摘 要在一幅图像中，人们通常只对其中的部分目标感兴趣，而这些目标往往是占据了一定的区域，并且在某些特性上和临近的图像有差别。随着计算机图像处理技术的发展，使得人们可以通过计算机来获取和处理图像信息，进行图像的分割，这步操作是图像识别和图像理解的基本前提，图像分割质量的好坏直接影响后续图像处理的效果，因此图像分割的作用非常重要。本文的研究课题正是图像分割Selective Search算法，首先讨论了图像分割算法的发展过程，对比了各种分割算法，然后提出了Selective Search算法的优点，并且分析了该算法的基本原理，介绍了算法的开发环境，最后应用Python语言实现了该算法，并在多个场景下验证了算法的有效性。
目 录
第一章 绪论 1
1.1 课题研究的背景和意义 1
1.2 课题研究现状和发展趋势 1
1.3 课题内容安排 2
第二章 开发技术 3
2.1 OpenCV 3
2.2 Python 3
2.3 Numpy和Scipy库 4
2.4 Pycharm 4
第三章 Selective Search算法的介绍与研究 6
3.1 Selective Search算法流程与思路 6
3.2 Selective Search算法研究 6
3.2.1 区域层次化合并过程 6
3.2.2 多样化策略 7
第四章 基于Selective Search的图像分割 10
4.1 图像分割流程 10
4.2系统的实现 10
4.3 实验结果 13
4.3.1 实验环境说明 13
4.3.2 算法参数的设计和探讨 14
4.3.3 实验结果 14
结束语 21
致 谢 23
参考文献 24
第一章 绪论
1.1 课题研究的背景和意义
很长一段时间以来，人们都设法在确定物体之前对其加以界定,这就产生了分割，它的目标是通过利用各种通用算法对图像进行分割，图像中的所有目标轮廓都应 *51今日免费论文网|www.jxszl.com +Q: ^351916072^ 
该形成一个整体。过去大量研究表明，图像分割是图像识别中不可或缺且至关重要的一步，错误分割就有可能导致错误的识别。然而，之前的分割大多依据图像像素的亮度和颜色，计算机进行自主分割时就会碰到很多未曾预料到但不容忽视的问题如，光照分布不均匀、噪声干扰，图像模糊等等。正是因为这些因素，经常出现分割问题，所以图像分割的研究一直在继续。
在过去的几年中，对分割算法的研究有很多，但事实是这些分割算法主要是基于穷举搜索，穷举搜索缺点多，搜索每个可能的位置在计算量上非常大,而且搜索空间必须使用规则的网格、固定的尺度和固定的纵横比来减少。总体而言，传统的分割方法，除了要依附个别强大的算法，计算开销还很昂贵。
本课题研究的是Selective Search图像分割算法，由J.R.R. Uijlings提出，产生了极大的轰动。该算法解决了目标识别的问题，尤其是选择图像的继承层次结构，通过将目标识别与穷举搜索相结合实现。
Selective Search图像分割算法的实验结果证明了其优越性：在一小部分数据驱动的、独立于类的、高质量的位置中，在10097个位置产生了99%次的召回和平均0.879次的最佳重叠，取得了令人侧目的成绩，因此研究本课题非常有意义。
1.2 课题研究现状和发展趋势
图像分割是指把一幅图像分成不同具有独特性质的区域，我们将感兴趣的区域目标拿出来进行研究，这一技术就叫图像分割[1]。分割有两个目标，第一个目的是细化图像分割，将得到的更小的区域提取出来以进行分析。另一个目的是改变图像的表示方法，重新构造图像中的像素，形成更高级的图像表示单元，而这种高级表示单元的研究意义远超过图像的像素[2]。
目前，发达的科技技术使得图像分割算法有很多种，比如：区域增长算法、区域分裂合并算法、分水岭算法等等。区域增长算法，即将图像中的像素具有相似性的区域合并起来组成一个完整的区域[3]。区域增长算法容易计算，如果是均匀的、相连目标，区域增长分割就会得到好的分割效果；但当目标是很大时时，分割效率就显得低下，同时，一旦有噪声干扰，就会使区域产生过分割。分裂合并算法，即对图像中的目标区域进行不断地分裂从而得到子区域，再利用一致性将它们不断地合并为一个大区域，直至所有的区域不再满足分裂合并的条件为止[4]。分裂合并算法对复杂的图像分割效率高，但由于算法本身复杂、计算量大等自身的缺陷会使区域边界遭到破坏[5]。分水岭算法，想象图像中低密度的地方为山谷，高密度的地方为山峰，向山谷中不停地注入水直到不同山谷中的水开始渐渐汇聚，而设置一些栅栏从而阻挡这些山谷的水汇聚在一起，这就是分水岭分割的过程。分水岭算法对微弱边缘响应良好，但一旦有外界干扰如噪声就容易产生过分割现象[6]。
但是，这些算法主要是基于穷举搜索，或者采用动态窗口的方法，穷举搜索在计算上非常大，不再使用单一的技术来生成可能的目标位置，而是将搜索多样化，并使用各种互补的图像分区来处理尽可能多的图像条件。本课题的Selective Search算法能有效地针对目标识别问题，和传统算法的单一策略相比，Selective Search算法拥有的多样化策略能降低搜索空间，优化识别物体步骤。Selective Search分割算法也能提高机器视觉这一方面的图像识别率以及计算效率。
1.3 课题内容安排
本课题研究的是Selective Search图像分割算法的研究与实现，从算法原理到应用实例，从开发环境到运行结果，论文共分为四个部分，安排如下：
（1）第一章：本章节介绍了课题的背景、现状，同时重点介绍了各种分割算法及其优缺点，并和Selective Search算法进行了对比。
（2）第二章：本章节重点介绍了开发平台环境、语言、以及相关必要的开发库，为算法代码的研究提供基础。
（3）第三章：本章节从算法原理出发，着手介绍该算法的区域化层次合并过程、多样化策略、相似度计算方法。

原文链接：http://www.jxszl.com/jsj/qrs/442938.html