图像分割是图像处理和计算机视觉不可或缺的一部分,也是近年来的研究
热点之一,广泛应用于计算机视觉、计算机图形学、机器人等领域,已取得了一
定的成果。精确分割出目标物有着十分重要的意义,但目前很多分割方法仍存
在着明显的缺陷。文献[1]采用的一维熵阈值分割方法在求解分割阈值时易受噪
声的干扰。二维熵阈值分割方法虽提高了分割的精度,但运算量过大导致运算
时间过长。文献[2]提出用 K-means 均值聚类算法对图像进行分割,较好地改善
了欠拟合的问题,但是较容易陷入到局部最优解,最终仍会出现过分割的现象。
考虑 以上 缺点 ,本文利用支持向量机(Support Vector Machine,SVM)整 体
复杂性较低的特点来提升分割效率。同时,SVM 可以将图像分割问题转换成图
像像素的分类,提高分割精度
[3,4,5]
。
在支持向量机分割算法方面,文献[6]采用分区域特征匹配方法,进行二维图
像的分块融合性检测和特征块匹配,根据超声纹理的规则性特征分量进行病理
边缘特征提取,并利用提取的精度作为约束条件,优化 SVM 进行分割。文献[7]
采用显著性检测得到大致的显著区域和背景区域,并分别提取颜色等特征利用
SVM 进行训练,有效解决了因为显著图不均匀导致分割结果缺乏准确边缘的问
题。
针对于区域生长算法噪声及灰度不均可能会导致过分割的问题,基于文献
[6,7],本文提出了一种基于 SVM 的区域生长分割算法。该方法改进了区域生长
算法的人工参与的缺陷,解决了可能会导致的空洞和过分割问题,提升了分割精
度,提高了分割效率。
1 样本数据的 获取 与处理
1.1 样本数据 的获取
为了使实验更加接近真实环境,获得更好的仿真效果,本实验所采用的图片
大多数由研究者们自行拍摄,主要来源于生活中各种带有标签的商品。但是考
虑到实验所需要的数据集比较大,所以有部分商品图片来源于网络的公用数据
集,主要包括带有标签的水果蔬菜、衣服鞋帽、零食等,共计 500 张图片。部分
图像如图 1 所示。
图 1