基于均值漂移的图像分割开题报告.doc

1、 南 京 理 工 大 学毕业设计(论文)开题报告学 生 姓 名：学 号：专 业：电子科学与技术设计(论文)题目：基于均值漂移的图像分割技术研究与实现指 导 教 师: 讲师 2012年 2月 开题报告填写要求1开题报告（含“文献综述”）作为毕业设计（论文）答辩委员会对学生答辩资格审查的依据材料之一。此报告应在指导教师指导下，由学生在毕业设计（论文）工作前期内完成，经指导教师签署意见及所在专业审查后生效；2开题报告内容必须用黑墨水笔工整书写或按教务处统一设计的电子文档标准格式（可从教务处网页上下载）打印，禁止打印在其它纸上后剪贴，完成后应及时交给指导教师签署意见；3“文献综述”应按论文的格式成文，

2、并直接书写（或打印）在本开题报告第一栏目内，学生写文献综述的参考文献应不少于15篇（不包括辞典、手册）；4有关年月日等日期的填写，应当按照国标GB/T 74082005数据元和交换格式、信息交换、日期和时间表示法规定的要求，一律用阿拉伯数字书写。如“2007年3月15日”或“2007-03-15”。 毕 业 设 计（论 文）开 题 报 告1结合毕业设计（论文）课题情况，根据所查阅的文献资料，每人撰写2000字左右的文献综述：文 献 综 述1.1 选题背景数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。

3、数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展（特别是离散数学理论的创立和完善）;三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。 图像分割是将图像中有意义或有用的特征提取出来，也可以说，将图像分成各具特点的区域并提取出感兴趣目标的技术和过程。图像分割是由图像处理到图像分析的关键步骤，它通常是为了进一步对图像进行分析、识别、压缩编码等处理的图像预处理环节,其分割的准确性直接影响后续任务的有效性,因此具有十分重要的意义。1.2 数字图像分割技术 数字图像分割是指将一幅数字图像分解为若干互不交叠的、有意义的、具有相同性质的区域。好的图像分割

4、应具有以下特征：（1） 分割出来的各区域对某种性质（例如灰度，纹理）而言具有相似性，区域内部是连通的且没有过多小孔。（2） 相邻区域对分割所依据的性质有明显的差异。（3） 区域边界是明确的。 大多数图像分割方法只是部分满足上述特征。如果强调分割区域，的同性质约束则分割区域很容易产生大量小孔和不规则边缘；若强调不同区域间性质差异的显著性，则易造成不同区域的合并。具体处理时，不同的图像分割方法总是在各种约束条件之间寻找一种合理的平衡。 数字图像分割的主要方法 从上世纪五六十年代开始,学者一直热衷于研究图像分割技术。迄今为止,已提出上千种图像分割算法,依这些算法对图像处理的特点,将其主要可分为以下几

5、类方法。 1 阈值分割法阈值分割法作为一种常见的区域并行技术,它通过设置阀值，把像素点按灰度级分若干类，从而实现图像分割。由于是直接利用图像的灰度特性,因此计算方便简明、实用性强。显然,阈值分割方法的关键和难点是如何取得一个合适的阈值,而实际应用中阈值设定易受噪声和光亮度影响。2近年来关于阈值分割法主要有:最大相关性原则选择阈值法、基于图像拓扑稳定状态法、灰度共生矩阵法、熵法、峰值和谷值分析法等。3其中,自适应阈值法、最大熵法、模糊阈值法、类间阈值法是对传统阈值法改进较成功的几种算法。更多的情况下,阈值的选择会综合运用2种或2种以上的方法,这也是图像分割发展的一个趋势。例如将图像的灰度直方图看

6、作是高斯分布的选择法与自适应定向正交投影高斯分解法的结合,较好地拟合了直方图的多峰特性,从而得到了更为准确的分割效果。4阈值法的缺陷主要在于它仅仅考虑了图像的灰度信息,而忽略了图像的空间信息。对于非此即彼的简单图像处理(如一些二值图像的处理)是有效的,但是对于图像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确的分割效果。 2基于边缘的图像分割法边缘总是以强度突变的形式出现,可以定义为图像局部特性的不连续性,如灰度的突变、纹理结构的突变等。边缘常常意味着一个区域的终结和另一个区域的开始,图像的边缘包含了物体形状的重要信息,它不仅在分析图像时大幅度地减少了要处理的信

7、息量,还保护了目标的边界结构。对于边缘的检测常常借助空间微分算子进行,通过将其模板与图像卷积完成。两个具有不同灰度值的相邻区域之间总存在灰度边缘,而这正是灰度值不连续的结果,这种不连续可以利用求一阶和二阶导数检测到。当今的局部技术边缘检测方法中,主要有一次微分(Sobel算子、Roberts算子)、二次微分(拉普拉斯算子等)和模板操作(Prewitt算子、Kirsch算子和Robinson算子)等。这些边缘检测器对边缘灰度值过渡比较尖锐且噪声较小等不太复杂的图像可以取得较好的效果,但对于边缘复杂(如边缘模糊、边缘丢失、边缘不连续等)的图像效果不太理想。此外,噪声的存在使基于导数的边缘检测方法效

8、果明显降低,在噪声较大的情况下所用的边缘检测算子通常都是先对图像进行适当的平滑,抑制噪声,然后求导数,或者对图像进行局部拟合,然后再用拟合光滑函数的导数来代替直接的数值导数,如Marr算子、Canny算子等。5有关学者曾给出了一种基于彩色边缘的图像分割方法,这是对传统边缘分割方法只适用于灰度图像状况的一个突破。6在未来的研究中,用于提取初始边缘点的自适应阈值选取、用于图像层次分割的更大区域的选取以及如何确认重要边缘去除假边缘将变得非常重要。 3 函数优化法基于函数优化的分割方法是图像分割中另一大类常用的方法,其基本思路是给出一个目标函数,通过该目标函数的极大化或极小化来分割图像,G.A.Hew

9、er等人提出了一个具有广泛意义的目标函数。统计学分割法、结合区域与边缘信息法、最小描述长度(MDL)法、基于贝叶斯公式的分割法等都是目前几种活跃的函数优化方法。1.3 基于均值漂移（Mean Shift）的图像分割技术均值漂移算法是一种基于密度梯度上升的非参数方法，通过迭代运算找到目标位置，实现目标跟踪。它显著的优点是算法计算量小，简单易实现,很适合于实时跟踪场合；但是跟踪小目标和快速移动目标时常常失败，而且在全部遮挡情况下不能自我恢复跟踪。通过实验提出应用核直方图来计算目标分布，证明了均值漂移算法具有很好的实时性特点。Mean Shift 这个概念最早是由Fukunaga等人于1975年在一

10、篇关于概率密度梯度函数的估计中提出来的,其最初含义正如其名,就是偏移的均值向量,在这里Mean Shift是一个名词,它指代的是一个向量,但随着Mean Shift理论的发展,Mean Shift的含义也发生了变化,如果我们说Mean Shift算法,一般是指一个迭代的步骤,即先算出当前点的偏移均值,移动该点到其偏移均值,然后以此为新的起始点,继续移动,直到满足一定的条件结束.然而在以后的很长一段时间内Mean Shift并没有引起人们的注意,直到20年以后,也就是1995年,另外一篇关于Mean Shift的重要文献才发表.在这篇重要的文献中,Yizong Cheng对基本的Mean Shi

11、ft算法在以下两个方面做了推广,首先Yizong Cheng定义了一族核函数,使得随着样本与被偏移点的距离不同,其偏移量对均值偏移向量的贡献也不同,其次Yizong Cheng还设定了一个权重系数,使得不同的样本点重要性不一样,这大大扩大了Mean Shift的适用范围.另外Yizong Cheng指出了Mean Shift可能应用的领域,并给出了具体的例子.Comaniciu等人把Mean Shift成功的运用的特征空间的分析,在图像平滑和图像分割中Mean Shift都得到了很好的应用. Comaniciu等在文章中证明了,Mean Shift算法在满足一定条件下,一定可以收敛到最近的一个

12、概率密度函数的稳态点,因此Mean Shift算法可以用来检测概率密度函数中存在的模态.给定d维空间中的n个样本点,i=1,n,在点的Mean Shift向量的基本形式定义为:(1)其中,是一个半径为h的高维球区域,满足以下关系的y点的集合, (2)k表示在这n个样本点中,有k个点落入区域中.我们可以看到是样本点相对于点的偏移向量,(1)式定义的Mean Shift向量就是对落入区域中的k个样本点相对于点的偏移向量求和然后再平均.从直观上看,如果样本点从一个概率密度函数中采样得到,由于非零的概率密度梯度指向概率密度增加最大的方向,因此从平均上来说, 区域内的样本点更多的落在沿着概率密度梯度的方

13、向.因此,对应的, Mean Shift向量应该指向概率密度梯度的方向. 图1,Mean Shift示意图如上图所示, 大圆圈所圈定的范围就是,小圆圈代表落入区域内的样本点,黑点就是Mean Shift的基准点,箭头表示样本点相对于基准点的偏移向量,很明显的,我们可以看出,平均的偏移向量会指向样本分布最多的区域,也就是概率密度函数的梯度方向.这就是基本的mean shift算法。 基于Mean Shift 算法的图像分割是一种基于区域的分割方法，这种分割方法跟人眼的对图像的分析特性极其相近，并且具有很强的适应性和鲁棒性。它对彩色和灰度图像采取同样的算法，对图像的平滑区域和图像纹理区域并不敏感，

14、所以能够得到很好的分割结果。此方法己经在计算机视觉领域得到了较为广泛的应用并取得了较大的成功。参 考 文 献1 冈萨雷斯.数字图像处理（MATLAB版）M.北京：电子工业出版社，2006.2 赖剑煌.数字图像处理疑难析M.北京：机械工业出版社，2003.3 许录平.数字图像处理M.北京：科学出版社，2007. 4 章毓晋.图像处理和分析M.北京：清华大学出版社，2002.5 张汗灵.MATLAB在图像处理中的应用M.北京：清华大学出版社，2008.6 Fukunaga K, Hostetler L D. The estimation of the gradient of a density f

15、unction with applications in pattern recognition J. IEEE Trans on Information Theory, 1975, 21(1): 32-40.7 Cheng Y Z. Mean shift, mode seeking, and clusteringJ. IEEE Trans on Pattern Analysis and Machine Intelligence, 1995, 17(8): 790-799.8 Comaniciu D, Meer P. Mean shift analysis and applications C

16、. Proc of the IEEE Int Conf on Computer Vision. Kerkyra, 1999: 1197-1203.9 Comaniciu D, Meer P. Distribution free decomposition of multivariate data J . Pattern Analysis and Applications, 1999, 2(1): 22-30.10 Comaniciu D, Ramesh V, Meer P. Real-time tracking of non-rigid objects using mean shiftC. P

17、roc of the IEEE Conf on Computer Vision and Pattern Recognition.Hilton Head Island, 2000: 142-149.11 Comaniciu D, Ramesh V, Meer P. The variable bandwidth mean shift and data-driven scale selection C. Proc of the IEEE Int Conf on Computer Vision. Vancouver, 2001: 438-445.12 Comaniciu D, Meer P. Mean

18、 shift: A robust approach toward feature space analysis J. IEEE Trans on Pattern Analysis and Machine Intelligence, 2002, 24 (5): 603-619.13 Comaniciu D. An algorithm for data-driven bandwidth selection J. IEEE Trans on Pattern Analysis and Machine Intelligence, 2003, 25(2): 281-288. 15 Comaniciu D,

19、 Ramesh V, Meer P. Kernel-based object tracking J. IEEE Trans on Pattern Analysis and Machine Intelligence, 2003, 25(5): 564-575.16 V. N. Vapnik, Statistical Learning Theory, Wiley, New York, 1998.17 N. Cristianini and J. Shawe-Taylor, An Introduction to Support Vector Machines,Cambridge Univ. Press

20、, Cambridge, 2000.18 F. Camastra and A. Verri, A novel kernel method for clustering, IEEE Trans. PatternAnalysis and Machine Intelligence 27 (2005) 801-805.19 M. Girolami, Mercer kernel based clustering in feature space, IEEE Trans. NeuralNetworks 13 (2002) 780-784.20 K.R. Muller, S. Mika, G. Ra&tsc

21、h, K. Tsuda, and B. Sch o&lkopf, An introduction tokernel-based learning algorithm, IEEE Trans. Neural Networks 12 (2001) 181-202.21 B.W. Silverman, Density Estimation for Statistics and Data Analysis, Chapman and Hall,New York, 1998.22 K. Fukunaga and L.D. Hostetler, The estimation of the gradient

22、of a density function withapplications in pattern recognition, IEEE Trans. Information Theory 21 (1975) 32-40.23 Y. Cheng, Mean shift, mode seeking, and clustering, IEEE Trans. Pattern Analysis andMachine Intelligence 17 (1995) 790-799.24 R.R. Yager and D.P. Filev, Approximate clustering via the mou

23、ntain method, IEEE Trans.Systems, Man and Cybernetics 24 (1994) 1279-1284.25 D. Comaniciu, An algorithm for data-driven bandwidth selection, IEEE Trans. PatternAnalysis and Machine Intelligence 25 (2003) 281-288.26 D. Comaniciu and P. Meer, Mean shift: A robust approach toward feature space analysis

24、,IEEE Trans. Pattern Analysis and Machine Intelligence 24 (2002) 603-619.27 K.I. Kim, K. Jung and J.H. Kim, Texture-based approach for text detection in imagesusing support vector machines and continuously adaptive mean shift algorithm, IEEETrans. Pattern Analysis and Machine Intelligence 25 (2003)

25、1631-1639.28 X. Yang and J. Liu, Unsupervised texture segmentation with one-step mean shift andboundary markov random fields, Pattern Recognition Letters 22 (2001) 1073-1081.29 D. Comaniciu, V. Ramesh and P. Meer, Kernel-based object tracking, IEEE Trans.Pattern Analysis and Machine Intelligence 25

26、(2003) 564-577.30 N.S. Peng, J. Yang and Z. Liu, Mean shift blob tracking with kernel histogram filteringand hypothesis testing, Pattern Recognition Letter 26 (2005) 605-614.31 O. Debeir, P.V. Ham, R. Kiss and C. Decaestecker, Tracking of migrating cells nuderphase-contrast video microscopy with com

27、bined mean-shift processes, IEEE Trans.35Medical Imaging 24 (2005) 697-711.32 H. Chen and P. Meer, Robust fusion of uncertain information, IEEE Trans. Systems,Man and Cybernetics-Part B: Cybernetics 35 (2005) 578-586.33 M. Fashing and C. Tomasi, Mean shift is a bound optimization, IEEE Trans. Patter

28、nAnalysis and Machine Intelligence 27 (2005) 471-474.34 S.L. Chiu, Fuzzy model identification based on cluster estimation, J. Intelligent andFuzzy Systems 2 (1994) 267-278.35 M.S. Yang and K.L. Wu, A modified mountain clustering algorithm, Pattern Analysis andApplications 8 (2005) 125-138.36 N.R. Pa

29、l and D. Chakraborty, Mountain and subtractive clustering method:Improvements and generalizations, Int. J. Intelligent Systems 15 (2000) 329-341.37 B.P. Velthuizen, L.O. Hall, L.P. Clarke and M.L. Silbiger, An investigation of mountainmethod clustering for large data sets, Pattern Recognition 30 (19

30、97) 1121-1135.38 K. Fukunaga, Introduction to Statistical Pattern Recognition, Academic Press, 1990.39 G. Beni and X. Liu, A least biased fuzzy clustering method, IEEE Trans. Pattern Analysisand Machine Intelligence 16 (1994) 954-960.40 P.J. Huber, Robust Statistics. Wiley, 1981.41 X. Zhuang, T. Wan

31、g, and P. Zhang, A highly robust estimator through partially likelihoodfunction modeling and its application in computer vision, IEEE Trans. Pattern Analysisand Machine Intelligence 14 (1992) 19-35.42 K.L. Wu and M.S. Yang, Alternative c-means clustering algorithms, Pattern Recognition35 (2002) 2267

32、-2278.43 C.V. Stewart, Minpran: A new robust estimator for computer vision, IEEE Trans. PatternAnalysis and Machine Intelligence 17 (1995) 925-938.44 R.N. Dave and R. Krishnapuram, Robust clustering methods: A unified view, IEEETrans. Fuzzy Systems 5 (1997) 270-293.45 H. Frigui and R. Krishnapuram,

33、A robust competitive clustering algorithm withapplications in computer vision, IEEE Trans. Pattern Analysis and Machine Intelligence21 (1999) 450-465.46 K. Rose, E. Gurewitz and G.C. Fox, Statistical mechanics and phase transitions inclustering, Physical Review Letters 65 (1990) 945-948.47 K. Rose,

34、E. Gurewitz, and G.C. Fox, A deterministic annealing approach to clustering,Pattern Recognition Letters 11 (1990) 589-594. 毕 业 设 计（论 文）开 题 报 告本课题要研究或解决的问题和拟采用的研究手段（途径）：2.1 本课题要研究或解决的问题本课题探究数字图像处理的一项关键技术数字图像分割，要求学生在学习和掌握均值漂移的基础上，研究均值漂移相关算法，并且将它应用于图像分割。通过本课题，使自己熟悉和掌握均值漂移、数字图像处理中的相关技术和理论通过本课题。并且还可以培养和锻

35、炼自己的自学（如相关资料的查找）和计算机编程能力（如开发工具的熟悉和应用）以及论文撰写、外文资料翻译等能力。2.2 拟采取的研究手段：2.2.1 前期准备查阅相关资料，了解并熟悉均值漂移和数字图像处理中相关理论和若干技术。学会应用开发语言如MATLAB或VC。撰写开题报告、外文翻译等。学习研究与图像分割相关的实例，结合这些实例学习和掌握开发技术，为进一步顺利完成本课题的开发奠定基础。2.2.2 系统分析与设计及实现 研究均值漂移相关算法，并且将它应用于图像分割。2.2.3 完成论文在导师悉心具体的指导之下，在对本课题开发的基础上，总结毕业设计的全过程，熟悉基于均值漂移的图像分割技术，完成本课题的研究并撰写论文。 毕 业 设 计（论 文）开 题 报 告指导教师意见：1对“文献综述”的评语：2对本课题的深度、广度及工作量的意见和对设计（论文）结果的预测： 指导教师： 年 月 日所在专业审查意见： 负责人： 年 月 日