基于均值漂移的图像分割算法.pptVIP

基于均值漂移的图像分割算法 指导老师：曲福恒 姓 名：李明月 学 号：080511136 主要内容 研究的目的及意义 色彩空间的转换 均值漂移算法理论 图像分割的实现与结果 结论与展望 研究目的及意义 图像分割是图像处理的主要问题，也是计算机视觉领域低层次视觉中的主要问题。其中Mean Shift的图像分割技术不但具有更高的可靠性、参数少、鲁棒性好和相当的通用性，还具有严格的收敛性，可以通过一系列模式有哪些信誉好的足球投注网站的迭代过程将图像有效分割为任意形状的组合。 色彩空间的转换 RGB，即红绿蓝，它的缺点是空间中两点的欧式距离与实际颜色距离不是线性关系，在颜色分离中极易引起误分离，而且因为R、G、B三原色中的带有亮度信息，分离时常常会把一些有用的信息漏掉或夹杂了其他的无用信息。 LUV颜色空间模型在视觉感知方面更加均匀，在LUV空间中的欧式距离能够很好地表现这两种颜色的相似性。 色彩空间及彩色图像分割 将RGB空间转换到XYZ空间： X=0.4125R+0.3576G+0.1804B Y=0.2125R+0.7154G+0.0721B (3-1) Z=0.0193R+0.1192G+0.9502B 根据Y值算出h值: (3-2) 根据h值计算L值: (3-3) 根据L的值计算U值和V值: (3-4) 均值漂移算法理论 非参数密度估计理论 非参数密度估计方法的目标是通过数据点来获得概率密度函数?的估计 。因此非参数方法得到的密度函数估计的形状主要依赖于数据的结构。另外，由于非参数密度估计主要依赖数据自身的结构，因此能够处理任意的密度分布，而无需对点样本分布的形式做出假设，仅以数据点作为概率密度函数 估计的依据。该方法为未知分布的数据模型的处理以及不完全数据的处理等提供了一种新的解决思路。核密度估计方法就是典型的非参数密度估计技术。 均值漂移算法理论 下图说明核密度估计的原理 均值漂移算法理论 在核密度估计中有一个用于平滑数据的核函数。常用的核函数有均匀(Uniform)、三角(Triangle)、依潘涅契科夫(Epaneehikov)、双权(Biweight)、高斯(Gaussian)、余弦弧(Cosinus areh)、双指数(Double Exponential)及双依潘涅契科夫(Double Epanechnikov)函数。下图是与它们对应的函数图形。 均值漂移算法理论 均值漂移算法理论 Mean Shift算法原理 我们以点代表数据点，圆代表数据窗口，则其示意图如下： 均值漂移算法理论 对概率密度函数 ，设在d维空间X中有n个采样点xi，i=1,2,3…n，用定义的核函数 K(x)和带宽矩阵H，得到核密度估计表达式为： 其中 赋给采样点xi的权重，满足 ，简记为 。 均值漂移算法理论 若设k(x) 的负导函数为g(x)，即 ，其对应的核函数 ，则概率密度函数 的梯度 的估计为： 其中 图像分割的实现与结果 Mean Shift算法实现图像分割是基于图像像素的最优化求解。其实现图像分割是将收敛于同一极大值的所有点归为一类，将符合参数条件的类合并就得到图像分割的结果。Mean Shift算法就是利用这个特点，体现了很好的边界识别特性，图像分割的结果也很符合人眼的视觉特点。 图像分割的实现与结果 在Mean Shift算法实现图像分割的过程中，我们是运用图像像素信息，分割图像的具体空间坐标。算法实现步骤如下： 调用mean shift 算法 色度空间转换 将像素点分类 将符合条件的类合并 图像分割的实现与结果 本文实验采用MATLAB7.0实现，对灰度图像及彩色图像进行Mean Shift算法分割和类间方差阈值分割。 原图 图像分割的实现与结果