1.课题研究的背景
图像分割是把图像分成几个特定的区域，然后提取出所需的对象目标的技术和过程。由于图像分割是从图像处理到图像分析的重要一步，所以自从它的产生到现在，一直受到人们的高度重视。而且图像分割的结果是图像特征提取和识别等图像理解的基础，对图像分割的研究也一直是数字图像处理技术的焦点和热点。它主要起源于上世纪70年代的电影行业，从图像分割技术产生发展到现在的这几十年中，随着我们科技的不断进步，我们也提出了许多种图像分割的算法，并且也有了不小的成绩，而且图像分割也已经在我们的生活中的各个领域得到了广泛的应用，例如在在线产品检验、生产过程控制、文档图像处理、工业自动化、遥感、生产过程控制和生物医学的图像分析，以及体育、农业、军事工程等方面。总的来说，一方面研究人员不断地改进原有的分割方法并将其应用于其他领域。另一方面，越来越多的学者开始将数学形态学、模糊理论、遗传算法理论、分形理论和小波变换理论等研究成果运用到了图像分割中，提出了一些更先进的方法。但是，到目前为止我们还没有一种较为通用的分割方法[2]，我们目前所提出的各种方法，它们大都是在分析了具体的问题后才来提出的，并不一定适用于其他的问题。另外，正是由于这一点，目前我们也还没有制定出合适的图像分割算法的标准，也因此我们的目标识别的方法也是不确定的。在实际的生活中，还存在着许多的问题有待我们去解决。
其实，早在上世纪60年代就有人提出了边缘检测方法，也因此产生了不少经典的图像分割算法[3]。由于图像分割技术在图像处理及图像分析的过程中的重要作用，越来越多的学者都开始将注意力转到寻找新的理论和方法来提高图像分割的质量，以满足人们在实际生活中各方面的需求。目前有许多学者尝试着将遗传算法理论、数学形态学、小波变换理论、分形理论和模糊理论等研究成果运用到图像分割中，产生了结合特定数学方法和针对特殊图像分割的先进图像分割技术，例如多种特征融合的分割方法，多种分割方法结合的分割方法等。
2.课题研究的意义
在图像分割技术产生与发展的这几十年中，越来越多的学者开始将数学形态学、模糊理论、遗传算法理论、分形理论和小波变换理论等研究成果运用到了图像分割中，产生了结合特定数学方法和针对特殊图像分割的更先进的图像分割技术，但是现阶段还是没有一种通用的分割方法，有很多问题还有待我们去解决。由于没有一种通用的分割算法，所以当我们在使用一种分割算法后，还需要对目标进行识别，那选择一种什么样的识别方法才能更好更简便的把目标给识别出来呢？这就是我这个课题所要研究的。在选定一种分割方法后，比较几种不同的目标识别方法，选出一种相对较好的目标识别方案。
自动彩***像分割算法，通过集成边缘渐变贴图插件提取和种子区域生长在YUV色彩空间。在Y，U和V的边缘由一个各向同性的边缘检测器检测，三个部分相结合，以获得边缘，相邻边缘区域的重心被作为初始的种子。
Hausdorff距离是描述两组点集之间相似程度的一种量度，它是两个点集之间距离的一种定义形式。它的优点是计算比较容易，但是匹配度不好，如果目标图像中的噪声过多，那么它的匹配的精确度就会被影响。
主元分析法，即Principal Components Analysis（PCA），是一种统计技术，经常应用于人面部识别和图像压缩以及信号去噪等领域，是在高维数据中提取模式的一种常用技术。我们可以通过主元分析法（PCA）对数据进行降维处理，将多个变量降维，以便于我们计算与分析图像。
3.课题研究的内容
1.设计基于区域生长技术的彩***像分割算法；
2.讨论图像分割算法性能指标的评估；
3.学习Hausdorff距离、imagecontext、主元分析等几种目标识识别方法并作比较和讨论；
4.用MATLAB做实验验证，根据实验仿真的结果得出相应的结论，以及该方法的不足之处和改进之处。
4.课题研究的方法
我们可以使用MATLAB 软件对图像分割算法进行仿真测试，同时我们也可以采用图像库测试(Berkeley data set)[17]。在实验过程中，我们会用到视频片段。我们可以利用现有的，也可以自己录制视频片。最后对于不同的目标识别方法，都会有一系列的性能指标，主要有目标的识别率，识别的的误差，噪声的影响等等，然后我们就可以通过这些性能指标来比较Hausdorff距离、image context、主元分析等几种目标识识别方法的各自的优缺点，最后得出我们的结论
原文地址：http://sdh311703.blog.51cto.com/9110312/1433057
