计算机图形图像分割算法

赵晶丽 侯书东

摘要：计算机图形图像分割在图像处理工程中属于热点研究课题，它所建立的图形图像分割算法主要围绕图像灰度、轮廓边缘、纹理区域与自身特深进行图像分割，但实际上它却忽略了人在分析过程作用，往往导致图形图像分割结果与人的视觉干产生极大偏差。为此本文中就分析7在图像分割领域中基于，人类视觉显著性的人类视觉模拟计算机图形图像分割算法，分别分析阐释了人类视觉显著性问题与基于人类视觉特性的图像自适应阈值分割算法问题，并对图形图像分割算法所获得的图像质量进行评估。

关键词：视觉显著性 图形图像分割算法 阈值分割计算 图像质量评估

图像的展示过程本身就是一种信息传递过程，因为图像中就蕴含了大量信息，图形图像分割算法就是在图像中踢下去信息并加以信息内容处理的一个重要过程。理解图像信息传输的首个步骤就是图像分割，因为图像分割可将某些所需要的目标信息内容从图像中全部分离出来，再配合分割目标实现对图像的其它多个方面信息处理。就目前来看图像分割已经成为计算机图形图像分割算法中的一项关键技术内容。

1 关于图像分割

图像分割涉及到图像信息数据分离提取而提取环境较多交杂，它可实现在图像的不同区域提取数据信息，即提取图像像素。图像像素中的每一个像素点都会被分配到不同区域，划分到不同类别中，目的是保证每一区域和每一类别中的图像都有意义。目前图像分割技术已经在较多领域中有所应用，应用广泛性不言而喻，比如图像分析检索、图像标记分类、物体识别与场景理解、交通视频图像分析、机器视觉技术以及人脸识别技术等等。在这些技术应用中，图像分割结果都能从某一个像素发展到某一篇区域，实现像素内容连通，且不同类别相邻像素还具有不同特征。

2基于人类视觉特性的图像自适应阈值分割算法应用

2.1算法应用分析

如果从集合技术应用角度分析，可以赋予它以下定义：例如可利用集合R表示一幅待分割图像，图像分割中将R划分为拥有5个条件的非空子区域R1、R2、……Rn分割过程，具体过程如下：

结合常用图像分割算法进行基于阈值的图像分割计算过程，主要参考像素内容进行像素分配与像素区域划分，建立区域图像分割方法。在该过程中，还要利用到迭代操作对相似特征值相邻要素内容进行区域分类划分。例如可基于边缘图像分割算法将图像分割成多个具有相似特征的像素聚类。具体来说，该方法具有两条操作路线：第一条是通过非线性向各向同性扩散滤波发展，以期待达到一定的降噪效果，它所讨论的是基于视觉特性的图像分割算法应用。比如说，在人眼视觉性中可融入图形图像分割概念，构建视觉特性图形图像分割方法体系，并赋予它相应的阈值视觉目标函数内容，再优化求解函数，计算图像局部树形的自适应阈值内容，最终获得分割后的二值图。第二条，要基于人类视觉特性中对局部边缘事物对比度变化异常敏感的特性建立梯度信息体系，客观反映图像边缘的灰度变化过程，再利用Sobel算子实施边缘检测，减少背景噪音影响因素，最后利用分类函数对图像像素进行分类，给出分类函数为：

在上述分类函数算式中，Savg代表梯度图像中中的灰度均值，s（i，j）代表梯度值，Sμ（i，j）代表尺寸为3x3的局部窗口梯度均值，可以在这里进行像素灰度值分類对比并同时比较分类函数值内容，确定像素所述分类的具体标签内容，最后通过阈值像素分割产生多个二值图像数据，利用最大类间差法从原始图像中构建包含了具体细节信息的子图像与涵盖剩余信息的子图像内容。

2.2算法结果分析

为进一步有效证明自适应阈值分割算法的有效性，还应该选择不同图像基于计算时间、分割质量进行实验分析，主要是合理运用图像质量指标对阈值分割方法背景下所产生的二值图像视觉质量内容进行分析，对比图像实施计算，确保阈值二值算法质量结果得到有效提高。在该过程中要证明基于视觉特性的图像自适应阈值分割算法在图形图像分割中拥有良好表现，且检验它是否也符合人类视觉的感知要求。

2.3图像质量评估

在图像质量评估环节，要基于人类视觉特性对图像质量进行图像合成应用、图像编辑、图像重定义以及图像2D向3D转换评估，最终输出给用户进行观察评估。在整个图像评估过程中，基于计算机图形图像的分割计算结果将起到重要的主观判断作用，体现技术应用性能。图像质量评估会对视觉质量内容产生影响，而在操作过程中则要保证目标分割视觉质量无限度接近真实状况，如此可生成较高质量的合成图像内容。再一点，在评估图像与分割算法应用过程中有必要对图像分割结果的视觉质量进行第三方自动评价，解决主观评价中所存在的费时费力桎梏问题，即将自动评价与人类主观评价结合起来，体现图形图像分割算法及评估过程的客观性。总结来讲，针对图形图像的质量评估方法就包括了上述的主观评估与客观评估，其中主观评估主要提供更为广泛的心理测量标度方法，它主要进行心理属性度量，通过离线方式对所获得图像进行质量调整与评估优化，它是目前准确率最高的图像质量评估方法。目前比较常用的图像主观评估算法就包括了单向刺激法、双向刺激法、强迫选择对比法以及相似性判断法。反观图形图像分割在客观图像质量评估方面则主要围绕像素度量标准展开，结合参考图像像素强度最大值建立图像像素编码朋确编码具体位数，最后对比所测量图像与参考图像之间的误差参数，并加以校正调整。

3计算机图形图像分割算法的视觉显著性其它技术要点分析

考虑到视觉显著性更希望凸显人与物体、与像素之间的相邻突出关系，可考虑对感知品质进行深度分析，基于视觉显著性起源内容进行视觉稀有性内容研究强调它的不可预测价值和独特性，例如可利用频域算法与谱残差将图像中的视觉显著性信息与冗余信息分割开来，配合空域算法计算计算机图形图像在分割后的分割向量，对显著区域内的聚类进行显著对象提取，建立显著图并引入马尔科夫链进行视觉显著性评估，最后得出生物性与计算性结果.

目前在上文所提到的诸多行业领域中都会运用到基于视觉显著性的计算机图形图像分割算法，他们会优先建立视觉显著性模型，再配合视觉显著性计算明确显著性区域范围，精确指出显著性对象，然后再对视觉显著性设计图区域进行阈值分割，最后得出拥有大量像素的不同视觉区块，即视觉注意窗。在整个过程中，配合区域聚类算法与支持向量概念可区别视觉注意窗与图形图像背景，配合固定阈值实现显著图二值化分析，最终提取图像分割成果（利用Garb Cut提取技术）。

4 总结

就目前来说，人类对于图形图像分割算法的研究应用已经相当深入，它合理运用到了计算机系统与人类视觉显著性等多种指标内容特性，结合人类视觉特性的图像自适应阈值分割算法实现图形图像合理有效分割，有针对性的提取其中有效信息，节省大量操作资源成本为人类未来的生产生活与社会综合发展带来福祉。

参考文献

[1]田源.探究基于视觉特性的计算机图像分割算法的应用[J]电脑编程技巧与维护，2018（11）：142-143. 152.

[2]欧中亚，试论基于视觉特性的图形图像分割算法[J]信息技术与信息化，2018（7）：101-104.

[3]石剑，本征图像分解算法研究[D].北京：中国科学院大学，2017.