Matlab光电数字图像背景合成技术研究(3)
图1-2 电影拍摄中的绿幕背景
1.2 研究现状
1.3 论文的主要内容和安排
第一部分：对图像分割的概念及其重要意义进行说明，同时对目前主流的图像分割算法进行测试、总结和学习；
第二部分：对进行毕业设计课题所使用的编程语言进行选择，并说明选择该编程语言的理由，以及对所使用编程软件进行简要介绍；
第三部分：进行人物虚拟背景合成实验，最终形成完整的体系，并对运行结果进行分析，总结优缺点并提出改进方法。
2 目标提取
2.1 图像分割的概念
要将前景目标从所给出的前景图像当中提取出来，其实质便是利用图像分割技术来将前景目标和背景区别开，并且利用一些算法将背景去除。数字图像分割技术是数字图像处理和计算机视觉领域中最为基础的一个领域，同时也是最重要的领域之一。它是图像分析和图案的视觉识别的基本前提，基于灰度，颜色，纹理空间，几何和像场等其它特征，让处于相同区域上的这些特征显示出一致性或相似性，但在不同范围表现出显著差异[6]。简单地说，图像分割的作用就是将图像中的重要对象与其背景分离，并根据特征将这些对象分割出来，即将具有不同的意义的目标从图像中提取出来。图像分割方法众多，一些分割算法，可以直接针对各种图像使用，而其他算法可能只适用于特定类别的对象的提取。一些算法需要先从图像中收集所需的信息，所以会先对图像进行大致的分割。图像分割没有一个统一的标准，分割结果是好还是坏，是需要根据情况和要求来判断的[7]。
2.2 图像分割的方法分类
最初的图像分割方法一般来说分为两类：一类是基于边缘检测的方法，这种方法假定分割所得的图像的某个子区域中存在一个原始图像的边缘；另一种是基于区域的方法，它假定图像分割的结果将会在某个子区域中产生一致的特征，如果区域不同，则像素的特征便不会产生一致性[8]。这两类方法各有其长处，同样也有各自的不足，因此将二者结合进行探究也许会出现不错的结果。当前，随着计算机的高速发展，出现了越来越多的图像分割方法，例如基于RGB分量的图像分割、基于图像纹理的分割等。
图像分割是对图像进行理解与分析的重要手段之一，如图2-1。对于多种应用目的，将图像分割分为粗分割和细分割。在模式识别的应用方面，不需要考虑目标内部的颜色或纹理渐变，只需用少数几个区域来表示目标即可，被称为粗分割；而在基于区域的图像处理方面，处理的目标是得到颜色分布特征相同的区域，更便于进行区域编码。此时，目标区域内部的细节处理变得非常重要，需要进行细分割。
以分割所运用的方法来分类，图像分割的方法可以分为基于边界的分割与基于区域的分割两类，同时这两类又均可分为并行与串行两种方法，进一步分类的方法将会在之后的文章中做简要介绍[9]。
2-1 图像分割所处的位置
2.2.1 边缘检测
图像的边缘是数字图像的一个重要特征，它指的是图像中在很小范围内亮度发生急剧变化的部分，即在狭小的区域里灰度突然急剧变大或变小。图像的边缘部分集中了图像的大部分信息，是图像分割所依赖的重要特征。边缘检测是并行边界分割的一个典型的方法[10]。它的基本思路是利用边缘增强算子，将图像某些区域的边缘进行增强，然后设置一个阈值，对像素进行筛选，提取可能是边界点的像素点。然而，因为噪声和图像模糊的存在，筛选出的像素点不一定是连续的，所以边缘检测所进行的工作其实分为两层，第一层是利用算子提取边界点，第二层是对可能为边界点的像素点进行适当的增删并连线。其基本步骤如下[11]：
下一篇：达曼光栅在成像激光雷达中的应用