数字视频处理报告院 系：信息科学与技术学院专 业：通信与信息系统姓 名：白帅学 号： 201320908时 间：2014.6.25基于JSEG算法的图像分割研究摘要图像处理的最终目的应是满足对图像的正确理解，即对图像中物体的正确识别，以指导下一步的行动。

在这一过程中，图像分割是关键的一步。

图像分割是一种重要的图像技术，它不仅得到人们的广泛重视和研究，也在实际中得到大量的应用。

图像分割在不同领域中有时也用其它名称，如目标轮廓技术、阈值化技术、图像区分或求差技术、目标检测技术、目标识别技术、目标跟踪技术等，这些技术本身或核心实际上也是图像分割技术。

自然场景的颜色和纹理都是很丰富的，并且很大范围的自然图像可以认为是有着不同颜色和纹理的区域的镶嵌，在定义高层概念时纹理是一种很重要的特征。

很多纹理分割算法需要估计纹理模型参数，根据参数建立一个纹理区域的特殊模型，这是一个很难的任务。

JSEG 分割克服了这些问题，它是基于区域的一种分割方法，它测试一个给定颜色纹理模板的同质性，而不尝试估计一个特定的纹理区域模型，这种方法在计算上比估计模型参数要更加可行，其分割结果也有很高的正确率，并且具有很强的鲁棒性。

但是JSEG 分割存在过分割的问题。

JSEG算法由两步组成。

颜色量化和空间分割。

颜色量化的目的是为了减少彩色图像的颜色数量，以降低算法的复杂度，空间分割时对所谓的J图进行。

【关键字】图像分割，区域分割，JSEGAbsractThe ultimate aim should be to meet the image processing on the image of the correct,understanding that the correct identification of objects in an image to guide the next move . In this process, image segmentation is a critical step. Image segmentation is an important image technology, which not only get people's attention and extensive research, but also get a lot of practical applications. Image segmentation in different fields, sometimes by other names, such as target contour technique, thresholding , image differencing technique to distinguish or target detection , target recognition, target tracking technology, which is actually the core technology itself or image segmentation techniques.Color and texture of natural scenes are very rich, and a wide range of natural images can be considered with a mosaic of different colors and textures of the area, inthe definition of high-level concepts texture is a very important feature. Many texture texture segmentation algorithm needs to estimate model parameters , to create a special model based on the parameters of a texture region, this is a very difficult task. JSEG split overcome these problems, which tests homogeneity of a given color to the texture template, without trying a particular texture area estimation model for this approach is more feasible than the calculated model parameters are estimated, the segmentation result is also very high accuracy rate, and has strong robustness. But JSEG division existed segmentation problem. JSEG algorithm consists of two steps. Color quantization and spatial segmentation. Color quantization aim is to reduce the number of colors of color images, in order to reduce the complexity of the algorithm, the so-called J diagram spatial segmentation.【Keyword】image segmentation, region segmentation, JSEG引言图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。

这里所说的特性可以是灰度、颜色、纹理等，而目标可以对应单个区域，也可以对应多个区域。

图像分割是由图像处理进到图像分析的关键步骤，也是一种基本的计算机视觉技术。

这是因为图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能，图像分割多年来一直得到人们的高度重视。

至今已经提出了上千种各种类型的分割算法，而且近年来每年都有大量研究报道发表。

多年来人们对图像分提出了不同的解释和表达，借助集合概念对图像分割。

经过相关学者们几十年的研究与努力，相继踊跃出大量的图像分割方法。

大致归纳起来包括：串行边界分割技术、串行区域分割技术、并行边界分割技术、并行区域分割技术、结合特定理论工具的分割技术等。

并行区域分割技术主要有两大类阈值化方法，特征空间聚类方法。

1颜色量化颜色量化首先将图像的颜色空间转换为LUV 颜色空间，然后用PGF（PeerGroup Filtering ）算法对图像进行平滑去噪，用分裂算法确定图像的类数， 最后用GLA （Generalized Lloyd Algorithm ）算法完成量化，生成“类图”。

其原理是：假设Z 表示颜色类图像中的所有N 个像素点集合，假设z ＝（x ，y ），z ∈Z ，用m 代表均值，假定集合Z 被分为C 个颜色类Zi ，i ＝1，2…，C 。

假定颜色类Zi 中点的个数为Ni ，则平均值mi 可计算为：1i i Z Z m Z N ∈=∑ （1）2||||r z ZS z m ∈=-∑ （2）11||z m ||i ccw i i i i z Z s S ==∈==-∑∑∑ （3）其中，Sw 表示所有类的方差总和。

根据ST 和SW ，可以定义J ：(S S )/S T W W J =- （4）每个像素对应的J 值是在以这个像素为中心的局部区域上计算得到的。

计算每个像素的局部相似程度，并在不同的尺寸下构建J 图像，这样就能反映出最有可能的边界位置。

J 值越大，则这个像素靠近区域边界的可能性就越大，由此提出了一种切实可行的空间分割算法：在J 图像上进行种子区域增长，直到获得最后的分割结果，这样就可以得到一幅以J 值构成的图像，也就是J 图像。

计算J 值时只考虑像素的位置信息和类标志，并没有考虑相应的像素颜色值。

因此，J 值可用来区分区域内部和边界，但不能表示边界的强度，由此会出现过分割现象。

1.2空间分割算法1．2．1 种子选取1）分别计算J u ：区域的J 值平均偏差；J T ：区域的J 值标准偏差。

2）设置一个阈值TJ ： J J J T u a δ=+* （5） 其中α 是决定大多数种子的一个先设值。

小于J T 的被看成是候选种子值。

根据4 连通性连接候选种子像素得到候选种子。

3）一个候选种子区域最终成为种子区域。

1．2．3 区域合并区域生长得到了一个图像的初始分割结果， 它往往存在过分割现象，这些区域可以根据其颜色的相似性加以合并。

该区域的颜色信息可以用颜色直方图刻画，各区域的颜色直方图提取之后，两个颜色直方图i 和j 的距离计算公式如下：DCH （i，j）＝‖Pi－Pj‖（6）其中P 是颜色直方图矢量。

欧氏距离的使用是合理的，因为颜色量化粗糙，两个颜色直方图箱之间的联系不大。

合并区域可用凝聚法。

首先，计算每两个相邻区域颜色直方图之间的距离，并存储在距离表中。

将表中距离最小的两个区域加以合并。

再计算每两个相邻区域颜色直方图之间的距离，并存储在距离表中。

不断地更新距离表，这个过程一直持续到两个相邻区域的距离达到最大的门槛值。

1．3 参数选择1）颜色量化过程的阈值。

它决定了两个量化颜色之间的最小距离。

尽管它是量化过程中的一个参数，它直接影响了分割结果。

好的阈值能够使得区分两个区域所需的颜色值最小化。

2）经过分割后的图像区域数。

3）区域合并的阈值。

分割的效果会随着以上三个参数设置值的变化而变化不难看出在计算J 值时只考虑像素的位置信息和类标志，并没有考虑相应的像素颜色值。

因此，J 值可用来区分区域内部和边界，但不能表示边界的强度，由此会出现过分割现象。

2 基于边缘信息强化的改进JSEG 算法的图像分割本文从一个新的角度，将给予区域的图像分割和基于边缘的图像分割方式灵活的结合，提出了基于边缘信息强化的改进JSEG 算法的图像分割。

2．1 Canny 边缘检测算法第一步：滤除噪声，第二步：根据梯度搜寻边缘，第三步：计算方向角，第四步：方向角规范化，第五步：非最大化抑制，第六步：双阈值分割。

2．2 JSEG 分割算法的改进为了改善分割的结果，避免过分割现象，我们提出了一种基于边缘信息的JSEG 改进的算法。

基本思想是通过引入图像的边缘信息，修正原JSEG 算法中的J 值，使得新的J 值能反映出图像的边缘强度，期望改善原算法的过分割现象。