorithm has the large computation and over-segmentation problems. For this reason, this paper proposes a segmentation algorithm combining JSEG and graph theory. Firstly, calculate J value only on a small scale instead of the iterative process on multi-scale. Secondly, use the K-means clustering method on the J-map to get over-segmentation regions. Finally, use a point to replace a region, and then use the graph theory for region merging. Experimental results show that the new algorithm has a high accuracy and low complexity advantage. Key words: K-means; JSEG algorithm; Graph theory; Image segmentation 1 引言 数字图像处理技术是一个跨学科的领域。随 着计算机技术的不断发展，图像处理和分析逐渐 形成了一套科学的体系，其处理方法也层出不穷。 视觉是人类最重要的感知手段，图像又是视觉的 基础，因此，数字图像成为心理学、生理学、计 算机科学等诸多领域内学者们研究视觉感知的有 效工具。而在这其中，图像分割[1]是一个最基本 的问题，它从一副含有丰富信息的图像中分割出 人们需要的区域，进而再进行后期处理。因此图 像分割在各个领域都有着广泛应用前景。 现有的图像分割方法主要分为以下几类：基 于阈值的分割方法、基于边缘的分割方法、基于 区域的分割方法以及基于特定理论的分割方法 等。1998 年以来，研究人员在原有的分割算法基 础上不断改进创新，并把其他学科的一些新理论 新方法引入到图像分割中来，提出了很多新的分 割方法。其中，基于特定理论的分割方法主要有： 聚类分析方法、模糊集理论方法、统计学理论方 法、图理论方法等。然而到目前为止图像分割技 术仍然不够成熟，还没有一种方法能够适合于不 同类型的图像，这也成了阻碍图像分割大规模和 大范围应用的一个重要因素[2]。 其中，文献[3]提出的 JSEG 算法是一种经典 的基于颜色纹理无监督的区域生长的图像分割方 法，其分割结果较准确、鲁棒性较高。但 JSEG 算 法的缺点也是显而易见的。首先，算法在分割中 需要在多个尺度下反复进行局部 J 值计算和区域 生长，计算量大，算法复杂度高。其次，在后期 区域合并的时候 JSEG 算法没有考虑到各个区域 之间的相关性，而仅采用的是简单的基于颜色直 方图的合并方法，合并效果比较差。 针对以上两点，本文提出了一种结合图论的 JSEG 的新的图像分割方法。新算法使用的是图论 中经典的 Ncut(Normalized Cuts,归一化割)[4] 分 割算法。在大多数图像分割应用中，Ncut 算法都 是直接利用图像像素进行分割，对于大图像，由 于像素个数非常多，所以计算量相当的大。因此
结合分水岭和区域合并的彩色图像分割
Ｎｅ ｗ ｃ ｏ ｌ ｏ ｒ ｉ ｍａ ｇ ｅ ｓ ｅ ｇ ｍｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｗａ ｔ ｅ ｒ ｓ ｈｅ ｄ ａ ｎｄ ｒ ｅ ｇ ｉ ｏ ｎ ｍｅ ｒ ｇ ｉ ｎ ｇ
Ｌ ｉ Ｘｉ ａ ｏ ｈ ｏ ｎ ｇ Ｗｕ Ｊ ｉ ｎ ｇ ｆ ｅ ｉ Ｚ ｈ ａ ｎ ｇ Ｇ ｕ ｏ ｆ ｕ Ｊ ｉ ａ Ｌ ｉ Ｚ ｈ ａ ｎ ｇ Ｙｉ ｊ ｕ ｎ
类提升到基于区域块特征聚类， 很好 的抑制了噪声对分割结果的影响。 通过在合成图像上及大量真实 自 然彩色图像上进行实验，
结果证 明本算法能够有效提高分割结果 的准确性 。 关键词：彩色图像分割；彩色图像梯度 ； 分水岭分割；高斯混合模型；区域合并 中图分类号： Ｔ Ｐ ３ ９ １ 文献标识码 ： Ａ 国家标准学科分类代码： ５ ２ ０ ． ６ ０ ４ ０
结合分水岭和 区域合并的彩色图像分割木
李小红 武敬飞 张国富 贾 莉 张宜军
（ 合肥工业 大学计算机与信息学院 合肥 ２ ３ ０ ０ ０ ９ ） 摘 要：图像分割是 图像处理到图像分析的关键步骤之一 。 研究提出了一种基于 区域块 的聚类分割新算法。 高斯混合模 型（ Ｇ ＭＭ） 聚类算法已广泛应用于图像分割领域，但在真实彩色图像分割 中，由于忽略了像素问的空间相关性，使之对高斯噪声非常敏感 。 首先对彩色图像求其彩色梯度， 然后对彩色图像梯度图进行分水岭分割， 分水岭分 割会产生过分割区域，但基本得到同质 区域， 提 取区域的区域块特征并把其作为高斯混合模 型聚类的输入样本值，完成聚类 并实现最终分割 。新算法把简单的基于像素的聚
混合聚类彩色图像分割方法研究
Ａｐ ｌ ａｉｎ 。 ０ １ ４ （ ） １ １１ ４ ｐ ｉ ｔｏ ｓ ２ １ 。 ７ ９ ： ８ － ８ ． ｃ
Ａ ｂｓｒ ｔ Ａ ｎｅ ｔ ａｃ ： ｗ ｃ ｌ ｉ ａ ｅ ｅ ｏｏｒ ｍ ｇ ｓ ｇｍ ｅ ａ ｉ ａｇ ｉｈ ｉ ｉｔｏ ｕｃ ｄ ａ ｅ ｏ ｎｔｔｏｎ ｌｏｒｔ ｍ ｓ ｎ ｒ ｄ ｅ ｂ ｓ ｄ ｎ ｈ ｂｒｄ ｌ ｓｅ ｉ ｉ ｌｄｉ Ｋ－ ｅ ｎ ａ ｇ ｒｔ ｍ ｙ ｉ ｃ ｕ ｔ ｒｎｇ ｎｃｕ ｎｇ ｍ ａ ｓ ｌ ｏ ｉｈ
ａｄ ｎ ＥＭ ａｇ ｒ ｈ ， ｉｈ ｉ ｓｌ ｏ ｖ ｙｓ ｌ ｏ ｉ ｍ ｗｈ ｃ ｆ ｔ ｃ ｎ ｅ ＲＧＢ ｏ ｏ ｉ ｇ ｉ ｔ ＹＵＶ－ ｐ ｃ ｍｏ ｅ ， ｎ ｔ ｅ ｄ ｖ ｄ ｓ ｈ ｗｈ ｌ ｉ ｇ ｔ ｔ ｒ ｙ ｃ ｌ ｒ ｍａ ｅ ｎｏ Ｓ ａｅ ｄ ｌ ａ ｄ ｈ ｎ ｉ ｉ ｅ ｔ ｅ ｏ ｅ ｍａ ｅ ｏ
ｌ 引言
图像分割是 图像处 理 中一种 重要的 像分 析技术 。图像 分 割是指将 像 中具有特 殊意 义的 不同 区域 分开来 ， 并使这 些 区域相 互不相 交 ， 且每个 区域应 满足特 定 区域的 一致性 条 件 。 目前 ， 图像 分割 广泛应 用于工 业 自动化 、 安防监 控 、 生物
Ｃ ｍ ｕ ｒ ｎ ｉｅｒ ｇａ ｄ ｐ ｌａｉｎ 计 算 机 工 程 与 应 用 ｏ ｐ ｔ ｇｎ ｅｉ ｎ Ａ ｐｉ ｔ ｓ ｅＥ ｎ ｃ ｏ
混 合 聚 类 彩 色 图像 分 割 方 法研 究
施海 滨 ， 周 勇
Ｓ Ｉ ａ ｂ ｎ， Ｈ Ｈ ｉ ｉ ＺＨＯ Ｕ Ｙｏ ｇ ｎ
中国矿业 大学 计算机科学与技术学院 ， 江苏 徐州 ２ １１ ２ ６ ｌ
ｎ ｂ ｏ ｋ ｃｌｓｅ ｓ ｈｅ ｏｌｒ ｏ ｐ ｅ ｓ － ｌ ｃ ｓ， ｕ ｔ ｒ ｔ ｃ ｏ ｃ ｍ ｏｎ ｎｔ ｏｆ ｅ ｃ ｂｌｃ ｗ ｉ Ｋ－ ｅ ｎｓ ｍ ｐ ｏｖ ｄ ｎ ｈｉ ｐ ｐｅ ， ｎｄ ｉｎａｌ ｓ ｇ ｅ ｓ ｈｅ ｏ ｃ ｉ — ａｈ ｏｋ ｔ ｈ ｍ ａ ｉ ｒ ｅ ｉ ｔ ｓ ａ ｒ ａ ｆ ｌ ｙ， ｅ ｍ ｎｔ ｔ ｓ ｕｒｅ ｍ ａ ｂｙ ｌ ｔｒｎ ｅ ｃ ｂ ｏ ｋ ｇｅ ｃｕｓｅ ｉ ｇ ａ ｈ ｌ ｃ ｗ ｉｈ ｔ ＥＭ ｃｕｓｅ ｉｇ ｌ ｏ ｉ ｍ ．ｎ ｈｉ ｐａ ｅ ， ｎｅ ｌ ｔｒｎ ａ ｇ ｒｔ ｈ Ｉ ｔ ｓ ｐｒａ ｗ ｍ ｅｈｏ ｉ ｐ ｏｐ ｅ ｔ ｓ ｔ ｎｔａｌ ｕ ｔ ｒ ｅ ｅ ｓ ｔ ｄ ｓ ｒ ｏｓ ｄ ｏ ｅ ｉｉｉ ｃｌｓｅ ｃ ｎｔｒ ｉ Ｋ－ ｅ ｎ ａ ｇ ｒｔｍ ａ ｄ ｎ ｍ ａ ｓ ｌｏ ｉ ｈ ｎ ＥＭ ａｇｏ ｉｈ ， ｃ ｅｅ ａｅ ｔ ｃ ｎｖ ｒ ｅ ｅ ｐ ｅ Ｔｈ ｅ ｐ ｒｍ ｅ ｔ ｅ ｕｌ ａ ｔ ｃ ｍ ｐ ｒｓ ｒ ｓ ｌｓ ｌ ｒｔ ｍ ａ ｃ ｌｒ ｔｓ ｈｅ ｏ ｅ ｇ ｎｃ ｓ ｅ ｄ． ｅ ｘ ｅ ｉ ｎ ｒ ｓ ｔ ｎｄ ｈｅ ｏ ａ ｉｏｎ ｅ ｕｔ ｓ
基于模糊聚类的图像分割算法研究
基于模糊聚类的图像分割算法研究基于模糊聚类的图像分割算法研究摘要：图像分割是计算机视觉领域的一个重要问题。
在本文中，我们将介绍一种基于模糊聚类的图像分割算法。
该算法利用模糊聚类的特点，通过对图像的像素进行聚类并确定像素的隶属度，从而实现对图像的分割。
我们将详细介绍算法的原理、步骤和实验结果，并对算法的性能进行评估。
1. 引言图像分割是图像处理领域的一个基础性问题，它指的是将图像划分为若干个不相交的子区域或对象的过程。
图像分割在许多领域中都有广泛应用，如医学图像处理、计算机视觉和模式识别等。
目前，有很多图像分割算法被提出，其中基于模糊聚类的算法是一种常用的方法。
2. 模糊聚类的原理模糊聚类是一种模糊集合理论在聚类分析中的应用。
在传统的聚类分析中，每个对象只能属于一个聚类；而在模糊聚类中，每个对象可以同时属于多个聚类，并具有一定的隶属度。
模糊聚类的目标是最大化聚类内部的相似性，并最小化聚类之间的差异。
3. 基于模糊聚类的图像分割算法基于模糊聚类的图像分割算法主要分为以下几个步骤：3.1 图像预处理首先，对原始图像进行预处理，包括灰度化、平滑化和边缘检测等操作。
这些预处理步骤有助于减少噪音和增强图像的对比度，从而使得图像分割的结果更加准确。
3.2 特征提取在进行聚类之前，需要选择合适的特征来表示图像的像素。
常用的特征包括颜色、纹理和形状等。
特征提取的目的是将高维的像素空间转换为低维的特征空间，并保留尽可能多的有用信息。
3.3 模糊聚类在进行模糊聚类之前，需要确定聚类的数目。
可以利用一些聚类数目确定的方法，如肘部法则和模糊C均值聚类等。
然后，利用模糊聚类算法来对图像的像素进行聚类，并计算像素的隶属度。
3.4 图像分割根据像素的隶属度，可以将图像分割成若干个不相交的子区域。
一种简单的分割方法是根据隶属度的阈值来确定像素所属的聚类。
更复杂的方法还可以利用像素的空间信息和相邻像素的隶属度来进行分割。
4. 实验结果与讨论为了评估算法的性能，我们在多个图像数据集上进行了实验，并与其他常用的图像分割算法进行了比较。
彩色图像分割方法综述
彩色图像分割方法综述一、本文概述图像分割是计算机视觉领域中的一个核心问题，其目标是将数字图像细分为多个图像子区域，这些子区域在某种特性或属性上呈现出一致性，如颜色、纹理、形状等。
彩色图像分割作为图像分割的一个重要分支，由于其在许多实际应用中的关键作用，如目标识别、场景理解、图像检索等，而备受关注。
本文旨在对彩色图像分割方法进行全面的综述，以期对该领域的最新进展、主要方法和技术难点有一个清晰的认识。
我们将首先介绍彩色图像分割的基本概念和基本原理，包括颜色空间的选择和表示、分割准则的确定等。
接着，我们将重点回顾和分析近年来的主要分割方法，如基于阈值的分割、基于区域的分割、基于边缘的分割、基于聚类的分割以及基于深度学习的分割等。
对于每种方法，我们将详细讨论其基本原理、实现步骤、优缺点以及在实际应用中的表现。
我们还将对彩色图像分割面临的挑战和未来的研究方向进行讨论和展望。
通过本文的综述，我们期望能够为读者提供一个全面而深入的彩色图像分割方法的知识体系，帮助读者更好地理解和掌握该领域的核心技术和方法，同时也能够为相关研究人员提供有益的参考和启示。
二、彩色图像分割基础彩色图像分割是图像处理领域中的一个重要任务，旨在将图像划分为多个具有相似性质的区域，这些区域在颜色、纹理或其他特征上有所不同。
相比于灰度图像，彩色图像提供了更为丰富的信息，使得分割过程更加复杂但也更加精确。
在进行彩色图像分割之前，首先需要了解不同的彩色空间表示。
常见的彩色空间有RGB、HSV、YUV等。
RGB空间基于红、绿、蓝三种基本颜色来混合形成各种颜色，是最常用的彩色空间之一。
然而，在图像处理中，HSV空间往往更为直观和有效，因为它将颜色分为色调（Hue）、饱和度（Saturation）和亮度（Value）三个独立的部分，便于进行颜色分析和分割。
彩色图像分割方法可以分为基于阈值的方法、基于边缘的方法、基于区域的方法和基于机器学习的方法等。
基于阈值的方法是最简单的方法，通过设定不同的颜色阈值来将图像划分为不同的区域。
结合聚类与改进分水岭算法的彩色图像分割
精 确性。２在 处理 过程 中，通过控 制标记种子点数量 ） 的方法［ １ 消除过度分 割 ，这 种方法 能有 效地防止 ３来 ， ４ 过分割 的现象 ，但对标记 的提 取没有 固定 的方法 ，一
１ 引 言
彩色 图像 分割 技术 是计 算机 视觉 和图像 分析 的 重要环节，在工农业 、医学、军事等领域有着广泛 的 应用 。１９ 年 Ｖ ｎｅ ｔ ９１ ｉｃｎ 等人提 出的快速分水 岭分 割算 法【是 图像分割 中一 种重 要 的形 态学 分割方 法， 有 １ ］ 具 运算 简单 ，易于并行 处理 ， 微弱边 缘具有 良好 的响 对 应等优点 。由于 图像本 身存在的噪声 、物体表面细微 的灰度变化 ， 使得图像在分割 过程中存在大量 的伪极 小值 ， 成严重的过分割 ，即图像被分割成 过多的小 造 区域 。 针对 这个 问题学者们 提出 了很多改进方法 ，大
Ａｂｓｒ ｃ ： Ｉ ｉｗ ｆ ｔ ｅ ｘ ｓｅ ｃ ｆ ｏ ｖｏ ｓ ｏ ｅ －ｅ ｍ ｅ ｔ ｔ ｎ ｐ ｏ ｌｍ ｎ ｔａ ｉ ｏ ａ ｔｒｈ ｄ ａｇ ｒｔｍ ，ａ ｔ ａ ｔ ｎ ｖ ｅ ｏ ｈ ｅ ｉｔｎ ｅ ｏ ｂ ｉ ｕ ｖ ｒｓ ｇ ｎａｉ ｒ ｂ ｅ ｉ ｒ ｄｔ ｎ ｌ ｗａｅ ｓ ｅ ｏ ｈ ｏ ｉ ｌ ｉ ｎ
ｉ ｒ ｖ ｔｒｈ ｄ ａｇｏ ｔｍ ｅｈ ｄ ．Ｉ Ｓ ｃ ｌｒｓ ａ ｅ ｔ ｅ ａｇ ｒｔｍ ｒ ｔ ｔｌ ｅ ｌｓｅ ｎ ｏ ｃａ ｓｆ ｘ ｌ ｍｐ ｏ ｅ ｗａｅ ｓ ｅ ｄ ｌ ｒ ｈ ｍ ｔ ｏ ｓ ｎ Ｈ Ｖ ｏｏ ｐ ｃ ， ｈ ｏ ｉ ｉ ｌ ｈ ｆ ｓｌ ｕ ｉ ｓｃｕ ｔｒ ｇ ｔ ｌｓ ｉｙ ｐｉｅｓ ｉ ｙ ｉ ｚ ｉ ｗｉ ｓｍｉａ ｅ ｔｒ ｓ ｈ ｎ ａ ｐ ｉｓｓ ｅ ｅ ｉ ｎ ｇ ｏｗｉ ｇ ａ ｇ ｒｔｍ ｏ ｅｒ ｇ ｏ ｓｇ ｎ ｒ ｔｄ ｂ ｔｒ ｈ ｄ ｓ ｇ ｎ ｔ ｎ ｍ ｉ ｌｒｆａ ｕ ｅ ．ｔｅ ｐ ｌｅ ｅ ｄ ｒｇ Ｏ ｒ ｎ ｌ ｏｉｈ ｆ ｒｔ ｅ ｉｎ ｅ ｅａｅ ｙ ｗａｅ ｓ ｅ ｅ ｍｅ ｔ ｉ ｈ ａ ｏ ｌ ｏ ｈ Ｆｕ ｔｅ ｍ ｒ ， ｅ ｉ ｎ ｍｅ ｇ ｎ ｐ ｒ ａ ｈｉ ｓ ｄ ｔ ｒ ｅｒ ｍ ｉｉ ｇ ｓ ｌ ｇ ｏ ｓ Ｅｘ ｅ ａｇ ｒｔ ｍ ． ｒｈ ｒ ｏ ｅ ｒ ｇ ｏ ｒ ｉｇ ａ ｐ ｏ ｃ ｓｕ ｅ ｏｍ ｅ ｇ ｅ ａｎｎ ｍ ａｌ ｅ ｉ ｎ ． ｐ ｒｍ ｅ ｔ ｌ ｅ ｕ ｔ ｈ ｗ ｉ ｒ ｉ ｎ ｓｌ ｓｏ ａ ｒ ｓ ｔ ａ ｔ ｉ ａｇ ｒｔ ｍ ｒ ｄ ｃ ｓ ｖ ｒｓ ｇ ｅ ｔ ｔ ｎ ｈ ｎ ｍ ｅ ｏ ｓｇ ｉ ｃ ｎｌ ， ａ ｄ ｍ ｐ ｏ ｅ ｉ ａ ｅ ｃ ｕ ａ ｙ ｈ ｔ ｈｓ ｌ ｏ ｈ ｉ ｅ ｕ ｅ ｏ ｅ －ｅ ｍ ｎａｉ ｐ ｅ ｏ ｎ ｎ ｉｎ ｆ ａ ｔ ｏ ｉ ｙ ｎ ｉ ｒ ｖ ｓ ｍ ｇ ａ ｃ ｒ ｃ ｗｈ ｌ ｉ ｅ ｍ ａｎａ ｎｎ ｔｏ ｇ ｒ ｂ ｓｎ ｓ ｄａ ａ ｔｂ ｌｙ． ｉ ｔｉｉ ｇ ｓ ｎ ｏ ｕ ｔ ｅ ｓａ ｄ ｐ ｉ ｔ ｒ ｎ ａ ｉ Ｋ ｅ ｒ ｓ ｍ ａ ｅｓ ｇ ｎ ｔｏ ｗａｅ ｓ ｅ ｌｏ ｔｍ ； ｏ ｏ ｌ ｓｅ ｎ ｒ ｇｏ ｏ ｎ ｙ ｗｏ ｄ ：ｉ ｇ ｅ ｍｅ ｔｉ ｎ； ｔｒｈ ｄａｇ ｒ ｈ ａ ｉ ｃ ｌ ｒｃｕ ｔｒ ｇ；ｅ ｉｎ ｇ ｗｉ ｇ ｉ ｒ