交互式的昆虫图像分割算法研究(源码)
昆虫图像分割是昆虫图像应用的首要基础，将昆虫图像完成分割后，才能进行更加具体的操作与应用，如对昆虫进行计数和鉴定。基于Graph Cut的交互式分割在过去的十年中变得非常流行，如何提高图像分割的质量和效率也成为了越来越受关注的问题。Graph cut过度依赖于用户的标记，标记不同的像素点会导致分割结果也有较大差异。为了使有限的交互带来更充足的先验信息，本文将Mean-Shift（均值偏移）和Lazy Snapping结合起来，降低了噪点对分割结果的影响；为了完成对昆虫图像的分割，选择金龟子、斑点甲虫、甘蓝银纹夜蛾（幼虫）、条纹黄瓜甲虫、夜盗蛾幼虫的图片作为待分割图像，以四种评价指标——运行时间、分割精度、过分割率和欠分割率来衡量算法的优劣。
目录
摘要 1
关键词 1
Abstract： 1
Key words: 1
1选题背景 2
1.1问题的提出 2
1.2交互分割方法的研究状况 2
2图像分割 3
2.1 Watershed算法 3
2.2 Graph Cut算法 3
2.3 Grab Cuts算法 4
3 MSLazy Snapping的构成及流程 4
3.1 MeanShift算法 4
3.2 Lazy Snapping算法 6
3.3 MSLazy Snapping算法 7
4实验分析 7
4.1 编程及运行平台 7
4.2分割算法的结果评价 8
4.2.1评价方法 8
4.2.2评价指标 9
4.3 MeanShift算法调参 9
4.4实验结果 10
4.4.1 运行时间对比 10
4.4.2 分割精度对比 11
4.4.2 过分割率对比 12
4.4.3 欠分割率对比 13
4.4.4实验结果分析 13
5总结与展望 14
5.1总结 14
5.2展望 14
致谢 14
参考文献： 14< *好棒文|www.hbsrm.com +Q: ^351916072^
br /> 基于交互式的昆虫图像分割算法研究
引言
1选题背景
1.1问题的提出
昆虫的种类和数量繁多，对农林业的生产有很大影响，研究昆虫图像将有助于研究昆虫的形态和分布；昆虫图像通常包含多种元素，但只有昆虫本身是研究和分析的目标，为了将昆虫从图像中提取出来，需要运用图像分割技术。
由于昆虫图像分割没有通用的方法，对在不同生活环境下的不同种类昆虫，需要采用不同的分割方法才能得到较好的分割结果，本文的目标是找出不同昆虫图片的相应最优算法。
计算机自主进行昆虫图像分割有一个非常明显的问题，那就是计算机无法完美捕捉到用户的心意，能达到将图像划分成不同的区域的目的，却无法提取出图片的语义信息，导致结果图片与用户预期相差较大。
为了达到较好的分割结果，加入人工标记，可以给计算机一些关于背景和前景目标的参考，使得分割质量大大提高。
传统Graph Cut有4个比较大的缺点：
（1）需要将图像中的所有像素点都进行操作，所以具有较高的计算复杂度；
（2）待分割图像中如果存在噪声，可能会发生错误分割；
（3）分割结果受用户交互的影响比较大，人工标记的像素点不同，很可能得到的分割结果也不同；
（4）图像背景比较复杂的时候，需要标记更多的背景和前景像素点。
1.2交互分割方法的研究状况
交互式图像分割由于加入了人工交互，大大提高了图像分割的准确率，一直以来都是计算机视觉方面的研究热点，近几十年的发展尤其迅速。
1987年提出的主动轮廓（Snake）模型[1]中，用户圈定目标物体后，优化算法会求解该轮廓内外的最小化能量函数，使该轮廓最终与真实的边界重合，从而实现对目标物体轮廓的提取。
1992年，Eric Mortensen 等人提出[2]Live Wire。在该方法中，用户在图像上选择起始点和目标点后，定义好的代价函数会生成两点间的最优路径，寻找累积代价值最小点就成为Live Wire分割图像的关键之处。
2001年，Graph Cut算法[3]被提出，目标和背景像素点将会提前被标记出来，再结合图的概念，定义能量函数来求解全局最优解。
2004年，基于Graph Cut算法的改良算法Lazy Snapping 方法[4]采用Kmeans算法来对图像进行预处理,将图像划分为很多小区域（超像素），基于这些超像素建立图的节点，相邻超像素之间建立边，构建一个图，再采用最大流算法进行分割。
同年，另一个基于Graph Cut算法的改良算法Grab Cuts方法[5]也被提出，用户选定矩形框内是前景目标，框外区域是背景区域，利用高斯混合模型进行迭代学习和估计，能够在较少的交互下得到较好的分割结果。
2005年，Tom Yeh和Trevor Darrell在论文[6]中提出“DOUBLESHOT”方法，将两张具有相同背景的照片进行对比，变化较小的为背景，变化较大的为提取目标。
2图像分割
图像分割是指将具有不同特征的像素点的集合分割成不同子区域的过程，每个子区域内部的像素点十分相似，不同区域的像素点差别较大[7]。
在图像的分析和研究中，往往不是全图都具有研究价值，图像分割就是为了将图像中具有特定性质的、有价值的区域提取出来，作为研究对象。
本文根据图像分割过程中有无人为交互，将分割方法大致分为两种。一种是全自动的分割方法，特点是读取图片后计算机可以自动运行分割算法进行分割；另外一种是交互图像算法，特点是将人工操作也作为算法输入的一部分，使计算机对图片的前景和背景有一个初始的区分。
2.1 Watershed算法
基于标记的Watershed算法[8]是把图像看作是测地学上的拓扑地貌，图像中每一像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆地，而集水盆地的边界则形成分水岭[9]，沿着分水岭就能将图像的目标和背景分离。
本文实现了基于标记点的分水岭算法，首先封装了分水岭算法类，然后前景像素白色来表示，背景像素用灰色表示，未知像素则是黑色，将上诉三种像素都标记完成后作为标记图像，再加上原图像就可以进行分水岭计算了。具体流程如图1所示。
目录
摘要 1
关键词 1
Abstract： 1
Key words: 1
1选题背景 2
1.1问题的提出 2
1.2交互分割方法的研究状况 2
2图像分割 3
2.1 Watershed算法 3
2.2 Graph Cut算法 3
2.3 Grab Cuts算法 4
3 MSLazy Snapping的构成及流程 4
3.1 MeanShift算法 4
3.2 Lazy Snapping算法 6
3.3 MSLazy Snapping算法 7
4实验分析 7
4.1 编程及运行平台 7
4.2分割算法的结果评价 8
4.2.1评价方法 8
4.2.2评价指标 9
4.3 MeanShift算法调参 9
4.4实验结果 10
4.4.1 运行时间对比 10
4.4.2 分割精度对比 11
4.4.2 过分割率对比 12
4.4.3 欠分割率对比 13
4.4.4实验结果分析 13
5总结与展望 14
5.1总结 14
5.2展望 14
致谢 14
参考文献： 14< *好棒文|www.hbsrm.com +Q: ^351916072^
br /> 基于交互式的昆虫图像分割算法研究
引言
1选题背景
1.1问题的提出
昆虫的种类和数量繁多，对农林业的生产有很大影响，研究昆虫图像将有助于研究昆虫的形态和分布；昆虫图像通常包含多种元素，但只有昆虫本身是研究和分析的目标，为了将昆虫从图像中提取出来，需要运用图像分割技术。
由于昆虫图像分割没有通用的方法，对在不同生活环境下的不同种类昆虫，需要采用不同的分割方法才能得到较好的分割结果，本文的目标是找出不同昆虫图片的相应最优算法。
计算机自主进行昆虫图像分割有一个非常明显的问题，那就是计算机无法完美捕捉到用户的心意，能达到将图像划分成不同的区域的目的，却无法提取出图片的语义信息，导致结果图片与用户预期相差较大。
为了达到较好的分割结果，加入人工标记，可以给计算机一些关于背景和前景目标的参考，使得分割质量大大提高。
传统Graph Cut有4个比较大的缺点：
（1）需要将图像中的所有像素点都进行操作，所以具有较高的计算复杂度；
（2）待分割图像中如果存在噪声，可能会发生错误分割；
（3）分割结果受用户交互的影响比较大，人工标记的像素点不同，很可能得到的分割结果也不同；
（4）图像背景比较复杂的时候，需要标记更多的背景和前景像素点。
1.2交互分割方法的研究状况
交互式图像分割由于加入了人工交互，大大提高了图像分割的准确率，一直以来都是计算机视觉方面的研究热点，近几十年的发展尤其迅速。
1987年提出的主动轮廓（Snake）模型[1]中，用户圈定目标物体后，优化算法会求解该轮廓内外的最小化能量函数，使该轮廓最终与真实的边界重合，从而实现对目标物体轮廓的提取。
1992年，Eric Mortensen 等人提出[2]Live Wire。在该方法中，用户在图像上选择起始点和目标点后，定义好的代价函数会生成两点间的最优路径，寻找累积代价值最小点就成为Live Wire分割图像的关键之处。
2001年，Graph Cut算法[3]被提出，目标和背景像素点将会提前被标记出来，再结合图的概念，定义能量函数来求解全局最优解。
2004年，基于Graph Cut算法的改良算法Lazy Snapping 方法[4]采用Kmeans算法来对图像进行预处理,将图像划分为很多小区域（超像素），基于这些超像素建立图的节点，相邻超像素之间建立边，构建一个图，再采用最大流算法进行分割。
同年，另一个基于Graph Cut算法的改良算法Grab Cuts方法[5]也被提出，用户选定矩形框内是前景目标，框外区域是背景区域，利用高斯混合模型进行迭代学习和估计，能够在较少的交互下得到较好的分割结果。
2005年，Tom Yeh和Trevor Darrell在论文[6]中提出“DOUBLESHOT”方法，将两张具有相同背景的照片进行对比，变化较小的为背景，变化较大的为提取目标。
2图像分割
图像分割是指将具有不同特征的像素点的集合分割成不同子区域的过程，每个子区域内部的像素点十分相似，不同区域的像素点差别较大[7]。
在图像的分析和研究中，往往不是全图都具有研究价值，图像分割就是为了将图像中具有特定性质的、有价值的区域提取出来，作为研究对象。
本文根据图像分割过程中有无人为交互，将分割方法大致分为两种。一种是全自动的分割方法，特点是读取图片后计算机可以自动运行分割算法进行分割；另外一种是交互图像算法，特点是将人工操作也作为算法输入的一部分，使计算机对图片的前景和背景有一个初始的区分。
2.1 Watershed算法
基于标记的Watershed算法[8]是把图像看作是测地学上的拓扑地貌，图像中每一像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆地，而集水盆地的边界则形成分水岭[9]，沿着分水岭就能将图像的目标和背景分离。
本文实现了基于标记点的分水岭算法，首先封装了分水岭算法类，然后前景像素白色来表示，背景像素用灰色表示，未知像素则是黑色，将上诉三种像素都标记完成后作为标记图像，再加上原图像就可以进行分水岭计算了。具体流程如图1所示。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1675.html
