一种粗糙不确定的图像分割方法
图像分割是计算机视觉领域的一个基础问题,涉及图像检索、物体检测、物体识别、行人跟踪等众多后续任务.目前已有大量研究成果,有基于阈值、聚类、区域生长的传统方法,也有基于神经网络的流行算法.由于图像区域边界的不确定性问题,现有算法并没有很好地解决图像部分区域渐变导致的边界模糊问题.粒计算是解决复杂问题的有效工具之一,在不确定的、模糊的问题上取得了良好的效果.针对现有图像分割算法在不确定性问题上的局限性,基于粒计算思想,提出了一种粗糙不确定性的图像分割方法.该算法在K均值算法的基础上,结合邻域粗糙集模型,先对类别边界区域的像素点进行粒化,运用邻域关系矩阵,得到各类别对各粒化像素点的包含度,从而对边界区域类别模糊的像素点进行重新划分,优化了图像分割的结果.在Matlab2019编程环境中,实验选取了BSDS500数据集中的一张马术训练图片和一张建筑物图片来测试算法性能.实验先对彩色图像进行灰度处理,用K均值算法对图像进行初步分割,再设置邻域因子值,依据边界像素点邻域信息重新划分边界点.对比K均值算法的分割结果可知,所提算法取得了更佳的效果.实验结果表明,该方法在粗糙度这一评价标准上优于K均值算法,可以有效降低图像区域边界的模糊性,实现灰度边界模糊的图像渐变区域的分割.
图像分割、边界模糊、邻域粗糙集、K均值、粒计算
47
TP391(计算技术、计算机技术)
国家重点研发计划项目213;国家自然科学基金;公安部重大专项
2020-04-24（万方平台首次上网日期，不代表论文的发表时间）
共4页
72-75
