專利名稱：基于復(fù)小波紋理區(qū)域合并的改進(jìn)分水嶺sar圖像分割方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體是一種基于復(fù)小波紋理區(qū)域合并的改進(jìn)分水嶺SAR 圖像分割方法，用于在合成孔徑雷達(dá)(synthetic aperture radar, SAR)圖像分割領(lǐng)域中抑制SAR 圖像分割的過(guò)分割。
背景技術(shù)：
SAR圖像分割是實(shí)現(xiàn)SAR圖像自動(dòng)處理的一個(gè)關(guān)鍵步驟，其目的是將SAR圖像分割成具 有強(qiáng)相關(guān)性的子區(qū)域或?qū)ο?。便于進(jìn)一步對(duì)SAR圖像進(jìn)行分析、識(shí)別等，分割的準(zhǔn)確性直接影 響后續(xù)任務(wù)的有效性。
SAR圖像的觀測(cè)對(duì)象是高度無(wú)約束場(chǎng)景下的地物和目標(biāo)，雷達(dá)回波對(duì)地物類型、方位、 均勻程度、空間關(guān)系等反應(yīng)敏感，在圖像上很大一部分反映為紋理信息。在SAR圖像分割的 過(guò)程中，紋理信息被認(rèn)為是區(qū)分地物類型的重要解譯信息，其它信息難以分辨的觀測(cè)對(duì)象很 可能可以用紋理輕易的區(qū)分。早在1981年，美國(guó)的Shamimgan就認(rèn)識(shí)到了紋理對(duì)于雷達(dá)圖 像理解的重要性，并在之后的二十多年中大量的研究人員對(duì)此進(jìn)行了研究，現(xiàn)在已有諸多文 獻(xiàn)表明引入紋理特征有助于提高SAR圖像分割的精度。目前，對(duì)SAR圖像紋理信息的分析 方法主要采用的是統(tǒng)計(jì)紋理方法，主要包括自相關(guān)函數(shù)、傅里葉功率譜法、基于小波變化的 紋理特征、灰度共生矩陣、隨機(jī)模型等方法。但這類種方法對(duì)邊緣定位不夠準(zhǔn)確，且運(yùn)算復(fù) 雜，解決這個(gè)問(wèn)題必須引入邊緣定位準(zhǔn)確且運(yùn)算簡(jiǎn)單的方法。
傳統(tǒng)的形態(tài)學(xué)分割算法即分水嶺算法，1977年該算法由法國(guó)的Digabel和Lantujoul引入圖 像處理領(lǐng)域，1979年法國(guó)的Beucher和Lantuejoul進(jìn)一步發(fā)展，應(yīng)用于灰度圖像的分割。1991 年法國(guó)的Vincent和德國(guó)的PierreSoille提出基于浸沉技術(shù)的分水嶺算法，此方法較以前的方法 更快速、精確、靈活有效完整，從此分水嶺圖像分割取得突破性的進(jìn)展。分水嶺圖像分割算 法能夠準(zhǔn)確定位邊緣，具有運(yùn)算簡(jiǎn)單、易于并行化處理等優(yōu)點(diǎn)，輸入圖像往往是圖像的梯度， 但是此方法抗噪性差，當(dāng)受到噪聲和平坦區(qū)域內(nèi)部細(xì)密紋理的影響時(shí)，算法檢測(cè)的局部極值 會(huì)過(guò)多而產(chǎn)生過(guò)分割。目前主要有兩類方法解決分水嶺的過(guò)分割問(wèn)題。第一種屬于"后處理"， 針對(duì)分水嶺分割后的結(jié)果，根據(jù)某種準(zhǔn)則，進(jìn)行區(qū)域合并。這種方法計(jì)算量比較大，比較耗 時(shí)。第二類屬于"前處理"，它是基于標(biāo)記提取的分水嶺分割算法，算法簡(jiǎn)單實(shí)用，速度快。Soille在2003年提出的基于內(nèi)外標(biāo)記的分水嶺分割算法是"前處理"方式改善過(guò)分割的算法， 廣泛應(yīng)用醫(yī)學(xué)圖像、SAR圖像、自然圖像的分割領(lǐng)域。即使Soille的標(biāo)記分水嶺方法也不能消 除紋理信息引起的過(guò)分割。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問(wèn)題是針對(duì)現(xiàn)有的圖像分割法各自存在的不足之處，將復(fù)小波特 征提取方法與改進(jìn)的分水嶺算法相結(jié)合，提供一種基于復(fù)小波紋理區(qū)域合并的改進(jìn)分水嶺 SAR圖像分割方法，有效抑制了 SAR圖像的過(guò)分割問(wèn)題。
本發(fā)明解決技術(shù)問(wèn)題的方案是將高斯低通濾波改進(jìn)分水嶺算法與復(fù)小波特征提取相結(jié)
合，即采用標(biāo)記分水嶺"前處理"方式與紋理區(qū)域合并"后處理"方式相結(jié)合的方法解決分
水嶺SAR圖像分割的過(guò)分割問(wèn)題。首先用高斯低通濾波改進(jìn)的標(biāo)記分水嶺得到初始分割，這 樣大大消除了噪聲的影響， 一定程度上解決了分水嶺的過(guò)分割問(wèn)題；再針對(duì)紋理信息，采用 復(fù)小波提取區(qū)域紋理特征，用聚類的方法進(jìn)行區(qū)域合并，得到最終的分割結(jié)果。其具體技術(shù) 方案的實(shí)現(xiàn)包括如下步驟-
(1) 用改進(jìn)的分水嶺算法對(duì)原圖像進(jìn)行變換得到初始分割，將圖像被分成許多不規(guī)則的區(qū) 域塊，改進(jìn)的分水嶺變換是對(duì)分水嶺的"前處理"改進(jìn)，目的是減少過(guò)分割；
(2) 對(duì)初分割圖中的每個(gè)像素提取復(fù)小波能量特征，用于聚類；
(3) 對(duì)各個(gè)不規(guī)則區(qū)域塊內(nèi)像素的特征進(jìn)行統(tǒng)一；
(4) 利用"K-均值"聚類方法對(duì)不同的區(qū)域塊進(jìn)行分類合并，減少區(qū)域塊得到最終分割 結(jié)果。區(qū)域塊的分類合并是對(duì)分水嶺初始分割的"后處理",用于進(jìn)一步減少過(guò)分割，得到最 終結(jié)果。
本發(fā)明采用基于高斯低通濾波的改迸分水嶺分割法在很大程度上減少了過(guò)分割現(xiàn)象，尤 其對(duì)紋理圖像效果顯著。改進(jìn)的標(biāo)記分水嶺算法對(duì)原圖像進(jìn)行初始分割的步驟如下 [1]對(duì)原圖像做高斯低通濾波， 一定程度上減少SAR圖像噪聲引起的過(guò)分割； [2]對(duì)濾波后的圖像用微分Priwitt算子求梯度得到待修正的梯度圖； [3]對(duì)上述的梯度圖做高斯低通濾波，此操作有助于減少標(biāo)記提取得到的無(wú)用標(biāo)記； [4]對(duì)梯度圖提取內(nèi)部標(biāo)記，選取內(nèi)部標(biāo)記的過(guò)程就是找到局部極小值的過(guò)程，局部極 小值是指灰度值在一個(gè)灰度范圍內(nèi)的連續(xù)區(qū)域，且此區(qū)域附近的像素的值均大于這個(gè)區(qū)域內(nèi) 的值；對(duì)內(nèi)部標(biāo)記進(jìn)行分水嶺變換提取外部標(biāo)記；用內(nèi)外標(biāo)記對(duì)2.2步驟的所得的梯度圖進(jìn)行梯度修正，以便局部最小區(qū)域僅出現(xiàn)在標(biāo)記位置；[7]對(duì)修正后的梯度圖進(jìn)行分水嶺變換，得SAR圖像的初始分割。
本發(fā)明采用的高斯低通濾波技術(shù)是一種低頻增強(qiáng)技術(shù)。它可以增強(qiáng)圖像的某些頻率特征， 以改變地物目標(biāo)與鄰域或者背景之間的灰度反差。在分析圖像信號(hào)的頻域特性時(shí), 一幅圖像的 邊緣、跳躍部分以及顆粒噪聲代表圖像信號(hào)的高頻分量，而大面積的背景區(qū)則代表圖像信號(hào)的 低頻分量。如果通過(guò)低通濾波增強(qiáng)低頻信息抑制高頻信息,則將平滑影像細(xì)節(jié),保留并突出較 均勻連片的主體圖像。
上述步驟[2]中所說(shuō)的梯度是指圖像灰度值的顯著變化的地方。從數(shù)學(xué)的角度可以把圖像 看成二維離散函數(shù)，圖像梯度就是這個(gè)二維離散函數(shù)的求導(dǎo)。不同的算子對(duì)應(yīng)了不同的求梯度 的方法，本發(fā)明采用了Priwitt算子，它是在一個(gè)奇數(shù)模板中定義其微分運(yùn)算。
本發(fā)明所應(yīng)用的復(fù)小波特征提取方法中的復(fù)小波是二元樹復(fù)小波變換。此變換法在保留 了復(fù)小波變換其他諸多優(yōu)良特性的同時(shí)，通過(guò)采用二元樹濾波的形式，保證了完全重構(gòu)性。 具有平移不變性，良好的方向選擇性，有限的數(shù)據(jù)冗余和高效的計(jì)算效率等優(yōu)良特性的小波 變換形式。二元樹復(fù)小波變換不僅保持了傳統(tǒng)小波變換良好的時(shí)頻局部化的分析能力，而且 還具有良好的方向分析能力，它能反映出圖像在不同分辨率上沿多個(gè)方向的變化，更好地描 述圖像的方向?qū)傩浴?br> 由于傳統(tǒng)二維小波變換只能描述圖像在水平方向和垂直方向上的屬性(方向選擇性較 差)，不能反映其他方向上的特征，而二元樹復(fù)小波變換不僅保持了傳統(tǒng)小波變換良好的時(shí)頻 局部化的分析能力，而且還具有良好的方向分析能力，它能反映出圖像在不同分辨率上沿多 個(gè)方向的變化，更好地描述圖像的方向?qū)傩浴＿@將有利于紋理特征的表達(dá)，因此本發(fā)明采用 雙樹復(fù)小波提取SAR圖像的紋理特征。
本發(fā)明與現(xiàn)有的技術(shù)相比具有以下優(yōu)點(diǎn)
1、 本發(fā)明采用了標(biāo)記分水嶺"前處理"方式與紋理區(qū)域合并"后處理"方式相結(jié)合的方 法有效解決分水嶺SAR圖像分割的過(guò)分割問(wèn)題。
2、 本發(fā)明采用了高斯低通波改進(jìn)的標(biāo)記分水嶺得到圖像的初始分割，這是前處理的方式， 標(biāo)記源和梯度源采用了不同次數(shù)的高斯低通濾波，再保證邊緣的準(zhǔn)確同時(shí)一定程度上消除了噪 聲所所引起的過(guò)分割。
3、 本發(fā)明充分利用分水嶺得到的初始分割區(qū)域封閉的特點(diǎn)，用復(fù)小波提取各區(qū)域特征并 聚類進(jìn)行區(qū)域合并，這樣一定程度上消除了 SAR圖像紋理信息所產(chǎn)生的過(guò)分割，并分出各區(qū) 域的類別。
通過(guò)仿真分析，本發(fā)明充分利用了 SAR圖像的灰度信息、邊緣信息及紋理信息，得到的分割結(jié)果具有實(shí)際意義而且一致的分割區(qū)域，以及較為準(zhǔn)確、連續(xù)、 一個(gè)像素大小的物體邊界。


圖1是本發(fā)明基于復(fù)小波紋理區(qū)域合并的改進(jìn)分水嶺SAR圖像分割方法流程圖 圖2是本發(fā)明對(duì)SAR圖像I的實(shí)驗(yàn)及對(duì)比實(shí)驗(yàn)結(jié)果圖其中(a)原始SAR圖像I; (b) 為改進(jìn)后的分水嶺算法結(jié)果；(c)本發(fā)明方法(窗口 4); (d)本發(fā)明方法(窗口為 20); (e)分水嶺(圖像簡(jiǎn)化)+譜聚類；(f)分水嶺(圖像簡(jiǎn)化)十K-均值。 圖3是本發(fā)明對(duì)SAR圖像II的實(shí)驗(yàn)及對(duì)比實(shí)驗(yàn)結(jié)果圖其中(a)原始SAR圖像I; (b) 為改進(jìn)后的分水嶺算法結(jié)果；(c)本發(fā)明方法(窗口 4); (d)本發(fā)明方法(窗口為 20); (e)分水嶺(圖像簡(jiǎn)化)+譜聚類；(f)分水嶺(圖像簡(jiǎn)化)+均值。 圖4是本發(fā)明對(duì)SAR圖像III的實(shí)驗(yàn)及對(duì)比實(shí)驗(yàn)結(jié)果圖其中(a)原始SAR圖像I; (b) 為改進(jìn)后的分水嶺算法結(jié)果；(c)本發(fā)明方法(窗口 4); (d)本發(fā)明方法(窗口為 20); (e)分水嶺(圖像簡(jiǎn)化)+譜聚類；(f)分水嶺(圖像簡(jiǎn)化)+均值。
具體實(shí)施例方式
如圖1所示，本發(fā)明進(jìn)行SAR圖像分割的方法包括如下步驟
1、對(duì)原圖像進(jìn)行高斯低通濾波改進(jìn)的分水嶺變換得到初始分割，圖像被分成許多不規(guī)則
的區(qū)域塊；改進(jìn)的分水嶺變換是對(duì)分水嶺的"前處理"改進(jìn)， 一定程度上減少了過(guò)分割。具體 歩驟如下
(1)對(duì)原圖像做高斯低通濾波， 一定程度上減少SAR圖像噪聲引起的過(guò)分割。 高斯低通濾波是一種在圖像處理中應(yīng)用較廣的低通濾波方法，它可以增強(qiáng)圖像的某些頻 率特征，以改變地物目標(biāo)與鄰域或者背景之間的灰度反差。在分析圖像信號(hào)的頻域特性時(shí)，一 幅圖像的邊緣、跳躍部分以及顆粒噪聲代表圖像信號(hào)的高頻分量,而大面積的背景區(qū)則代表圖 像信號(hào)的低頻分量。如果通過(guò)低通濾波增強(qiáng)低頻信息抑制高頻信息,則將平滑影像細(xì)節(jié),保留 并突出較均勻連片的主體圖像。高斯低通濾波函數(shù)在頻域上的形式為
7/(w,v)=D。是截止頻率。當(dāng)Z)(",力=A,濾波器下降到最大值的O. 607。
(2)對(duì)濾波后的圖像用Priwitt算子求梯度得到待修正的梯度圖。 從數(shù)學(xué)的角度可以把圖像看成二維離散函數(shù)，圖像梯度其實(shí)就是這個(gè)二維離散函數(shù)的求 導(dǎo)不同的算子對(duì)應(yīng)了不同的求梯度的方法。本發(fā)明采用了Priwitt算子，它是在一個(gè)奇數(shù)模 板中定義其微分運(yùn)算。Priwitt微分算子定義如下
=[/("l,"l)-/(x-1,,-1)]+[/(i+")-/(;c-")]+[/(x + " + l)-/("j + l)]
V/(;cj) = W+A2 V/(x，y)就是所求得的梯度。
(3) 對(duì)上述(2)步操作得到的梯度圖做高斯低通濾波，此操作有助于減少標(biāo)記提取得到的無(wú) 用標(biāo)記，待修正的梯度圖不做此操作是為了確保邊緣的準(zhǔn)確性。
(4) 對(duì)梯度圖提取內(nèi)部標(biāo)記，選取內(nèi)部標(biāo)記的過(guò)程就是找到局部極小值的過(guò)程，局部極 小值是指灰度值在一個(gè)灰度范圍內(nèi)的連續(xù)區(qū)域，且此區(qū)域附近的像素的值均大于這個(gè)區(qū)域內(nèi) 的值。
(5) 外部標(biāo)記提取即對(duì)內(nèi)部標(biāo)記的分水嶺變換。
(6) 用內(nèi)外標(biāo)記對(duì)(2)歩驟的所得的梯度圖進(jìn)行梯度修正，以便局部最小區(qū)域僅出現(xiàn)在 標(biāo)記位置；具體利用強(qiáng)制最小技術(shù)進(jìn)行梯度修正。
(7) 對(duì)修正后的梯度圖進(jìn)行分水嶺變換，得SAR圖像的初始分割。
2、對(duì)初分割圖中的每個(gè)像素提取復(fù)小波能量特征，用于實(shí)現(xiàn)聚類。 復(fù)小波具有時(shí)移不變性，方向性信息多和相位信息等特點(diǎn)。它將小波的構(gòu)造空間擴(kuò)展到 復(fù)數(shù)域，構(gòu)造出的小波不僅有傳統(tǒng)小波變換良好的時(shí)頻局部化特征，而且具有良好的方向性。 以這個(gè)像素為中心，取一個(gè)方形小窗口，對(duì)這個(gè)窗口圖像進(jìn)行兩層復(fù)小波分解，得到每層6 個(gè)高頻子帶和一個(gè)低頻子帶，共13個(gè)子帶，用下式對(duì)各子帶分別求小波能量作為特征矢量， 歸一化特征矢量，將這個(gè)窗口圖像的能量特征作為此像素的能量特征。
MxW^臺(tái)1 ，"1
其中，s(x,y)是分解系數(shù)，MxW為頻帶圖像的大小，；c和y分別表示圖像的行和列，e為能量特征。3、對(duì)各個(gè)不規(guī)則區(qū)域塊內(nèi)像素的特征進(jìn)行統(tǒng)一，具體的做法是對(duì)每個(gè)像素提特征，將 不規(guī)則塊中所有像素特征的均值作為該不規(guī)則塊的特征。
4、利用"K-均值"聚類的方法對(duì)不同的區(qū)域塊進(jìn)行分類合并，減少區(qū)域塊得到最終的結(jié) 果。區(qū)域塊的分類合并是對(duì)分水嶺初始分割的"后處理"，又減少了過(guò)分割，得到最終結(jié)果。 仿真結(jié)果分析
為驗(yàn)證本發(fā)明方法的有效性，進(jìn)行如下一組實(shí)驗(yàn)，這組實(shí)驗(yàn)是先對(duì)圖像進(jìn)行對(duì)稱擴(kuò)展， 再對(duì)原圖中每一個(gè)像素點(diǎn)取以它為中心的一個(gè)窗口，提取該窗口中的特征，然后對(duì)這些特征 值進(jìn)行k-均值聚類。由于該算法計(jì)算量較大，實(shí)驗(yàn)中采用256X256的圖像。本實(shí)驗(yàn)中對(duì)4 幅SAR圖像提取了復(fù)小波能量特征(13個(gè))，這里使用256X256的圖像，采用20X20的和 4X4兩種窗口。對(duì)比實(shí)驗(yàn)采用2008年馬秀麗、焦李成提出的分水嶺(圖像簡(jiǎn)化)+譜聚類的 算法，及分水嶺+譜聚類的方法對(duì)比，核參數(shù)根據(jù)經(jīng)驗(yàn)選擇0" = 0.6，采用基于小波能量的特 征提取方法。
從圖2的(c) 、 (d)，圖3的(c)、 (d),圖4的(c)、 (d)的實(shí)驗(yàn)結(jié)果圖，可看出本發(fā)明方法充 分利用了 SAR圖像的灰度信息、邊緣信息及紋理信息，得到的分割結(jié)果具有實(shí)際意義而且一 致的分割區(qū)域，以及較為準(zhǔn)確、連續(xù)、 一個(gè)像素大小的物體邊界。對(duì)比圖2的(b)、圖3的(b)、 圖4的(b)的初始分割圖，本發(fā)明方法通過(guò)"后處理"合并了過(guò)分割區(qū)域，保持了分水嶺的準(zhǔn) 確邊緣， 一定程度消除了過(guò)分割，對(duì)比圖2的(e)、 (f),圖3的(e)、 (f),圖4的(e)、 (f)實(shí)驗(yàn)結(jié) 果圖，本發(fā)明方法很好的解決了過(guò)分割問(wèn)題，同時(shí)分割結(jié)果的區(qū)域一致性更強(qiáng)。
權(quán)利要求
1、基于復(fù)小波紋理區(qū)域合并的改進(jìn)分水嶺SAR圖像分割方法，其特征是首先用高斯低通濾波改進(jìn)的標(biāo)記分水嶺變換得到初始分割，消除噪聲的影響和過(guò)分割，再針對(duì)紋理信息，采用復(fù)小波提取區(qū)域紋理特征，用聚類方法進(jìn)行區(qū)域合并，得到最終的分割結(jié)果，所述圖像分割包括如下步驟1. 1用高斯低通濾波改進(jìn)的分水嶺變換對(duì)原圖像進(jìn)行初始分割，獲得不規(guī)則的區(qū)域塊圖像，實(shí)現(xiàn)消除噪聲和過(guò)分割影響；1. 2對(duì)初始分割圖的每個(gè)像素提取復(fù)小波能量特征，用于聚類；1. 3對(duì)各個(gè)不規(guī)則區(qū)域塊內(nèi)的像素特征進(jìn)行統(tǒng)一；1. 4利用“K-均值”聚類方法對(duì)區(qū)域塊進(jìn)行分類合并，減少區(qū)域塊得到最終的分割結(jié)果。
2、 根據(jù)權(quán)利要求1所述的基于復(fù)小波紋理區(qū)域合并的改進(jìn)分水嶺SAR圖像分 割方法，其特征是所述歩驟l.l采用高斯低通濾波改進(jìn)的分水嶺變換對(duì)原圖像進(jìn) 行初始分割的歩驟如下2.1對(duì)原圖像做高斯低通濾波，減少SAR圖像噪聲引起的過(guò)分割； 2.2對(duì)濾波后的圖像用微分Priwitt算子求梯度得到待修正的梯度圖； 2.3對(duì)上述的梯度圖做高斯低通濾波，減少提取無(wú)用標(biāo)記； 2.4從梯度圖提取內(nèi)部標(biāo)記，獲得局部極小值； 2.5對(duì)內(nèi)部標(biāo)記進(jìn)行分水嶺變換提取外部標(biāo)記；2.6用內(nèi)外標(biāo)記對(duì)2.2步驟的所得的梯度圖進(jìn)行梯度修正，以便局部最小區(qū) 域僅出現(xiàn)在標(biāo)記位置；2.7對(duì)修正后的梯度圖進(jìn)行分水嶺變換，得SAR圖像的初始分割。
3、 根據(jù)權(quán)利要求1所述的基于復(fù)小波紋理區(qū)域合并的改進(jìn)分水嶺SAR圖像分 割方法，其特征是所述步驟1.2對(duì)每個(gè)像素提取復(fù)小波能量特征的方法是以該像 素為中心，取一個(gè)方形小窗口，對(duì)窗口圖像進(jìn)行兩層復(fù)小波分解，得到每層6個(gè) 高頻子帶和一個(gè)低頻子帶，共13個(gè)子帶，用下式求圖像分別求小波能量作為特征 矢量，歸一化特征矢量并將這個(gè)窗口圖像的能量特征作為該像素的能量特征<formula>formula see original document page 3</formula>其中，s(x，y)是分解系數(shù)，MxiV為頻帶圖像的大小，；c和少分別表示圖像的行和列，e為能量特征矢量。
4、根據(jù)權(quán)利要求1所述的基于復(fù)小波紋理區(qū)域合并的改進(jìn)分水嶺SAR圖像 分割方法，其特征是所述的步驟1. 3統(tǒng)一各個(gè)不規(guī)則區(qū)域塊的特征的做法是對(duì)每 個(gè)像素提復(fù)小波能量特征，將不規(guī)則塊中所有像素特征的均值作為此不規(guī)則塊的 特征。
全文摘要
本發(fā)明公開一種基于復(fù)小波紋理區(qū)域合并的改進(jìn)分水嶺SAR圖像分割方法，將復(fù)小波特征提取方法與用高斯低通濾波改進(jìn)的分水嶺算法相結(jié)合，用于抑制分水嶺分割SAR圖像存在的過(guò)分割，本發(fā)明的實(shí)現(xiàn)步驟為(1)對(duì)原圖像進(jìn)行改進(jìn)的分水嶺變換得到初始分割；(2)對(duì)初分割圖中的每個(gè)像素提取復(fù)小波能量特征；(3)對(duì)各個(gè)不規(guī)則區(qū)域塊內(nèi)像素的特征進(jìn)行統(tǒng)一；(4)利用“K-均值”聚類的方法對(duì)不同的區(qū)域塊進(jìn)行分類合并，減少區(qū)域塊得到最終的結(jié)果。經(jīng)過(guò)一組仿真實(shí)驗(yàn)驗(yàn)證本發(fā)明的圖像分割效果基本符合標(biāo)準(zhǔn)。
文檔編號(hào)G06T7/00GK101510309SQ20091002173
公開日2009年8月19日 申請(qǐng)日期2009年3月30日 優(yōu)先權(quán)日2009年3月30日
發(fā)明者彪 侯, 公茂果, 芳 劉, 張曉靜, 焦李成, 爽 王, 馬文萍 申請(qǐng)人:西安電子科技大學(xué)