工程科学与技术，国际期刊21（2018）547完整文章基于模糊聚类的图像过渡区提取方法Priyadarsan ParidaBai，Nilamani BhoiVeer Surendra Sai University of Technology，Burla 768018，India阿提奇莱因福奥文章历史记录：2018年1月8日收到2018年5月7日修订2018年5月21日接受2018年6月2日在线发布关键词：过渡区Otsu阈值聚类分割A B S T R A C T基于过渡区的分割方法是近年来发展起来的一种混合分割方法，以其简单有效而著称.这里，分割的有效性取决于过渡区域的鲁棒提取。因此，我们提出了基于聚类方法的过渡区域提取方法的图像分割。 该方法首先利用输入图像的局部方差得到方差特征图像。对方差特征图像进行模糊c均值聚类，分离特征图像中的过渡特征进一步，Otsu阈值应用于过渡特征图像以提取过渡区域。为了提取精确的边缘图像，进行形态学细化操作。前一步提取的边缘图像本质上是封闭的。对边缘图像进行形态学清洗和区域填充，得到目标区域。最后，通过这些对象区域提取对象。将该方法与不同的图像分割方法进行了比较。实验结果表明，该方法优于其他方法分割图像包含单一和多个目标。©2018 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍图像分割是所有计算机视觉和图像理解任务的重要预处理步骤。它具有广泛的应用，如生物特征识别[1]，医学图像分析[2]，农作物病害检测和分类[3]等。图像分割是考虑图像的某些特征，如颜色，强度，纹理等，将目标（前景）从背景中分离出来的过程。在过去的十年中，各种各样的分割技术在文献中可用。在最近的时代，已经出现了许多混合分割技术，其提供了比传统分割技术更好的分割结果。的传统方法。这些混合分割被分类为基于模型的分割方法[4]、机器学习方法[5]、图切割方法[6，7]、活动轮廓和水平集方法[8]以及基于过渡区域的方法[9在基于模型的方法中，图像由统计模型表征，并且模型参数用作分割的特征[17]。机器学习过程基本上是训练过程，其中训练网络以根据训练图像特征（如纹理）来优化网络*通讯作者。电子邮件地址：priyadarsan. gmail.com（P。Parida）。由Karabuk大学负责进行同行审查亮度等训练后，网络呈现查询图像，并根据调整的权重和学习的权重执行基于分类的分割[18]。基于图割的方法将图像视为具有节点和顶点的加权图，其中节点表示像素或体素，顶点表示像素之间的邻域关系。表示切割的成本函数在它有效地将对象与背景分离的意义上是最佳的[6]。基于活动轮廓的方法在外部和内部力的存在下使其形状变形，从而使轮廓朝向对象[19，20]。在基于边缘的活动轮廓方法中，图像梯度用于检测对象边界[21]，而基于区域的活动轮廓使用对象和背景区域来找到模型最适合图像的能量最佳值[22]。水平集方法通常利用边缘指示器将零水平集拉向所需对象边界的方向[19]。基于过渡区域的方法[9在基于局部熵（LE）的方法[9]中，考虑邻域的熵来提取过渡区域。它的局限性在于，当局部区域的灰度值发生频繁变化时，它会增加局部熵，并将邻域内的像素识别为过渡区域，属于前景或背景。为了克服这些缺点，Li et al.[10]开发了一种基于https://doi.org/10.1016/j.jestch.2018.05.0122215-0986/©2018 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch命名法FfLVn×nM×Npfj局部邻域子图像原始图像子图像灰度均值局部方差特征原始图像大小模糊聚类数特征FFIMJmdU集群中心成本函数模糊化参数欧氏距离模糊分块矩阵548P. Parida，N. Bhoi/工程科学与技术，国际期刊21（2018）547灰度级差（LGLD），其考虑灰度级的变化和这些变化的程度。然而，用于确定阈值的参数选择单元是一个问题。然后采用改进的局部熵方法（MLE）[14]来改进过渡区域的提取。这种方法也存在与LGLD相同的问题这些技术是无效的前景和背景时，是不同的强度。此外，它们主要用于包含单个对象的图像。Zuoyong Li等人[16]提出的一种最近的基于过渡区域的方法，称为鲁棒单对象图像分割（RIB），该方法基于显著过渡区域，提供了良好的分割结果。但是，它只适用于包含单个对象的图像。为了减轻限制，Par- ida等人。[11]提出了基于局部方差和形态学算子的方法，以获得更好的单对象和多对象分割性能。在该方法中，图像被分为四类，根据是否背景和前景是简单的或纹理。当该方法应用于具有（i）纹理背景和（ii）前景和背景之间的重叠灰度级的图像时，该方法的性能为了提高性能，Parida等人。[13]提出了一种使用过渡区域的2-D Gabor滤波器的新方法。该方法适用于背景和前景之间的当图像包含纹理背景时，该方法此外，已经发现，当背景和前景都很简单时，所提出的方法[13]不能优于Parida等人[11]聚类是用于分割目的的基本方法之一。文献[23]中提供了许多基于聚类的分割算法。目前发展起来的聚类方法主要分为两类：（a）清晰集聚类，其中每个数据点都被限制在一个簇中。（b）模糊聚类方法，其中数据点是图1.一、船图像的过渡区域提取：（a）原始灰度图像，（b）RIB，（c）[11]，（d）[13]，（e）提出的方法，（f）P. Parida，N. Bhoi/工程科学与技术，国际期刊21（2018）547-563549图二、各种方法的船图像分割结果和分割掩码：（a）原始图像，（b）(d)[13]，（e）提出的方法，（f）地面实况，（g）图3.第三章。Puppy图像的不同方法的过渡区：（a）RIB，（b）[11]，（c）[13]，（d）建议的方法。见图4。各种方法的Puppy图像的分割结果和分割掩码：（a）原始图像，（b）根据包含部分隶属度概念的模糊集进行聚类模糊c均值聚类方法是最广泛使用的聚类方法之一，用于将数据集划分为不同数量的不相交集，其中每组数据点彼此独立[23]。过渡区分割方法强调过渡区的准确提取。更好的过渡区域提供更好的图像分割。因此，在这里，我们提出了一种方法提取的过渡区，使用模糊c-均值聚类，这给更好的分割。提取550P. Parida，N. Bhoi/工程科学与技术，国际期刊21（2018）547图五. 建议方法的架构。过渡区的建议的方法是证明图。一比四在这里，将结果与最近开发的基于过渡区域的方法进行比较，例如，RIB，Parida等.[11]和Parida et al.[13].所有方法都在取自MSRM数据集的船和小狗图像上进行了测试[24]。不同方法在船像上 的 过 渡 区 域 如图所 示。1 .一、A区ðÞ×n2-1k 1升 1×l¼ 1;2;... ;NP. Parida，N. Bhoi/工程科学与技术，国际期刊21（2018）547-563551检测到由圆圈表示的过渡区域，其中所提出的方法的过渡区域与其它过渡区域相比是连续的。这可以更好地检查，通过查看放大版本的指示与边缘区域相比的方差[11]。对于一个n×n的局部邻域，具有中心像素xk;l，局部方差特征被提取为：图中 所示的 区 域。 1（f）-（i）. 双 头的nn红色箭头表示连续（连续或不连续）。 由于所提出的方法给出了Lvk;Lr21 对于k1;2 ;，XXfk;l-f2;。. . ;Mð1Þ连续过渡区，分割效果较好。与图1所示的其他方法相比，二、还在Puppy图像上测试了该方法，结果示于图1A和1B中。3和4与其他方法相比，该方法的过渡区域有效地抑制了背景纹理分割结果的有效性如图所示。 四、2. 该方法该方法从原始灰度图像的局部方差特征提取入手。提取的局部特征将输入图像划分为不同的强度级别。进一步的三类模糊c-均值聚类方法应用于特征图像提取三个不同的强度水平。这导致前景和背景之间的过渡区域的更容易提取。在过渡区域采用形态学细化和区域填充操作提取目标区域。最后，通过这些对象区域提取对象 图 5示出了所提出的方法的架构。2.1. 局部方差特征提取首先从原始图像中提取局部方差特征。提取局部方差特征后的区域是具有较高方差的区域通常包含边缘而均匀区域具有较少的其中k;l表示n×n的局部邻域的坐标子图像f，符号f是灰度级均值。当量（1）通过滑动窗口从左到右，从上到下，以实现局部变化特征图像。图像的高度和宽度分别由M和N在我们的实验中，局部邻域被选择为3 - 3，以便更好地提取特征。局部方差特征图像仅表示主要特征，诸如对象的边缘以及进一步聚类的背景特征。2.2. 模糊c均值聚类提取过渡特征对前一步提取的局部特征进行聚类，提取过渡特征。聚类技术搜索像素或像素簇之间的相似性，以在特征空间中找到不同的结构。它基本上parti- tions一组像素从输入特征空间中的一个同质组的像素。模糊C均值（FCM）聚类算法由于其简单性而被广泛应用于无监督聚类算法。这里，聚类被应用于方差特征。这些特征包括背景特征、过渡特征和内部物体纹理特征。对特征图像采用了3类FCM算法。选择3类聚类的原因在第4节中讨论。第一类分离出背景特征。第二类将见图6。Puppy和Eagle图像的特征图像和聚类输出：（a）Puppy图像的特征，（b）（a）的3类聚类，（c）Eagle图像的特征，（d）（c）的3类聚类。.X我！. Xj.i;j¼¼¼ut 1Σð;;l;j552P. Parida，N. Bhoi/工程科学与技术，国际期刊21（2018）547见图7。从Puppy和Eagle图像的3类聚类中分离单个类：（a）Puppy图像的3类聚类，（b）-（d）从（a）分离单个类，（e）Eagle图像的3类聚类，（f）存在于对象区域中的内部纹理特征以及背景部分中的一些纹理特征第三类是分开的(c) 将均值矩阵M更新为第二类特征的中间部分基本上被称为过渡特征。分离在图6中更好地示出。图6（a）和（c）显示了Eagle和Puppy最后一次C第1页utC=第1页快去吧！ð4Þ形象图6（b）和（d）示出了基于3类FCM的Eagle和Puppy图像的特征的类分离。红色区域是FCM聚类的一级划分从图中可以清楚地理解，它简单地表示背景区域。绿色区域是指示对象区域的内部突出纹理区域以及外部背景纹理区域的第二类分区集合。蓝色区域表示位于对象和背景之间的边界上的过渡特征。最后，在聚类过程结束时，我们得到三个不同类别的特征，从中我们选择了第3类特征，这些特征被称为过渡特征用于后续处理。图中给出了单独的类分离演示。7.第一次会议。用于FCM的算法如下：FCM试图为一组特征fj找到一个分区（p个模糊聚类 2ffi，j^l; 2;：：;C最小化成本函数for，i1;. ;p.(d) 重复步骤（b）kMt1-Mtke5<在我们的实验中，e的值被选择为0.00001[26]。我们的方法初始化的聚类数是3。最后，我们实现了特征图像的3个不同的聚类。选择3类FCM的原因在第4节中讨论。2.3. 从过渡特征中提取过渡区域在前一步中，我们实现了三个不相交的特征集，它们被分类为类1，类2和类3特征。Class-1仅包含背景特征。内部特征pC对象区域和一些背景区域被分类为JU;MX XUijmdij2联系我们2类特征。前景和背景之间的界限地面被分类为3类特征（过渡特征）。的其中U½Ui;j]是一个模糊分块矩阵，i;j （2）（1）（2）（3）（1）（2）（Otsu阈值[27]被应用于3类特征以获得trans-focus。位置区域。最后，在处理结束时，第i簇中第j个对象的隶属系数。项M½m1;。 . . ;mp]是聚类中心矩阵。术语m2½1;1] 被 称 为 模 糊 化 参 数 ， 其 通 常 被 设 置 为 值 2[25] 。 项di;j<$d<$xj;mi<$是xj和mi之间的欧几里得距离。总结我们的特征聚类算法的工作在以下步骤中：(a) 初始化m、c和一个小的正整数e的适当值。随机选择聚类中心。初始化步骤变量为0。(b) 在t0处求值或在t>0处更新模糊分块矩阵U为其中值1指示将对象与背景分离的过渡区域。2.4. 形态疏净操作从前一步骤中提取的过渡区域适当地围绕对象区域。这些区域具有几个像素的宽度。因此，为了实现单个像素宽度的闭合对象轮廓，过渡区域经受形态学细化操作。细化操作导致对象的边缘图像以及边缘附近的一些孤立像素摆脱i;j; Xp1d=d1=101-m103Þ对这些孤立的像素执行形态学清除操作。在形态细化和清理结束时操作，我们提取干净的物体轮廓，这是连续的，fori 1;.. . ：; p和j ^l;... ; C在自然界中。l¼1Ji;jClass-12类Class-3Class-12类Class-3四级5类2类Class-3四级5类(a)Eagle图像聚类的不同类别1级6级七级Class-12类Class-3Class-12类Class-3四级5类P. Parida，N. Bhoi/工程科学与技术，国际期刊21（2018）547-5635531班2班3班4班5班6班7班(b)Puppy图像聚类的不同类别见图8。Eagle和Puppy图像的高级聚类效果。表1类别数量对Eagle和Puppy图像性能指标的影响图像的若干类我FPRFNR纪SA鹰三级0.00830.00390.08330.85830.9917五级0.00800.00400.07810.86270.99207级0.00790.00410.07430.86480.9921小狗三级0.01720.01990.01130.94830.9828五级0.30480.01690.92010.07710.69527级0.31130.01710.93990.05800.68872.5. 形态学区域填充提取目标区域在前一步中实现的对象轮廓完全连接。这些进一步经历形态区域填充操作。在该过程中，边缘图像的内部部分填充有值1，其余值为0。填充值为1的该区域称为对象区域或分割掩模。2.6. 从对象区域从前一步骤提取的对象区域是二值图像，其中1表示对象掩模，而0表示背景部分。1值被替换为灰度图像的原始强度值以提取分割的对象。0被替换为强度值255以使分割结果的背景为白色。3. 业绩计量所提出的方法的性能通过5个不同的性能指标进行定量评估：误分类错误（ME）[28，29]，假阳性率（FPR）[29]，假阴性率（FNR）[29]，Jaccard指数（JI）[30]，分割准确度（SA）[31]和F-测量[32]。¼-554P. Parida，N. Bhoi/工程科学与技术，国际期刊21（2018）547见图9。原始图像和它们的地面真相。(A)原始图像：（a）鹰，（b）鸟，（c）船，（d）花1，（e）球员，（f）小狗，（g）花2，（h）手机，（i）440，（B）地面真理。在二进制分类中，错误地分类为背景或反之亦然的前景（对象）像素被称为误分类误差（ME）[28]。ME定义为分割结果的前景像素。运算符表示集合运算的基数。ME值介于0和1之间，其中0表示完全分割，没有任何偏离地面实况的偏差。值1对应于全部ME1jBO\BTjFO\FTjjBO jjFO jð6Þ错误的分割结果。ME的值越小对应于更好的分割结果。度量FPR和FNR更精确地定义其中B0和F0表示地面实况图像的背景和对象像素，而BT和FT表示背景，FPR是被分类为目标像素的背景像素的数量与背景像素的总数之比。FNR是一个P. Parida，N. Bhoi/工程科学与技术，国际期刊21（2018）547-563555表2不同图像类型的不同方法的性能指标（ME、FPR、FNR、JI、SA）图像方法我FPRFNR纪SAF-measure鹰乐0.29920.31650.00000.15460.70080.2678MLE0.05340.03080.44600.36070.94660.5302LGLD0.80090.79150.96330.00250.19910.0050肋0.01550.01630.00170.77780.87500.8750NC0.24230.25560.01190.18250.30860.3086Parida等人[第十一届]0.00650.00470.03780.88960.99350.9416Parida等人[13个国家]0.01020.00490.10130.82860.98980.9062LSISIM0.29880.31470.02440.15160.70120.2632该方法0.00830.00390.08330.85830.99170.9167鸟乐0.09390.09900.00720.36960.90610.5397MLE0.06540.04140.48080.30280.93460.4649LGLD0.97920.99010.79320.01160.02080.0229肋0.03650.01980.32480.50300.66940.6694NC0.03040.02500.12210.61570.76220.7622Parida等人[第十一届]0.02740.01920.16840.62690.97260.7707Parida等人[13个国家]0.02560.01480.20840.63200.97440.7745LSISIM0.04130.03870.08580.55090.95870.7104该方法0.02430.01430.19480.64780.97570.8052船乐0.24350.26580.19160.49930.75650.6661MLE0.18710.04360.52430.43160.81290.6029LGLD0.73070.83300.49240.17260.26930.2944肋0.18260.00980.58850.40230.57370.5737NC0.21990.10540.48650.41220.58380.5838Parida等人[第十一届]0.06220.00170.20320.79360.93780.8849Parida等人[13个国家]0.05780.00210.18750.80860.94220.8125LSISIM0.22670.08970.54590.37560.77330.5461该方法0.04880.00110.16000.83790.95120.8400花1乐0.58830.72380.21920.26270.41170.4161MLE0.34410.14580.88710.08070.65590.1493LGLD0.01140.00050.04100.95770.98860.9784肋0.01200.02020.00070.95700.97800.9780NC0.00500.00050.01740.98130.99060.9906Parida等人[第十一届]0.01840.01860.01770.93490.98160.9664Parida等人[13个国家]0.01670.01650.01710.94060.98330.9829LSISIM0.01310.00000.04890.95110.98690.9750该方法0.01000.00810.01510.96350.99000.9849木瓜乐0.59250.76580.38350.32050.40750.4854MLE0.32660.06380.64550.32910.67340.4952LGLD0.12770.00000.28160.71840.87230.8361肋0.32150.00000.71170.28830.44760.4476NC0.19480.00000.42980.57020.72630.7263Parida等人[第十一届]0.01990.01530.02540.95700.98010.9780Parida等人[13个国家]0.01950.01220.02840.95760.98050.9716LSISIM0.34910.00000.77010.22990.65090.3738该方法0.01770.00070.03810.96110.98230.9769球员乐0.31790.33100.14920.16120.68210.2777MLE0.17100.14390.52430.16560.82900.2841LGLD0.80650.85850.13420.07160.19350.1336肋0.15160.08641.00000.00000.00000.0000NC0.21140.15720.91240.02890.05620.0562Parida等人[第十一届]0.08240.08070.10480.43820.91760.8952Parida等人[13个国家]0.09790.09500.13570.38800.90210.8643LSISIM0.51460.55260.02420.11990.48540.2141该方法0.05140.04320.15800.54050.94860.9420小狗乐0.36860.41110.27770.38460.63140.5555MLE0.33790.07870.89410.09060.66210.1662LGLD0.01910.00300.05370.94040.98090.0066肋0.31760.00280.99340.00650.01300.0130NC0.01210.01530.00540.96320.98120.9812Parida等人[第十一届]0.30740.02010.92110.07560.69260.1406Parida等人[13个国家]0.03540.04430.01620.89870.96460.9838LSISIM0.10830.13510.05120.73630.89170.8481该方法0.01720.01990.01130.94830.98280.9887花2乐0.28780.29190.25990.24860.71220.3982MLE0.15710.06780.76330.16210.84290.2790LGLD0.01610.00920.06310.88180.98390.9372肋0.01410.01610.00050.90100.98590.9529NC0.01160.00120.08210.91080.95330.9533Parida等人[第十一届]0.00780.00720.01180.94210.99210.9702Parida等人[13个国家]0.00890.00840.01270.93440.99110.9873（接下页）¼¼¼- 四分之一556P. Parida，N. Bhoi/工程科学与技术，国际期刊21（2018）547表2（续）图像方法我FPRFNR纪SAF-measureLSISIM0.02080.00930.09850.84800.97920.9177该方法0.00780.00750.01000.94210.99220.9900手机乐0.43430.58480.19260.41640.56570.5880MLE0.29290.07940.63950.31930.70710.4841LGLD0.16620.00180.43030.56810.83380.7246肋0.25400.01400.64360.34850.74600.5160NC0.21280.14150.32720.54820.70820.7082Parida等人[第十一届]0.02480.02400.02600.93790.97520.9679Parida等人[13个国家]0.02160.01280.03570.94490.97840.9643LSISIM0.48810.38400.65510.21330.51190.3517该方法0.01720.00650.03440.95560.98280.9756440乐0.49770.51800.37080.14840.50230.2584MLE0.15970.09930.53730.28560.84030.4443LGLD0.16940.13320.39560.32970.83060.4958肋0.11130.00640.76690.22420.88870.4439NC0.19920.16810.39420.29530.45590.4559Parida等人[第十一届]0.03270.02050.10890.78980.96730.8826Parida等人[13个国家]0.03260.01360.15170.78170.96740.8483LSISIM0.11180.04670.51860.37240.88820.5428该方法0.03170.01270.15050.78710.96830.8995在背景像素中分类的对象中的像素的数量到物体像素总数FPR和FNR定义为4. 选择3类聚类的原因及更高类聚类FPRjBO\FTjjBO jFO\BTjjFO jð7Þð8Þ用于聚类的类的数量取决于各种因素，例如计算时间和性能度量。为了解释这种关系，我们做了一个小实验。如果我们在聚类算法中增加类的数量，由于迭代次数的增加，计算时间也会随之增加FPR和FNR的值也在0和1之间变化FPR和FNR值越小，分割效果越好较高的FPR和FNR值分别使结果高度过分割和欠分割。为了评估分割结果与地面真实值的相似性，使用Jaccard指数。Jaccard指数[30]定义为：步骤。如果我们增加集群中的类的数量，它只是减少了过渡区域的宽度。这可以从图8（a）中得到验证，其中三个不同的聚类类被应用于Eagle特征图像。图8（a）的第一行表示3类聚类方法的输出。第二行显示了5类聚类的聚类结果。 第三行表示使用7类聚类方法对同一特征图像的聚类结果。从结果来看，它可以被...JIjGT\SRj包括，如果我们增加聚类的类数，9[SR]其中GT和SR分别对应于地面实况和分割结果。JI值在0和1之间变化。更高的值（即，接近于1）表示更好的分割结果或与基本事实（所需的分割结果）的最大相似性。分割精度（SA）[31]是一个全局度量，表示分割结果中总的良好分类像素的比率，其给出为过渡区仅变得更窄但在性能上从这个角度来看，结果变化不大，这可以从表1中得到验证。在表1中，Eagle图像的性能度量是针对不同类别聚类计算的如果我们从3类聚类增加到7类聚类，分割精度（SA）提高了0.04%。这表明，对于性能的低在Puppy图像的情况下，如果我们从3类聚类增加到7类聚类，则性能SA显著降低。这一事实可以从表1中验证小狗的形象。图8（b）显示了聚类SA数量 正确分割的像素的像素ð10ÞPuppy图像的不同类聚类结果上面的讨论得出结论，我们选择3类聚类，而不是SA的值保持在0到1的范围内。高SA值表示更好的分割精度。基于上述五个性能指标，所提出的方法与各种分割方法进行了定量比较。对于整体性能评估，在我们的实验中使用的F-措施。F测度的计算是基于真阳性（TP）、真阴性（TN）、假阳性（FP）和假阴性（FN）四个基本量。F测度定义为F措施2TP112TPFPFNF度量通过所需边界和所获得边界的相似性来评估分割质量[32]。更高级别的集群。5. 结果和讨论整个实验在一台配备Core-i3、1.9 GHz处理器和8 GB RAM的PC上进行。实验是在MATLAB7.0环境下进行的。该方法与几种现有的分割方法进行了比较，如LE[9]，MLE[14]，LGLD[10]，RIB[16]，归一化切割[7]，Parida等人。[11]，Parida等人。[13]和LSISIM[20]。实验所用的图像是8位和不同的分辨率，以证明所提出的方法的有效性。图像取自MSRA数据集[24]和Wisemann数据集[33]，其中包含单个P. Parida，N. Bhoi/工程科学与技术，国际期刊21（2018）547-563557图10个。各种方法对不同图像的分割结果：鹰，鸟，船，花1，木瓜，球员，小狗，花2，手机，440。（a）LE，（b）MLE，（c）LGLD，（d）RIB，（e）NC，（f）[11]，（g）[13]，（h）LSISIM，（i）建议的方法。以及实验过程中的多个对象。用于实验的图像组具有前景（简单或纹理）和背景（简单或纹理）的所有组合。图9给出了用于实验的图像及其地面实况。对于每张图像的定量评价，对所有方法以及所提出的方法的6种不同性能指标（ME、FPR、FNR、JI、SA和F-指标）进行了评价，并在表2中给出。对于定性评价，以及它们的分割掩模以及原始图像和地面实况在图1A和1B中示出。分别为10和11。每个图像的性能度量的最佳值用粗体标记。为了开始我们的分析，对于鹰图像，背景天空具有一些纹理，但前景很简单。除FPR和FNR外，方法[11]对于Eagle图像，采用LE方法给出最佳FNR。558P. Parida，N. Bhoi/工程科学与技术，国际期刊21（2018）547图十一岁不同图像的各种分割方法的面具：鹰，鸟，船，花1，木瓜，球员，小狗，花2，手机，440。（a）LE，（b）MLE，（c）LGLD，（d）RIB，（e）NC，（f）[11]，（g）[13]，（h）LSISIM，（i）建议的方法。表3不同方法对各种业绩衡量的平均业绩方法我FPRFNR纪SAF-measure乐0.37240.43080.20520.29660.62760.4453MLE0.20950.07950.63420.25280.79050.3900LGLD0.38270.36210.36480.46540.61730.4435肋0.14170.01920.50320.44090.61770.5470NC0.13400.08700.27890.55080.65260.6526Parida等人[第十一届]0.05900.02120.16250.73860.94100.8398Parida等人[13个国家]0.03260.02250.08950.81150.96740.9096LSISIM0.21730.15710.28230.45490.78270.5743该方法0.02340.01180.08560.84420.97660.9320P. Parida，N. Bhoi/工程科学与技术，国际期刊21（2018）547-5635591.00000.90000.80000.70000.60000.50000.40000.30000.20000.10000.0000LE MLE LGLD RIB NC Parida et al.Parida et al.LSISIM建议[第十一届]F-测量[13个国家]方法见图12。 不同方法的平均绩效指标。图十三. 不同方法得到的ROC比较。表4不同图像在不同AWGN标准差（r）下不同方法的性能指标（ME，FPR，FNR）。图像标准差（Parida和Bhoi 2016 a）（Parida和Bhoi 2016 b）RIB建议方法我FPRFNR我FPRFNR我FPRFNR我FPR FNR泰迪r= 30.04350.00580.18260.01170.00160.04890.01110.01360.00200.02950.00080.1349R= 50.06200.02770.18810.01180.00140.05040.01160.01430.00170.03230.00080.1481r= 70.15930.16140.15180.01240.00150.05240.01190.01470.00170.03730.00110.1706R= 90.70940.90230.00000.01330.00180.05560.01390.01720.00170.04170.00340.1824r= 110.73720.94270.00000.01480.00380.05520.01990.02490.00110.05830.02180.1926Eagler = 30.00680.00470.04260.01020.00490.10020.01550.01630.00180.00840.00400.0830R= 50.00720.00460.05070.01040.00500.10230.01580.01660.00150.00870.00420.0865r= 70.00760.00520.04840.01060.00510.10390.01570.01650.00150.00910.00430.0915R= 90.01820.01630.05000.01070.00510.10600.01590.01680.00090.01010.00530.0933r= 110.08830.09030.05330.01300.00780.10330.01630.01730.00020.02290.01860.0972所提出的方法获得了最佳的FPR值，而其他测量值几乎相等，表明所提出的方法的结果是较少的过分割相比，其他。鸟的形象是有两个对象的简单前景和背景。除FNR外，该方法对所有性能指标均具有最佳值。LE方法达到最佳Bird图像的FNR值，但是来自图10的视觉表示示出了与其他方法相比，LE方法保留了大部分前景区域。与背景相比，船图像具有更多纹理的前景。所提出的方法达到最佳的性能指标，表明它的工作更好的条件下，560P. Parida，N. Bhoi/工程科学与技术，国际期刊21（2018）547图十四岁高斯噪声对各种分割方法的影响，对于Teddy和Eagle图像，r= 3，5，7，9，11（a）原始图像添加了AWGN，（b）(e)不同方法的分割结果：（b）[11]，（c）[13]，（d）RIB，（e）建议方法。前景纹理支配背景。Flower1图像具有简单的前景和背景纹理。NC方法除FPR和FNR外，其他性能指标均较好。最低FPR由LSISIM方法给出，而最佳FNR为P. Parida，N. Bhoi/工程科学与技术，国际期刊21（2018）547-563561图15. Teddy和Eagle图像中噪声密度变化（0.01，0.02，0.03）的盐和胡椒噪声对各种分割方法的影响。(a)原始图像添加了盐和胡椒噪声，（b）表5不同图像在不同椒盐噪声密度下的性能指标（ME、FPR、FNR）图像噪声密度（Parida和Bhoi 2016 a）（Parida和Bhoi 2016 b）RIB建议的方法我FPRFNR我FPR FNR我FPRFNR我FPRFNR泰迪0.010.04250.00760.17080.01470.0056 0.04840.01370.01690.00210.03650.00900.13750.020.05010.01790.16860.02050.0135 0.04640.17590.01860.75620.05060.02550.14300.030.06220.03360.16760.03160.0290 0.04130.03280.02080.07710.07080.05040.1458Eagle 0.010.00980.00810.03890.01310.0081 0.10100.01680.01770.00220.02350.02010.08180.020.01770.01630.04070.02430.0200 0.09840.01920.
我的内容管理
收起
我的收益 登录查看自己的收益
我的积分
登录查看自己的积分
我的C币
登录后查看C币余额
我的收藏 
我的下载 
下载帮助 
