基于JSEG图像分割(11.4.21).ppt

将局部J值低于 的点选为种子并且将它们连 接起来获得种子域。 2.区域的生长 选定种子后，将种子像素周围邻域中与种子像 素有相同性质的像素合并到种子像素所在的区域。 对于非种子区域p，检查p的所有邻接区域，如果p的所有已经标记过的邻接区域的标记相同，则把区域p也标记成同样的值，如果p的已经标记过的邻接区域的标记不相同，则计算区域p同这些邻接区域的色调均值差，选择差值较小的区域对应的标记给区域p进行标记 理论依据：基于颜色的相似性。 颜色直方图描述了区域的颜色信息，通过计 算颜色直方图中i和j的距离： 可以用来判断是否要对两个区域进行合并。 聚合 聚合实例 量化 计算J值 分割 谢 谢！ * 算法可以分为以下几个部分： 同等组滤波的含义是用窗内相似像素的均值来代替该点，以达到平滑滤波的作用。 设特征向量 ，计算在滤波窗口 中各邻域像素与中心像素的特征向量的欧式距 离，公式为 得到一组值： 该组值按照升序排列，即 为了消除滤波窗口中噪声的影响，可以通过计 算 的一阶差分 来判断脉冲噪声： 如果 （其中 是噪声门限）通过测试前 和后 点，如果出现 的点， 即判断为脉冲噪声点。 理论依据：根据Fisher准则来判别同等组，即 哪些像素与中心像素可以作为相似的一类。 Fisher准则函数定义如下： 其中距离均值为： 类内离散度： 通过遍历所有可能性，某种情况下当 取得最大 时，即分得的两类聚合得就比较好，那么这时的 值就是 同等组的大小。给出公式： 将同等组成员写成一个集合 在完成了脉冲噪声的去除和同等组的分类 后，中心像素 用它的同等组成员的加权 代替。给出公式： 其中 是标准高斯权值。 分别是 的均值和方差。 颜色量化就是对 PGF滤波后的结果 进行动态聚类，形 成不同的颜色区域。 前面提到，根据Fisher判断准则对应每个点 得到了 值，设 可以认为 的值表征了窗口区域内的图像平滑程度，由此定义 每个像素点的权重： 对于平滑区域T(n)比较小，从而V(n)的值比较 大；反之，变化剧烈的区域T(n)比较大，从而V(n) 的值比较小。这样就得到了表征区域的平滑度的 权重V(n)。 求得 T(n)的平均值 从而求出初始聚类 中心数目 。 该算法是矢量量化算法中的关键的一个步骤，该方法大致分为分裂与像素分配两部分。分裂的作用在于将原图像分裂至式所计算的初始簇数，而像素分配则是依据距离最小原则将每个像素点分配至相应簇中，并将各像素按照所在簇进行标记。 根据所有样本点所在的簇，计算每个类的“质 心”。设第 簇，其“质心”公式为： 可以看出，每一簇的“质心”将向权重大的点集 方向移动，从而在平滑区域拥有了更多的量化级。 据算全部的样本集合对于 的失真程度： 当失真值高于设定的门限时，重复上面的循环。 设定失真门限值为 ，将已分裂好的每簇的失真值与其比较，当失真值高于设定的门限时， 即 ，则将该簇分裂为两部分，然后将原簇中的像素重新分配至新簇中。如果已经分好的各簇失真值均小于门限值，但 则将失真值最大的簇进行分裂，并分配该簇的像素至各新簇，重复上面的步骤直至分裂至式所计算出的初始分裂簇数。 颜色量化后不同区域进行标识，得到一个类图，根据类图计算J图 类图（class-map） 假设Z是类图中N个数据点的集合，设 Z=(x,y), z∈Z, m是均值，即： 将Z分成C类 为 类中 个数据点的均值，则有 设 和 则J的定义是： 其实质是 ：类间距离与类内距离之比。 （1）J图像相当于是一幅灰度图像。它的每一个像素值是源图像像素的J值，这些J值是通过以这个像素为中心的局部窗计算所得。 （2）J值越高，这个像素靠近边界的可能性越 大。 J图示意 J图像 （1）像素的局部 J值越高，则该像素越接近该区域边缘。 图就如同一副三维地形图，大的J值如同山峰，代表了区域边缘，而小的J值如同山谷，代表了某一区域的内部 将生长的过程分为两个步骤 1.种子点的确定 选取局部J值最小的点。在一个区域中计算局部J的平均和标准差，分别记为 。 设定阈值 ： *