基于纹理分析的图像分割模型的设计与实现

摘要

随着现今数字图像技术以及计算机搜索领域的发展，图像检索技术对于单个用户，乃至一些大型监视系统系统的要求越来越高。在图像检索领域，现在最常见的技术仍然是基于文本的图像检索，其简而言之，是人工将图像信息转化成为可辨认的文本信息，类似于人工给图像做上标签。这种传统的技术有其固有优势：不可替代的人类视觉感官能力，方便储存与检阅的文本信息等。但是传统技术的最大的缺陷在于其核心技术，即图像认识部分仍然是由用户人工完成的，而其局限性导致传统技术无法跟进信息时代与日俱增的图像数量与用户对于真正自动图像检索的需求。
　　基于内容的图像检索近年来成为了这一方向的热点。国际领先的搜索引擎公司如Google也设计推出了应用名为“Search by image”，即通过输入图像来检索图像。基于内容的图像检索主要分为图像分割与目标识别两个部分，即对图像中不同目标进行分离和识别分离的各个目标体的内容，本文主要研究方向即是图像分割部分。
　　设计的模型实现了一个基于纹理分析和优化无监督分类法来分割图像的高效率算法。在提出的模型中，首先使用一些空间滤波器来提取所需的纹理信息，并将每个像素的纹理信息储存为高维度向量，然后使用 K-means聚类方法对这些高维向量进行聚类，并在其中加入设计的优化算法来确定最终输出的聚类数目。文中使用赤池信息准则来获取最终的优化聚类数目。最后在实验中成功将该模型成功应用与一些简单或复杂的自然图像中，达到较好的效果。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 本课题背景

1.2 图像分割算法及应用简介

1.3 国内外相关算法现状与技术难点评价

1.4 本文的主要研究内容

2 关键技术分析

2.1 概述

2.2 灰度共生矩阵纹理特征

2.3 Tamura纹理特征

2.4 区域分割技术

2.5 优化模型选择方法

2.6 OpenCV简介

2.7 本章小结

3 图像分割模型流程设计与参数选择

3.1 图像分割模型流程设计

3.2 图像数据库

3.3 颜色空间选择与灰度重构

3.4 纹理特征提取

3.5 区域分割

3.6 优化模型选择

3.7 本章小结

4 图像分割模型实现与实验结果

4.1 开发工具与平台

4.2 优化模型选择方法评估

4.3 图像分割准确度

4.4 实验结果与现存技术对比分析

4.5 本章小结

5 总结与展望

5.1 全文总结

5.2 展望

致谢

参考文献