基于特定理论工具的图像分割方法综述_王孝国

基于特定理论工具的图像分割方法综述 王孝国 , 王景玉 , 张雄伟 解放军理工大学通信工程学洗南京? ? 以犯? 迈扮? ?场沉? ? ?名。? 摘 要 ? 本丈从困像分刹研究与应用的角度出发 , 对图像分别顿城中基于特定理论工共的析忍路和祈方 法作了一个比校全面的介绍 , 并分析了各类方法的特点和局限性 , 最后总结了图像分创研究特点及趁势 ? 关扭询 ? 人工神经网络 、 模栩集理论 、 小波分析 、 遗传算法 、 德马 尔可夫模型 引言 图像分割是一种重要的图像处理技术 , 它不仅得到了人们广泛的重视和研究 , 也在实际中得到大? 的应用 , 如在工业自动化 、 在线产品检侧 、 文档图像处理 、 遥感和生物医学图像分析以及军事图像处理 。 所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来 , 这些区域是互相不交叉的 , 每一个 区域都满足特定区城的一致性 。 借助集合概念对图像分割作出如下定义? ? ? 定义令集合?代表整个图像区域 , 对 ? 的分割可看作将?分成?个满足以下五个条件的非空子 集 ?子区域? 凡 , 凡 ? ”, ? ? ? ? ? 昌尺 ? 凡 即所有子区域组成了整幅图像 ? ?对所有的?和? , 笋 ? , 有尺门? ,? 价 ? 即任意两个子区域不存在公共元素? ?对? ? ? ,? , ? 二, ? , 有?仇? ? ? ? ? 即分割结果中每个子区域都有独特的特性 ? ?对? , ? , 尸仇。 ?, ? ? ? ? 即分割结果中不同的子区域具有不同舱 , 没有公舫素 ? ?对? ? ? ,? , , ? , 尺是连通的区域 , 即同一子区域内的像素应该是连通的 实际应用中图像分割不仅要把一幅图像分成满足上面五个条件的各具特性的区域而且铸要把其中 感兴趣的目标区域提取出来 , 只有这样才算真正完成图像分割的任务 。 图像分割是一个经典难题 , 为了解决这个问题 , 研究人员做了大? 的工作 , 提出了很多实用的分割 算法 ? 随着形态学理论 、 神经网络 、 模糊集理论 、 小波理论 、 统计学理论等特定理论在图像分割中的应 用日益广泛 , 遗传算法 、 尺度空间 、 多分辨率分析等新方法和新思想也不断被用于解决分割问题 。 本文 将对近年来图像分割领域中出现的新方法和新思路作一个全面的介绍和分析 。 ? 基于特定理论工具的分割方法 图像分割技术的发展与许多其它学科和领域 , 如数学 、 物理学 、 生物学 、 心里学 、 电子学 、 计算机 科学等学科密切相关 , 每当其它学科有新的数学工具和方法提出来 , 人们就试粉将其应用于图像分例 。 至今为止 , 研究人员提出了许多结合特定理论 、 方法和工具的图像分割技术 , 并且随着研究的不断深人 , 图像分割的新方法和新思路将不断涌现出来 。 下面从图像分割研究与应用的角度出发 , 对基于特定理论 工具的图像分割新思路和新方法作一个全面的介绍和分析 。 ? ? ? 数学形态学方法 近年来 , 数学形态学在图像处理中的应用日渐受到重视 , 更多的系统采用形态学算子来对图像进行 预处理或后处理 。 它的基本思想是用具有一定形态的结构元素去度童和提取图像中对应形状以达到对图 像分析和解捌的目的 ? 形态学图像处理以在图像中移动一个结构元素并进行卷积的方式进行 , 结构元素 ? ? 可以具有任意大小 。 基本的形态学操作有腐蚀 、 膨胀 、 开启和闭合 , 基于这些基本运算可以推导和组合 成各种数学形态学实用算法? ? , 产生复杂的运算效果 , 它们适合于用相应的硬件构造查找表实现 ? 形态学理论在图像分割中的应用比较有代表性的是? ? ? ? ? ? ? 等人提出的水线?分水岭 ? ?川幽比? ? 区城分割算法? ? , 它的基本过程是连续腐蚀二值图像 ? 算法包括三个步骤 ? ?产生距离图 ? ?计算最终 腐蚀的集合 ? ?从种子开始生长回原尺寸但使各个区域不相连 ? 如果将步骤?用连续膨胀代替 , 就成为 另一种形态学分割方法一一聚类快速分割? ? ? 这两种算法相比 , 水线方法能很好地保持目标的原始形状 , 在目标间加人的分界比较清晰 , 但水线法计算?大 , 它需要对每个最终腐蚀集用? ?个结构元家进行粗 化 , 还豁要跟踪所有的腐蚀步骤 ? 聚类快速分割不能有良吁地保持目标的整体形状 , 但受错误分离的影响 较小 ? 如果目标没有重处只是相接则水线方法效果较好 , 反之聚类快速分割效果较好 。 研究人员至今已提出了很多基于水线的形态学分割方法? ? , 虽然这些方法已成功用于图像分割 , 但 它们播要用户的交互或准确的关于图像结构的先验知识 。 为了改进早期方法的这些向题 , 水线算法通常 与其它方法结合使用 ? ?硕?提出将水线与分层区域合并方法相结合? ? , ? ? ? ? ? 给出了一种基于形 态学算子的多尺度滤波算法? ? 】 , 文献? ?中介绍了一种在水线算法基础上的松弛标号法 ? ? ? ? 基于人工神经网络的方法 在? ? 世纪? ?年代后期 , 在图像处理 、 模式铸拐组和计算机视觉的主流领域 , 受到人工智能发展的影 响 , 出现了将更高层次的推理机制用于识别系统的做法 , 于是出现了基于人工神经网络模型 ? ?佃七五? ? ?也习? ? ? ? ? 的图像分割方法 ? 神经网络用于图像分割的典型方法有 ? ?加理和?钻? 利用前向三层网络来解决分割问题? ? , 在该方 法中 , 输人层的各个节点对应了像素的各种属性 , 输人层结果为分割的类别数 ? ? ? ? ? ? 等人使用了 多层网络并用反向传播方法对网络进行创? ?练? ? ! , 在他们的方法中 , 输人图像的灰度直方图 , 输出为用 于闭值分割的阑值 , 这种方法的实质是利用神经网络技术获得图像分割阅值 。 。比? 等利用竞争 ?叩? ? ? ? 神经网络来实现图像的自动聚类分割? ? ? , 该方法融人了优胜者全取认爪人? ? ? 倒? ? ? 心?的学 习机制 , 具有收敛速度快的特点 。 网络的输人是图像的灰度级 , 输出是类别数 。 该方法要求事先确定分 类数? , 在不能确定?的情况下 , 可以预设一个较大的值 , 并在状态迭代中判断各类的均匀性 , 将均匀 性较差的类继续进行分解 , 然后再次迭代 , 直到满足要求 。 在该方法的基础上可以进一步根据空间信息 建立能量函数 , 陈燕新等人将灰度分布信息和空间信息结合起来提出了一种新的基于竞争 ?叩? ? ? 网络 的自动聚类图像分割方法? ? 。 在文档类图像的多目标分割中 , 基于人类视觉感知模型中相关神经激活 理论而设计的振子神经网络? ? ? ? ? ? 叮? 也得到了应用 , 王磊等人提出了用振子神经网络实现二值图 像的多目标分割? ? ?孟在神经网络设计设计中将马尔算子的特征结合进去 , 能够提高对边缘检测的整体 性能 , 在此基础上应骏等人提出了基于知识的边沿提取算法? ? 。 基于神经网络分割方法的出发点是将分割问题转化为诸如能? 最小化 、 分类等约束满足问题 ? ? ? ? ?枷? ? ? ? ? ? ? ? ? ? ? ? ? , 并用约束满足神经 网络? ? ? ? ? ? ? ? ? ? !此? ? ? ? ? ? ? ? ? ? ? ? ? ? 来解决 , 其基本思想是用训练样本集对神经网络进行习 ? 练以确定节点间的连接和权值 , 然后用训练好的 网络取分割新的图像数据 。 神经网络同样也能用于聚类或形变模型 , 这时神经 网络的学习是无监督的 。 ? ? ? 基于模糊集理论的分割方法 为用不精确的知识表达事件 , 人们提出用模糊集合? ? ? ? ? ? ?理论来描述人类视觉中地模糊性和 随机性 。 模糊集合理论主要解决在模式识别中由于信息不全面 、 不准确 、 含糊 、 矛盾等造成的不确定性 问题 ? 研究者将模糊集理论引人到图像处理和分析领域 , 提出了一些新的分割算法 , 特别在医学图像分 析中得到了较多的应用 。 基于模糊理论的图像分割方法包括模糊阂值分割方法 、 模糊聚类分割反方法和 模糊连接度分割方法等 ? 模糊阂值技术利用不同的 ?型隶属度函数来定义模糊目标 , 通过优化过程选择一个具有最小不确定 型的?的函数 , 用该函数表示目标以及属于该目标像素之间的关系 , 得到的?型函数的交叉点为阑值分 割需要的阔值 , 这种方法的困难在于隶属度函数的选择 ? ? 。 ? ? ? ? ? 等人将模糊测度函数概念引人 ? 最大摘原则 , 提出了基于模糊?分类的最大摘原则【? ?来选取 图像分割阔值 。 薛景浩等人提出了一种新 的图像模糊散度阅值化分割方法? ? ? , 该方法利用类内最, ?蟆糊散度来确定最优分割阅值 , 可以推广到 多闷值分割以提取多个目标 。 棋糊?均值聚类 ?通过对目标函数的迭代优化实现集合划分 , 通过优化表示图像像索点与?个 类中心之间的相似性的目标函数来获得局部极大值 , 从而得到最优聚类 。 这种方法计算? 大 , 不具备实 时性 , 特别在样本数和特征数较多时速度明显下降 ? 通过引进直方图统计特性或亚抽样方法可以改进算 法的速度 , 丁展等人提出了一种适用于灰度图像分割的快速?算法? ? 。 另外算法中的一些重要参数 如加权指数 、 类别数 、 停止阅值的最优取定方法尚无理论指导 , 聚类结果受初始化过程和初始琅类影响 较大 ? ?泥冷和?劝址?扩充了模糊?均值算法以纠正医学图像中的灰度偏差? ? ? 前面提出的 ? 算法 都采用欧氏距离来计算目标函数 , 这类算法对样本数据的特征空间呈球形或椭球形分布的场合是有效 的 , 然而真实样本数据在特征空间的结构可以多种多样 , 并没有一种相似性度? 或聚类准则是普谊适用 的 。 针对这类算法的缺点 , 薛景浩等人提出了基于特征散度的图像?聚类分割? ? ? , 该算法利用特征 散度来度? 两各样本矢? 之间的差异 , 然后用特征散度取代欧氏距离重构 ? 聚类算法 , 避免了样本 数据的空间结构限制 , 提高了算法的普适能力 。 在文献? ? ?】 中? ? 阐述了如何更加有效地利用模糊理论来解决实际问题 , 提出了用模糊连接度来 刻画对象 , 他认为目标是以某种凝聚力凝聚在一起而形成物体 。 他提出的方法在医学图像分割中得到了 较好的应用 ? 但该方法中阑值选择 、 初始种子点选择和模糊连接度中的参数选择都值得进一步研究 ? ? ? ? 墓于小波分析和变换的分割方法 小波变换是近年得到广泛应用的数学工具 , 与傅立叶变换 、 窗口傅立叶变换相比 , 小波变换是空间 和频率的变换 , 因而能有效地从信号中提取信息 ? 它通过伸缩和平移等运算功能对函数或信号进行多尺 度细化分析 , 被誉为 “ 数学显徽镜 ”? 基于小波分析和变换的图像分割主要包括多尺度边缘检侧和多分 辨率阔值选取 。 小波变换和分析作为一种多尺度多通道分析工具 , 比较适合对图像的进行多尺度的边缘检测【? 。 其基本思想是在较大的尺度下检测出真正的边缘点 , 再在较小的尺度上对真正的边缘点进行较精确的定 位 。 可以考虑利用高斯函数的一阶和二阶倒数作为小波函数 , 利用? ? ? ? ? 算法分解小波 , 然后基于马尔 算子进行多尺度边缘检测 。 小波变换的计算复杂度较低 , 抗噪声能力较强 ? 理论证明【? ?以零点为对称 点的对称二进小波适合检测屋顶状边缘 , 而以零点为反对称点的反对称二进小波适合检测阶跃状边缘 。 在文献? ?中作者将正交小波变换用于提取图像的多尺度边缘 , 该方法利用正交小波变换提取多尺度边 缘 , 并通过对图像的奇异度的计算和估计来区分一些边缘的类型 。 在图像直方图分析中引人小波变换的多分辨率分析可以获得分割的最优闽值 ? 该方法首先利用在粗 分辨率下的直方图细节信息确定分割区域的类数 , 然后在直方图的相邻峰之间确定最优闷值 ? ? ? ? ? ? 工? 提出了一种基于小波变换的自动闹值选取方法 ? ? 。 ? ? ?利用遗传算法的分割方法 遗传算法是基于进化论中自然选择机制的 、 并行的 、 统计的随机化搜索算法 ? 它模拟了自然选择和 遗传中发生的繁殖 、 交配和突变现象 , 从任意一初始种群出发 , 通过选择 、 交叉和变异操作 , 产生一群 新的更适应环境的个体 , 使群体进化到搜索空间中越来越好的区域 。 这样一代一代不断繁殖 、 进化 , 最 后收敛到一群最适应环境的个体上 , 求得问题最优解 。 遗传算法具有全局搜索能力 , 将它与? 一均值方法结合可避免聚类方法陷人局 部极小点 , 有可尽快达 到最优? ? ? 将它与模糊集合理论结合可以提高分割的鲁棒性? ? 。 遗传算法是一种迭代式的优化算法 , 所以用于分割是常用来帮助确定分割阑值? ? 。 薛景浩等人在文献? ?中介绍了二维遗传算法用于图像 动态分割的算法 , 该算法分别采用闹值曲面和模糊隶属度曲面实现图像的自适应动态分割 , 其中几个关 键步骤是 ? ?染色体编码 , 可将染色体编码成以各像素的分割闭值为元素的二维矩阵 ? ?初始化种群 , 先用某种全局 闹值计算得到阑值平面 , 然后对团值平面迭加随机扰动 , 如此重复 , 直到完成 ?个闷值曲 ? 面的初始化 ? ? 设计和缩放适应度函数 , 可以利用?卯? ? ? ?网络的能?函数形式来构造适应度函数? ? 设计算子更替种群 , 采用二维窗交叉算子以保持图像的空间结构 。 利用遗传算法的分割方法在对背景的不均匀性虑除和对目标轮廓的提取上以及在抗随机噪声能力 方面要优于经典动态分割算法 , 同时在运算速度上要快于传统的穷尽搜索方法 ? ? ? ? 甚于统计学的分割方法 统计学方法的实质是从统计学的角度出发对数字图像进行建模 , 把图像中各个像素点的灰度值看作 是具有一定概率分布的随机变? 。 从观察到的图像中恢复实际物体或正确分割观察的图像 , 从统计学的 ? 角度来看就是要找出最有可能 , 即以最大的概率得到该图像的物体组合来 。 从贝叶斯定理的角度着 , 就 是要求出具有最大后验概率的分布 ? 常用的统计学方法包括马尔可夫随机场侧田下? !幼 ?介? ? ? ? ? ? 、 混合分布法 、 隐含马尔可夫模型 ? 司? ? ? ? ? 侧吻? ? ? ? ?以加? ? 。 ? 丑?是最常用的一种统计学方法 , 它是一个条件概率模型 , 其中每个像素的概率只与相邻点有关 , 在 ?眼?假设下 , 大多数橡素和其邻近的像素属于同一类 。 使用州叹?模型进行图像分割的问题包括 ? 能 量函数的选择及其参数的估计 ? 极小化能量函数从而获得最大后验概率的策略 。 ?叹? 模型应用 的难点 在于选取合适的参数控制空间相关性的强度? ? , 这将导致对分割图的边缘过度平滑而丢失一些重要的 细节信息 , 而且侧田?模型的计算童大 ? 尽管 州叹?模型有些缺点 , 州叹?还是一种应用广泛的模型? ? ? ?叹?经常与聚类分割方法结合使用 , 比如?均值方法 , 提高聚类算法对噪声的香棒性 。 ? ? ?七立? 口等人 提出了一种适用于纹理图像分割的大限制条件的优化算法? ? , 该算法至今仍被认为是一种较好的纹理 图像分割方法 。 混合分布法是另一种常用的统计学方法 , 它把图像中每一个像素的灰度值着作是几个概率分布 ?一 般用 ? ? ? 分布?按一定的比例混合 , 通过优化基于最大后验概率的目标函数来估计这几个概率分布 的参数和它们之间的混合比例 ? ? ? ? ? 等人给出了利用 ? ? ? ? ? ? ?混合分布模型的方法? ? , 讨论了 ? ? ? ? ? 混合分布的参数估计算法 。 ? 月迈在处理离散时间序列的观察数据时得到了广泛的应用 , 基本的荃 ?司随理论由 ? 吐 等人提出 后 , 经过多年的发展 , ? 成为描述语音信号最有效的一种统计模型 。 ? ? ?年? ? ?父 等人在小波域 中引人扣收?模型用于统计信号处理 , 在文献【抖中 , 作者详细分析了小波域中 ? 模型的结构及其 训练算法 , 并给出了小波域中用扣功?模型进行信号估计 、 检测的方法 。 随后研究人员开始将扭四?用 于小波域图像分割 , 由于小波域中的印边?非常适合于对具有奇异值的图像进行描述 , 因此小波域的 田困?主要用于纹理图像分割? ? 。 考虑到传统的实小波变换在平移不变特性和小波系数方向特性等方 面的缺陷 , Ki ng s b 叱 首次将复小波变换引人图象处理领 域 3 6 , 和实小波变换相比 , 复小波变换具有良 好的平移不变性和方向选择特性 。 此后 , 研究人员提出了很多基于复小波分析和变换的图像处理算法 , 在文献 3 7 中 , J u s t i n等人讨论了复小波域中的扭困M模型 , 并将该模型用于图像去噪和纹理分割 . 2 总结 图像分割的研究一直受到学者的高度重视 , 至今已提出了很多非常实用的分割算法 . 根据图像分割 的研究成果和趋势 , 对图像分割的研究可分为三个层 次 38 。 首先 , 对分割算法的研究 . 对图像分割算 法的研究已有几十年的历史 , 借助各种理论至今已提出了上千种类型的分割算法 。 尽管人们在图像分割 方面做了许多研究工作 , 但由于问题本身的困难性 , 目前已提出的分割算法都是针对具体问题的 , 并没 有一种适合于所有图像的通用分割方法 。 人们逐渐认识到现有的任何一种单独的图像分割方法都难以对 一般图像取得令人满意的分割结果 , 因此人们不仅继续致力于将新的概念 、 新的方法引人图像分割 , 而 且更加重视将多种分割方法进行有效结合.其次 , 对图像分割评价方法的研究 . 分割评价主要是研究各 种图像分割技术和算法的性能刻划和比较 , 帮助把握不同分割算法的特点 , 分割评价不仅是改进和提高 现有算法性能 , 改善分割质量和指导新算法的重要手段 , 而且基于评价知识还可帮助从许多图像分割算 法中根据应用要求选择最优的方法 。 最后 , 对评价方法和评价准则的系统研究 。 对分割评价的系统研究 . 1335 . 是对分割评价的评价 , 分割评价是为了研究分割技术 , 对分割评价方法的系统研究是为了研究评价方法 , 以更好地评价分割技术.随着图像分割研究的不断深人 , 对多方法融合 、 分例评价以及分割评价系统的 研究将成为图像分割领城中重点和热点 。 图像分割没有通用的理论 , 要根据具体的情况采取有效的方法 。 在各种特殊的应用场合中 , 根据待 分割图像的不同特点 , 结合已知的先验知识 , 研究符合具体图像特性的分割模型和处理算法 , 是提商图 像分创的重要手段.随着各种新理论和新方法的不断提出 , 结合特定理论的图像分割算法将会不断涌现 出来 。 参考文献 I C 沁山目e zRC, W面d sRB 以颐因l幽梦巧优翔幼匕 g . 3r d . 喊 , 劫越的n彻l e s l你19 9 2 2 章枕晋.图象工橄上册卜一一田象处理和分析北京:清华大学出版社 , 1 9 9 9 3V加a,t从50川.只 别恤口曲。如 i n 川乡 t a l SP.民活 : A n E击de nt月g颐山m Ba S目o n 加姐州面ons加旧如侃正EE朴a n so n P a t比m A n a i 州s肋dM a c 州比e玩t e l l i脚,C e19 91 , 1 3 间: 583 - 598 4 章彼晋.图象工程吓册卜一一图象理解和计算机视觉J匕京:清华大学出版社 , 2以刃 S M勿份EB。以心5.场冲州姻国孰脚倒团皿】加回囚o fv七.a IO国面国画口面翔.d加圳旷 R印忱S e n刚on, 19 9 0 , l a) :2 1 礴6 6H a r i s K, Ef s。,d翻五sSN .H y br id l n阴ges eg r n ent a d。 U s i n g节厄to r sbe d s 皿d F翻耽R e g i on M娜如9.正EE T比口s o n 加.ge R伙 , 1 9 9 8 . 7 (1 2 ) : 1 6 8 4 . 1 6 9 9 ,C b l . d a B , K 仙duMK, P目恤目.丫v .人Mu l丘托a l e M 侧r P h o 】 o乡cE d 梦公生双优P到比. .R以沁脚t io n , 1 9 9 8J I ( l0 ) : l4的 一 1 4 7 8 S Q “山.aN, 巧目和山 WE拓田哟叻o fG .口川加团Mu l山口”a r 托d d 助M侧切vQ面ns.心 U政明叻刘1 山叫笋 Seg l侧,. 心加. 】 曰正 价助so n R U心 , 1 9 9 7 , 19 ( 5) :肠5闷7 5 9 Ba b叱卿如N , 丫 址.目.K .K IB CKdC劝n De C丘地谏 M 倒曰Bi n a r讼山on A .玩 PtO C o fl傲玩.浏心优目 O知介比.比o nP到比., R“为脚 t io n , N e w J 姗y , USA , 1侧沁万1 一 56 10 G h o s h A . P a i N R . P公S K玩略eseg l刘, 画onU血g aNe以习 N e t wor t . B iolo乡国q触n 如低19 91吞义2):151 158 1 1Q. l吕K S.n. 匆咖沁幽阅苗O翔乒创代肠刻创d N比阁N改袱d t oM五。目】.明 笋介萝曰国山瓜正正旧.犯 , 1 9 96,1 5 : 5州) 56 7 1 2陈燕新 ,戚飞虎. 基于竞争H叩6dd网络的自 动聚类图像分割.棋式识别与人工智能 , 1 9 9 8,11( 2 ) : 2 15一2 2 1 1 3 王磊.英玉龙 ,戚飞虎. 用振子神经网络实现二值图像中的多目标分割.中国图像图形学报 , 1 9 9 7 溉10 ) : 7协72 9 1 4应胶 , 叶秀清 , 顺伟康.基于知识的边沿提取算法.中国图像图形学报 , 1 9 9 9 人3 ) :2 3 9 -2 42 1 5Mu rt h yc入刊sK孙可”爪过d 山 g M 浏比m a d a叭腼悯议.劝四d R .比“”耐场蜘目油帕唱儿心呼子韶画que s. P侧。泊R“为加如nU山城1臾泊 , 11口) : 1 9 7 .20 6 16 C、eng H D , 扬劫JR , UJG., 脑。hd d s d“o nB ase do n F崔口孑e p a r t i d on E n的pyA P p r o a C 瓦 pat t .滋R 期娜 do n , 1 9 9 8 , 31口):857 870 1 7薛景浩 ,章粉晋,林行刚. 一种新的图像模期散度闷值化分割算法.清华大学学报 , 19 9 9 , 3 9 (l ) :4 7 5 0 1 8丁展一种适用于灰度图像分例的快速FCM算法.模式修拐四 与人工智能 , 1 9 9 7 , 1 0 ( 2 ) : 1 3 2 一 1 39 191泥蹬SK , v泣口ie r M w . Pos t .A 闪u l滋 t io u C劝厅“石ono fMR i n Ho m o ge ne i t ie s .M a, 比eR。幻na n . i n 泊比i咖e , 19 9 6 , 3 6 ( 2 ) : 2 7吞2 86 2 0薛景浩 ,章筑晋. 林行刚.羞于特征散度的图像FCM聚类分割.模式识别与人工智能 , 1 9 9 8,11( 4 ) : 4 62州陌7 2 1 U duPaJ K .S 到口国r 目褚址. 5 .孙欢y 伪朋忱仍如e s s a n d ob j 峨 刀堵丘苗d加:几的以月g丽血叭助d A P Pl i。旧on si n 加明e 义娜能. do n 刀口p址司 Mo d ela nd I n . geP. O C , 1 9 9 5万8( 3 ): 2 4吞26 1 2 2 Ma l la t S , Z五On g S .O 巨,比幼Z a don ofsi沙阁s加 m M u l t isc a】 e E d g e S .正曰压P 八 加n , 1 9 9 2 , 14口):7 1压732 2 3许传祥 , 石青云.程民德.零对称和反对称二进小波及其在边缘检侧中的应用.中国图像图形学报 , 1 9 9 6 , 1 ( 1 ) :今1 1 2 4章国宝 , 叶掸 ,陈维南. 基于正交小波变换的多尺度边缘提取.中国图像图形学报 , 1 9 9 8口 ( 8 ) :6 51.配讲 2 5 O l i v o JC . A u t o侧a d c n此sho】d s d “范o n U s i n g t h e 节厄ve l e t T比I n sf o IY n . CVGI P 心M I P, 19 94声3 ) :20 5 2 1 8 2 6切t h o nF , Ca Pl i e r A . U e训 运M . s P丽o -t e州四阁M叹F A P Pr o ach t o仍dc os e邵川勿t a t i o n :柳pl ic a t io n t o M O如nDe te Cdo n a n d口P Seg侧, t adon . 5 1即a l R劝C e S S ing , 1 9 9 9 , 7仪1):61 一 80 1336 山”理 D W, Buxt onB RS以泊e s e乎叱n切吐o n 丘”m 仍S U a iM 涌onU血go l o b a i Q P dmi 刀面o n .正E E. P八 如叮 , 1 9 87, 9 , 2 2仆2 28 窃郑宏t播励基于遗传算法的图像闷值的自动选取中国图像图形学报 , 1 9 9 9冲阵):32 7 一 3 5 0 2 9薛景浩 ,章忱晋,林行陈二维遗传算法用于图像动态分例. 自动化学报 , 2( X刀 , 2 邵 ) :7 4 9 , ” 3 0 US乙 M州k o vR 如dom药山M改回如g加C o l n P u吐 叭滋 。几 肠匆 阳:SPr i Dge r .场划绍, 1 9 9 5 3 l H 配K , K O PsER ,Kr aus eB J.e t a i . M斌k o vR 叨dol n民d d s e乡川, 颐ono f B面。侧叹 加.目落正EE T比I nso n M 。五因 加叼山肠19 9 7 , 1 6 (6 ) : 8 7 8 一 8 8 6 3 2 G O I. D,Q 劝.S,G.伍乡.q 改吐玫朋汕叮众介比. 勿O龙.曲搜d卿血皿.垃阅 .1曰犯. n.I S.R场月.1臾泊 , 12口):叹为石幼 3 3 Gu Pt a卜肋巾公祖T A Ga l呀幼. .M 玩切山卜B as e d ll n a 罗跳目刘, 颐加 川g诚由队P到比留刀 R 期脚d on ,19 98 , 3 1( 3) :3 1 5 - 3 2 6 3 4 o r o 川泌 M S , N o w a k R D, B州面u kRG .节触化】 e t - B山冶】St a垃币a目s i g n a i P l r O C e S S加g U幻血g凡d山m M州k o v M侧加肠.正EE n朋,o n s i g n 以肠, “ , 1 9