目标分割算法

B. 图像分割的特定理论

图像分割至今尚无通用的自身理论。随着各学科许多新理论和新方法的提出，出现了许多与一些特定理论、方法相结合的图像分割方法。 特征空间聚类法进行图像分割是将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割结果。其中，K均值、模糊C均值聚类(FCM)算法是最常用的聚类算法。K均值算法先选K个初始类均值，然后将每个像素归入均值离它最近的类并计算新的类均值。迭代执行前面的步骤直到新旧类均值之差小于某一阈值。模糊C均值算法是在模糊数学基础上对K均值算法的推广，是通过最优化一个模糊目标函数实现聚类，它不像K均值聚类那样认为每个点只能属于某一类，而是赋予每个点一个对各类的隶属度，用隶属度更好地描述边缘像素亦此亦彼的特点，适合处理事物内在的不确定性。利用模糊C均值(FCM)非监督模糊聚类标定的特点进行图像分割，可以减少人为的干预，且较适合图像中存在不确定性和模糊性的特点。
FCM算法对初始参数极为敏感，有时需要人工干预参数的初始化以接近全局最优解，提高分割速度。另外，传统FCM算法没有考虑空间信息，对噪声和灰度不均匀敏感。 模糊集理论具有描述事物不确定性的能力，适合于图像分割问题。1998年以来，出现了许多模糊分割技术，在图像分割中的应用日益广泛。模糊技术在图像分割中应用的一个显着特点就是它能和现有的许多图像分割方法相结合，形成一系列的集成模糊分割技术，例如模糊聚类、模糊阈值、模糊边缘检测技术等。
模糊阈值技术利用不同的S型隶属函数来定义模糊目标，通过优化过程最后选择一个具有最小不确定性的S函数。用该函数增强目标及属于该目标的像素之间的关系，这样得到的S型函数的交叉点为阈值分割需要的阈值，这种方法的困难在于隶属函数的选择。基于模糊集合和逻辑的分割方法是以模糊数学为基础，利用隶属图像中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题。该方法在医学图像分析中有广泛的应用，如薛景浩 等人提出的一种新的基于图像间模糊散度的阈值化算法以及它在多阈值选择中的推广算法，采用了模糊集合分别表达分割前后的图像，通过最小模糊散度准则来实现图像分割中最优阈值的自动提取。该算法针对图像阈值化分割的要求构造了一种新的模糊隶属度函数，克服了传统S函数带宽对分割效果的影响，有很好的通用性和有效性，方案能够快速正确地实现分割，且不需事先认定分割类数。实验结果令人满意。 概述
小波变换是2002年来得到了广泛应用的数学工具，它在时域和频域都具有良好的局部化性质，而且小波变换具有多尺度特性，能够在不同尺度上对信号进行分析，因此在图像处理和分析等许多方面得到应用。
小波变换的分割方法
基于小波变换的阈值图像分割方法的基本思想是首先由二进小波变换将图像的直方图分解为不同层次的小波系数，然后依据给定的分割准则和小波系数选择阈值门限，最后利用阈值标出图像分割的区域。整个分割过程是从粗到细，有尺度变化来控制，即起始分割由粗略的L2(R)子空间上投影的直方图来实现，如果分割不理想，则利用直方图在精细的子空间上的小波系数逐步细化图像分割。分割算法的计算馈与图像尺寸大小呈线性变化。

C. meanshift分割算法

1.识别静态的整个人体较难；即使识别出来结果也不可靠，所以现在主要以手势/人脸识别为主；这是因为手和脸上面有比较独特的特征点。你说的滤波归根结底还是要找出具有灰度跳变的高频部分作为人体；这除非背景中除了人以外没有其他突出的物体；否则光凭滤波二值法检测人体是不太现实。

2 两张图片中人要是产生相对运动，检测起来就容易多了；利用帧间差分找到图像中灰度相差大的部分（你用的滤波也是一种手段）；然后二值化区域连通；要是图像中没有其他移动物体计算连通区域的变动方向就是人的运动方向。

你可以去PUDN上搜搜相关的目标检测的代码;完全和你这个对应是不可能的。照你说的情况可以先建立起静态背景的模型（或者直接在没人的时候拍张）；然后不断的与这个背景做差，原理和帧间差分一样。建议你先从典型的帧间差分例程开始下手（比如移动车辆的检测，这个比较多）。

你在二值化之后加上一个区域连通的步骤；即使用膨胀或者闭运算；这样你的轮廓就是连续的了；用matlab的话bwlabel可以统计连通区域里面像素的个数也就是人体面积大小。质心就是横竖坐标的平均值；取所有人体点的横竖坐标分别累加；除以坐标总数得到的x和y平均值；这个就是质心了

D. 传统的图像分割方法有哪些

1.基于阈值的分割方法

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的变化
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，如果能确定一个适合的阈值就可准确地将图像分割开来。阈值确定后，阈值与像素点的灰度值比较和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（如用于软件实现），它得到了广泛应用。

2.基于区域的分割方法

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。

(1)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。

(2)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，前景区域是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。

3.基于边缘的分割方法

基于边缘的分割方法是指通过边缘检测，即检测灰度级或者结构具有突变的地方，确定一个区域的终结，即另一个区域开始的地方。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。

4.基于特定理论的分割方法

图像分割至今尚无通用的自身理论。随着各学科新理论和新方法的提出，出现了与一些特定理论、方法相结合的图像分割方法，主要有：基于聚类分析的图像分割方法、基于模糊集理论的分割方法等。

5.基于基因编码的分割方法

基于基因编码的分割方法是指把图像背景和目标像素用不同的基因编码表示，通过区域性的划分，把图像背景和目标分离出来的方法。该方法具有处理速度快的优点，但算法实现起来比较难。

6.基于小波变换的分割方法

小波变换是近年来得到广泛应用的数学工具，它在时域和频域都具有良好的局部化性质，并且小波变换具有多尺度特性，能够在不同尺度上对信号进行分析，因此在图像处理和分析等许多方面得到应用。

基于小波变换的阈值图像分割方法的基本思想是首先由二进小波变换将图像的直方图分解为不同层次的小波系数，然后依据给定的分割准则和小波系数选择阈值门限，最后利用阈值标出图像分割的区域。整个分割过程是从粗到细，由尺度变化来控制，即起始分割由粗略的L2(R)子空间上投影的直方图来实现，如果分割不理想，则利用直方图在精细的子空间上的小波系数逐步细化图像分割。分割算法的计算会与图像尺寸大小呈线性变化。

7.基于神经网络的分割方法

近年来，人工神经网络识别技术已经引起了广泛的关注，并应用于图像分割。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接，容易引入空间信息，能较好地解决图像中的噪声和不均匀问题。选择何种网络结构是这种方法要解决的主要问题。

E. 目标检测算法是什么

目标检测算法是先通过训练集学习一个分类器，然后在测试图像中以不同scale的窗口滑动扫描整个图像；每次扫描做一下分类，判断一下当前的这个窗口是否为要检测的目标。检测算法的核心是分类，分类的核心一个是用什么特征，一个是用哪种分类器。

(5)目标分割算法扩展阅读：

目标检测算法可以分为：

1、背景建模法，包含时间平均模型、混合高斯模型、动态纹理背景、PCA模型、时一空联合分布背景模型

2、点检测法，包含Moravec检测器、Harris检测器 、仿射不变点检测、S IFT

3、图像分割法，包含Mean Shift方法 、Graph-cut方法、Active Contours方法

4、聚类分析法，包含支持向量机、神经网络、Adaptive Boosting

5、运动矢量场法，包含基于运动矢量场的方法

F. 运动目标跟踪检测论文怎么写呢

运动目标检测与跟踪算法研究 视觉是人类感知自身周围复杂环境最直接有效的手段之一， 而在现实生活中 大量有意义的视觉信息都包含在运动中，人眼对运动的物体和目标也更敏感，能 够快速的发现运动目标， 并对目标的运动轨迹进行预测和描绘。 随着计算机技术、 通信技术、图像处理技术的不断发展，计算机视觉己成为目前的热点研究问题之 一。 而运动目标检测与跟踪是计算机视觉研究的核心课题之一， 融合了图像处理、 模式识别、人工智能、自动控制、计算机等众多领域的先进技术，在军事制导、 视觉导航、视频监控、智能交通、医疗诊断、工业产品检测等方面有着重要的实 用价值和广阔的发展前景。 1、国内外研究现状 1.1 运动目标检测 运动目标检测是指从序列图像中将运动的前景目标从背景图像中提取出来。 根据运动目标与摄像机之间的关系， 运动目标检测分为静态背景下的运动目标检 测和动态背景下的运动目标检测。 静态背景下的运动目标检测是指摄像机在整个 监视过程中不发生移动； 动态背景下的运动目标检测是指摄像机在监视过程中发 生了移动，如平动、旋转或多自由度运动等。 静态背景 静态背景下的运动目标检测方法主要有以下几种： （1）背景差分法 背景差分法是目前最常用的一种目标检测方法， 其基本思想就是首先获得一个 背景模型，然后将当前帧与背景模型相减，如果像素差值大于某一阈值，则判断 此像素属于运动目标，否则属于背景图像。利用当前图像与背景图像的差分来检 测运动区域，一般能够提供比较完整的特征数据，但对于动态场景的变化，如光 照和外来无关事件的干扰等特别敏感。 很多研究人员目前都致力于开发不同的背 景模型，以减少动态场景变化对运动目标检测的影响。背景模型的建立与更新、 阴影的去除等对跟踪结果的好坏至关重要。 背景差分法的实现简单，在固定背景下能够完整地精确、快速地分割出运动 对象。不足之处是易受环境光线变化的影响，需要加入背景图像更新机制，且只 对背景已知的运动对象检测比较有效， 不适用于摄像头运动或者背景灰度变化很 大的情况。 （2）帧间差分法 帧间差分法是在连续的图像序列中两个或三个相邻帧间， 采用基于像素的时 间差分并阈值化来提取图像中的运动区域。 帧间差分法对动态环境具有较强的自 适应性，但一般不能完全提取出所有相关的特征像素点，在运动实体内部容易产 生空洞现象。因此在相邻帧间差分法的基础上提出了对称差分法，它是对图像序 列中每连续三帧图像进行对称差分，检测出目标的运动范围，同时利用上一帧分 割出来的模板对检测出来的目标运动范围进行修正， 从而能较好地检测出中间帧 运动目标的形状轮廓。 帧间差分法非常适合于动态变化的环境，因为它只对运动物体敏感。实际上 它只检测相对运动的物体，而且因两幅图像的时间间隔较短，差分图像受光线 变化影响小，检测有效而稳定。该算法简单、速度快，已得到广泛应用。虽然该 方法不能够完整地分割运动对象，只能检测出物体运动变化的区域，但所检测出 的物体运动信息仍可用于进一步的目标分割。 （3）光流法 光流法就充分的利用了图像自身所携带的信息。在空间中,运动可以用运动 场描述,而在一个图像平面上,物体的运动往往是通过图像序列中图像灰度分布 的不同来体现,从而使空间中的运动场转移到图像上就表示为光流场。所谓光流 是指空间中物体被观测面上的像素点运动产生的瞬时速度场， 包含了物体表面结 构和动态行为等重要信息。 基于光流法的运动目标检测采用了运动目标随时间变 化的光流特性，由于光流不仅包含了被观测物体的运动信息，还携带了物体运动 和景物三位结构的丰富信息。 在比较理想的情况下,它能够检测独立运动的对象, 不需要预先知道场景的任何信息,可以很精确地计算出运动物体的速度,并且可 用于动态场景的情况。 但是大多数光流方法的计算相当复杂,对硬件要求比较高, 不适于实时处理,而且对噪声比较敏感,抗噪性差。并且由于遮挡、多光源、透明 性及噪声等原因，使得光流场基本方程——灰度守恒的假设条件无法满足，不能 正确求出光流场，计算方也相当复杂，计算量巨大，不能满足实时的要求。 动态背景 动态背景下的运动目标检测由于存在着目标与摄像机之间复杂的相对运动， 检测方法要比静态背景下的运动目标检测方法复杂。常用的检测方法有匹配法、 光流法以及全局运动估计法等。 2、运动目标跟踪 运动目标跟踪是确定同一物体在图像序列的不同帧中的位置的过程。 近年来 出现了大批运动目标跟踪方法，许多文献对这些方法进行了分类介绍，可将目标 跟踪方法分为四类：基于区域的跟踪、基于特征的跟踪、基于活动轮廓的跟踪、 基于模型的跟踪，这种分类方法概括了目前大多数跟踪方法，下面用这种分类方 法对目前的跟踪方法进行概括介绍。 (1)基于区域的跟踪 基于区域的跟踪方法基本思想是： 首先通过图像分割或预先人为确定提取包 含目标区域的模板，并设定一个相似性度量，然后在序列图像中搜索目标，把度 量取极值时对应的区域作为对应帧中的目标区域。 由于提取的目标模板包含了较 完整的目标信息，该方法在目标未被遮挡时，跟踪精度非常高，跟踪非常稳定， 但通常比较耗时，特别是当目标区域较大时，因此一般应用于跟踪较小的目标或 对比度较差的目标。该方法还可以和多种预测算法结合使用，如卡尔曼预测、粒 子预测等，以估计每帧图像中目标的位置。近年来，对基于区域的跟踪方法关注 较多的是如何处理运动目标姿态变化引起的模板变化时的情况以及目标被严重 遮挡时的情况。 (2)基于特征的跟踪 基于特征的跟踪方法基本思想是：首先提取目标的某个或某些局部特征，然 后利用某种匹配算法在图像序列中进行特征匹配，从而实现对目标的跟踪。该方 法的优点是即使目标部分被遮挡，只要还有一部分特征可以被看到，就可以完成 跟踪任务，另外，该方法还可与卡尔曼滤波器结合使用，实时性较好，因此常用 于复杂场景下对运动目标的实时、 鲁棒跟踪。 用于跟踪的特征很多， 如角点边缘、 形状、纹理、颜色等，如何从众多的特征中选取最具区分性、最稳定的特征是基 于特征的跟踪方法的关键和难点所在。 (3)基于活动轮廓的跟踪 基于活动轮廓的跟踪方法基本思想是：利用封闭的曲线轮廓表达运动目标， 结合图像特征、曲线轮廓构造能量函数，通过求解极小化能量实现曲线轮廓的自 动连续更新，从而实现对目标的跟踪。自Kass在1987年提出Snake模型以来，基 于活动轮廓的方法就开始广泛应用于目标跟踪领域。相对于基于区域的跟踪方 法，轮廓表达有减少复杂度的优点，而且在目标被部分遮挡的情况下也能连续的 进行跟踪，但是该方法的跟踪结果受初始化影响较大，对噪声也较为敏感。 (4)基于模型的跟踪 基于模型的跟踪方法基本思想是： 首先通过一定的先验知识对所跟踪目标建 立模型，然后通过匹配跟踪目标，并进行模型的实时更新。通常利用测量、CAD 工具和计算机视觉技术建立模型。主要有三种形式的模型，即线图模型、二维轮 廓模型和三维立体模型口61，应用较多的是运动目标的三维立体模型，尤其是对 刚体目标如汽车的跟踪。该方法的优点是可以精确分析目标的运动轨迹，即使在 目标姿态变化和部分遮挡的情况下也能够可靠的跟踪， 但跟踪精度取决于模型的 精度，而在现实生活中要获得所有运动目标的精确模型是非常困难的。 目标检测算法，至今已提出了数千种各种类型的算法，而且每年都有上百篇相 关的研究论文或报告发表。尽管人们在目标检测或图像分割等方面做了许多研 究，现己提出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情况的 通用算法。 目前， 比较经典的运动目标检测算法有： 双帧差分法、 三帧差分法(对 称差分法)、背景差法、光流法等方法，这些方法之间并不是完全独立，而是可 以相互交融的。 目标跟踪的主要目的就是要建立目标运动的时域模型， 其算法的优劣直接影响 着运动目标跟踪的稳定性和精确度， 虽然对运动目标跟踪理论的研究已经进行了 很多年，但至今它仍然是计算机视觉等领域的研究热点问题之一。研究一种鲁棒 性好、精确、高性能的运动目标跟踪方法依然是该研究领域所面临的一个巨大挑 战。基于此目的，系统必须对每个独立的目标进行持续的跟踪。为了实现对复杂 环境中运动目标快速、稳定的跟踪，人们提出了众多算法，但先前的许多算法都 是针对刚体目标，或是将形变较小的非刚体近似为刚体目标进行跟踪，因而这些 算法难以实现对形状变化较大的非刚体目标的正确跟踪。 根据跟踪算法所用的预 测技术来划分，目前主要的跟踪算法有：基于均值漂移的方法、基于遗传算法的 方法、基于Kalman滤波器的方法、基于Monto Carlo的方法以及多假设跟踪的方 法等。 

运动检测与目标跟踪算法模块 运动检测与目标跟踪算法模块 与目标跟踪 一、运动检测算法 1.算法效果 算法效果总体来说，对比度高的视频检测效果要优于对比度低的视频。 算法可以比较好地去除目标周围的浅影子，浅影的去除率在 80%以上。去影后目标的 完整性可以得到较好的保持，在 80%以上。在对比度比较高的环境中可以准确地识别较大 的滞留物或盗移物。 从对目标的检测率上来说，对小目标较难进行检测。一般目标小于 40 个像素就会被漏 掉。对于对比度不高的目标会检测不完整。总体上来说，算法在对比度较高的环境中漏检率 都较低，在 0.1%以下，在对比度不高或有小目标的场景下漏检率在 6%以下。 精细运动检测的目的是在较理想的环境下尽量精确地提取目标的轮廓和区域， 以供高层 进行应用。同时在分离距离较近目标和进行其它信息的进一步判断也具有一定的优势。 反映算法优缺点的详细效果如下所示： 去影子和完整性 效果好 公司内视频 左边的为去影前，右边的 为去影后的结果，可以看出在 完整 性和去影率上 都有所 突 出。 这两个视频的共周特点 城市交通 是，影子都是浅影子，视频噪 声不太明显。目标与背景的对 比度比较高。 效果差 这两个视频的特点是影子 都是深影子。虽然影子没有去 掉，但是物体的完整性是比较 高的。主要原因就是场景的对 路口，上午 十点 比度比较高。 滞留物检测和稳定性 效果好 会议室盗移 效果好的原因，一是盗移或 滞留目标与背景对比度较大，二 是目标本身尺寸较大。 另外盗移物或滞留物在保持 各自的状态期间不能受到光照变 化或其它明显运动目标的干扰， 要不然有可能会造成判断的不稳 定。 效果差 会议室 遗留 物 大部分时间内，滞留的判断 都是较稳定的，但是在后期出现 了不稳定。主要原因是目标太小 的原故。 因此在进行滞留物判断时， 大目标，对比度较高的环境有利 于判断的稳定性和准确性。 漏检率 效果好 城市交通 在对比度高的环境下， 目标相对都较大的情况下 （大于 40 个像素） 可以很 ， 稳定的检测出目标。 在这种 条件下的漏检率通常都是 非常低的，在 0.1%以下。 效果差 行人－傍晚 和“行人”目录下 的 其 它 昏 暗 条件 下的视频 在对 比度较低的 情况 下，会造成检测结果不稳 定。漏检率较高。主要原因 是由于去影子造成的。 这种 对比度下的漏检率一般在 6%以下。 除了 对比度低是 造成 漏检的原因外， 过小的目标 也会造成漏检，一般是 40 个像素以下的目标都会被 忽略掉。 1.2 算法效率内存消耗（单位：b） .MD_ISRAM_data .MD_ISRAM_bss .MD_SDRAM_data 0x470 0x24 0x348 .MD_SDRAM_bss .MD_text 0x1a8480 0x6d40 速度 ms 运动区域占 2/3 左右时 CPU 占用率 一帧耗时 Max:57% Min:2.8% Avg:37.5% Max:23 Min:1.14 Avg:15 运动区域占 1/3 左右时 Max:45% Min:2.8% Avg:20% Max:18 Min:1.14 Avg:8 1.3 检测参数说明 检测参数说明 检测到的滞留物或盗走物的消失时间目前分别设定在 200 帧和 100 帧， 可以通过参数来 自行调整。 目前目标与背景的差异是根据局部光照强度所决定的， 范围在 4 个像素值以上。 目前参 数设置要求目标大小要在 20 个像素以上才能被检测到，可以通过参数来自行调整。 目标阴影的去除能力是可以调整的， 目前的参数设置可以去除大部分的浅影子和较小的 光照变化。 1.4 适用环境推荐光照条件较好（具有一定的对比度）的室内环境或室外环境。不易用它去检测过小的目 标，比如小于 40 个像素的目标。室外环境不易太复杂。输出目标为精细轮廓目标，可以为 后面高层应用提供良好的信息。 二、目标跟踪 2.1 稳定运行环境要求此版本跟踪算法与运动检测算法紧密结合， 对相机的架设和视频的背景环境和运动目标 数量运动方式有一定要求： 背景要求： 由于运动跟踪是基于运动检测的结果进行的， 所以对背景的要求和运动检测一样， 背景要求： 运动目标相对于背景要有一定反差。 运动目标：由于运动检测中，对较小的目标可能过滤掉。所以运动目标的大小要符合运动检 运动目标： 测的要求。运动目标的速度不能太大，要保证前后帧运动目标的重合面积大于 10 个像素。此阈值可修改(建议不要随意修改，过小，可能把碎片当成原目标分 裂出来的小目标，过大，可能失去跟踪。当然可试着调节以适应不同场景)。该 算法对由于运动检测在地面上产生的碎片抗干扰性比较差， 运动目标和碎片相遇 时，容易发生融合又分离的现象，造成轨迹混乱。消失目标和新生目标很容易当 成同一目标处理，所以可能出现一个新目标继承新生目标的轨迹。 运动方式： 运动目标的最大数量由外部设定。 但运动跟踪对运动目标比较稀疏的场景效果比 运动方式： 较好。 算法对由于运动检测在运动目标上产生的碎片有一定的抗干扰。 算法没对 物体的遮挡进行处理。对于两运动目标之间的遮挡按融合来处理。 拍摄角度： 拍摄角度：拍摄视野比较大，且最好是俯视拍摄。

G. 在图像处理中，有什么算法可以将目标分割成几个部分

主要看你对photoshop等图像处理软件中各个工具的掌握熟练度 比如说可以用钢笔工具或者套索工具进行选择抠图 至于抠得怎样 这个别人不能代劳 只能看你自己水平啦 然后按快捷键ctrl+J，即把选中的部分单独抠出来建立一个图层 然后再进行编辑啦（好像没有你说的可以精确抠图的算法哦）

H. 基于影像特征的图像分割

通过遥感变化信息检测方法对两时相遥感影像进行处理分析后，得到 “变化信息”影像，同时为了便于后续震害信息的识别，需要把这些变化信息从复杂的环境背景中提取出来，得到一个仅包含变化信息的二值影像，这里就需要用到图像分割 ( ImageSegmentation ) 技术。图 像 分 割 包括 手 动分 割 和 自动分割两种，手动分割是指操作者利用相关的经验进行小图斑的合并、提取和取舍，但是对于大区域遥感影像来说，手工操作工作量大、效率低、速度慢、周期长、容易漏掉小图斑，并且分割图斑的边界容易受到操作者的主观控制，对精度的影响也较大，所以本研究中的图像分割一般指的是自动分割。

退化废弃地遥感信息提取研究

从 20 世纪 70 年代起，图像分割方法一直受到各国学者的关注，至今已经提出了很多种分割方法，FuK. S. ( 1981) 将分割方法分成阈值分割、边缘分割和区域分割，实际上区域分割包含了阈值分割。蔡殉、朱波 ( 2002) 则将图像分割方法分成更多的类别，包括阈值分割、彩色分割、基于模糊集法、深度分割、像素分割、区域增长法，其中彩色分割、深度分割和像素分割都属于阈值分割。

由于现今遥感变化信息检测还处于像元级别 ( 钟家强，2005) ，通过不同检测方法，对灰度、彩色影像进行处理变换，使得变化信息的灰度 ( 像素值) 和色彩信息得到加强，通常表现出灰白色 ( 图 4 － 8、图 4 － 9) 和亮绿色 ( 图 4 － 11) ，与周围地物的色标不协调，可以通过确定相关的变化阈值把变化区域分割出来。但是由于变化信息受到太阳辐射、大气干扰、传感器参数、空间分辨率、光谱分辨率以及季节差异等因素影响，变化图斑的灰度有时在一定的范围内波动，增加了变化信息精确分割的难度，这使得变化阈值的确定显得尤为重要。

( 一) 变化影像特征分析

通过多时相遥感变化信息检测方法得到的灰度或彩色影像通常具有以下特征: ① 影像中光谱特征复杂，包含的地物类型众多，但是变化信息和背景环境的光谱性质不一致。② 灰度影像的变换信息图斑一般分布在灰度轴的两端 ( 就是较亮的区域) ，不过有时也可能位于暗端，极少数情况下也可能位于两者之间，这要根据具体的遥感数据和采用何种检测方法来定; 彩色影像变化信息图斑一般为亮绿色，是否能够和周围地物类型明显区分要根据实际情况而定。③ 变化信息图斑内部的灰度值比较均匀，但是会在一定范围内波动，所以图像分割时很容易丢失细小的图斑。④ 变化信息图斑之间灰度特征比较相似 ( 一致) ，但是纹理特征的差别通常较明显，因为变化信息的图斑可能属于不同的地物类型，所以通常不能用纹理信息来分割变化信息图斑。⑤ 由于非人为控制的因素，影像中不可避免地存在一些噪声信息，这些噪声信息一般表现在与变化信息图斑接近的小图斑( 图 4 － 9 表现得特别明显) ，所以分割的时候要区分哪些是变化信息图斑，哪些是噪声图斑。⑥ 对于不同的环境和区域，变化信息图斑是服从随机分布的，有的地方稀疏，有的地方密集。

( 二) 单阈值区域分割法

单阈值区域分割是一种简单有效的图像分割方法，其用一个阈值将变化图像的灰度级分为两个部分: 变化与未变化。其最大特点是计算简单，在重视运算效率的应用场合 ( 例如用于硬件实现) 得到了广泛应用 ( 冯德俊，2004) 。一般是利用图像的灰度直方图来确定分割阈值。在计算分割阈值时，常在去除噪声的基础上将灰度直方图包络成一条曲线，如果图像上有多个特征区域，其直方图就会出现多个峰值，每个峰值对应一个特征区域，而谷底值点就为分割阈值，用以划分不同的特征区域。

复杂图像的目标和背景的灰度值时常有部分交错，为了在分割时使这种错误分割的概率最小，需要寻找出最优的分割阈值，所以单阈值区域分割法也叫最优阈值法，意指能够使分割误差最小。图像的灰度直方图可以看成是像元灰度值的概率分布密度函数，假设一幅图像仅含有目标和背景两个主要的灰度值区域，那么其直方图就表示对应目标和背景两个单峰值的概率分布密度函数之和，如果已知密度函数的形式，就可以计算出使误差最小的最优阈值。其计算原理如下:

假设一幅含有高斯噪声的图像，其背景和目标的直方图(概率密度函数)分别为p_b(z)和p_o(z)，那么整个图像的混合概率密度p(z)为(章毓晋，2001):

退化废弃地遥感信息提取研究

式中:σ_b和σ_o分别为背景和目标均值的均方差;μ_b和μ_o分别为背景和目标的平均灰度值;p_b和p_o分别为背景和目标区域灰度的先验概率，二者之和为1。如果μ_b＜μ_o，需要确定阈值T，将小于阈值的分割作为背景，大于阈值的分割作为目标，假设将目标像元错误地划分为背景以及把背景错误地划分为目标的概率分别为E_b(T)和E_o(T)，则总的误差为两者之和E(T)。为了使该误差最小，将总误差对T求导数，并令导数为零，得到

退化废弃地遥感信息提取研究

将该式代入式(4－3)，可得二项式

退化废弃地遥感信息提取研究

求解该二项式得到最优阈值

退化废弃地遥感信息提取研究

最优阈值T的选取原理如图4－12所示，其原理可以概括为:将经过平滑去噪后的直方图看成一条曲线h(x)，最优阈值T必须满足以下两个条件:

退化废弃地遥感信息提取研究

图4－12 最优阈值选取原理

设原始图像 f( x，y) 的灰度值范围为 G =［0，L －1］，用最优单阈值法把图像分成两类，最优分割阈值为 T ( 0 ＜ T ＜ L －1) ，分割后生成的二值影像为 g( x，y) :

退化废弃地遥感信息提取研究

本研究在 EＲDAS 软件下利用空间建模语言 ( SML) 实现了单阈值 ( 最优阈值) 法，分别分析了图 4 －8、图 4 －9 和图 4 －11 变化影像的直方图分布情况 ( 图 4 －13) ，并进行了最优阈值区域分割，把得到的三幅二值变化信息影像取合集，即把三幅影像相加，保留所有大于 1 的像素点，最后得到变化区域二值影像，如图 4 －14 所示。

图 4 －13 三幅变化影像的直方图曲线

图 4 －14 单阈值法提取的变化信息二值影像( 白色区域为发生变化的区域)

图 4 －15 双阈值模糊识别法计算流程

(三)双阈值模糊识别分割法

由于单阈值区域分割法只有一个全局阈值参与影像分割，然而影像受到大气、噪声、光照以及背景灰度变化的共同影响，导致了变化信息的灰度值总是在一定范围内波动，常常出现变化信息和噪声以及其他地物类别交错的现象。在这种情况下，单阈值区域分割难以满足精度的要求，如何区分出其中的变化信息?本研究提出了双阈值模糊识别分割法，其流程如图4－15所示。

利用变化图像的灰度直方图计算得到两个阈值T₁和T₂，并且T₁＜T₂，然后利用双阈值法对变化图像进行分割(DaneKottkeetal.，1989、1998)，将图像f(x，y)分割为三个类别:背景、不确定类、变化信息:

退化废弃地遥感信息提取研究

对其中不确定的像元保留其灰度值不变，利用模糊识别算子构建目标函数，分别计算出该像元属于两种不同类别(背景和变化信息)的模糊隶属度，通过比较两种隶属度的大小判断其归属(把它归类到隶属度大的那一类当中)，划分到背景与变化信息当中，直到完成所有不确定像元的划分，即完成了整个分割过程。

1.双阈值T₁和T₂的计算

核心阈值T₁的计算按照公式4－5的单阈值(最优阈值法)区域分割法得到。核心阈值T₂则是利用灰度直方图中大于T₁阈值的像元灰度求平均值得到。

设影像的灰度值在0到255之间(8维图像)，利用离散积分的原理来计算灰度的均值。如果利用单阈值法计算出来的最优阈值为T₁，那么核心阈值T₂的计算公式如下:

退化废弃地遥感信息提取研究

式中:n_i表示变化图像中灰度为i的像元出现的个数。

2.模糊识别算法

模糊识别算法的基本思想如下(李希灿等，2003、2008):

首先将样本集规格化，就是把样本集的特征值规格化到0到1之间，设样本特征值y规格化为x，样本集n个样本划分为C个类别，则模糊识别矩阵为

退化废弃地遥感信息提取研究

式中:U_hj为样本j归属于第h类的相对隶属度，h=1，2，…，C，且应当满足以下条件:

退化废弃地遥感信息提取研究

设C个类别的特征值为标准指数或模糊聚类中心指标，则C个类别的中心指标向量为:

退化废弃地遥感信息提取研究

式中:S_h为第h类的中心指标，0≤S_h≤1且h=1，2，…，c，为了求解最优模糊识别矩阵U和模糊最优中心指标S，建立目标函数(李希灿，1998):

退化废弃地遥感信息提取研究

式4－14的意义是:样本集对于全体类别的加权广义海明距离平方和为最小。显然，在不分类别(h=1，U_hj=1)的情况下，该公式变为通常的最小二乘最优准则。在式4－14的目标函数下，计算出最优模糊划分的隶属度和中心指标向量:

退化废弃地遥感信息提取研究

式中:u^*_hj为样本j隶属于h类的隶属度。

3.分割归类

通过构造的目标函数(隶属度函数)，分别计算出每个像素点属于“目标”(变化信息)和“背景”(非变化信息)的隶属度，并把它分入到隶属度大的那一类当中，从而完成图像分割的过程。

图4－16 双阈值模糊识别分割法二值影像

(白色区域为变化信息)

通过在EＲDAS下利用空间建模语言(SML)实现该分割算法，分别将图4－8、图4－9和图4－11变化图像作为输入对象，进行双阈值模糊识别分割，得到的二值变化图像取合集最终结果如图4－16所示。从图4－16中可以看出，双阈值模糊识别分割法能够在一定程度上消除单阈值区域分割法中混杂在变化信息中的离散噪声和个别地物类型，使变化信息更加准确、集中，从而提高了分割的精度。实践证明，双阈值模糊识别分割法有着坚实的理论基础，并且在实际变化信息的分割中能够取得很好的效果，是一种可行、可靠的图像分割自动算法。

I. 目标提取

此组命令主要是将图像变成黑白二值图像，如图 5-24 所示。

图5-24 二值化处理菜单

1. 单阈值二值化

通过分割算法提取图像中的目标，它适用于黑白图像和彩色图像，对图像进行单阈值二值化处理，如图 5-25 所示。

单阈值二值化有多种算法，用户可以自由选择，也可以通过鼠标拖动滑动条自由选择阈值。

2. 典型目标二值化

通过鼠标选中想要进行二值化的目标，即把某一目标框住然后点击鼠标左键，系统程序根据算法对该图像进行二值化。

图5-25 单阈值分割处理菜单

3. 分块二值化

对图像分块后再进行二值化，用户可以随意调节分块的大小和阈值，如图 5- 26所示。

图5-26 分块二值化处理窗口

4. 彩色图像二值化

彩色图像二值化包括两条子命令: RGB 空间和 HLS 空间。两条命令相似，一个在红、绿、蓝域对彩色图像进行二值化，一个在色度、亮度、饱和度域对彩色图像进行二值化。选择命令后屏幕上出现一个虚线矩形窗，可随鼠标的移动而移动。按住鼠标左键可以调整矩形窗大小，此矩形窗用于选择分割典型颜色区域，选定后按鼠标右键，即可进入 “彩色图像分割”对话框，此时既可以同时调节红、绿、蓝或色度、亮度、饱和度的阈值( 用右下角的上下控件) ，也可以单独调节其中的一个分量 ( 页控件上的滚动条) 。注意调节阈值之后应点击一下 “预览”按钮进行重新分割。使用 “叠加/不叠加”按钮可对比原图像和分割图像的效果。对分割效果满意则点击 “确定”，不满意则点击 “取消”退出，如图 5-27 所示。

5. 读图形层图像

选择读图形层图像命令后，会弹出一个文件对话框，用户选择自己想要的图形文件后，会弹出如图 5-28 的对话框。

图5-27 彩色图像二值化处理窗口

图5-28 读图形层图像窗口

它有4种叠加模式，可以在一幅图像上叠加多幅图形，用户可根据情况加以选择。

1)新图像覆盖原图像:此命令新图形会完全覆盖原图形。

2)原图像‘与’新图像:当原图像和新图像的同一位置都是目标时，产生的图形在此位置才是目标。

3)原图像‘或’新图像:当原图像和新图像的同一位置都是背景时，产生的图形在此位置才是背景。

4)原图像‘异或’新图像:当原图像和新图像的同一位置一个为背景，一个为目标时，产生的图形在此位置才是目标。

6.存图形层图像

将当前显示器上的图形层按操作者所定义的文件名存储在硬盘上。

7.图形层图像反转

此命令反转图形层图像，既把目标和背景颜色相互交换。

8.清除图形层图像

此命令清除图形层图像，使图形层全为背景色。

9.清除处理窗口外图像

对图像进行二值化后，在文件菜单选择设置处理窗口命令，用鼠标左键选择需要处理的窗口后，在使用清除处理窗口外图像命令，就能清除处理窗口外的图形层图像。

10.修改目标颜色

此命令会弹出一个设置目标颜色对话框，用户可以根据自己的需要修改目标的颜色。

J. 骨髓细胞图像分割算法研究的意义

这个题目有几个元素

一是骨髓细胞．骨髓细胞内有多种细胞，识别，计数这些细胞对医学研究和临床诊断有重要意义－－这个就不多说了吧？比如某种细胞形态异常／数量异常与某种疾病有联系，等等．

二是图像．以上的目的都是通过观察细胞来实现的．人工来看，很直观，但有几个问题：一是费时费力，随便一个样品就有成千上万个细胞，人工计数都是一个一个地数，重复性强，效率低；二是不同的人来看得到的结果相差可能很大，这跟经验有关，跟人的疲劳程度也有关．所以为了高效，稳定地，统一标准地识别计数骨髓细胞，最好是让电脑来做，这就是一个图像处理的问题．

三是分割算法．这是图像处理的一个基本技术，并不算生物学的范畴．大致意思是说为了识别图像中的有用信息，需要把图像分割成小块．哪里是目标物（在这里就是细胞啦），哪块是背景。更细的可能还需要分割细胞内部哪个区域是细胞核，以及其他的细胞器（为了识别细胞的种类）。

又想了想，其实同样的目的，把样品放到流式细胞仪来做，结果可能更可靠。但是样品的处理和染色都需要时间，自然没有直接做个涂片快，而且免疫荧光染色的抗体可是一大笔开销啊。。。。