外文翻译---特征空间稳健性分析：彩色图像分割
计算机科学与技术专业使用阈值技术的图像分割等毕业论文外文文献翻译及原文
毕业设计（论文）
外文文献翻译
文献、资料中文题目： 1.使用阈值技术的图像分割
2.最大类间方差算法的图像分割综述
文献、资料英文题目：
文献、资料来源：
文献、资料发表（出版）日期：
院（部）：
专业：计算机科学与技术
班级：
姓名：
学号：
指导教师：
翻译日期： 2017.02.14
毕业设计（论文）题目基于遗传算法的自动图像分割软件开发
翻译（1）题目Image Segmentation by Using Threshold
Techniques
翻译（2）题目
A Review on Otsu Image Segmentation Algorithm
使用阈值技术的图像分割 1
摘要
本文试图通过5阈值法作为平均法，P-tile算法，直方图相关技术（HDT），边缘最大化技术（EMT）和可视化技术进行了分割图像技术的研究，彼此比较从而选择合的阈值分割图像的最佳技术。这些技术适用于三个卫星图像选择作为阈值分割图像的基本猜测。
关键词：图像分割，阈值，自动阈值
1 引言
分割算法是基于不连续性和相似性这两个基本属性之一的强度值。第一类是基于在强度的突然变化，如在图像的边缘进行分区的图像。第二类是根据预定义标准基于分割的图像转换成类似的区域。直方图阈值的方法属于这一类。本文研究第二类（阈值技术）在这种情况下，通过这项课题可以给予这些研究简要介绍。阈分割技术可分为三个不同的类：
首先局部技术基于像素和它们临近地区的局部性质。其次采用全局技术分割图像可以获得图像的全局信息（通过使用图像直方图，例如;全局纹理属性）。并且拆分，合并，生长技术，为了获得良好的分割效果同时使用的同质化和几何近似的概念。最后的图像分割，在图像分析的领域中，常用于将像素划分成区域，以确定一个图像的组成[1][2]。
外文翻译---特征空间稳健性分析：彩色图像分割
附录2：外文翻译
Robust Analysis of Feature Spaces: Color Image
Segmentation
Abstract
A general technique for the recovery of significant image features is presented. The technique is based on the mean shift algorithm, a simple nonparametric procedure for estimating density gradients. Drawbacks of the current methods (including robust clustering) are avoided. Feature space of any nature can be processed, and as an example, color image segmentation is discussed. The segmentation is completely autonomous, only its class is chosen by the user. Thus, the same program can produce a high quality edge image, or provide, by extracting all the significant colors, a preprocessor for content-based query systems. A 512 512 color image is analyzed in less than 10 seconds on a standard workstation. Gray level images are handled as color images having only the lightness coordinate.
外文资料中文翻译
基于支持向量机的图像分割
摘要
图像分割是图像分析过程的必要过程。本文基于支持向量机（ SVM ）方法进行图像分割，并对其分割性能进行评价。实验结果表明：核函数和模型参数对分割的影响是显著的; SVM的方法在图像分割中对噪音不敏感; 在图像分割性能比较下，支持向量机的做法是优于的反向传播多层感知器（BP神经的MLP）的方法和模糊C均值（FCM）方法的。
关键词：支持向量机;图像分割;图像分析
引言
图像分割是图像分析的必要步骤。图像分割的目的是将图像分成多个区域。每个区域是由一组相邻的像素构成，这些像素通常有某些相似的属性值，比如灰度级，被圈定在一个封闭的轮廓边界内。尽管该研究已有相当大的进展，但是以计算理论与早期视觉算法为基础的机器视觉远不够完美。其中一个重要的问题是如何正确的将一幅场景分成不同的若干有意义的区域，即如何进行有效的图像分割。所以，分割技术已经成为并将长期作为图像分析的关键问题。
传统的分类方法，比如神经网络分类法，虽然一直被普遍的用于图像分割，但是在泛化能力及创建模型方面有着许多的问题。支持向量机是基于统计学习理论的一种模式识别理论。由于其高效的泛化能力，即使是在输入空间维数很高的情况下，也不需要事先考虑其先验知识，因而成为分类的首选方法。SVM是一个普遍的算法，其基础是保证风险边界的统计学习理论，即所谓的结构风险最小化的原则。这是一个能够执行一系列操作的学习型机器，做到最佳监督，保证预期的风险范围为经验风险和vapnik - chervonenkis（VC）置信范围之和。后者表征了学习机的泛化能力，它取决于训练学习机的一系列函数的vc 维数。支持向量机（SVM）已有了众多的应用，比如人脸识别，文本分类，目标检测等研究领域。在近年来，基于支持向量机的图像分割也得以广泛应用。但是，在噪声对图像分割性能的影响方面，及与其他分类方法的相比较，如神经网络方法和聚类算法，还有待研究。
Mean Shift算法在彩色图像分割中的应用
Mean Shift算法在彩色图像分割中的应用
摘要：Mean Shift算法是目前广泛应用于图像分割和计算机视觉中的方法。论述了该算法应用在彩色图像分割中的原理及过程,并给出实验过程和结果。
关键词：Mean Shift算法；彩色图像分割；数字图像处理
0 引言
图像分割是图像分析、识别和理解的基础，是从图像处理到图像分析的一个关键步骤。由于彩色图像提供了比灰度图像更为丰富的信息，彩色图像的分割在近几年越来越引起人们的重视，成为图像技术研究的热点之一。Mean shift(均值漂移,MS)算法是一种有效的统计迭代算法，最早由Fukunaga在1975年提出。直到1995年，Cheng改进了MS算法中的核函数和权重函数，并将其应用于聚类和全局优化，扩大了该算法的适用范围。从1997年到2003年，Comaniciu将该方法应用到图像特征空间的分析，对图像进行平滑和分割处理，并证明了MS算法在满足一定条件下，可收敛到最近的一个概率密度函数的稳态点，因此，MS算法可用来检测概率密度函数中存在的模态。由于MS算法完全依靠特征空间中的样本点进行分析，不需要任何先验知识，并且收敛速度快，近年来被广泛应用于图像分割和跟踪等计算机视觉领域。
1 Mean Shift算法
1.1 Mean Shift算法原理
定义:X代表一个d维的欧氏空间,x是该空间中的一个点,用一列向量表示.x的模为‖x‖2=x Tx.R表示实数域.如果一个函数K:K →R存在一个轮廓函数k:［0,∞］→R,即
K(x)=c kk(‖x‖2)(1)
基于HSI和LAB颜色空间的彩色图像分割
基于HSI和LAB颜色空间的彩色图像分割
一、本文概述
随着科技的发展，图像处理技术在众多领域中的应用日益广泛，如医疗影像分析、卫星遥感、机器视觉等。在这些应用中，彩色图像分割作为图像处理的核心技术之一，其重要性不言而喻。彩色图像分割旨在将图像中的像素划分为若干个具有相似特性的区域，从而便于后续的图像分析和理解。
本文主要探讨基于HSI（Hue, Saturation, Intensity）和LAB （Lightness, a, b）颜色空间的彩色图像分割方法。HSI颜色空间
更接近人类视觉感知，能够较好地反映颜色的本质特征，而LAB颜色空间则具有感知均匀性，能够更好地适应不同光照条件下的图像分割。
本文首先介绍HSI和LAB颜色空间的基本原理及其在彩色图像分割中的应用优势。接着，详细阐述基于这两种颜色空间的彩色图像分割算法，包括预处理、特征提取、分割策略等关键步骤。通过实验验证所提方法的有效性和准确性，并与现有方法进行比较分析，以展示其在彩色图像分割领域的应用潜力。
二、相关技术研究综述
彩色图像分割是计算机视觉领域的一个重要任务，旨在将图像划
分为多个具有相似性质的区域。这一过程的实现依赖于颜色空间的选择和相应的分割算法。在众多颜色空间中，HSI（色调、饱和度、强度）和LAB（亮度、a通道、b通道）因其与人类视觉感知的紧密关联而受到广泛关注。
HSI颜色空间以人类视觉系统对颜色的感知为基础，其中色调（Hue）描述了颜色的基本属性，如红色、绿色或蓝色饱和度（Saturation）表示颜色的纯度或鲜艳程度强度（Intensity）则与颜色的亮度或明暗程度相关。这种颜色空间对于颜色分割特别有用，因为它与人类对颜色的直观感知更为接近。
彩色图像分割的国内外研究现状
1．阈值分割方法
阈值分割方法的历史可追溯到近40年前，现已提出了大量算法，对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范闱之中的灰度阈值，然后将图像中各个象素的灰度值都与这个阈值相比较，并根据比较结果将对应的像素分为两类。这两类像素一般分属图像的两类区域，从而达到分割的目的。从该方法中可以看出，确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据图像木身的特点，可分为单阈值分割方法和多阈值分割方法;也可分为基于像素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位罝的阈值分割方法。若根据分割算法所有的特征或准则，还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松弛法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。
目前提出了许多新方法，如严学强等人提出了基于量化直方图的最大熵阈值处理算法，将直方图量化后采用最大熵阈值处理算法，使计算量大大减小。薛贵浩、帝毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法，从目标和背景的类间差异性出发，利用贝叶斯公式估计像素属于目标和背景两类区域的后验概率，再搜索这两类区域后验概率之间的最大交叉熵。这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能，取得很好的通用性和有效性，该算法也容易实现二维推广,即采用二维统计量(如散射图或共生矩阵)取代直方图,以提高分割的准确性。俞勇等人提出的基于最小能量的图像分割方法，运用了能量直方图来选取分割阈值。任明武等人提出的一种基于边缘模式的直方图构造新方法，使分割阈值受噪声和边缘的影响减少到最小。程杰提出的一种基于直方图的分割方法，该方法对Ostu准则的内在缺陷进行了改进,并运用对直方图的预处理及轮廓追踪，找出了最佳分割阈值。此方法对红外图像有很强的针对性。付忠良提出的基于图像差距度量的阈值选取方法，多次导出Ostu方法，得到了几种与Ostu类似的简单计算公式，使该方法特别适合需自动产生阈值的实时图像分析系统。华长发等人提出了一种基于二维熵阈值的图像分割快速算法，使传统二维阈值方法的复杂度从0(W2 S2)降至0(W2/3 S2/3)。赵雪松等人提出的综合全局二值化与边缘检测的图像方法，将全局二值化与边缘检测有效的结合起来，从而达到对信封图分割的理想效果。靳宏磊等人提出的二维灰度直方图的最佳分割方法，找到了一条最佳分割曲线，使该算法得到的分割效果明显优于一维直方图阈值方法。乐宁等人根据过渡区内象素点具有的邻域方向性特点，引入了基于一元线性回归处理的局部区域随机波动消除方法，将图像过渡区算法进行了改进。模糊技术及其日趋成熟的应用也正适应了大部分图像边缘模糊而难以分析的现状，赵初和王纯提出的模糊边缘检测方法能有效地将物体从背景中分离出来，并已在模式识别中的图像预处理和医学图像处理中获得了良好的应用。金立左、夏良正等提出图像分割的自适应模糊阈值法，利用目标一背景对比度自动选取窗宽的方法，并给出了根据目标与摄像机间的相对距离估计目标--背景对比度的算法，克服隶属函数的分布特性及其窗宽对阈值选取的不良影响。其应用于智能电视跟踪系统，对不同对比度和不同距离的海面舰船图像进行阈值分割，有较强的场景适应能力。王培珍、杜培明等人提出了一种用于多阈值图像自动分割的混合遗传算法，针对Papamarkes等提出爬山法的多阈值分割和Olivo提出子波变换的方法只对明显峰值有效而对不明显的峰值无效的缺点，以及结合模糊C-均值算法和遗传算法的两大显著特点而改进的算法，这种分割方法能够快速正
MeanShift-图像分割方法
摘要
在图像处理和计算机视觉里，图像分割是一个十分基础而且很重要的部分，决定了最终分析结果的好坏。图像分割问题的典型定义就是如何在图像处理过程中将图像中的一致性区域和感兴趣对象提取出来。
MeanShift 图像分割方法是一种统计迭代的核密度估计方法。MeanShift算法以其简单有效而被广泛应用，但该方法在多特征组合方面和数据量较大的图像处理上仍存在不足之处，本文针对这些问题对该算法的结构进行了优化。本文利用图像上下文信息对图像进行了区域合并以此来对输入数据进行了压缩；并实现特征空间中所有特征量的优化组合。
最后，总结了本文的研究成果。下一步需要深入的研究工作有:(1)考虑分割的多尺度性,实现基于Mean Shift算法的多尺度遥感图像分割;(2)考虑利用Gabor滤波器来提取纹理特征,或将更多的特征如形状等特征用于MeanShift遥感图像分割中。
关键词: Mean Shift, 图像分割, 遥感图像, 带宽
ABSTRACT
mage segmentation is very essential and critical to image processing and computer vision, which is one of the most difficult tasks in image processing, and determines the quality of the final result of analysis. In image segmentation problem, the typical goal is to extract continuous regions and interest objects in the case of image processing.
外文翻译----基于数字图像处理技术的边缘特征提取
彩色图像分割-RGB模型
成绩评定表
课程设计任务书
Matlab是当今最优秀的科技应用软件之一，它一强大的科学计算与可视化功能，简单易用，开放式可扩展环境，特别是所附带的30多种面向不同领域工具箱支持，使得它在许多科学领域中成为计算机辅助设计与分析，算法研究和应用开发的基本工具盒首选平台在图像处理中，Matlab也得到了广泛的应用，例如图像变换，设计FIR滤波器，图像增强，四叉树分解，边缘检测，小波分析等等。不同的颜色空间在描述图像的颜色时侧重点不同。如RGB（红、绿、蓝三原色）颜色空间适用于彩色监视器和彩色摄象机，HSI（色调、饱和度、亮度）更符合人描述和解释颜色的方式（或称为HSV，色调、饱和度、亮度），CMY（青、深红、黄）、CMYK（青、深红、黄、黑）主要针对彩色打印机、复印机等，YIQ （亮度、色差、色差）是用于NTSC规定的电视系统格式，YUV（亮度、色差、色差）是用于PAL规定的电视系统格式，YCbCr（亮度单一要素、蓝色与参考值的差值、红色与参考值的差值）在数字影像中广泛应用。
彩色图像的处理有时需要将图像数据在不同的颜色空间中表示，因此，图像的颜色空间之间的转换成为一项有意义的工作。其中RGB在颜色空间转换中其关键作用，是各个空间转换的桥梁。Matlab中的颜色空间转换只涉及到了RGB、HSV、YCbCr、YIQ等，没有包含lαβ和其它颜色空间的转换。
关键字：Matlab；图像处理；RGB
1 设计任务及目的 (1)
1.1 设计任务 (1)
1.2 设计目的 (1)
2 MATLAB简介 (1)
3 图像处理简介 (2)
外文翻译----数字图像处理方法的研究(中英文)(1)
The research of digital image processing technique
1Introduction
Interest in digital image processing methods stems from two principal application areas:improvement of pictorial information for human interpretation;and processing of image data for storage,transmission,and representation for autonomous machine perception.
1.1What Is Digital Image Processing?
An image may be defined as a two-dimensional function,f(x,y),where x and y are spatial(plane)coordinates,and the amplitude of f at any pair of coordinates(x,y)is called the intensity or gray level of the image at that point.When x,y,and digital image.The field of digital image processing refers to processing digital images by means of a digital computer.Note that a digital image is composed of a finite number of elements,each of which has a particular location and value.These elements are referred to as picture elements,image elements,pels,and pixels.Pixel is the term most widely used to denote the elements of a digital image.We consider these definitions in more formal terms in Chapter2.
高清彩色图像分割的mini-batch fcm算法研究
（a）Image 1
（b）Image 2
（c）Image 3
（d）Image 4
图1 原始图像
可以看出传统的FCM算法与mini-batch
传统FCM算法在处理图像分割时所消耗的时
图像分割图像预处理中英文对照外文翻译文献
图像分割图像预处理中英文对照外文翻译文献
中英文对照外文翻译
一种在线图像编码识别系统的设计
摘要：本文介绍了在线图像编码字符识别系统的设计与实现过程，对其中重点环节进行了分析与研究，给出了主要环节问题的解决方法，在识别算法上，结合模板匹配与特征识别，提出了基于特征加权的模板匹配算法，该算法对提高字符识别率提到了较好的作用。
关键词：图像处理;模式识别;特征加权;软件设计
0引言
图像编码字符识别的研究目前仍是国内外一个重点研究课题，它具有广泛的应用背景，比如车牌号码自动识别、邮政编码的自动识别、试卷自动阅读、报表自动处理等，由于这种在线图像编码字符的识别都具有一些共性，本文结合在线轮胎编码字符识别系统的设计，对一般图像编码字符识别系统进行了阐述，对关键环节进行了研究与分析，该方法对其它在线图像编码字符系统的开发具有一定指导意义。
1在线图像编码识别系统流程
在线图像编码字符识别系统主要包括数字图像的采集、存储、图像预处理、编码图像提取、编码特征提取、编码识别和后续处理等一些环节，其流程图如图1所示。
图1 在线图像编码字符识别系统流程图
在线轮胎图像编码字符识别系统要求对通过生产流水线上每一个
轮胎采集含有轮胎编码的图像，然后通过对图像的处理，提取出轮胎编码特征，采用合适的识别算法将每一位编码字符进行识别。由于轮胎编码字符在轮胎上有一定变形，且摄像角度不同，得到的编码图像差异也很大，规律性差，所以编码图像的预处理和识别算法的选取显得尤为重要。
2图像采集与存储
在线编码图像通常使用数码摄像机、数码照相机、数码摄像头等
基于RGB颜色空间的彩色图像分割
计算机工程应用技术
本栏目责任编辑：梁
书
基于RGB 颜色空间的彩色图像分割
洪梦霞，梁少华
（长江大学，湖北荆州434020）
摘要：颜色分割可用于检测身体肿瘤、从森林或海洋背景中提取野生动物的图像，或者从单一的背景图像中提取其他彩色
物体，大数据时代背景下，颜色空间对于图像分析仍然非常有用，通过在RGB 和HSV 颜色空间可视化图像，可以看到图像颜色分布的散点图。通过阈值分割，确定要提取的所有像素的阈值，在所有像素中获取期望的像素，得到分割后的图像。实验结果分析，使用OpenCV 基于Python 中的颜色从图像中分割对象,可以达到简单、快速、可靠的目的。关键词：颜色空间；颜色分割；阈值分割中图分类号：TP3
文献标识码：A
文章编号：1009-3044(2020)34-0225-03开放科学（资源服务）标识码（OSID ）：
Image Segmentation based on Color Space HONG Meng-xia,LIANG Shao-hua
(Changjiang University,Jingzhou 434020,China)
Abstract:Color segmentation can be used to detect body tumors,extract wildlife images from forest or marine background,or ex⁃tract other color objects from a single background image.In the background of big data era,color space is still very useful for image analysis.By visualizing images in RGB and HSV color spaces,we can see the scatter map of image color distribution.Through threshold segmentation,the threshold of all the pixels to be extracted is determined,and the desired pixels are obtained from all pixels to obtain the segmented image.Experimental results show that using OpenCV to segment objects from images based on Py⁃thon color can achieve the purpose of simple,fast and reliable.Key words:color space;color segmentation;threshold segmentation
彩色图像分割介绍
第一章绪论
计算机图像处理在医学领域的应用越来越广泛，白细胞图像的自动判断就是其中的代表之一。它能有效地减少主观干扰，提高工作效率，减轻医生负担。近些年来，计算机硬件技术和光谱成像技术的飞速发展，使得成功研制开发出小型实用的基于多光谱的白细胞图像自动分类识别系统成为可能。
本文研究的主要目的在于对白细胞多光谱图像分割进行初步的探索研究，为系统中其后的白细胞能够准确地分类识别奠定基础。
本章简要阐述了基于多光谱的白细胞图像分割的应用背景和研究意义，回顾了国内外细胞图像分割和多光谱遥感图像分类的研究发展状况，并简要介绍了本论文的主要工作。
§1.1 概述
§1.1.1 白细胞检验
白细胞的光学显微镜检查是医院临床检验项目之一，特别是对各种血液病的诊断占有极其重要的地位。它的任务是观察或测定血液中的各种白细胞的总数、相对比值、形态等，用于判断有无疾病、疾病种类以及严重程度等，特别是对类似白血病这类血液病诊断具有更加重要的意义。
白细胞分类计数的传统方法是将血液制成涂片，染色后，临床医生在显微镜下用肉眼按照有关标准，如核的形状、细胞浆的量和颜色，细胞浆颗粒的大小和颜色，整个细胞形状、稀薄与细胞间的接触等，来观察和检查这样的细胞标本[1]。然而这项工作十分繁重，工作效率低，容易误判，且人工识别误差随检查人员而异。同时通过观察的细胞数目较少，从统计的角度看，因样本集较小而影响诊断结果的可靠性。
计算机图像处理与分析技术伴随着信息技术的不断进步在最近20年间得到了飞速的发展，已经迅速渗透到人类生活和社会发展的各个方面，这为智能化细胞分析仪代替人工方法提供了基础。因此，借助于现代计算机技术结合临床医生的实践经验，采用图像处理技术对图像进行处理，从而对细胞进行识别，对于医学科研与实践，以及临床诊断方面有着现实意义和非常广阔的前景。
彩色图像分割混合方法
使用直方图c聚类混合方法的彩色图像分割
摘要：
本文提出了一种新的直方图阈值–模糊C-均值混合（htfcm）的方法，这种方法可以应用到模式识别以及计算机视觉特别是彩色直方图等不同领域。该方法采用直方图阈值技术在彩色图像中获得所有尽可能均匀的区域。然后，使用模糊聚类（FCM）算法来提高这些均匀区域的聚类紧凑性。实验结果表明，所提出的低复杂性的htfcm的方法可以比采用蚁群算法进行细分的其他方法，获得更好的聚类结果和分割结果。
1简介
颜色是一个可以用来提取同类区域最重要的低级别的特点，多数时候与对象或对象的部分相关。在24位真彩色图像中，特殊颜色数量通常超过图像大小的一半，可以达到16百万。从人的感知上来说，这些颜色不能被人眼识别，只能靠内部认知空间的30种颜色来区分。由于所有的特殊颜色在感知上非常接近，它们可以被组合来形成同性质的区域来代表图像中的目标对象，因此图像可以变得更有意义并且更容易分析。在图像处理与计算机视觉中，图像分割是图像分析和模式识别的中心任务。这是把一个图像分割成多个区域，这些区域相对于一个或多个特征是同类的。
虽然在科学文献中已经出现许多分割技术，它们可分为基于图像域，基于物理和基于特征空间的分割技术。这些技术已经被广泛使用，但每一种都有其优点和局限.图像域技术把颜色特征和颜色的空间关系应用到同类评估中以便进行分割，这些技术产生具有合理紧凑性的区域但有会存在合适的种子区域选择困难的问题。基于物理技术的方法利用材料的反射特性的物理模型进行具有更多应用的颜色分割，他们的模型可能会产生色彩变化.特征空间技术利用颜色特征作为图像分割的关键和唯一标准来分割图片。因为色彩空间关系被忽略所以分割的区域通常是分散的。但是，这种限制可以通过提高区域紧凑性来解决。
基于彩色图像分割的置信传播快速立体匹配算法
Ｍ ｈ （ ｘ ） 亳
㈥
Ｇ（ ） ： 前面 （ ５ ） 式可 以变为如下 ， Ｍ＾ （ ） ＝ｍ ＾ （ ｘ ） 一 Ｘ
、
（ ６ ） ４置信 播 算 法进行 模板 视 差最优 分 配 （ ７ ） 通过区域匹配得到的视差平面模板不够精确 ， 只考虑了模板 内 像素点之间的影响 ， 而没有考虑到 区域块间的相互影响 本文采 用 全局匹配算法一置信传播算法对 初始视差平面模板进行全局优化 ， 从而得到更加精确稠密的视差图。 置信传播算法主要是利用消息传 （ ８ ） 输和置 信度 传输机制来实现全局能量 函数 的最小 化的。
ｘｉ ｙ
（ １ １ ）
经过实验 结果对 比， 决定选用ＮＣ Ｃ 作为区域 匹配 的测度函数 。 各代价 函数求得 的视察效 果图如图２ 所示 。 Ｈ为一个对 角矩阵 ， 区域 匹配中， 匹配 窗口的大小难 以选择 ， 所以本文采用 自适应 Ｈ＝ ｄ ｉ ａ ｇ ［ ｈ ａ ２ ， 嘭 ． ， 】 （ ３ ） 窗算法 ， 该算法详细步骤如下 ： （ １ ） 设定初始 匹配窗 口的大小为 ３ ＊ ３ ； 即 ＝＾ ｆ （ ４ ） （ ２ ） 将窗 口的沿上 、 下、 左、 右 四个方 向分别 向外扩展 一个像素 从而， （ １ ） 式可以变为 点 的大 小 ， 判 断 此 时 窗 口 内包 含 的像 素 点 是 否 超 过 规 定 阈 值 ， 若超 ∑Ｇ （ 玉 ） ） （ 一 曲 过， 则停止 ， 否则继续执行下一步 ； （ ３ ） 记录 此时窗 口的大小 ， 以左 图像 的该像 素区域窗 口作为模 板， 在 右 图像 中进行 匹配 ， 记 录 此 时得 到 的 视 差值 为 ｄ １ ， 之 后再 以右 图像 的该 像 素 区域 窗 口作 为 模 板 ， 在 左 图像 中进 行 匹配 ， 记录 此 时 Ｗ （ ） 为体现样本点 Ｘ ｉ 重要性的权重系数， ） ； 得 到 的视 差 值 为 ｄ ２ ； Ｇ（ 力为核函数 ， 它决定了采样点 与核 中心ｘ 之间的相似性度 （ ４ ） 比较 ｄ １ 和ｄ ２ 的大小 ， 若ｄ ｌ ＝ － ｄ ２ ， 则 记 录 此 像 素 点 视 差 值 为 量； 本 文采用单位高斯核函数 ， 令 ｄ ＝ ｄ １ ， 否 则令ｄ ＝ ０ 。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
附录2：外文翻译
Robust Analysis of Feature Spaces: Color Image
Segmentation
Abstract
A general technique for the recovery of significant image features is presented. The technique is based on the mean shift algorithm, a simple nonparametric procedure for estimating density gradients. Drawbacks of the current methods (including robust clustering) are avoided. Feature space of any nature can be processed, and as an example, color image segmentation is discussed. The segmentation is completely autonomous, only its class is chosen by the user. Thus, the same program can produce a high quality edge image, or provide, by extracting all the significant colors, a preprocessor for content-based query systems. A 512 512 color image is analyzed in less than 10 seconds on a standard workstation. Gray level images are handled as color images having only the lightness coordinate.
Keywords: robust pattern analysis, low-level vision, content-based indexing
1 Introduction
Feature space analysis is a widely used tool for solving low-level image understanding tasks. Given an image, feature vectors are extracted from local neighborhoods and mapped into the space spanned by their components. Significant features in the image then correspond to high density regions in this space. Feature space analysis is the procedure of recovering the centers of the high density regions, i.e., the representations of the significant image features. Histogram based techniques, Hough transform are examples of the approach.
When the number of distinct feature vectors is large, the size of the feature space is reduced by grouping nearby vectors into a single cell. A discretized feature space is called an accumulator. Whenever the size of the accumulator cell is not adequate for the data, serious artifacts can appear. The problem was extensively studied in the context of the Hough transform, e.g.. Thus, for satisfactory results a feature space should have continuous coordinate system. The content of a continuous feature space can be modeled as a sample from a multivariate, multimodal probability distribution. Note that for real images the number of modes can be very large, of the order of tens.
The highest density regions correspond to clusters centered on the modes of the underlying probability distribution. Traditional clustering techniques, can be used for feature space analysis but they are reliable only if the number of clusters is small and known a priori. Estimating the number of clusters from the data is computationally expensive and not guaranteed to produce satisfactory result.
A much too often used assumption is that the individual clusters obey multivariate normal distributions, i.e., the feature space can be modeled as a mixture of Gaussians. The parameters of the mixture are then estimated by minimizing an error criterion. For example, a large class of thresholding algorithms are based on the Gaussian mixture model of the histogram, e.g.. However, there is no theoretical evidence that an extracted normal cluster necessarily corresponds to a significant image feature. On the contrary, a strong artifact cluster may appear when several features are mapped into partially overlapping regions.
Nonparametric density estimation avoids the use of the normality assumption. The two families of methods, Parzen window, and k-nearest neighbors, both require additional input information (type of the kernel, number of neighbors). This