基于多特征的彩色图像融合分割方法研究.doc

1、合肥工业大学硕士学位论文基于多特征的彩色图像融合分割方法研究姓名：张利利申请学位级别：硕士专业：信号与信息处理指导教师：胡良梅2011-04Color image fusion segmentation methods based on multi-feature ABSTRACT Image segmentation is an important technology in image processing, and has been widely applied in traffic, medicine, agriculture, industry, and so on. It is a

2、lso a classical problem in computer vision which has not been well solved. There are many methods of image segmentation, however, most of them only can be used in specific images, do not have universal applicability and validity. In recent years, some researchers introduce information fusion strateg

3、y to image segmentation in order to improve the segmentation effect. The research of color image fusion Segmentation method has broad application prospects. This thesis includes the following contents: (1) We introduced the definition and the general process of image segmentation, summarized the mai

4、n method of image segmentation. (2) We introduced the definition and basic principle and hierarchical structure of information fusion, summarized the method of image segmentation based on fusion, described the segmentation method based on feature fusion and the segmentation method based on multi-sca

5、le fusion in detail, collated the classical evaluation criteria of image segmentation. (3) In order to solve the problem of presenting complex scene information in a specific single color space, we use a method based on hierarchical clustering to fuse multiple segmentation results of multiple color

6、space. We carried out segmentation experiments on Berkeley segmentation database and compared with a variety of classical segmentation methods. The experimental results indicated that this segmentation method can get higher segmentation accuracy, and had advantages for overcoming over segmentation p

7、roblem. (4) According to the segmentation evaluation criteria PRI, we derive a fusion model for combining multiple segmentation results, through minimizing the Gibbs energy function of this model to obtaine the optimal fusion result. We carried out a variety of experiments on Berkeley segmentation d

8、atabase and compared with other classical segmentation methods. The experiments indicated that the segmentation results of this method were more consistent with the ground truth. Keywords：Image segmentation; Fusion segmentation; multiple color space; PRI fusion model 插图清单 图1-1 图像分割在图像工程中的位置.1 图1-2 图

9、像分割的一般过程.3 图2-1 数据层融合.8 图2-2 特征层目标状态融合.9 图2-3 特征层目标特性融合.9 图2-4 决策层融合.10 图3-1 基于层次聚类的多颜色空间融合分割框图27 图3-2 估算RGB颜色空间中像素的颜色直方图描述符.29 图3-3 6个颜色空间聚类结果的比较33 图3-4 增强处理对分割结果的影响.34 图3-5 几种分割算法在Berkeley分割图像库中分割结果比较.36 图3-6 几种分割算法对自己拍摄图像分割结果的比较.37 图4-1 分阶邻域系统.40 图4-2 4个尺度6个方向的Gabor滤波器.46 图4-3 本章方法与其他方法分割结果比较48 表

10、格清单 表1-1 现有主要分割方法总结.4 表3-1 6个颜色空间聚类结果的定性比较.33 表3-2 几种算法的分割性能比较.37 表4-1 几种算法的分割性能的对比.49 表4-2 未融合纹理特征与融合纹理特征分割结果比较.49 独 创 性 声 明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标志和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得 合肥工业大学 或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。 学位论文作者签字： 张利利 签

11、字日期：2011年 4月 16日 学位论文版权使用授权书 本学位论文作者完全了解 合肥工业大学 有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅或借阅。本人授权 合肥工业大学 可以将学位论文的全部或部分论文内容编入有关数据库进行检索，可以采用影印、缩印或 扫描等复制手段保存、 汇编学位论文。 （保密的学位论文在解密后适用本授权书） 学位论文者签名：张利利 导师签名：胡良梅 签字日期：2011年 4月 16日 签字日期：2011年 4月 16日 学位论文作者毕业后去向： 工作单位： 电话： 通讯地址： 邮编： 1第一章 绪论 1.1 图像分割的目

12、的及意义 科学研究表明，在人类获得的各种信息中大约有80%的信息来自视觉信息或者说图像(Image)信息，包括图像、图形、视频、文本、动画等，这是人类最有效的获取信息的方式，也是最重要的交流方式1。随着计算机技术的发展，越来越多的人利用计算机技术来获取和处理视觉图像信息，图像处理技术已成为视觉图像研究的主要手段，图像处理技术也越来越受到人们的关注。虽然计算机视觉研究已取得了较多的研究成果，但至今未能研究出一种能和生物视觉性能相当的自主视觉系统，其中一个相当重要的因素是生物的视觉系统很容易完成对复杂场景的快速、准确的分割，而计算机视觉系统在进行图像分割时却很难达到相应的速度和精度，所以要使计算机

13、视觉技术进一步发展，必须研究快速、有效的图像分割技术1。 在图像的研究和处理过程中，人们往往感兴趣的只是图像中的某些部分，这些部分被称为前景或目标，其他部分被称为背景；为了对目标进行分析和识别，需要对这些目标区域进行分离和提取，在此基础上才能进行进一步的分析处理；图像分割的目的就是为了将图像中的目标与背景分离，是一种在实际中大量应用的重要的图像技术3。图像技术在广义上是各种与图像有关的技术的总称，它包括的范畴很广，但可以根据其研究方法和抽象程度等的不同，分为各具特点又相互联系的3个层次：图像处理、图像分析和图像理解，这三者构成一个整体框架图像工程12。图像分割(Image segmentati

14、on)在图像工程中占据重要的地位，是由图像处理进入图像分析的关键环节，图1-1显示了图像分割在图像工程中的位置；图像分割是对图像进行进一步的分析、理解和识别等处理的基础5。 图像理解图像处理图像分析图像分割参数测量目标表达符号目标像素操作系统图1-1 图像分割在图像工程中的位置 图像分割的应用十分广泛，例如，在交通图像分析中，需要将车辆目标从2背景中分割出来6；在自动文字识别系统中，需要对各种印刷体进行处理，将文字从中分割出来；在遥感图像应用中，将目标从SAR图像7或Lidar图像10中分割出来；在医学应用中，将脑部MR图像分割成白质(WM)、灰质(GM)、脑脊髓(CSF)等脑组织区域和其它非

15、脑组织区域8,9；在农业应用中，图像分割被用于户外植物的监测中11等。在这些应用中，图像分割是后续图像分析和理解等处理的基础，分割结果的优劣直接影响随后的图像分析及理解的有效性4，因此图像分割具有十分重要的意义。 但是，图像分割一直是计算机视觉研究中的经典难题之一，尽管一直受到研究人员的关注与重视，但其进展缓慢，依然是计算机视觉研究中的一个瓶颈。虽然目前存在的图像分割方法很多，但这些方法往往只对特定种类的图像有效，由于图像种类的多样性，目前还没有一种分割方法具有普遍的适应性和有效性；可以预见，在未来的几年中，迫切需要解决的图像分割问题仍会是研究的热点1。 1.2 图像分割的定义及分割一般过程

16、图像分割是指按照一定的标准将图像中具有特殊意义的不同区域分割开来，并使这些区域互不相交，且每个区域都满足特定区域的一致性条件2。对于图像分割人们提出了多种不同的表达和解释，可借助集合概念用如下方法定义： 令集合 R 表示一幅图像的所有区域，对 R 的分割可看作是将 R 分成若干个非空的子集(子区域) R1,R2,Rn，该划分需满足以下5个条件12： (1)1niiRR=； (2)对所有的 i和 j， i j，有 ijRR =； (3)对 i=1,2,n，有 P(Ri)=TRUE； (4)对 i j，有 P(Ri Rj)=FALSE； (5)对 i=1,2,n， Ri是连通的区域。 其中， P(

17、Ri)是对所有在集合 Ri中的元素的逻辑谓词，表示集合 Ri中元素的某种性质，表示空集。 上述条件中，条件(1)指出分割得到的所有子区域之和应该包含图像中的所有像素点；条件(2)指出分割得到的所有子区域之间应该互不重叠；条件(3)指出分割后得到的属于同一子区域内的所有像素都应该满足此区域特有的特性；条件(4)指出分割得到的各个子区域具有各自不同的特性；条件(5)要求分割得到的各个子区域内部的像素是连通的12。图像分割都是按照一定的分割准则进行的，条件(1)和条件(2)表明分割准则应适用于每个区域和每个像素，条件(3)和条件(4)表明分割准则应能体现出各个区域中像素特有的性质，条件(5)表明区域

18、3中的像素点必须与某个预定义的准则相联系12。 针对不同的应用场合以及不同种类的图像，研究出很多不同的分割方法，但这些分割方法的处理过程基本相同，可以概括为如下四个步骤：(1)图像预处理；(2)特征提取；(3)分割策略；(4)分割后处理1。图1-2给出了图像分割的一般过程。 图像预处理特征提取分割后处理分割策略特征组合特征计算图1-2 图像分割的一般过程 图像预处理是为特征提取做准备的，预处理的目的是去除对特征提取有不利影响的因素，使从预处理后的图像中提取的特征更易于进行图像分割。对于不同种类的图像，预处理的方法也不尽相同；例如，对于SAR图像，预处理就需要进行滤波处理，去除乘性噪声等对分割处

19、理的影响；对于一些医学图像，在进行分割前需要对图像进行增强处理，使图像中感兴趣部分更加突出，图像预处理对最终的分割效果有较大的影响1。 特征提取是图像分割中的关键步骤，在图像分割中，由于图像的数据量很大，所以需要通过某种度量测量对象的特殊属性来区分对象，用于度量对象的特殊属性称为对象的特征。提取到的特征与原图像或经过预处理的图像相比，具有较少的数据量，这将减少后面处理步骤的计算量。用于图像分割的特征主要有：(1)图像幅度特征：主要有像素灰度值、频谱值、彩色的色度值等；(2) 图像几何特征：主要有周长、面积、分散度、曲线的斜率和曲率、凹凸性、拓扑特性等；(3) 图像统计特征：主要有直方图、均值、

20、方差、熵、能量、自相关系数、协方差等；(4)图像变换系数特征：主要有傅里叶变换系数、K-L变换、哈达玛变换等1。此外，选择的特征应具有如下4个特点：(1)可区分性：对于属于不同类别的对象，其特征值应具有明显的差异；(2)可靠性：对于属于同一类别的对象，其特征值应很接近；(3)独立性：所用的各个特征之间应互不相关；(4)数量少：分割算法的计算量会随着特征数量的增多而迅速增加，所以应尽量减少特征的数量1。 分割策略与特征提取是紧密联系的，分割策略是根据特征提取步骤得到的特征对图像进行分割处理的，通过特征组合和特征计算得到图像的特征信息，根据特征值的不同将图像点划分到不同的类别中；有时，一次计算过程

21、并不能得到很好的分割结果，需要将分割结果反馈到前一环节，对提取的特征进行修正，以得到更有效的特征用于再次分割，如此迭代下去，直到得到满意的结果1。 分割后处理阶段主要是根据分割的目的对得到的分割结果进行进一步的处4理，以得到更好的分割效果。例如，对得到的分割结果进行区域合并或区域内的滤波、去噪等，使得分割结果更加准确、合理。 1.3 图像分割算法概括 图像分割的重要性使得它一直是计算机视觉研究中的热点，针对不同的应用场合及不同种类的图像，出现了许多分割方法。现有的主要图像分割方法有：阈值法、边缘检测法、区域法、聚类法、模糊理论法、神经网络法等。但这些分割方法大都针对某一具体问题，没有普遍的适用

22、性。表1-113给出了这些方法的简单描述和各自的优缺点。 表1-1 现有主要分割方法总结 分割方法 方法描述 优点 缺点 阈值法 要求图像的直方图有一些波峰，每个波峰对应一个区域 不需要图像的先验知识。计算复 杂度低 (1)对于没有明显波峰或宽而平的波谷的图像不能很好的分割 (2)不考虑空间细节，所以不能保证分割后的区域是邻接的 边缘检测法 基于不连续的检测，通常设法定位灰度级或多或少突变的点。通常分为 两类：顺序的和并行的 边缘检测方法是人类感知物体的方式，对于区域 间有很大对比度的图像分割效果好 (1)对于边界不清晰或有许多边界的图像不能很好地分割 (2)产生一个封闭的曲线或边界比较困难

23、(3)和其他的方法(如阈值和聚类)相比，边缘检测 法更易受噪声影响 区域法 将像素归类为同质区域，包括区域生长、区域分裂、区域合并或它们的组合 当区域同质准则容易确定时分割效果最好。和边缘检测方法相比较不易受噪声影响 (1)在计算时间和内存上的开销都相当大 (2)区域生长对种子区域的选择和检验像素与区域的顺序有固有的依赖 聚类法 假设图像中的每个区域在特征空间形成一个单独的聚类，一般可以分为两步：(1)在特征空间中将点归类到聚类中；(2)映射聚类回空间域形成分离的区域 分类简单且容易执行 (1)怎样确定聚类的数目(称为聚类有效性) (2)特征是依赖于图像的，怎样选择特征以获得满意的分割结果仍然

24、不清楚 (3)没有利用空间信息 5模糊理论法 应用模糊算子、性质、数学和推理法则(IF-THEN法则)，提供处理由于歧义性而不是随机性固有的不确定性问题的方法 模糊隶属函数可以用来表示一些性质或语言短语的程度，模糊IF-THEN法则可以用来执行近似推理 (1)模糊隶属度的确定不是件简单的工作 (2)模糊方法涉及的计算可能会密集 神经网络法 用神经网络去执行分类或聚类 不需要复杂的程序，可充分利用神经网络的并行特性 (1)训练时间长 (2)初始化可能影响结果 (3)应避免过度训练 图像分割技术中常存在的矛盾是:分割的精确性与鲁棒性的矛盾、过分割和欠分割的矛盾1。这些矛盾用现有的基本分割方法较难解

25、决，这些基本的图像分割方法大多只对特定的图像或特定的应用场合有效，不具有普遍的适应性，且分割的准确性往往并不高。为了提高分割效果，人们做了大量的研究工作，近年来，出现了一些与特定理论、方法和工具相结合的分割技术，如基于图论方法14,15、基于小波域隐马尔可夫模型16、基于mean-shift技术17等。虽然这些新兴的分割方法在一定程度上提高了分割效果，但仍未能很好地解决图像分割中常存在的矛盾。 近来，一些研究者将信息融合的策略引入到图像分割中，通过融合多种图像特征进行分割或通过融合同一分割方法或不同分割方法对多种图像特征的多个分割结果来提高分割效果，该策略的可行性和有效性在医学图像18、遥感图

26、像19和自然场景图像20分割上都得到了验证。 信息融合技术是研究如何加工与协同利用多源信息，并使各种不同形式的信息相互补充，以获得对同一目标或事物更本质、更客观的认识的一门信息综合处理技术62。信息融合技术的理论与方法的研究已成为智能信息处理研究领域的一个重要分支，涉及信息科学的多个领域，是多学科、多领域所共同关心的高层次关键技术。信息融合按照信息表征层次的不同，从低到高可以分为数据层融合、特征层融合和决策层融合，每层都各有优缺点以及适用范围，信息融合技术的研究在不少领域都已取得了显著的成果 将融合策略应用到图像分割中，通过融合的方法来结合多种分割结果的优点，可以在一定程度上解决图像分割中存在

27、的两个矛盾，在保证鲁棒性的同时，提高分割准确性，在一定程度上改善过分割问题和欠分割问题。基于融合的分割方法已得到人们的关注，将会成为分割方法研究中很有前景的一个研究方向。 1.4 本论文的主要工作及章节安排 6本文搜集和总结了近年来国内外通过融合策略进行图像分割的最新研究进展，且着重对彩色图像分割进行了研究，通过对彩色图像的特征选择和融合策略进行综合分析研究，实现了两种新的基于融合的彩色图像分割方法。本文的主要工作及结构安排如下： 第一章是绪论，概括介绍了图像分割的目的和意义、图像分割的定义和分割的一般过程、图像分割的现状和本文的主要工作。 第二章对信息融合的基本知识进行介绍，并对现有基于融合

28、的分割方法的研究进展进行整理和总结，最后给出了现有的较常用的图像分割性能评价标准的介绍。 第三章针对彩色图像分割中颜色空间难以选取的问题，实现了一种融合多个颜色空间分割结果的层次聚类融合分割方法。同时针对一些彩色图像中由于目标与背景的对比度低而易产生误分割的问题，提出了将图像增强技术应用到彩色图像中，通过增强目标与背景的对比度来突出目标区域，使分割得到的图像能更好地体现目标区域轮廓线。并在标准分割图像库中进行了分割实验，实验结果表明此分割方法可以得到较好的分割效果。 第四章通过对图像的分割评价指标PRI进行分析，推导出一个用于图像分割的融合模型。并通过优化策略优化融合模型，以得到最优的融合结果

29、。在标准分割图像库上进行了大量实验，并与多种经典的分割方法进行定性和定量的比较，实验结果表明了此融合分割方法的有效性。 第五章对本文的主要工作进行总结，并对后续的研究工作做了展望。 7第二章 基于信息融合的图像分割 2.1 信息融合的定义及基本原理 信息融合(Fusion)的概念最早出现在70年代初期，当时还没有统一的名称，出现很多不同的名称，如：多元相关、多传感器混合、数据融合、合成、合并、协同等。80年代起信息融合得到迅速发展，名称也逐渐趋于统一，目前统一称为信息融合或数据融合。信息融合是指采集并集成各种信息源，如多媒体和多格式信息，从而生成准确、完整、及时和有效的综合信息过程21。 信息

30、融合的概念并不陌生，人类和动物普遍存在信息融合的生物功能。人类可以本能地将多种功能器官（口、鼻、眼、耳、四肢等）探测到的信息（味道、气味、景物、声音、触觉等）进行综合，并结合先验知识对周围环境进行分析，以做出全面、有效的判断和解释。人脑综合利用各种信息的过程是非常复杂的，需要对多种信息进行大量的智能处理，信息融合实际上是对人脑综合考虑各种复杂信息的过程的模拟23。从多种传感器获得的信息可能具有各种不同的特性，如：时变的或时不变的、稳定的或非稳定的、实时的或非实时的、快变的或缓变的、确定的或模糊的、相互支持的或相互冲突的等。多源信息融合的过程与人脑综合处理多种信息的过程很相似，通过对多种信息的综

31、合分析，对在空间或时间上的互补或冗余信息按照某种准则进行组合，充分利用各种信息，以获得对被测对象一致性的描述或解释23。 经过融合得到的信息比直接从各信息源得到的信息更简洁、冗余性更小、价值更高。信息融合通过综合多个传感器的多种信息，使得对目标的描述更加全面、准确、可靠，消除了单一信息存在的不确定性。经过融合后的信息具有以下特征：互补性、冗余性、实时性、协同性以及低成本性22。 2.2 图像信息融合及其层次分类 图像信息融合是信息融合的一个重要研究方向。多传感器图像融合是指对不同传感器获得的同一场景的不同图像进行空间配准，通过对配准后的图像进行有效的结合，使获得的图像很好地结合了各个信息源图像

32、的优势信息，达到优势信息相互补充的综合分析技术。经过融合得到的图像能最大限度地利用各个信息源图像的有效信息，弥补单个信息源的不足；与单一传感器图像相比可以提高对图像场景的理解能力、综合分析能力以及对场景目标识别的准确率，减少单一信息源对场景目标感知的不全面性、不确定性以及存在的误差26。 按照融合过程信息抽象程度的不同，可以把图像信息融合分为三个从低到高的层次：数据层(Data Level)融合、特征层(Feature Level)融合、决策层(Decision Level)融合24,25。 82.2.1 数据层融合 数据层融合又称为像素层融合，它是直接对各个传感器采集到的原始数据进行融合，是

33、最低层次的融合。数据层图像融合需要先对不同的传感器图像进行配准，然后直接对配准后的不同传感器图像数据进行融合，后续的图像处理和分析等是对融合后的结果图像进行特征提取和判决的，图2-1给出了数据层图像融合的方法框图26。 现象图像传感器1图像传感器N图像传感器2图像配准特征提取判别结果数据层融合图2-1 数据层融合 数据层融合可以尽可能多地保持原始数据的细节信息，融合准确率高，这是其他层次融合较难达到的，但它也存在许多不足之处：(1)它是对传感器采集到的原始信息进行处理，数据量非常大，处理时间长，实时性差；(2)传感器获得的原始信息具有不稳定性、不完全性和不确定性，所以对原始信息进行融合时要有较

34、高的纠错能力；(3)进行图像融合时，用于融合的各传感器信息间的校准精度需达到一个像素，所以要求各传感器是同质传感器；(4)数据层融合数据通信量大，抗干扰能力较差23。数据层图像融合的一个难点是多传感器图像之间的配准问题，这要求经配准后的多幅图像上对应的像素点代表同一位置。由于图像传感器是非线性的，并且被观察的三维空间与图像的二维空间之间需要进行复杂的变换，这使得图像配准问题变得更加困难。 数据层融合生成的结果往往是便于人眼识别和理解的图像集合，常应用于图像分析与理解、多源图像复合等方面。图像分析与理解方面主要是利用高分辨率扫描传感器（如合成孔径雷达、热成像仪、TV传感器等）的输出，解决目标场景

35、的三维模型问题，如利用多源图像序列对三维场景进行重建、景深的合成、三维运动图像光流场的融合计算等；多源图像复合是指对由不同传感器获得的同一场景的多幅图像进行配准、重采样和合成等处理后，得到一幅合成图像的技术，使获得的图像克服了单一传感器图像在光谱、分辨率、几何等方面存在的差异性和局限性，提高了图像质量23。 2.2.2 特征层融合 特征层融合是在图像信息的中间层进行的，它对传感器的原始信息经过预处理后进行特征提取(特征可以是纹理、轮廓、边缘、亮度等)，并对提取到的9特征信息进行特征关联处理，以把特征向量变换成有意义的组合，然后再对关联后的特征信息进行综合分析和处理62。可以把特征层融合分为两大

36、类：目标状态数据融合、目标特性融合。 目标状态数据融合首先是融合系统对各个传感器数据进行预处理以完成数据的配准，然后再对配准后的数据进行参数关联和状态向量估计 23,62。图2-2给出了目标状态融合的基本结构，常用的方法是序贯估计技术，其中包括卡尔曼滤波和扩展卡尔曼滤波23；目标状态数据融合主要应用于多传感器目标跟踪领域。目前目标状态数据融合遇到的主要难题是对于复杂的环境如何建立具有稳健性与自适应性的目标机制和环境模型，以及如何有效降低数据关联与状态估计的计算复杂性。 现象图像传感器1图像传感器N图像传感器2数据配准数据配准数据配准关联目标状态估计目标数据库 图2-2 特征层目标状态融合 目标

37、特性融合就是在特征层进行联合识别，实质上属于模式识别的问题，也是利用模式识别相应技术作为融合方法的，但是在融合前需要对提取的特征进行特征关联，把特征向量变成有意义的组合，然后再进行特征融合；对融合得到的特征信息进行判决处理，可获得期望的识别结果62。图2-3给出了特征层目标特性融合的方法框图。常用的实现技术包括聚类算法、参数模版法、人工神经网络、K阶最近邻、模糊积分等23。 现象图像传感器1图像传感器N图像传感器2特征提取特征提取特征提取特征关联判别结果特征融合图2-3 特征层目标特性融合 由于特征层融合是对从各个传感器图像提取的特征信息进行融合，大大降10低了数据处理量，便于实时处理；并且提

38、取的特征通常与决策分析直接相关，所以获得的融合结果可以最大限度地给出决策分析所需的特征信息62。特征层融合在理论与应用上都逐渐趋于成熟，有着良好的发展和应用前景。 2.2.3 决策层融合 决策层融合是在最高层信息上进行的融合，用多种不同类型的传感器观察同一目标，对各个传感器所测信息分别进行基本的处理，包括预处理、特征提取、识别等，以获得各个传感器对所观察目标的初步判断，然后通过关联处理进行决策层融合判决，以获得对目标的最终联合判决结果23。图2-4显示了决策层融合的方法框图。决策层融合的结果图像为特征符号图像，决策层融合的实质是根据各个传感器的决策的可信度按照一定的准则进行协调，以做出全局最优

39、的决策；决策层融合采用的主要方法有：D-S证据理论、贝叶斯推断、专家系统方法、模糊集理论等62。 现象图像传感器1图像传感器N图像传感器2特征提取特征提取特征提取判别判别判别决策层融合结果图2-4 决策层融合 决策层融合输出的是联合判决结果，从理论上来说联合判决结果优于任何单一传感器的决策结果，比任何单一决策结果都更准确。决策层融合的主要优点有：(1)融合的数据量少，对通信及传输要求低；(2)容错性好，当一个或多个传感器出现干扰信息，可以通过适当的融合方法予以消除，仍可得到正确的结果；(3)对传感器的依赖性小、要求低，传感器可以是同质的也可以是异质的；(4)分析能力强，可以全面有效地反映目标和

40、环境不同类型的信息，满足不同应用的需要23。 目前有关决策层上的融合已取得大量的研究成果，如机器人视觉信息处理、工业过程故障检测、多传感器目标检测、战术飞行器平台上用于威胁识别的报警系统等，决策层融合已成为信息融合研究的一个热点62。 2.3 基于信息融合的图像分割方法及研究现状 图像分割是图像处理与分析中的重要问题,也是计算机视觉研究中的一个经典难题。由于图像分割的重要性使得它一直都是研究的热点，虽涌现出大量的分割方法，但迄今为止，大部分研究成果都是针对某一类型图像、某一具体11应用的分割。在分割中，我们会遇到许多矛盾，如何合理的平衡这些矛盾一直是大家研究的重点。由于现有的图像分割方法都有一

41、定的优点和不足，为了克服图像分割中的不足、发挥其优势，将信息融合策略应用到图像分割中，通过对所处理的对象进行多方面、多角度的全面分析，得到代表不同特征的有效信息，对不同的特征进行融合处理，使优势互补，利用融合得到的信息进行分割；或对所处理的对象同时根据不同特征分别实施分割，对得到的不同结果进行综合、加权以得到最佳的分割效果27。国内外已针对信息融合技术在图像分割中的应用做了大量的研究，也取得了不少研究成果。目前，有关融合分割的研究主要集中在两个方面，一是基于特征融合的分割方法；二是基于多尺度融合的分割方法。 2.3.1 基于特征融合的分割方法 在特征层上对图像进行融合分割已成为融合分割的一个主

42、要研究方向，有关灰度图像、纹理图像和彩色图像的大量分割实验和应用证明了通过融合多种特征信息进行图像分割更有利于取得合理的分割效果。 在灰度图像分割中，一般采用基于灰度值的一致性或相近性来进行图像的分割，但这种方法只考虑了图像的灰度信息，对于一些纹理信息比较明显的图像（如CT、MRI医学图像）往往分割效果并不理想。于水等人基于信息融合的思想，针对一类纹理明显的医学图像，提出了一种结合灰度信息和纹理信息的区域增长图像分割方法，首先采用灰度共生矩阵的方法计算每个区域的纹理特征值，同时计算每个区域的灰度平均值，然后将灰度平均值和纹理特征值串联为一个特征向量，最后对融合后的特征信息用基于金字塔结构的区域

43、增长算法进行分割，实验结果表明，该方法对某一类医学图像能够获得较好的分割效果28。 纹理图像分割是将一幅图像中的同一纹理区域划分为一类的过程。目前，所有的分割算法均致力于在划分过程中处理好同一性（均匀区域）和不连续性（区域之间边界的确定）这一对矛盾，利用特征融合的方法可以从一定程度上解决这对矛盾，提高分割的准确性。David A. Clausi等人提出了一种融合Gabor滤波纹理特征和灰度共生矩阵(GLCP)纹理特征来提高纹理识别的方法，判别分析表明通过融合得到的纹理特征与单个的特征比起来更具分离性，融合的特征在分割准确性方面始终优于单个的特征，且融合的特征对于维数危害和加性噪声具有鲁棒性；总

44、的来说，融合的特征相对于非融合的特征具有明显的改进29。舒远等人综合考虑纹理的统计特征和结构特征，提出了一种融合GMRF（高斯马尔科夫随机场）和Gabor滤波提取的纹理特征进行纹理分割的方法，首先对纹理图像使用马尔科夫随机场(MRF)纹理模型进行参数估计，得到纹理的统计特征，同时对图像进行不同尺度和不同角度的Gabor滤波处理，得到纹理图像的结12构特征，然后对两类特征进行信息融合得到能同时反映纹理结构特征和统计特征的特征向量，最后采用K-Means聚类算法实现纹理图像的分割；实验结果表明，该算法适用于不同类型的纹理图像，与传统的只利用一种纹理特征进行分割的方法相比，该方法在区域一致性和边缘准

45、确性等方面都有明显改善30。陈宏涛采用灰度共生矩阵(GLCP)提取具有旋转不变性的纹理特征，同时采用提升小波在频域上提取纹理特征，并且利用等权值的融合规则融合提取到的两种纹理特征，最后采用模糊C均值聚类对图像进行聚类分割；实验分析发现这种方法结合了两种传统方法的优点，与单独使用一种方法的结果相比在边缘准确性和区域一致性上有一定的提高，且这种方法对于自然图像以及雷达图像的分割也同样有效31。 由于彩色图像比灰度图像包含更多更丰富的信息，彩色图像受到越来越多的关注，而彩色图像分割是彩色图像研究中一个重要的方面。对于彩色图像分割颜色空间及特征的选择一直是一个未能得到很好解决的问题。针对彩色图像分割中

46、颜色空间难以选取的问题，Max Mignotte提出融合多个颜色空间分割结果进行图像分割的方法，对一幅输入图像分别在6个不同的颜色空间（RGB、HSV、YIQ、XYZ、LAB、LUV）对量化后的颜色直方图用K-means进行聚类，得到6个初始分割结果，然后将6个初始分割结果的类标记局部直方图串联起来作为输入特征，再采用K-means进行聚类，得到融合的分割结果，最后对融合的结果进行区域合并，得到最终分割结果；Berkeley分割图像库的分割结果证明这种方法在彩色图像分割上取得了很好的分割效果，且方法简单易行20。彩色图像分割若直接对3维直方图进行聚类，计算量巨大，处理速度很慢，可以通过将3维彩

47、色空间投影到2维空间实施分割，但是这种方法的分割精确度不高。为了克服在2维彩色空间进行分割时存在的分割准确度不高的问题，薛河儒等提出了一种融合3个2维彩色子空间分割结果的图像分割方法，对于RGB彩色图像，3个子空间分别取为RG、RB和GB；分别对这3个2维彩色子空间的直方图实施形态学中的watershed分割算法，然后通过区域分裂与合并融合这3个2维空间的分割结果，获得最终的图像分割结果；这种方法比直接在3维空间进行分割的速度快且节约内存，而且分割效果好33。 彩色图像分割既可以基于图像颜色信息也可以基于图像空间信息，若只考虑图像的颜色信息没有考虑空间信息，可能导致得到的分割结果不符合人的视觉

48、感知特性。针对此问题，叶齐祥等提出了一种综合图像的颜色信息和空间信息的彩色图像分割算法，该算法首先对图像进行颜色量化，在此基础上使用增量式的区域生长算法寻找颜色相近的像素之间的空间连通性，得出图像的初始分割区域；然后融合区域的颜色信息和空间信息定义区域距离，并根据区域距离对初始分割区域进行分级合并，直到满足停止区域合并的准则；最后利用形态学的有关算法平滑分割区域的边缘；实验证明，这种方法的分割结果与人的13主观视觉具有良好的一致性34。有时只考虑颜色和空间信息，可能对纹理丰富的图像不能进行有效的分割，针对这种情况，李华等提出一种融合图像的颜色、纹理和空间等特征信息的图像分割方法，通过结合图像的

49、纹理信息、颜色信息和空间信息组成图像分割的特征，然后用均值漂移方法对图像进行滤波，最后再进行区域合并得到最终分割结果；实验表明，这种方法对纹理丰富的自然彩色图像可以获得较好的分割效果35。 综合上述研究结果可以看出，融合多种图像特征进行分割可以取得比单个特征更好的分割效果，且其适用的范围也更广，具有很高的研究价值。本文后面的研究工作也是在基于特征融合的图像分割方法上展开的。 2.3.2 基于多尺度融合的分割方法 自然界的许多现象和过程都具有多尺度特征或多尺度效应，若我们采用多尺度的理论和方法来分析这些现象或过程，则可以更全面地描述这些现象和过程的本质特征；多尺度的分析方法能够综合不同尺度的图像信息，用其进行图像分割可以把精细尺度的精确性与粗糙尺度的易分割性这对矛盾很好地统一起来，故这种分析方法非常适合用于自动或半自动的图像分割1。近来一些研究者选择在不同的尺度上对图像进行分割，再融合各层的分割结果以获得最终的分割结果。