無(wú)人水面艇目標(biāo)圖像自適應(yīng)分割算法

馬忠麗，梁秀梅，文 杰

(哈爾濱工程大學(xué)自動(dòng)化學(xué)院，150001哈爾濱)

水面目標(biāo)圖像分割技術(shù)是水面艦船、艦艇等視覺(jué)偵查系統(tǒng)目標(biāo)圖像處理的一項(xiàng)關(guān)鍵技術(shù)，是艦船等捕獲、精確跟蹤與識(shí)別目標(biāo)的重要前提和基礎(chǔ).水面視覺(jué)傳感器采集的目標(biāo)圖像中，一般以海水、天空為背景，而圖像由于受水面環(huán)境與天氣的影響，會(huì)附加很多噪聲使圖像目標(biāo)細(xì)節(jié)模糊不清.劉小霞等［1］對(duì)紅外水面艦船目標(biāo)圖像進(jìn)行歸一化投影后，采用改進(jìn)的OTSU閾值算法分割，算法簡(jiǎn)單但運(yùn)行不穩(wěn)定.汪成亮等［2］提出應(yīng)用二維小波變換對(duì)江面船舶圖像提取邊緣輪廓，算法抗噪能力強(qiáng)，提取效果好，但算法理論結(jié)構(gòu)較為復(fù)雜.李棉［3］對(duì)陸地上含有不同目標(biāo)的圖像用迭代OTSU閾值分割算法與基于Mean-Shift(均值漂移)的分割算法進(jìn)行分割，實(shí)驗(yàn)結(jié)果表明基于Mean-Shift的圖像分割算法運(yùn)行速度快且結(jié)果穩(wěn)定.

Mean-Shift是一種無(wú)參數(shù)核密度估計(jì)的迭代算法，Brooks等［4］將該算法應(yīng)用到圖像分割、視覺(jué)跟蹤等領(lǐng)域，并證明了算法的有效性.Mean-Shift算法通過(guò)非參數(shù)密度估計(jì)進(jìn)行區(qū)域像素點(diǎn)聚類(lèi)從而實(shí)現(xiàn)圖像分割，由圖像特征空間中的空間域帶寬與灰度域帶寬參數(shù)決定圖像分割效果［5-6］.Zheng等［7］通過(guò)設(shè)定初始帶寬，然后按照帶寬逐步增加的方式來(lái)尋找圖像的理想帶寬，從而實(shí)現(xiàn)圖像的分割.Comaniciu等［8-9］圖像分割研究中，運(yùn)用動(dòng)態(tài)和自適應(yīng)選取帶寬的方法降低了算法的迭代次數(shù).Mayer等［10］通求求取參考點(diǎn)K-最近鄰距離得到帶寬參數(shù)，但是當(dāng)圖像分辨率較高時(shí)，計(jì)算量較大.Mahmood等［11］根據(jù)改進(jìn)的貝葉斯理論，自適應(yīng)確定Mean-Shift算法中的灰度域帶寬，然而空域帶寬的設(shè)置直接影響圖像的最終分割結(jié)果.

考慮水面目標(biāo)圖像特點(diǎn)，這里給出一種改進(jìn)的自適應(yīng)Mean-Shift算法，將其用于水面艇視覺(jué)系統(tǒng)的水面目標(biāo)分割，仿真結(jié)果證明了該算法的可靠性.

1 Mean-Shift圖像分割算法

1.1 Mean-Shift算法基本原理

文獻(xiàn)［12］對(duì)Mean-Shift圖像分割算法原理做了詳細(xì)推導(dǎo)，其原理為

其中:mh(x)稱(chēng)為Mean-Shift迭代公式;在d維特征空間中，G(x)為核函數(shù)，決定了采樣點(diǎn)xi與中心點(diǎn)x之間的相似性;h為帶寬參數(shù)，帶寬參數(shù)不但決定了參與迭代的采樣點(diǎn)數(shù)量，而且還會(huì)影響算法的收斂速度和準(zhǔn)確性．

令Mh(x)=mh(x)-x為Mean-Shift向量，模態(tài)點(diǎn)的搜索即是通過(guò)mh(x)的迭代計(jì)算尋求使mh(x)→x的點(diǎn)，搜索過(guò)程也可以描述為，每次迭代計(jì)算都是從當(dāng)前采樣點(diǎn)指向密度較高的區(qū)域中的采樣點(diǎn)，即

算法在該點(diǎn)的收斂性已得到驗(yàn)證［13］.

Mean-Shift算法的聚類(lèi)運(yùn)算是在一個(gè)聯(lián)合空間范圍域中進(jìn)行，這種方式有利于對(duì)水面艇視覺(jué)系統(tǒng)獲得的近距離與遠(yuǎn)距離目標(biāo)圖像進(jìn)行處理.聯(lián)合域內(nèi)核是一種基于空間域與值域的對(duì)稱(chēng)核，表示為

其中:c為對(duì)應(yīng)的標(biāo)準(zhǔn)化常量;hs是p維空間域，hr是d維灰度域核帶寬，實(shí)際應(yīng)用中，這兩個(gè)參數(shù)的設(shè)定決定著最終目標(biāo)分割效果;xs表示空間域;xr是特征向量的值域;k(x)表示空間域和值域共同的輪廓．

1.2 Mean-Shift算法圖像分割

Mean-Shift算法圖像分割基本思想是先利用式(1)進(jìn)行模態(tài)搜索，得到模態(tài)點(diǎn)，從而對(duì)目標(biāo)圖像進(jìn)行平滑濾波，然后對(duì)模態(tài)點(diǎn)包含的像素進(jìn)行統(tǒng)計(jì)，將像素?cái)?shù)量少的那些模態(tài)點(diǎn)聚合到鄰近的模態(tài)中，從而實(shí)現(xiàn)目標(biāo)圖像分割.

給定Mean-Shift迭代式(1)的初始條件，包括模態(tài)搜索的起始位置，核函數(shù)G(x)，帶寬(hs，hr)，以及誤差ε=0.01和區(qū)域聚合的最小限參數(shù)M．給定初始條件后Mean-Shift算法主要分平滑濾波和區(qū)域聚合兩步進(jìn)行.其中平滑濾波步驟如下:

1)令 j=1，yi，1=xi，對(duì)該像素點(diǎn) xi，計(jì)算mh(xi);

2)如果|mh(xi)-xi|＞ε，移動(dòng)窗口中心到下一點(diǎn)，并且標(biāo)記 yi，j+1，利用式(1)求得該點(diǎn)的mh(xi)，直到 Mean-Shift向量滿足 |mh(xi)-xi|＜ε，表明初始點(diǎn)的模態(tài)點(diǎn)已找到，記錄該模態(tài)點(diǎn)，將該模態(tài)點(diǎn)的像素坐標(biāo)賦給xi，且將其像素值保存為 yi，c;

3)將第2)步每次迭代運(yùn)算得到的像素點(diǎn)xi和收斂值yi，c保存在zk中，即zk={xs別表示像素點(diǎn)空間上的位置信息和灰度特征的值域信息．

將經(jīng)過(guò)平滑濾波后的圖像進(jìn)行區(qū)域聚合處理，具體步驟如下:

1)根據(jù)上一步平滑濾波圖像中每個(gè)像素點(diǎn)的空域和值域信息，將模態(tài)點(diǎn)zk中同時(shí)滿足值域距離小于hr和空域中距離小于hs的點(diǎn)聚合在一起，即{zk∈ Cp}p=1，2，…，m;

2)將模態(tài)點(diǎn)聚合后的區(qū)域中像素總數(shù)小于M的區(qū)域剔除．

2 改進(jìn)自適應(yīng)Mean-Shift分割算法

為解決傳統(tǒng)Mean-Shift算法的全局固定帶寬適用性不強(qiáng)的問(wèn)題，本文結(jié)合Mahmood確定灰度域帶寬的方法，通過(guò)估計(jì)中心點(diǎn)鄰域的灰度分布，自適應(yīng)確定空間域帶寬從而實(shí)現(xiàn)Mean-Shift迭代算法中帶寬參數(shù)的自動(dòng)獲取，達(dá)到自適應(yīng)分割的目的.

2.1 空間域帶寬自適應(yīng)計(jì)算

在圖像平滑濾波操作中，核函數(shù)的作用范圍由空間域帶寬決定，對(duì)圖像平滑效果有著一定的影響.在利用固定帶寬參數(shù)分別對(duì)水面艇視覺(jué)系統(tǒng)采集到的遠(yuǎn)、近距離目標(biāo)視頻幀進(jìn)行處理時(shí)，通常會(huì)出現(xiàn)一方過(guò)平滑或欠平滑的現(xiàn)象，帶寬參數(shù)手動(dòng)調(diào)節(jié)無(wú)法實(shí)現(xiàn)自適應(yīng)目標(biāo)分割效果，為解決這一問(wèn)題，提出了一種自適應(yīng)空間域帶寬計(jì)算方法.

自適應(yīng)空間域帶寬計(jì)算方法如下:首先設(shè)定1個(gè)空域帶寬初值hs0，參考像素點(diǎn)xi，假設(shè)該點(diǎn)灰度值為T(mén)i．在以xi為中心，邊長(zhǎng)為(2×hs0+1)的正方形窗內(nèi)，統(tǒng)計(jì)窗口中與參考中心點(diǎn)xi灰度值相近的像素點(diǎn)數(shù)目mi，本文中將滿足|Tj-Ti|≤5的像素點(diǎn)認(rèn)為是灰度值相近的像素點(diǎn)，其中Tj為窗口內(nèi)中心點(diǎn)以外的像素點(diǎn)的灰度值．當(dāng)mi/(2×hs0+1)2＜0.8時(shí)認(rèn)為hs0為該像素點(diǎn)的自適應(yīng)帶寬，記為hi，且將該帶寬值存入矩陣H中．若不滿足mi/(2×hs0+1)2＜0.8則令hs0=hs0+1，然后繼續(xù)統(tǒng)計(jì)窗口大小更新以后的灰度值相近的比例，直到滿足總像素?cái)?shù)小于80%的條件為止．其算法流程如圖1所示．

圖1 空域帶寬自適應(yīng)計(jì)算流程

2.2 灰度域帶寬自適應(yīng)計(jì)算

本文灰度域帶寬的自適應(yīng)計(jì)算思想如下:設(shè)局部數(shù)據(jù)類(lèi)s，x為該類(lèi)中的樣本點(diǎn)，通過(guò)求解數(shù)據(jù)類(lèi)s的后驗(yàn)概率密度函數(shù)P(s|x)，從而得到灰度域帶寬．假設(shè)在類(lèi)s中點(diǎn)xi的最近鄰域內(nèi)的數(shù)目為K，K＜n，這里的最近鄰域?yàn)榍懊嫠蟮脑搮⒖键c(diǎn)空間域帶寬，計(jì)算空間窗口內(nèi)所有除參考樣本點(diǎn)xi以外的點(diǎn)與xi的歐幾里得距離，并且將距離按照升序的方式排列，即

其中xi，(j)≠xi且j=1，2，…，K-1．

由此帶寬的概率密度函數(shù)定義為

其中P(s|xKj)是局部數(shù)據(jù)類(lèi)s對(duì)xKj的Kj最近鄰域內(nèi)樣本點(diǎn)的條件概率，{Kj，j=1，2，…，N}是一組具有不同大小的N個(gè)鄰域．

s在Kj整個(gè)范圍中的概率估計(jì)描述為

由貝葉斯準(zhǔn)則可知

其中:P(xKj|Kj)表示數(shù)據(jù)樣本基于Kj最近鄰域的概率，Kj服從均勻分布，定義其范圍為［h0，hs(xi)］，hs(xi)對(duì)應(yīng)于每次Mean-Shift迭代參考點(diǎn)xi的空間窗帶寬，令Kj=hj滿足

則所包含的采樣點(diǎn)數(shù)目為Zj=(2×hj+1)2-1．而局部變量s可通過(guò)下面的表達(dá)式獲得:

其中xl為特征點(diǎn)xi最近鄰窗口中的像素點(diǎn)的灰度值．

采用伽馬分布對(duì)局部數(shù)據(jù)類(lèi)s建模，伽馬分布表示如下:

其中:α為形狀參數(shù)，β為尺度參數(shù)，利用極大似然估計(jì)的方法對(duì)其進(jìn)行估計(jì)，通過(guò)求取局部數(shù)據(jù)類(lèi)s伽馬分布的期望從而得到灰度域帶寬，即hr(xi)=，i=1，2，…，n．由此得到聯(lián)合域的內(nèi)核立體圖如圖2所示．

自適應(yīng)Mean-Shift算法的偽代碼如下所示.

輸入:目標(biāo)的灰度圖像A;

輸出:平滑濾波圖像和分割后圖像.

begin

hs=hs-adaptive(A);%根據(jù)圖1的流程圖確定每個(gè)像素點(diǎn)的空域帶寬，

%hr=hr-adaptive(A，hs);

for按圖像行列逐點(diǎn)搜尋

判定每個(gè)參考像素點(diǎn)對(duì)應(yīng)hs是否為1:

if(不為1)

則根據(jù)式(3)～(4)計(jì)算對(duì)應(yīng)的Zj表現(xiàn)概率，選取最優(yōu)概率的Kj值，由式(5)確定sj;

以sj為一組樣本數(shù)據(jù)類(lèi)，根據(jù)式(6)，由極大似然估計(jì)法求得參數(shù)α和β;從而求得對(duì)應(yīng)參考像素點(diǎn)的灰度域帶寬hr(xi)=.

if(為1)直接由式(5)求得sj，代入式(6)，運(yùn)用極大似然估計(jì)法求取參數(shù)α和β;

end

for圖像的每一個(gè)參考像素點(diǎn)

B=meanshiftsmooth(A(，)，hs(:，:)，hr(:，:)，gauss);%根據(jù)自適應(yīng)得到的帶寬，利用核函數(shù)kernelmatrix以及式(3)得到平滑濾波圖像

B-Seg=meanshiftseg(B)%根據(jù)前面1.2節(jié)所述的方法，得到最后的目標(biāo)分割結(jié)果．

圖2 聯(lián)合域核立體圖

3 水面艇目標(biāo)圖像分割實(shí)驗(yàn)與分析

本文水面艇圖像采集系統(tǒng)攝像器件為CMOS攝像頭，動(dòng)態(tài)分辨率1 280×960，最大幀頻60 FPS，像素500萬(wàn);算法的仿真實(shí)驗(yàn)在Intel Core i5-3210M雙核CPU、4 GB內(nèi)存，matlab7.6軟件環(huán)境下實(shí)現(xiàn).

得到的水面圖像分為近、遠(yuǎn)距離目標(biāo)圖像，仿真內(nèi)容包括:1)空間域與灰度域帶寬自適應(yīng)計(jì)算分析;2)從視覺(jué)角度與分割誤差兩方面驗(yàn)證算法有效性和準(zhǔn)確度;3)算法對(duì)水面目標(biāo)處理的適用性驗(yàn)證.

將圖像轉(zhuǎn)換為352×288的灰度圖像.圖3(a)、(b)是近距離水面目標(biāo)，景深距離均為20.52 m(艇上激光測(cè)距得到)，圖3(a)圖像的背景比較簡(jiǎn)單，船只的對(duì)比度相對(duì)較高，而圖3(b)中水面的波紋較為突出，圖像中目標(biāo)和背景的灰度相似，對(duì)比度不明顯.圖3(c)、(d)是由水面艇實(shí)際遠(yuǎn)距離拍攝的水面目標(biāo)，圖3(c)為遠(yuǎn)景圖像，其背景較清晰，圖3(d)背景較暗，對(duì)比度低，景深距離分別為151.45、190.32 m.

圖3 水面目標(biāo)灰度圖

圖像的全局對(duì)比度公式為

式中r(i，j)為相鄰像素點(diǎn)灰度值的差值，p(i，j)為灰度值差為r的分布概率．圖3中各圖像的對(duì)比度如表1所示．

表1 圖3中各圖像對(duì)比度

3.1 空間域與灰度域帶寬自適應(yīng)計(jì)算分析

截取圖3(b)中目標(biāo)與背景的1個(gè)小區(qū)域圖像如圖4(a)，區(qū)域尺寸為39×16，圖4(b)為該子區(qū)域灰度分布圖，對(duì)該區(qū)域進(jìn)行平滑操作后的灰度分布如圖4(c)所示，圖4(d)為分割后的灰度分布圖.

在圖3(b)中目標(biāo)、背景區(qū)域各選取1個(gè)像素點(diǎn)作為參考點(diǎn)，這里的參考像素點(diǎn)坐標(biāo)選取為(89，38)、(9，22)，帶寬的自適應(yīng)計(jì)算流程如下:

坐標(biāo)為(9，22)的像素點(diǎn)灰度值為56，該點(diǎn)附近的灰度分布值如圖5(a)所示，圖5(a)中值1為滿足|Tj-Ti|≤5條件的像素點(diǎn)，值0表示不滿足該條件的像素點(diǎn)，由此得到此像素點(diǎn)處空間域帶寬的值為3．則在［1，3］的范圍內(nèi)，利用貝葉斯準(zhǔn)則得到該鄰域內(nèi)的K值分布結(jié)果如圖5(c)，因此取K=2，此時(shí)對(duì)應(yīng)的該像素點(diǎn)灰度域帶寬值為53．

在坐標(biāo)為(89，38)的像素點(diǎn)，其對(duì)應(yīng)灰度值為140，對(duì)其鄰域的灰度分布估計(jì)值如圖5(b)，從而得到空間域帶寬值為6．在［1，6］范圍內(nèi)，利用貝葉斯準(zhǔn)則得到該像素點(diǎn)鄰域內(nèi)K的分布結(jié)果如圖5(d)所示，從而得到K=4，此時(shí)其灰度域帶寬為109．

由以上的自適應(yīng)帶寬計(jì)算結(jié)果可以看出，本文自適應(yīng)帶寬計(jì)算方法保證了在密度較小的區(qū)域自動(dòng)選取較小的空域帶寬值，在密度較大的區(qū)域中則使用相對(duì)較大的空域帶寬值，而灰度域帶寬的計(jì)算則與其對(duì)應(yīng)的空間窗大小緊密相關(guān)，在目標(biāo)和背景中能自適應(yīng)的選取不同的帶寬.

圖4 子區(qū)域平滑分割前后灰度分布對(duì)比

圖5 參考點(diǎn)對(duì)應(yīng)帶寬自適應(yīng)計(jì)算過(guò)程

3.2 本文算法的有效性與準(zhǔn)確度驗(yàn)證實(shí)驗(yàn)

Mean-Shift算法中，帶寬參數(shù)主要影響圖像的平滑濾波過(guò)程，為后續(xù)分割過(guò)程做鋪墊;另外一個(gè)影響分割結(jié)果的因素是區(qū)域聚合最小限參數(shù)M．實(shí)驗(yàn)中，算法中的區(qū)域聚合最小限參數(shù)M設(shè)置相同的值.

為了說(shuō)明本文算法的有效性，將文獻(xiàn)［7］提出的帶寬獲取方法與本文自適應(yīng)獲取帶寬的方法進(jìn)行分割效果對(duì)比.圖6和圖7是文獻(xiàn)［7］Mean-Shift算法的平滑和分割結(jié)果，圖8和圖9是本文自適應(yīng)Mean-Shift算法的處理結(jié)果.

圖6 文獻(xiàn)［7］算法的圖像平滑效果

圖7 文獻(xiàn)［7］算法的圖像分割效果

如圖6所示，文獻(xiàn)［7］通過(guò)逐步增加帶寬值直到得到最終理想帶寬的方法，由于得到的帶寬仍然是全局帶寬，所以該方法的平滑結(jié)果會(huì)出現(xiàn)如圖6(a)中箭頭所示的局部平滑不均勻現(xiàn)象，對(duì)于近距離目標(biāo)圖像會(huì)出現(xiàn)局部細(xì)節(jié)欠平滑現(xiàn)象，遠(yuǎn)距離目標(biāo)則容易出現(xiàn)過(guò)平滑的現(xiàn)象，會(huì)影響最終分割結(jié)果的精度.而本文自適應(yīng)分割算法在對(duì)圖像的平滑操作過(guò)程中同時(shí)考慮了參考點(diǎn)的空間窗大小和其鄰域中像素點(diǎn)的灰度值信息，在視覺(jué)上取得了更好的平滑效果.

圖8 本文自適應(yīng)Mean-Shift算法的圖像平滑效果

圖9 本文自適應(yīng)Mean-Shift算法的圖像分割效果

為說(shuō)明本文算法的有效性，本文從客觀實(shí)驗(yàn)的角度來(lái)進(jìn)行驗(yàn)證.對(duì)圖3中的4幅圖分別進(jìn)行手工分割，并作為該目標(biāo)的標(biāo)準(zhǔn)分割圖，將手工分割結(jié)果與本文算法分割結(jié)果二值化，計(jì)算本文自適應(yīng)分割算法的分割結(jié)果與標(biāo)準(zhǔn)分割結(jié)果之間的誤差.其中手工分割結(jié)果二值化圖像如圖10～13中圖(a)所示，本文算法分割結(jié)果的二值化圖像如圖10～13中圖(b)所示，分割誤差的二值化圖像如圖10～13中圖(c)所示，計(jì)算分割誤差的公式為

式中Ⅰs表示標(biāo)準(zhǔn)分割的二值化圖像中目標(biāo)區(qū)域(白色區(qū)域)所含的總像素?cái)?shù)，Ⅰa表示本文算法分割后二值化圖像中目標(biāo)區(qū)域的總像素?cái)?shù)．

根據(jù)式(7)，本文算法對(duì)圖3的分割誤差如表2所示，對(duì)于近距離的水面目標(biāo)圖像，其分割誤差小于7%，對(duì)于遠(yuǎn)距離的水面目標(biāo)圖像的分割誤差小于10%，由表中數(shù)據(jù)以及結(jié)合圖6～9的主觀評(píng)價(jià)結(jié)果說(shuō)明本文算法分割后沒(méi)有造成嚴(yán)重的目標(biāo)失真現(xiàn)象，達(dá)到了目標(biāo)分割的目的，并且分割效果較好.

表2 本文算法目標(biāo)分割誤差

圖10 圖3(a)分割對(duì)比

圖11 圖3(b)分割對(duì)比

圖12 圖3(c)分割對(duì)比

圖13 圖3(d)分割對(duì)比

3.3 本文算法的適用性驗(yàn)證實(shí)驗(yàn)

對(duì)于水面目標(biāo)圖像，特別是遠(yuǎn)距離水面目標(biāo)圖像，通常目標(biāo)和背景的對(duì)比度不明顯，目前常用基于OTSU的自適應(yīng)閾值分割算法來(lái)實(shí)現(xiàn)水面目標(biāo)圖像的分割，為了進(jìn)一步說(shuō)明本文算法適用于水面目標(biāo)圖像分割，將本文自適應(yīng)Mean-Shift分割算法與OTSU分割方法進(jìn)行對(duì)比分析，分割結(jié)果對(duì)比如圖14～15所示.

圖14 基于OTSU的自適應(yīng)閾值分割結(jié)果

圖15 本文算法分割結(jié)果

基于OTSU閾值分割算法的分割結(jié)果如圖14所示，本文算法的分割結(jié)果如圖15所示.從圖14(c)、(d)可以看出基于OTSU的自適應(yīng)閾值分割算法能檢測(cè)出海天線處的目標(biāo)，但是分割后得到完整的目標(biāo)較為困難，分割后含有許多海面背景部分.從圖14(b)可以看出，當(dāng)目標(biāo)位于海面處而且當(dāng)目標(biāo)灰度與海面近似時(shí)，OTSU分割方法分割后無(wú)法得到目標(biāo).而從圖15(b)中可以看出，本文算法能自動(dòng)分割出目標(biāo)，而且分割目標(biāo)較為完整.從圖14～15的整體對(duì)比也能明顯看出本文算法優(yōu)于OTSU算法，說(shuō)明本文算法適合于水面目標(biāo)圖像的分割.

4 結(jié)論

1)改進(jìn)自適應(yīng)Mean-Shift算法的水面圖像分割技術(shù)，能很好實(shí)現(xiàn)空間域帶寬與灰度域帶寬參數(shù)的自適應(yīng)計(jì)算.測(cè)試能夠體現(xiàn)出在圖像灰度密度較高的區(qū)域?qū)崿F(xiàn)了較小空域帶寬的選擇，在圖像灰度相對(duì)較小的區(qū)域?qū)崿F(xiàn)了較大空間域帶寬的選擇.而灰度域帶寬和空域帶寬緊密聯(lián)系，結(jié)合貝葉斯準(zhǔn)則選擇對(duì)應(yīng)空間窗的灰度點(diǎn).

2)大量實(shí)驗(yàn)結(jié)果表明改進(jìn)自適應(yīng)Mean-Shift算法能夠完成對(duì)水面目標(biāo)圖像實(shí)現(xiàn)較好的、整體度較高的分割.

3)但研究也顯示算法還存在分割準(zhǔn)確度的不確定性、不可靠性，當(dāng)圖像信息量大時(shí)運(yùn)行速度會(huì)下降、分割效果不理想等缺點(diǎn)和問(wèn)題.因此，對(duì)算法中的選取采樣點(diǎn)的策略以及分割區(qū)域合并過(guò)程中的參數(shù)選取方法是下一步研究重點(diǎn).

［1］劉小霞，徐貴力.嵇盛育.一種改進(jìn)的艦船紅外圖像分割算法［J］.傳感器與微系統(tǒng)，2008，27(6):37-39.

［2］汪成亮，汪連偉.基于特征的江面輪船識(shí)別算法［J］.計(jì)算機(jī)應(yīng)用研究，2011，28(6):2352-2354.

［3］李棉.紅外圖像目標(biāo)分割方法研究［D］.西安:西安電子科技大學(xué)，2011.

［4］SHEN C H，BROOKS M J.Fast global kernel density mode seeking:applications to localization and tracking［J］.IEEE Transactions on Image Processing，2007，16(5):1457-1469.

［5］PARK A ，KIM J，MIN S，et al.Graph cuts-based automatic color image segmentation using mean shift analysis［C］//In:Proceedings of the Conference on Digital Image Computing:Techniques and Applications.Piscataway:IEEE，2008:564-571.

［6］LI P F，WANG S R，JING J F.The segmentation in textile printing image based on mean shift［C］//In:Proceedings of the 10th Conference on Computer-Aided Industrial Design and Conceptual Design.Piscataway:IEEE，2009:1528-1532.

［7］ZHENG L Y，ZHANG J T，WANG Q Y.Mean-Shiftbased color segmentation of images containing green vegetation ［J］. Computers and Electronics in Agriculture，2009，65(1):93-98.

［8］COMANICIU D.An algorithm for data-driven bandwidth selection［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25(2):281-288.

［9］COMANICIU D，RAMESH V，MEER P.The variable bandwidth Mean-Shift and data-driven scale selection［C］//Proceedings of Eighth IEEE International Conference on Computer Vision，2001.Piscataway:IEEE，2001:438-445.

［10］MAYER A，GREENSPAN H.An adaptive Mean-Shift framework for MRI brain segmentation［J］.IEEE Transactions on Medical Imaging，2009，28(8):1238-1250.

［11］MAHMOOD Q，CHODOROWSKI A，MEHNERT A.A novel Bayesian approach to adaptive mean shift segmentation of brain images［C］//2012 25th International Symposium on Computer-Based Medical Systems(CBMS).Piscataway:IEEE，2012:1-6.

［12］CHENG Y Z.Mean shift，mode seeking，and clustering［J］. IEEE Transactionson Pattern Analysisand Machine Intelligence，1955，17(8):790-799.

［13］李鄉(xiāng)儒，吳福朝，胡占義.均值漂移算法的收斂性［J］.軟件學(xué)報(bào)，2005，16(3):365-374.