图像分割策略和技术的综述

1、AReviewontheStrategiesandTechniquesofimageSegmentation关于图像分割策略和技术的综述IEEEFifthInternationalConferenceonAdvancedComputing&CommunicationTechnologies.2015:113-120AkankshaBaliComputerScienceandEngineeringDepartmentASET,AmityUniversity,Noida,Indiaakankshabali5Dr.ShailendraNarayanSinghComputerSciencean

2、dEngineeringDepartmentASET,AmityUniversity,Noida,Isns2033摘要一一分割是将图像或图片分割成不同的区域以产生从所述背景兴趣对象相同的属性的方法。，这些区域具有类似的质地，强度，灰度级等的特征属性。这是一种方法，在这种方法中我们包括了对象所属的在一个类中的相同类别和其他目标对象所属的种类，用以在其他类里增加分离图像对象和背景。有几种图像分割技术，即传统的阈值（Ostu最佳阈值二值法）和聚类分割（K均值）。通过区分所有这些图像分割技术，我们必须去找到哪些细分哪些图像分割技术在图像分割特性中更好。分割是

3、在构建分割环境中完成的。在这个构建的环境中，无论是K-均值，Ostu大津分割方法都不能产生良好的标准的分割，因为图像时刻的弱化以及和复杂的图像周围环境。关键词一一超声波图像；大津法；K-均值；合成孔彳5雷达（SAR）;阈值分割；期望最大值；神经网络；波长分解1介绍在计算机中的感知，图像被检测为通过携带信息的最重要的手段解释的图像。此信息也可以是用于例如另一个任务：识别和癌细胞，机器人的船舵手诊断和机场的认可检测数据这是在遥远的，因此图像分割为由于方法或技术，这是我们可以解释图像和撤出的有用信息该图像。此步骤称为图象检验或图像分析图像分割方法是在图像的识别广泛使用和在许多领域，如图像的分类医疗，

4、法医和农业1。它是用于图像处理的最复杂的阶段之一，因为分割图像的标准影响其产生不精确的和错误的结果左进程的结果。计算机辅助设计是由它来完成图像分割而不会丢失信息为医疗情迷目的设计对于医疗情迷目的做图像分割而不会丢失信息是可以通过计算机辅助诊断（CAD）完成一项具有挑战性的工作2。K.Hammoudda等人，使用无监督的方法用于Gabor滤波器和Kmeans算法的帮助下进行分割。他提出了三种分割方法分别称为K均值聚类，阈值和最大化期望的分割方法。阈值因为它的清晰度和直接性质和聚类方法，因为它的高效地分类图像能力，是用于图像分割技术之间的图像分割的非常公知的方法41。第一种方法称为Otsu方法的取

5、决于灰度方法直方图并且被广泛适应，因为它是简单的，精确地处理灰度级图像的能力，它能够与全局阈值一起工作，并且它需要前者知道直方图的结构。聚类技术是基于它们的同质性，将对象无监督地分类成有意义的组或聚类。2文献综述这一部分的相关工作考虑了对图像分割工作进行的几个研究。我们所采取的第一篇论文是基于无监督技术的分割，基本上是在纹理图象上形成研究的。Khanna等人发表了这方面的比较说明。作者展示了基本的三个无监督技术，包括K均值聚类，阈值和期望最大化。纹理表现出一种相对性或基本图案的周期性，其可以用于识别不同的对象。这里通过无监督技术使用的图像是从放射科医生接收的超声图像。后来，作者发现纹理检测对于

6、US图像分割比边缘分割更准确。由于这个原因，作者讨论了Gabor滤波器发现它的用途，因为它具有执行多分辨率分解的能力，由于其在空间和频域中的定位。本文使用上述提出了四个步骤的模型，其中包括幅度算子，巾I度算子，高斯算子和Gabor前置滤波器算子，然后分割，从而产生输出21。K.KSingh和A.Singh讨论了用于不同应用领域的不同类型的图像分割技术。讨论了基于像素，基于边缘，基于区域的分割技术。还解释了像种子区域和彩色图像分割算法的图像分割算法。与分割技术一起，还定义了应用领域2。T.Ravichandran等人，表示本文称为四叉树衰变，圆形阈值，圆形分割，区域分割和合并，直方图聚类和基于注

7、册的分割的重要讲义。他的工作是基于四边形从边缘图建立的基于四边形的框架的图像分割。在边缘图中，具有相同质量的相邻四边形然后组合在一起以形成区域。他提出的算法主观和客观地评价的功能比名为种子区域的其他三种分割技术，K-means聚类和有界引力聚类他也工作在信息理论共聚类。他提出了本文的创新思想是创造性的共聚类算法单调地提高保守的双边信息，通过关联行和列在所有阶段通过使用并发词文档聚类的示例表明该算法在存在高维度和不足的情况下表现良好。他还使用信息屏障方法通过提出基于聚类的两个新算法命名为基于注册的分割医学图像分割取决于每次仅分割一个图像的多模态图像配准以及其中图像被同时分割的信息屏障方法。他提出

8、了包含输入的系统架构的图像和分析的图像。在这种拆分和合并之后，其中他拆分图像并计算具有类似特征的直方图位。他提出了图像分割方法。他提出基于遗传的图像分割算法，因为很难确定图像分割中的全局阈值22。Devi等人，Priyanka等人。展示了包括当前分割，基于边缘检测的分割，阈值处理方法，基于区域的分割方法，基于PDE（偏微分方程）的分割方法，基于人工神经网络的分割，基于人工神经网络的分割，基于SAR领域中使用的分割图像处理和超声图像处理。他们调查和编译一些用于图像分割的技术。在基于边缘检测的分割中，使用灰度直方图技术和基于梯度的技术。在基于区域的分割中，使用区域生长和区域分割和合并方法。蛇型模型

9、，水平集模型，MumFordShah模型用于图像分割取决于PDE=硬聚类和模糊聚类用于人工神经网络类型分割。在这篇论文中，他发现没有被接受的图像的图像分割方法，因为图像受许多因素影响，如图像的均匀性，图像内容的纹理23。N.Sharma等人。展示出了研究者越来越多地运用的彩色图像的分割方法，其中已经开发了用于问题域的图像分割的各种技术和算法。本文还提出了一种基于边缘，基于阈值区域的技术和k均值聚类的图像分割的基本技术的相应研究。在本文中，他们给出技术基于区域的技术，聚类技术和分割和合并技术。分割和合并技术用于消除聚类技术的缺点24。H.Narkhede等人。讨论了可以在视频的图像分割的帮助下进

10、行的有效背景。智能监控给出了有效背景下名为视频分段的重要研究课题。图片已经取为白色或黑色。灰度级图像使图像颜色。图像分割在图像分割技术中起着重要作用。这是医学图像分析的第一步，其显示作为图像测量，特征提取和图像显示的误差。由于头部，大脑，腿部，胸部的大小，图像分割困难。它可以基于被称为表征的图像分割评估技术被划分为两种类型，其被视为帧内技术处理和比较，其被视为帧间技术处理。巾jl£川J："nnEMigawPreFrac巴皿Hg.一Inpvtimage圉假输入PmT'ProcfMini:&dhlFiHJJ贴*fFictbMologYofi$ctn>mfn

11、iioa1251闻1图呼狂剂的用东方法论用于相干和噪声鲁棒图像分割的基于FCM的方法由Despotovi等人他指出，对于实际和合成图像的分割的结果对于噪声比相关的基于FCM的方法更鲁棒。它被分为两种类型，称为局部分割和全局分割。整个图像在全局分割的帮助下被分割。他使用分割的技术，即边缘检测方法，阈值法，基于区域的分割方法，聚类方法和基于人工神经网络的分割。在边缘检测方法中，它定位具有更多或更少灰度级变化的点。它在人类适当的情况下工作最好，并且对于在区域内具有良好对比度的那些图像是精确的。但它的缺点是它不适合那些没有很好定义的图像，并且有太多的边缘定义25。PThakur等人。比较了各种图像分割

12、技术的性能，因为并非所有技术都用于所有类型的图像。作者认为，没有理想的图像分割方法，因为图像分割的结果取决于许多因素，像素的颜色，纹理，强度，图像的均匀性，图像内容和问题域26。A.Kadir等人。区分流域方法和基于区域图像分割的Meanshift方法的性能。然后他们发现分水岭图像分割方法在性能上更好的结论比起平均移位图像分割方法27。M.W.Khan等人。评估用于图像分析目的的主图像分割技术。没有适当的分割方法，因为它取决于许多因素，像素颜色，纹理，强度，相似性和问题域28。G.K.Serha等人。重点研究最近的自动图像分割算法。最近提出的一些方法是动态区域合并，模糊算法，中继级设置方法30

13、。R.Kandewal等人。基于在计算机视觉领域中的各种任务中使用的图像类型，其是从MR图像识别疾病，移动车辆识别的牌照等。为了提高图像的质量和增强分割过程，有时执行图像demonizing。研究人员仍然使用的图像分割的着名技术是阈值，基于区域，直方图和分水岭变换，其中图像被分成部分：图像的一部分是对我们重要的部分，第二部分是图像的其余部分31。A.CitftcinseM/nenliilionlechnitfiteiMfti部分M术卜唱2Dillcrcn,tjpcsunaptsc2incMiei26超2不附先时而闻阁修询它可以基于两个性质（即不连续性和相似性）进行分割。第一种被称为基于边界的方

14、法，第二种被称为基于区域的方法依赖于相似性。已经进行了研究的各种分割技术。各种算法用于其中一种算法彼此不同的分割。没有具体的算法获得目标，以及适用于所有的数字图像7。在基于不连续性的分当前图像分割技术基于称为基于不连续和基于相似性的两个属性。割中，基于图像的灰度级的强度发生的变化来进行图像的分割。孤立点，边和线的识别主要通过基于不连续性的方法来考虑。在基于相似性的分割中，识别相同点，线和边缘。它包含区域分割和合并，阈值，区域生长。3方法A.图像分割人类可以容易地分离和观看作为单独对象的部分，该信息是用于创建指示纹理，边界或边缘信息的直方图的颜色信息。这种类型的图像分割主要用于多媒体应用，例如在

15、数字图书馆中扫描大量的图像和视频数据以及在网络中传播信息。它可以基于两个性质(即不连续性和相似性)进行分割。第一个称为基于边界的方法，第二个取决于称为基于区域的方法的相似性通过使用连续规则将整个区域分割成子区域，使得一个区域中的所有像素必须具有功能角色。在聚类技术中，方法将它们分成k簇或组。图像分割的一般化是困难，并且用于聚类的算法的性能对所使用的特征敏感。在本文中，ali等人。提出了一种使用图像分割的模糊聚类，其将通用形状信息集成到称为Gustafsonkessel聚类框架的框架中。在分割和合并技术中，它克服了由于引起的缺点的聚类方法。D.Kelkar发现四叉树是用于分割图像的技术，然后如果

16、它们相邻是相似的，则它被合并4。当不再可能进一步合并时，连续地重复合并。在标准化切割中，分割和合并技术的缺点通过减少区域数量的规范化切割来克服5。在阈值技术，它是最古老的分割方法和计算昂贵和快速。其可以被分类为全局阈值处理，其针对整个图像仅选择一个阈值，以及针对不同区域选择不同阈值的局部阈值处理。有很多图像分割方法创建。但是很难评估和比较图像分割技术的性能6。l'ig.3.PruxciMsuilinageSeumcnuuon125JR13:俾的处度嵋B.分割取决于边缘检测为了表示对象边界，边缘检测也有助于识别，公开和分割图像中的对象8。它试图找到彼此靠近的点来检测对象边界9。在本文26

17、中，Erpratibhathakur和Ernishimadaan也提出了基于边缘的检测，其中使用各种方法用于边缘检测，可以将其分为两类，基于搜索和过零方法。基于搜索的方法主要搜索从图像计算的一阶导数中的边缘以找到边缘。过零方法通过二阶导数检测零交叉以测量边缘强度。衍生物如下：1) 一阶导数a) Prewitt运算符：-它估计图像强度函数的梯度。它是一个微分运算符。b) Sobel算子：-它也是一个基于回归的离散微分算子在水平和垂直方向上具有小值滤波器的图像，因此在计算方面是昂贵的。c) Canny算子：-它是使用多级算法的边缘检测算子检测图像中的大范围边缘。ii）二阶导数a）拉普拉斯算子：-必

18、须存在发生零交叉的点，它用于边缘检测。b）零交叉：-零交叉法通过二阶导数检测零交叉以测量边缘强度作者使用的用于执行边缘检测的各种方式如下：i）灰度直方图技术：-通过找到交点来选择阈值用两个圆锥高斯曲线代替对象和背景的曲线10。在这个阈值的帮助下，我们将前景与背景分开。ii）基于渐变的方法：-当图像的强度发生突然变化时那么梯度包含图像f（x,y）的导数，并且涉及图像11的梯度算子（sobel算子，canny算子，高斯算子拉普拉斯算子，拉普拉斯算子）。具有梯度幅度的最大值的点称为边缘像素边界，并可以链接在一起形成接近的边界12。如果水平精度增加，然后通过附加边缘增加噪声。水平精度降低到顶部出现噪声

19、13。C阈值方法阈值方法是所有分割技术中最简单的方法，在该方法中，使用阈值将给定图像分割成不同的区域。阈值方法寻找边界不连续性，该方法的关键点是阈值的选择。Otsu最大类间方差法是最为常用的方法之一。区域生长方法基于强度值，区域生长的关键是选择基于用户准则的合适种子点。然后，根据区域将这些区域从这些种子点生长到相邻点，强度可能导致空穴或过度分割，并且该方法不能区分真实图像的阴影部分。根据阈值，有两种类型的阈值定义如下：i）全局阈值：当前景和背景对象之间的差异非常不同时，则使用称为全局阈值的单值。全局阈值由otsu方法，嫡方法14使用。ii）局部阈值处理：当图像被划分为子图像时，则为每个子图像或

20、子区域选择被称为局部阈值的阈值。局部阈值处理由简单阈值处理，基于2D嫡的阈值处理程序使用。Erpratibhathakur和ErnishiMadaan给出了关于阈值的一些看法。在本文26中，选择无人工干预的阈值称为自动阈值，其可以基于直方图，方差等来选择。它还使用基于直方图的阈值选择，其取决于估计阈值的成功其分离对象的两个同质区域和对象的背景。通过使用获得图像中的所有均匀区域基于直方图的方法。在本文15EMT技术也被定义为当有多个同源对象或当对象之间的照明发生变化时和它的背景。这种技术分割取决于关于图像中的最大边缘阈值的研究，以帮助边缘检测技术算子来开始分割该图像。D.基于区域的分割方法区域生

21、长和分裂合并是两种典型的串行区域分割算法。其特点是将分割过程分解为顺序的多个步骤，其中后续步骤要根据前面步骤的结果进行判断而确定。区域生长的基本思想是将具有相似性质的像素集合起来构成区域，该方法需要先选取一个种子点，然后依次将种子像素周围的相似像素合并到种子像素所在的区域中。区域合并的基本思想是将输入图像分成多个相似的区域，然后类似的相邻区根据某种判断准则迭代地进行合并。在区域分裂技术中，整个图像先被看成一个区域，然后区域不断被分裂为四个矩形区域，直到每个区域内部都是相似的。分裂合并算法中，区域先从整幅图像开始分裂，然后将相邻的区域进行合并。区域生长算法的优点是计算简单，特别适合于分割小的结构

22、。缺点是需要人工交互以获得种子点，同时对噪声也比较敏感。当对区域面积较大的图像分割时，计算缓慢7。分裂合并算法的优点是不需要预先指定种子点。缺点是分裂合并算法可能会使分割区域的边界被破坏。基于区域的分割方法与基于边缘的方法区分，它是非常简单的，它基于相似性和免疫噪声分割区域16。i）区域生长方法：具有相同属性的像素被组合在一起称为区域生长14。它可以跟随四个步骤a.选择一组种子颗粒b.识别具有类似灰度值或强度的种子，然后组合种子。c.通过组合具有相同值或相同强度或相同灰度值的种子来生长区域d.然后，当没有发现具有相同值的种子时，停止该过程。ii）区域分割和合并：此特定技术工作在具有四个分支的四

23、叉树上15。在这种技术中，它通过将区域分割成四元组，即四个分支，然后当没有进一步分割或分割是不可能时，合并区域。基于理论的分割：图像分割至今尚无通用的自身理论。随着各学科许多新理论和新方法的提出，出现了许多与一些特定理论、方法相结合的图像分割方法。它包括来自不同领域的导数，然后证明它对分割是有效的。iii）聚类技术：它是一种监督学习算法，通过对像素进行分类使用通过分组相似像素（如相同的颜色，大小和纹理）形成的聚类16。在本文26中Er.Pthakur等人给出了。聚类用于确定哪些项目属于一起。聚类是一种无监督学习任务，其中需要识别被称为群集以识别像素的有限类别集合。聚类的原理是最大化类内相似性和

24、最小化类间相似性。聚类是基于图像的不同属性，如颜色，文本等。聚类的工作是获得有意义的结果，有效的存储在各个领域快速检索17。1）硬聚类：硬聚类也被称为K均值聚类，因为它将k个图像组合成k个聚类，其中k小于n,k是正的18。过程如下：a）选择数字不随机群集。b）随机选择不同强度的k个像素作为质心。c）通过计算区域中的像素值的平均值来找到质心。将质心尽可能远离彼此。d）将像素与质心进行比较，并将像素与最接近它的质心组合。当分配所有像素时，完成初始聚类。e）然后通过重新计算聚类的平均值再次重新计算聚类。重复步骤d和e,直到没有质心移动。i）模糊聚类：在模糊聚类中没有精确的边界定义，但它基于相似性标准

25、（距离，连通性，强度）划分图像。它包括GK（Gustafsonkessel）,GMD（高斯混合分解），FCV（模糊C均值）。在本文26,它是聚类技术，其中数据集被分组为n个集群，每个数据点在属于每个集群的数据集中的一定程度。模糊c是一种流行的软计算方法；它比硬聚类方法更灵活18。2）基于神经网络的分割：人工神经网络（ArtificialNeuralNetworks,ANN,一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。BlanzandGish使用一个多层前向神经网络用于图像分割，输

26、入层神经元的数目取决于输入特征数，而输出层神经元的数目等同于分类的数目。由于BP网络能完成n维空间（输入节点数为n）到m维空间（输出节点数标的复杂非线形映射，因此它具有Laplacian算子的能力，用神经网络可以获得良好的结果，而且用神经网络处理，一旦训练完毕，各节点间的互联权就完全确定，在识别时具有很快的速度。Babaguchi等使用多层BP神经网络，用于阈值分割图像，输入是统计直方图，输出是想要的阈值。使用这种方法，在神经网络学习阶段需要大量的已知阈值的样本图像，以用于调节网络参数产生合适的输出。但在实际应用中，要获得大量的样本图像是十分困难的。M.Liang借助于松弛标记技术与人工神经网

27、络的有关理论，提出了一种用Kohonen网络作从网络粗分的主从神经网络分割方法，从网络的分割结果用于确定主网络中各神经元的初始状态，然后主网络从这一初始状态出发进行状态的动态演变，直至收敛到主网络的某一吸引子，这时主网络的状态对应于分割后的图像。这种方法能够分割低信噪比条件下图像，实验证明它比最佳鉴别门限准则门限分割法与矩阵保持门限分割法具有更好的效果，并且可以实现实时处理。类似的用于从高度噪声破坏的景物中提取对象的方法还可以使用Hopfield类型神经网络。在这个图像被映射到神经网络，其中每个神经元表示基于神经网络分割新图像的像素19。它包括两个步骤：a）特征提取：在此，提取图像的特征以执行

28、分割。b）图像分割：在此，基于从图像提取的特征来分割图像。4分析主要目的是简要描述图像分割的不同技术。这项研究还集中于用于分割的各种研究方法和他们的问题。这些技术用于识别面部，图案和图像。图像分割id用于包括医学图像的各种应用领域，并且通过使用卫星图像来检测道路。图像分割使用不同的方法，如阈值，基于梯度的方法和聚类。图像分割是一个有希望和挑战的领域，用于许多应用领域。应用区域不仅使用单个区域，它与多个工作地区。每种方法在特定应用中具有其自身的优点。由于上述原因，图像分割是不同应用领域的重要领域仍然是一个具有挑战性的问题。5结论本文讨论了图像分割的许多方面，分割技术的基本原理，如何实现和这些技术

29、的应用是什么。不同的技术大致分类为人工实现或机器实现。没有特定规格，基于其可以比较不同的技术，因为每种技术在特定领域或应用中具有其自身的优点。图像分割的一般框架在大多数领域很难实现。为了克服这个障碍，已经引入了很少的新算法。这些算法没有任何种类的先验；这意味着在实现这些算法时，不需要所选择的图像的先验信息。对自然和医学图像的不同实验以及与标准方法的比较已经示出了所提出的算法的良好行为。全球有许多可用的分割技术，但不存在可普遍接受的特定方法。这是因为许多因素限定和影响分割的过程的事实；其中一些像纹理，图像内容，图像的均匀性，空间特性等等。为了改进和获得用于图像分割处理的有效技术，正在进行新的研究

30、。Table1.Summaryurtim.revie*去I父城审£甘希AMetiifniJ/J喇皿1目，即lulu,S.LeeIEEEGcikeiicAlgonthm.怏盾型川算法NunibefofiiaryinigtheccirnputatiOTIrequirements.2TdiibjiY.QZhingtFFFQiiadrahcRate嘤窄唱概hod.Failediodetectaminiiniini内山媪铲3MHreiLM,Sw匕i2000IKKFKdge函例1*于边蜂号窜IDependsupantheof由耳profileLargerHeightcinviitainEPixe

31、lkuitlhambiguousinfiMTiKirioriiandiniillerheiitlLLcausesIs占of4M.Ticw,T,Huvcrimcn2000IEEECnsiipenidscd.Image七溜牌r-毡虫；L疗函鞫宿立即轻小命里的愣髭，甘加僧息工失.5Hcrng-DaChcng,YingSim2000EEEHislogramtoHomDfcnciDcini9m.良方Ml询期削>cpcn.duponhardversion.取决于硬件版本6JiantnShi«JitejukaMulik21MX)ILELNormalizolCutsinImage日酒心皿心一二

32、Cutsaredillacuiltuiimiigeswithmisrcedgcjt.在复杂透障器以我切7T.FChm,L.A2nniActiveConimg畦署的能廉AJ,Malik,S.Belongie,T.Leung：州)1IKATraturemaJ将椁(r117141gcPt箱culltofindiheacciiraieymcnTArifioolhimage.拈淅计剂卅用点9GJ.Tubitaes,ILSciiru2CW2l£E£Tbjdiuldih岂心证唱Fur加粥.神呻*网旧仲M10J.CheiiM.Pappas2D05LEE£AdjipdvFFcrce

33、pliulCoMTextureTcchuquc.口Jfi理必如也府找Jt及Ailcclcdbyob|ccLs.鬓霸义时后的再喇h.11PedroF.FeLzvnzwa应DarnelP.Huttcn2009IJ1SMSegmentingImagintoDitTcranl俺惺多平*今城.Diftcrw.r.llapplidtiions.区外w，M应UIpXZhan=,Y.Shim1010IEEE,tETlcd为烦版i*11rtLCiTn-jputatinr.nrnicr/ni.LisH一脚帮罚tl曾kKSin立.A.Sin的2010IEEES4xdRqfionandWaicrsticd.仲门4城阊

34、停水帧I>qMn小upondieinput向三image,Fatiiingproblemm由choosingthethrhcildq4ElWU£弃阈出东14RCLW-MJijc*Jli,aTL2UIVIEEEMulliobjHKbvi；ShapeUpiittiiHlujmNe«icustomizaliontohandlethepurple,limiuiLicrusolepruperly.网D.KwtmN)l011川i；的凤Impnn«d1/一WfticrshcdAlijOrilbnlJlidRegionMerging1万忑匕聚U:利.、码.M；viEM16P

35、.Arbelcz,M-Mai七,Ooikes砌1IEEEH*S4Inji/l将阿CounterDdzkm匐idHi印“chi口1tmr怵Ie爆SegmentatioiiIrtWg邺17RDfiss,5,DcviilYiyanki券11rjFt-r火于力w曰法，琳召堂外斤题工碑"网用上R尊Fkwd方MetMxl,jFThrwiialdiBg"Vfclnx3hTfuliulDillcrmUhanEqualitHLArtUkialNeuralNetwork.Donotillowhi曲crlevelproeffitoextractalliixformation.不尤诈史痴姆切的进柞

36、捉融所有I18Nikil*Sharma,Man对iMishra*H之IJSTR憎位LLF新图力WHS.比忸别LtniigEEingmeering厘CufitrpLlnrtege；也Analysis;nndP口3E,NormalizedCi区Dilikulttodiffereiitialethepcrfunriaiiccoftheicchniqucof决gm曰it需ion.以帆分静网技术的的帔S.DhunohkshmLDrTRbLklLaiidimiZC12HARCSC叫工料宣碰.睡行力M.注心力忆QuadT*eDwny.Cwculiirpniiirming,RisimiiionMethod.B

37、cMMseckitwiilod.觥也法20G.KSeerha.R.kaur2013IEEETJiamicRegionMwyirtg南一<SpwAffectedbyhomogeneiry,ixtfilemofisnaKe.上川史怕.也内环直啊21tLP.Nidsk如3UISMERtWrfjIM即l，国俱fifE;柘方法Image才Scgmcnuitimof_Vjd»bThircshold'Method.RegionBa&edMettHkl-Fuvint：pn>bknineaiipuicrvision.面对H母机用堂中的月俄25RohanKhafidelwal

38、.SanjjvBJiaigavMH4IJAR(SS?取美学MRF.'j.Mh执行国ftIdefilificalicinof,t：lt)iNGUtfsfromMRirmig咯m嘤DonunizHiisPcrfufm血.ImagefypeBItitensjly.Noise,Colcrafleet由七Medctaimagesegmenlotion快授更厚.叁度F魄.Q和赭色极响IX学图馆梅参考文献1 H.Zhang,J.E.Fritts,S.A.Goldman,"ImageSegmentationEvaluation:ASurveyofunsupervisedmethods,&qu

39、ot;ScienceDirectComputerVisionandImageUnderstanding,pp.260-280,2008.2 K.K.Singh,A.Singh,"AStudyofImageSegmentationAlgorithmsforDifferentTypesofImages,"InternationalJournalofComputerScienceIssues,ISSN:1694-0784,Vol.7,Issue5,2010.3 B.C.Wei,R.Mandava,"MultiobjectiveOptimizationApproaches

40、inImageSegmentation-theDirectionandChallenges",ICSRSPublication,Vol.2,pp.41-65,2010.4 D.Kelkar,S.Gupta,"ImprovedQuadtreeMethodforSplitMergeImageSegmentation",EmergingTrendsinEngineeringandTechnology,978-0-7695-3267-7/08?2008IEEE,pp.44-47,2008.5 W.Cai,J.Wu,S.Chung,"Shape-basedImag

41、eSegmentationusingNormalizedCuts",1-4244-0481-9/06?2006IEEE,pp.1101-1104.6 T.Marka,J.Reif,"QuadTreeStructuresforImageCompressionApplications",InformationProcessingandManagement,0306-4573/92,Vol.28,No.6,pp.707-721,1992.7 P.Thakare,"AstudyofImageSegmentationandEdgeDetectiontechniqu

42、es",IJCSE,ISSN:0975-3397,Vol.3,No.2,pp.899-904,Feb2011.8 M.Weingart,O.Vascan,"ImageSegmentationProcessingsomeTechniquesandExperimentalResults",978-1-4799-2442-4/13?2013IEEE.9 S.SVarshney,N.Rajpal,R.Purwar,"ComparativestudyofImageSegmentationTechniquesandObjectMatchingusingSegment

43、ation,"InternationalConferenceonMethodsandModelsinComputerScience,2009.10 A.Moore,S.J.D.Prince,J.Warrell,U.Mohammed,andG.Jones,"SuperpixelLattices",IEEE,pp.1-8,200811 A.Moore,S.J.D.Prince,J.Warrell,U.MohammedandG.Jones,"SceneShapePriorsforSuperPixelSegmentation,"978-1-4244-4

44、419-9/09?2010IEEE,pp.771-778,2009.12 A.Moore,S.Prince,"LatticeCut-Constructingsuperpixelsusinglayerconstraints",978-1-4244-6985-7/10?2010IEEE,pp.2117-2154,2010.13 T.ChiangandY.Q.Zhang,"ANewRateControlSchemeUsingQuadraticRateDistortionModel",IEEETrans.CircuitsSyst.VideoTechnol,Vol

45、.7,No.1,pp.246-250,Feb.1997.14 D.Kwon,"AImageSegmentationMethodBasedonImprovedWatershedAlgorithmandRegionMerging",978-0-7695-4270-6/10?2010IEEETransCircuitsandSyst.VideoTechnol.,pp.258-261.15 J.Malik,S.Belongie,T.Leung,andJ.Shi,"ContourandTextureAnalysisforImageSegmentation",Inte

46、rnationalJournalofComputerVision,Vol.43,June2001,pp.7-27.16 P.Arbelaez,M.Maire,C.Fowlkes,andJ.Malik,"ContourDetectionandHierarchicalImageSegmentation",IEEETransactionsonPatternAnalysisandMachineIntelligence(TPAMI),May2011,pp.1-20.17 D.Comaniciu,P.Meer,"MeanShift:ARobustApproachTowardF

47、eatureSpaceAnalysis,"IEEETrans.PatternAnalysisMachineIntelligence,Vol.24,No.5,pp.603-619,May2002.18 J.ShiandJ.Malik,"NormalizedCutsandImageSegmentation,"IEEETrans.PatternAnalysisandMachineIntelligence,Vol.22,No.8,pp.888-905,2000.19 R.Szeliski,"ComputerVision:AlgorithmsandApplicat

48、ions",1stedition,Springer,p.p.265-303,2010.20A.Khanna,Dr.M.Shrivastava,"UnsupervisedTechniquesofSegmentationonTextureImages:AComparison",978-1-4673-1318-6/12?2012IEEE.21 S.Dhanalakshmi,Dr.T.Ravichandran,"ANewMethodforImageSegmentation",IJARCSE,ISSN:2277128X,Vol.2,Issue9,pp.2

49、93-299,Sep2012.22 R.Dass,S.Devi,Priyanka,"ImageSegmentationTechniques",InternationalJournalOfElectronicsAndCommunicationTechnology,ISSN:2230-9543,Vol.3,Issue1,pp.66-70,2012.23 N.Sharma,M.Mishra,M.Shrivastava,"ColourImageSegmentation",InternationalJournalofScientificandTechnology,

50、ISSN:2277-8616,Vol.1,Issue4,pp.9-12,May2012.24 H.PNarkhede,"ReviewofImageSegmentationTechniques”,InternationalJournalofScienceandModernTechnology,ISSN:2319-6386,Vol.1,Issue8,pp.54-61,2013.25 P.Thakur,N.Madaan,"ASurveyofImageSegmentationTechniques",InternationalJournalofResearchinCompu

51、terApplicationandRobotics,ISSN:2320-7345,Vol.2,Issue4,pp.158-165,April2014.26 DrS.VK.Raja,A.Shaik,A.Khadir,DrS.S.Riazahamed,"MovingTowardsRegionBasedSegmentationTechniques",JournalofTheoreticalandAppliedInformationTechnology,Vol.1,Issue3,pp.603-619,2005-2009.27 W.Khan,"SurveyofImageSegmentationTechniques",JournalofImageandGraphics,Vol.1,No.4,pp.166-170,Dec2013.28 B.Bhanu,S.Lee,J.Ming,"AdaptiveImageSegmentationusingGeneticAlgorithm",0018-947