Otsu图像分割算法及其在车型识别中应用研究

Otsu图像分割算法及其在车型识别中应用研究
摘 要
图像分割是模式识别和计算机视觉领域的一个重要研究方向，具有广泛的实用价值。

在目标检测与分割的实际应用中，经常会遇到检测与分割后的图像轮廓模糊等情况，影响到目标检测和分割的效果以及实时应用。

本文在对图像分割的国内外研究现状进行深入探讨的基础上，研究自适应Otsu图像分割算法，并将其应用在与虚拟线圈相结合的交通视频车型识别中。

全文主要内容如下：
1．本文在分析和总结国内外研究成果和最新研究技术的基础上，选取基于阈值图像分割技术作为研究的重点，前期进行了大量的调研分析与研究，比较各种基于阈值的图像分割技术的特点。

2．针对传统二维Otsu算法得不足，本文将绝对差和平均离差引入到阈值判别函数的设计中。

先统计图像目标类与背景类各自类内的绝对差，得到总体类内绝对差之和；再统计目标类和背景类两类之间的总体平均离差；然后把总体类内绝对差之和和类间总体离差的商作为阈值识别函数。

实验结果表明，与其它阈值判别函数相比，通过优化新的阈值判别函数得到的二维阈值，具有了较好的分割效果，能够更好地保留了目标物的轮廓，而且计算量小。

3．传统遗传算法对交叉和变异做统一的操作，对收敛性有很大影响，往往会陷入局部最优解，这是一个经典难题，目前有很多学者都针对这个问题进行研究，本文根据不同的适应度值对种群进行分类，对不同的种群采用不同的交叉方法和变异概率，即采用基于海明距离判别的交叉方式、基于动态变化的变异概率，一定程度上避免了陷入局部最优。

实验结果也表明了应用改进的遗传算法所得到的最优阈值显然要好于传统遗传算法能够更早的得到最优解，也更加接近全局最优解，一定程度上克服了传统GA算法的“早熟”问题。

4．通过对图像采集卡采集到的视频序列的车道位置设置虚拟线圈，提出了一种基于多帧考虑的线圈区域内灰度变化来检测车辆的到达，并运用Otsu算法对特定区域运动的车辆进行目标提取，获得车辆的几何特征，通过对几何特征的分析，从而实现的对车型的识别。

实验表明了该方案能够较为准确地识别出到达检测区域的车辆车型，系统的实时性也能够得到一定的保障。

关键词：图像分割；Otsu算法；遗传算法；虚拟线圈；车辆检测；车型识别
Research on Otsu Image Segmentation Algorithm and Its Application in Vehicle Model Recognition
ABSTRACT
As an important research interests in pattern recognition and computer vision field, image segmentation has spread practical value. In the practical application of the target detection and segmentation, the consequences such as range ambiguity brought by the detection and segmentation of image, affect the real-time applications. Based on the depth exploration of the current situation of the image segmentation, the dissertation did research on the adaptive Otsu image segmentation algorithm, and put it into the combination with virtual loop recognition of traffic video models. The main works of the dissertation can be organized as follows:
1. Based on the analysis and summarize the research results and the latest technology domestic and overseas, the threshold image segmentation was chose as the keynote of the research. At the earlier stage, the paper compares several methods of the image segmentation based on abundant analysis and research.
2. Aiming at the shortage of the traditional 2D Otsu algorithm, absolute difference and average deviation was brought into the design of the threshold recognition function. Firstly, statistic the absolute difference with the class of objective and background of themselves to get the total value of the each class, and then, statistic the total average deviation, at last, the new threshold recognition function can be constructed by the commerce of the total absolute difference within-class and the overall deviation between-class. Experimental results show that compared with other functions, the 2D threshold value got by the improved function reach a better segmentation results, a better reservations of the object’s outline and a lower calculation.
3. It is a typical difficulty that traditional genetic algorithm has a great influence on the convergence while doing the unified operation during the course of crossover and mutation because it often falls into local optimal solution. Currently, there are many scholars do research on this issue, depend on the fitness value of the
stocks classified in different populations, this paper uses different methods of crossover and mutation probability, namely, cross-way based on Hamming distance criterion, and the mutation probability based on dynamic changes, to a certain extent to avoid trapping in local optimum. Experimental results also show that the optimal threshold value obtained by the improved genetic algorithm is not only faster than the traditional genetic algorithm, but also closer to the global optimal solution, and to a certain extent overcome the premature problem of the traditional genetic algorithm.
4. Via the image capture card to get video sequences’ location settings to design the virtual loop lane, propose a method based on multi-frame considerations according the gray scale in the loop region to detect the arriving vehicles, and use Otsu algorithm to get the geometric characteristics of the vehicle by extracting object from the specific areas of vehicle movement, and through the analysis of geometrical features to achieve the right model identification. Experiments results show that the program has a high real-time and it could identify the arriving vehicles’ model accurately.
Keywords：Image segmentation；Otsu algorithm；Genetic algorithm；Virtual loop；
Vehicle detection；Vehicle model recognition
致谢
弹指一挥间，近三年的硕士研究生生活就要结束了，此刻论文的成稿也终于静静地摆在我的面前，而回想从确定选题到论文最后完成这一路走来的历程，一切的辛苦都变成了甜美的回忆。

在此我首先要深深地感谢我的指导老师汪荣贵教授，在近三年的学习生活中，他给予我细致的关怀和指导，帮助我顺利完成学业。

汪老师渊博的知识和严谨的治学态度使我终生难忘，更重要的是，他教给我做人的深刻道理，必会使我受益终生。

感谢计算机与信息学院胡敏和方帅两位老师，她们给我的毕业论文和课题提出了许多建设性的意见和宝贵的建议；感谢曹航老师在日常事务中提供的帮助。

感谢同实验室杨万挺、查全民、何畏、张璇等同学。

他们不仅在生活给我了很多的关照，在课题研究方面也给我了不少的灵感！
感谢李孟敏、张勇、朱静、张新龙、傅剑锋、沈法琳、周良、游生福等师弟师妹在对我学习和生活上的不断帮助，因为他们才使我的研究生生活变得如此绚丽多彩和难以忘怀！
感谢安徽科力信息产业有限责任公司给我提供了良好的研究平台。

最后感谢我的父母及亲人对我默默的关心和无私的付出，祝他们永远健康快乐！
目录
第一章绪论 (1)
1.1课题依据与意义 (1)
1.2图像分割研究综述 (2)
1.2.1 基于聚类的分割 (2)
1.2.2 纹理分割 (4)
1.2.3 基于图论的图像分割方法 (4)
1.2.4 彩色图像分割方法 (5)
1.2.5 其他图像分割方法 (7)
1.3本文主要工作及结构安排 (8)
第二章图像分割基本算法原理 (10)
2.1引言 (10)
2.2图像分割基本理论 (10)
2.2.1 图像分割定义 (10)
2.2.2 图像分割基本方法 (11)
2.3阈值图像分割方法 (12)
2.3.1 最小误差阈值选取法 (12)
2.3.2 迭代阈值选取法 (13)
2.3.3最大熵自动阈值法 (13)
2.3.4 Otsu算法 (15)
2.3.5 实验结果 (16)
2.4视频对象分割 (17)
2.4.1视频对象分割提取基本概念 (18)
2.4.2 视频分割与图像分割的关系 (18)
2.4.3 视频对象分割分类 (18)
2.4.4 背景差法运动目标分割方法 (19)
2.5本章小结 (21)
第三章自适应二维Otsu图像分割算法 (22)
3.1引言 (22)
3.2遗传算法的基本原理及实现过程 (22)
3.2.1 遗传算法基本理论 (22)
3.2.2 遗传算法的实现步骤 (23)
3.3自适应遗传算法 (24)
3.3.1 改进的自适应遗传算法及其算子 (24)
3.3.2 性能测试 (25)
3.4改进的二维Otsu图像分割算法 (27)
3.4.1 传统的二维Otsu算法 (27)
3.4.2 改进的思路与进展 (28)
3.4.3 算法的实现 (29)
3.5基于自适应遗传算法的阈值向量求解方法 (31)
3.6实验结果分析 (31)
3.7本章小结 (35)
第四章基于Otsu图像分割算法的车型识别系统 (36)
4.1引言 (36)
4.2运动车辆检测 (36)
4.2.1 摄像头安装 (37)
4.2.2 虚拟线圈及检测区域的设置 (38)
4.2.3 车辆检测 (39)
4.2.4 车辆检测结果 (43)
4.2.5车辆闯红灯检测 (44)
4.3基于Otsu算法的运动车辆提取 (45)
4.4车型识别方法 (46)
4.4.1 车型分类 (47)
4.4.2 车辆特征 (47)
4.4.3 车型的判决 (48)
4.5实验结果 (48)
4.6本章小结 (50)
第五章总结与展望 (51)
参考文献 (53)
攻读硕士学位期间参与的科研项目 (57)
攻读硕士学位期间发表的学术论文 (58)
插图清单
图1-1彩色图像不同分量进行序列分割算法流程 (7)
图2-1图像分割在图像工程中的位置 (10)
图2-2齿轮原图及其直方图 (16)
图2-3Lena原图及其直方图 (16)
图2-4最小误差法处理结果 (16)
图2-5迭代法分割结果 (16)
图2-6最大熵法分割结果 (17)
图2-7Otsu法分割结果 (17)
图2-8视频场景中分割关注的视频对象 (18)
图2-9算法原理框架图 (20)
图2-10一幅背景图像 (20)
图2-11一幅运动场景图像 (20)
图2-12背景差法后的运动目标检测 (21)
图3-1遗传算法流程图 (23)
f两种遗传算法性能比较图 (26)
图3-2函数
1
f两种遗传算法性能比较图 (26)
图3-3函数
2
图3-4一幅图像的二维直方图 (27)
图3-5二维灰度直方图的平面投影图 (27)
图3-6本文阈值识别函数设计流程图 (29)
图3-7遗传算法优化阈值识别函数流程图 (31)
图3-8一幅CT图像分割结果对比图 (31)
图3-9Ship图像的分割结果比较 (32)
图3-10一幅红外图像的分割结果比较 (32)
图3-11脑CT图GA和IGA进化曲线比较化 (35)
图3-12Ship图GA和IGA进化曲线比较 (35)
图3-13红外图GA和IGA进化曲线比较 (35)
图4-1车型识别系统框架图 (36)
图4-2虚拟线圈的设置 (37)
图4-3摄像头的安装 (37)
图4-4交通视频样本 (38)
图4-5样本视频的虚拟线圈位置设置和提取区域位置设置 (39)
图4-6两帧法车辆检测流程 (41)
图4-7车辆灰度变化特征 (42)
图4-8本文车辆检测流程图 (42)
图4-9两帧法的车辆检测结果 (44)
图4-10本文提出的算法的车辆检测结果 (44)
图4-11车辆闯红灯视频检测虚拟线圈位置设置 (44)
图4-12系统抓拍闯红灯图片 (45)
图4-13Otsu运动车辆提取算法流程 (46)
图4-14各种车型样本 (47)
图4-15屯溪路场景第三车道的车辆检测与识别 (49)
图4-16网络资源场景第三车道的车辆检测与识别 (49)
表格清单
表2-1各算法的得到的阈值 (17)
f函数30次试验平均性能指标比较 (26)
表3-1
1
f函数30次试验平均性能指标比较 (26)
表3-2
2
表3-3三种算法的阈值统计 (32)
表3-4CT图三种算法性能评价结果 (33)
表3-5Ship图三种算法性能评价结果 (33)
表3-6红外图三重算法性能评价结果 (34)
表3-7三种算法的执行时间比较 (34)
表4-1屯溪路实际场景各种车型的贴近度范围 (49)
表4-2网络资源实际场景各种车型的贴近度范围 (49)
表4-3屯溪路实际场景各种车型检测结果 (50)
表4-4网络资源实际场景各种车型检测结果 (50)
第一章绪论
1.1 课题依据与意义
人类获得客观世界信息的主要来源是通过图像信息，大约有70%的信息是通过图像获得的，且通过人眼获得的都是图像信息。

图像工程是近几年发展起来的一门学科，它的研究内容非常丰富，根据抽象程度和研究方法的不同可分为三个层次：图像处理、图像分析和图像理解。

在近代科学研究、军事技术、交通安全、工农业生产、医学以及天文学等领域中，人们越来越多地利用图像信息，通过图像工程学科的研究方法来认识和判断事物，解决实际问题[1][2][3]。

如CT的发明、数码相机的普及、遥感图像的处理、生物特征的鉴别、智能交通的应用等。

图像分割是指将一幅图像分解为若干个互不交叠的、有意义的、具有相同性质的区域[1][2]。

它是图像分析、理解和模式识别中的非常关键的步骤[1][2][3]，是机器视觉方向中底层视觉的关键技术所在。

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[4]。

多年来，图像分割技术一直受到研究人员的重视，已经提出的图像分割方法有上千种之多[4]，但直至如今，仍没有一种通行的分割方法能够适应于所有类型的图像。

然而，现实的各种图像应用中，很多都需要对图像中的目标物进行测量、提取等操作，这些都离不开图像分割技术，如图像分割技术可以提取合成孔径雷达图像中的目标，以及区分出遥感云图中的不同云系和背景分布等；可以将脑部MR图像分成灰质、白质、脑脊髓等脑部组织和其它非脑组织区域等；能够把车辆目标从背景中分割出来从而来判定车型、一定时间内的车流量等。

因而，我们研究图像分割算法是有广泛的实际应用意义，图像分割相关技术方法的完善和发展，一定会带动其相关领域技术的发展和突破。

智能进化算法是人工智能理论和技术一个重要领域，研究的是计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能[5]。

事实上，进化算法的过程可以归结为一个搜索问题，搜索算法的主要实现就是通过进化计算，因此，智能进化算法在解决复杂函数的优化问题、实现函数的快速求解等方面，具有不可替代的作用。

现实中，越来越多的图像分割与目标检测技术需要用到目标函数的最优值，如目标函数达到最优值的关键参数即为图像的最优分割阈值。

然而，在实际应用中，复杂图像、视频等数据量相当大，处理数据十分耗时，严重地影响它的应用范畴。

智能进化算法的出现，无疑是解决该问题的有效手段，因此，智能
进化算法的发展必将促进图像分割及其目标检测技术的发展，它在提高图像分割质量和图像分割速度等方面具有很大的作用；图像分割作为目标检测与识别的核心技术所在，其智能进化算法在目标检测上的应用与实现同样具有不可忽视的作用，同样是弥补视频检测中数据量大、计算速度慢等不足的有效手段。

综合以上的分析，本文选择基于Otsu图像分割算法作为研究课题，旨在分析当前分割技术存在的不足，提出改进的图像分割技术，或引入新的理论来完善现有的图像分割技术，也分析了遗传进化算法存在的不足并对其进行改进，并将改进的遗传进化算法应用到图像的分割技术中，以提高图像的分割速度和分割质量。

同时，本文还将此课题结合虚拟线圈应用在交通视频的车型识别中。

本文的课题研究，对于图像分割的品质的提高、交通视频车型识别的准确性、以及遗传算法性能改善等方面具有一定的理论意义和实践应用价值。

1.2 图像分割研究综述
图像分割的概念出现在20世纪50年代计算机图像处理的研究中，70年代以来就一直受到人们的高度重视，成为计算机图像理解领域中一个研究的热点，至今人们提出的分割算法已达上千种。

但这些已提出的分割算法大都是针对具体问题，并没有一种适合所有图像的通用分割算法。

另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际的困难。

在现实生活中，我们分割一幅图像时，多是依据经验和直觉去选择适当的方法。

与程序的确定性和准确性相比，图像分割则像是一种艺术行为，有经验的人能比较容易的选用出适当的方法，使得待分割图像得到最佳的分割效果。

如果要处理的图像数目十分庞大时，如遇到视频流，图像分割就像是流水线上的一道简单工序，这种艺术行为就显得无能为力了。

随着信息技术和多媒体技术的发展，包括图像、音频和视频等信息的多媒体数据己经广泛用于Internet 和企事业信息系统中，而且越来越多的商业活动、信息表现和事务交易中都将包括多媒体数据，自然也就包含了大量的图像，基于内容的图像检索的广泛应用就是一个例子，这些常常都是以图像分割作为基础的。

已有的图像分割方法有很多种，在此介绍几种当前研究比较热门的方法。

1.2.1 基于聚类的分割
聚类就是把一组个体按照相似性归成若干类别，即“物以类聚”。

聚类作为一种强有力的数据分析工具，目前已经被广泛地应用于工程学如机器学习、人工智能、模式识别；计算机科学如网络挖掘、图像分割、生命和医学科学如生物信息学等许多科学领域[6][7]。

聚类分割是众多图像分割方法中是较为普遍使用的方式之一，大多数基于阈值的图像分割技术都与聚类密切相关。

早在1979年Coleman和Andrews就提出用聚类算法进行图像分割。

聚类图像分割算法的基本原理是图像空间中的元素（像素点）用对应的特
征空间点来表示，通过将特征空间的点聚类划分，然后再将他们映射到原来的图像空间以得到图像分割结果。

根据人类视觉原理，分割的图像比较适合用模糊手段来处理，其次，无监督学习方式能够很好解决训练时样本图像选取匮乏的困难。

基于以上二点，模糊聚类算法成为图像处理领域一个研究热点，其最广泛的应用就是图像分割。

此后，随着二维直方图、塔型结构、小波分析、分形分维等一系列新技术的出现，研究者们又相继提出了多种基于模糊聚类的灰度图像分割新方法，并且在纹理图像分割、遥感图像分割等方面获得了很大的进展。

值得一提的是基于模糊聚类的方法在图像分割的一个领域边缘检测方面的研究同样也取得了丰硕的成果。

实际应用最为广泛的是模糊C-均值算法（Fuzzy C-Mean），简称FCM。

该方法适合解决灰度图像存在的模糊和不确定的问题；克服了阈值化分割难以解决多个分支的困难；聚类过程不需要人工干预。

FCM算法由Dunn提出，2004年经过Bezdek的推广后[8]，获得了广泛的应用。

然而，FCM算法也存在着不少不足的地方。

（1）鲁棒性差
FCM算法的主要目的就是将向量空间中的样本点按照某种距离度量来划分成c个子空间。

然而，传统的FCM算法没有考虑各个点的灰度特征和其领域像素点的相关程度，这样，在同一个聚类中，虽然像素点和噪声点的灰度相差很大，但是二点的隶属度却有可能相同。

在聚类之前，聚类类别数c的个数必须确定，否则聚类无法进行。

这在实际自动化系统应用中难以实现。

这也是聚类算法的一个难点。

为了解决聚类的类别数的问题，Rosenberger等人在文献[9]中，提出了一种试探性的、逐步优化的方法来确定类的数目，最后达到自动分割的目的。

这种做法在一定意义上解决了聚类时类的数目的确定问题。

但是，迭代类算法本身计算量就很大，这种试探性地逐个计算，计算量太大，基本上不适用。

也有很多采用类似的方法，如文献[10][11]中的WSU算法，针对距离图像(range image)的分割，采用逐个试探的穷举法进行分割，再比较每一次的分割质量，找出最好的一次。

该方法同样存在计算量大的问题，实际应用中，特别是视频处理的时候，无法达到实时处理。

自动直方图分析方法[12]，首先通过像素的统计获得直方图的峰和谷，再依据此来确定聚类的类别数目，模糊聚类初始类中心为直方图中相邻的谷之间的均值。

少数图像直方图曲线比较平滑连续，“峰”、“谷”比较明显，这种方法效果较好。

然而，事实上对于大多数图像，其直方图没有明显的“峰”和“谷”，此时，该方法无法应用。

文献[13]首先采用二维阈值分割算法，对图像进行粗分割，然后再用FCM方
法进行聚类。

但这种方法只能简单地将图像分割成目标和背景两类的情况，若出现多于二个分支的情况，则也无法使用。

通常人们在实际的应用中是根据具体应用领域的先验知识和实践经验，人为地设定类别数目。

1.2.2 纹理分割
纹理是图像分析中常提到的概念，一般认为纹理是由许多相互接近的、互相编织的元素构成，且富有周期性。

因此，纹理是一种区域特性，要在一定范围的区域上才能反映或测量出来。

纹理图像分割也是基于对纹理的描述来进行。

纹理是像素在空间中有规律分布的体现，其分割特征是基于区域的。

因此，对于纹理分割的一般思路是：首先，通过特征提取将图像转化到特征空间；然后，再对其进行分割。

对纹理的描述常用三种方法，即统计法、结构法、频谱法[14]。

纹理分割就是把具有相同或一致纹理特性的区域聚类为一个大的区域。

统计法对微观纹理(Micro-Texture)图像分割的效果较好，但是对宏观纹理(Marco-Texture)图像的分割则需要结合结构方法来进行。

结构法的基本思想是，复杂纹理可以认为是由一些简单的纹理基元以一定的有规律的形式重复排列组合而成。

若是能够定义出一些纹理基本元素的规则，就有可能将某些纹理基元按照规定的方式组织成所需要的纹理模式。

频谱法是借助于傅里叶频谱的频率特性来描述周期的或近乎周期的2-D 图像模式的方向性。

近些年来的研究表明，联合空间和空间频率方法利用了能指示空间区域内频率内容的图像表达方式，能够克服传统的傅里叶频率方法的一些不足。

纹理图像的分割方法也可以按照纹理分类的概念进行，因此，纹理图像峰算法也有分为有监督算法（已知纹理类别数目）和无监督算法（未知纹理类别数目）二类。

1.2.3 基于图论的图像分割方法
图论划分理论近年来作为一种新型的工具被应用到图像分割中，基本思想是将图像看作一个带权图，每个节点对应图像的一个像素或区域，两节点属于同一区域的可能性由连接每两个节点的边的权值来表示，权值的大小密切相关与两节点的相似性、邻近性以及连续性等，根据图的某种特定划分建立相应的能量函数，该能量函数的最小值即对应图像的一个最佳分组。

基于图论的图像分割方法通常是将待分割的图像的转化为图的分割问题，图像可以表示成为一个图G={V,E}，其中图中每个顶点i v V ∈对应着图像中的像素，而每条边i e E ∈相应地连接两个相邻的像素。

每条边会分配到一个权值，这
个权值表示这条边所连接的两个像素的关系，例如灰度或者颜色的相似度等等。

如此构造的图不一定每一对顶点都有连接的边，大多数情况下是4-邻接或者8-邻接的像素点对应的顶点之间有边。

最早的图的分割方法就是事先设置一个固定的阈值，权值小于这个阈值的边将被舍弃，图被分割成一个个的子图。

Zahn[15]提出了一种基于图的最小生成树(Minimum Spanning Tree，MST)的分割方法。

此方法常被应用到离散点的分簇和图像分割。

对于前者，权值表示的是各个离散点之间的距离，后者，边权值通常基于相邻的像素的灰度差别。

Zahn的MST 做法也是将图中权值最小(对应的图像像素灰度差别最大)的边割断来构造子图，以此来实现分割。

然而图像中往往灰度剧烈变化的区域的像素之间的灰度差别很大，对应的图中边权值很小，使得这种简单的割断最小权值边的方法存在很大的缺陷，简单地设置某个阈值将这些边割断，又会造成分割错误，如会将图像中灰度变化剧烈的区域分割成很多细小的区域，或者将灰度变化相对小，却又属于边缘的部分融合到一起。

Urquhart[16]针对这个问题提出了一种解决方案，但它在图像分割上应用的效果并不是很理想。

近来，出现了一种利用图论的图像分割方法，即基于直接寻找图中的最小割的最优化方法，这种方法对图的划分原则就是要使所划分的子图的相似性最小。

Wu和Leahy[17]根据此原理提出了一种划分方法，然而，他们的方法偏向于寻找较小的子图。

根据他们的方法，通常会将一个大的图划分为一个极小的子图和另一个很大的图，划分偏向过于明显。

Shi和Malik[18]提出的方法，即归一化割(Normalized Cut)算法很好的解决了这个问题，该方法考虑到了所分子区域内的自相似性，并采用了“归一化”使算法的分割效果得到了大大的改善。

这些新的基于图割(Graph Cut)的图像分割方法与早期的基于图论的分割方法相比更加体现图像的全局性质，而不是局部特征。

但是，归一化割方法是一个NP 完全问题[19]，算法复杂度非常高。

Shi和Malik提出计算归一化割是一种近似计算方法，但是这种近似计算产生误差无法完全理解。

图片的尺寸和实际计算机的计算能力导致在实际应用中这些近似计算方法难以实现，因此算法只能局限于计算小尺寸图片，或者要求非常高性能计算设备。

图论的图像分割方法大多数具有较高的复杂度、实时性差，因而在大多数视觉处理场合无法实时采用。

1.2.4 彩色图像分割方法
对颜色的感受是人类对电磁波辐射中可见部分里不同频率知觉的体现。

由于彩色图像提供了比灰度图像更加丰富的信息，随着技术的进步，彩色图像使用得越来越多，因此随着计算机处理能力的快速提高，彩色图像分割正受到人们越来越多的关注。

如果直接用灰度图像分割方法来对彩色图像进行分割，大多数情况下，并不能取得好的效果[20]。

当前提出的方法有：聚类法[21][22]、熵阈值、博弈论标记结合法[23]、神经网络法[24]等等。