楊紅亞 趙景秀 徐冠華 劉爽

摘 要：圖像分割是圖像分析中一個非常重要的預(yù)處理步驟，分割效果將直接影響到后續(xù)任務(wù)的有效性。彩色圖像相較于灰度圖像更接近人類的視覺特性，因此對彩色圖像的研究更為重要。對當(dāng)前比較常用的一些彩色圖像分割方法進(jìn)行了綜述，闡述了基于閾值、基于聚類、基于區(qū)域以及基于特定理論的幾類分割方法各自的優(yōu)缺點(diǎn)和應(yīng)用場景。最后根據(jù)基于過完備字典的稀疏表示能夠刻畫圖像細(xì)節(jié)信息、實(shí)現(xiàn)圖像最優(yōu)逼近的特點(diǎn)，提出將其推廣至彩色圖像分割的研究思路。

關(guān)鍵詞：彩色圖像分割；閾值；聚類；區(qū)域生長；稀疏表示

DOIDOI：10.11907/rjdk.172535

中圖分類號：TP301

文獻(xiàn)標(biāo)識碼：A 文章編號：1672-7800（2018）004-0001-05

Abstract：Image is an important preprocessing step in image analysis， of whose effect directly affects the effectiveness of subsequent tasks. Color images are more closely related to the human visual characteristics than gray-scale images， so it bears more importance for study. In this paper， some segmentation methods of color image are reviewed， the advantages， disadvantages and application of segmentation methods based on clustering， region and class are analyzed. The paper then introduces the theory of sparse representation based on the over-complete dictionary， which can describe the detail information of the image and realize the optimal approximation of the image. The theory is proposed to be employed into color image segmentation.

Key Words：color image segmentation；threshold；clustering；regional growth；sparse representation

0 引言

圖像分割是指根據(jù)要求將圖像細(xì)分為幾個區(qū)域的過程，是圖像處理到圖像分析過程中的關(guān)鍵技術(shù)之一。圖像分割通過提供精簡的相關(guān)圖像信息，從而提高后續(xù)高級任務(wù)的有效性，在醫(yī)學(xué)、交通、農(nóng)業(yè)等各個領(lǐng)域得到了廣泛應(yīng)用。因此，產(chǎn)生了眾多分割方法，其中灰度圖像分割方法發(fā)展已經(jīng)趨于成熟。但在很多情況下，單純利用灰度信息無法提取出符合人們要求的目標(biāo)，這時則需要借助于彩色信息[2]。彩色圖像分割方法大部分繼承于灰度圖像分割方法，但直接繼承的方法并不適用于彩色圖像分割，因此眾多研究者對其進(jìn)行了改進(jìn)。目前，彩色圖像分割方法主要分為以下幾大類：基于閾值的分割方法、基于聚類的分割方法、基于區(qū)域的分割方法以及基于特定理論的分割方法。

1 基于閾值的分割方法

1.1 直方圖閾值法

直方圖閾值法是灰度圖像分割中的一種常用方法，其最重要的步驟是閾值選取，選取閾值是否合適將直接影響圖像的最終分割效果。Prewitt曾提出直方圖雙峰法進(jìn)行閾值選取，即若直方圖呈現(xiàn)出明顯的雙峰狀（見圖1），則選取兩峰之間谷上的灰度值作為分割閾值，將圖像中的各像素與該閾值進(jìn)行比較，從而確定每個像素的劃分類。其中T表示選取的閾值。

該方法僅適用于具有明顯雙峰直方圖的圖像，而對于具有平坦直方圖或單峰的圖像，則不一定能獲得閾值。迭代最佳閾值算法[3]可以根據(jù)不同圖像選取合適的閾值，其基本思想是先假定一個閾值，然后在該閾值下對圖像進(jìn)行分割，根據(jù)分割后的各子圖重新選取閾值，循環(huán)迭代，直到選取的閾值不再發(fā)生改變則停止迭代，該閾值即為最終選取的閾值。實(shí)現(xiàn)過程如下：

相較于灰度圖像，彩色圖像直方圖是一個三維矩陣，確定閾值比較困難。因此，人們習(xí)慣于將圖像從RGB顏色空間轉(zhuǎn)換成其它顏色空間，然后對各個分量分別進(jìn)行處理，或直接生成一個多維直方圖進(jìn)行處理。

1.2 最大類間方差法

Ostu提出的最大類間方差法是一種自動選取閾值的方法，該方法主要用來對圖像進(jìn)行二值化，提取感興趣區(qū)域。其基本思想是先對圖像進(jìn)行劃分，按照其灰度特性分為目標(biāo)和背景兩部分，選取使目標(biāo)類和背景類之間方差最大的門限值，即為所求的二值化閾值。

相較于灰度圖像，彩色圖像還必須考慮其顏色信息，所以傳統(tǒng)的單閾值分割方法并不能直接適用于分割彩色圖像。為了解決該問題，研究者們將Ostu算法推廣到多閾值彩色圖像分割。先在眾多極大值中尋找有意義的峰值，再將多峰值的直方圖劃分為若干個單峰值區(qū)域求其局部最佳閾值，以實(shí)現(xiàn)彩色圖像的多閾值分割，并在此基礎(chǔ)上引入形態(tài)學(xué)方法對結(jié)果進(jìn)行優(yōu)化。實(shí)驗(yàn)證明了利用該方法對彩色圖像進(jìn)行分割能夠得到很好的分割效果[4-5]。

2 基于聚類的分割方法

2.1 K-均值聚類

K-均值聚類算法計算簡單、效率高，是目前應(yīng)用最廣泛的聚類算法之一。研究者們將該算法引入圖像分割領(lǐng)域，并在實(shí)際應(yīng)用中獲得了良好的分割效果，目前其在彩色圖像分割中也是一種常用方法。算法的關(guān)鍵問題是需事先確定類的數(shù)目，并且根據(jù)選定的類以隨機(jī)確定各類的初始聚類中心。但在具體應(yīng)用中類的數(shù)目無法預(yù)知，若選定的初始聚類中心不合理，不僅會增加計算復(fù)雜度，還會得到不合理的結(jié)果?；谠搯栴}，Chen等[6]結(jié)合直方圖閾值理論自動獲取類別數(shù)和聚類中心，得到了令人滿意的結(jié)果。該算法的實(shí)現(xiàn)步驟如下：

該聚類算法在彩色圖像分割中應(yīng)用廣泛，Ma等[7]利用該算法將石斑魚從海水背景的彩色圖像中分割出來；Shi等[8]則結(jié)合了EM算法將彩色圖像從RGB顏色空間轉(zhuǎn)換到Y(jié)UV顏色空間，最終完成有效分割。

針對K-均值聚類算法類別數(shù)目及初始聚類中心的選取問題，將待分割圖像進(jìn)行預(yù)處理得到灰度直方圖，然后根據(jù)直方圖波峰確定類的數(shù)目及初始聚類中心的方法可減小計算量，提高分割效率。

2.2 模糊C均值聚類

模糊C均值聚類算法是K均值聚類算法的推廣，其通過計算樣本點(diǎn)對類中心的隸屬度函數(shù)獲

該方法簡單直觀、易于實(shí)現(xiàn)，但也需事先確定聚類數(shù)目，且聚類結(jié)果易受初始化中心影響。利用FFCM算法[9]對彩色圖像進(jìn)行分割，則不需要事先確定聚類數(shù)目，從而大大提高了聚類速度，實(shí)現(xiàn)了對彩色圖像的快速分割。

FCM算法證明了其對圖像分割的有效性[10]，但是缺乏對噪聲和異常值的魯棒性。因此，研究者近年來提出許多改進(jìn)的聚類算法[11-14]，有效實(shí)現(xiàn)了全局優(yōu)化的聚類，提高了彩色圖像的分割精度、分割質(zhì)量和抗干擾能力。

3 基于區(qū)域的分割方法

3.1 區(qū)域生長與區(qū)域合并

區(qū)域生長是根據(jù)生長準(zhǔn)則將與種子像素具有類似特征的像素合并起來組成區(qū)域的過程。主要包括3個步驟：①選取種子像素；②規(guī)定生長準(zhǔn)則；③確定生長停止準(zhǔn)則。

初始種子選取的合適與否會直接影響分割效果，選取方法有多種，需根據(jù)具體情況具體分析，可以人工選取，也可以選取聚類中的某個聚類中心，還可以利用蟻群算法[15]進(jìn)行自動選取。生長準(zhǔn)則可以根據(jù)顏色信息、紋理信息或空間信息等進(jìn)行設(shè)定，按照規(guī)定的生長準(zhǔn)則將種子像素周圍與種子有相同或相似特征的像素歸并到種子像素所在區(qū)域中，然后將新像素作為種子像素重復(fù)操作，直到符合生長停止準(zhǔn)則，一個區(qū)域則生長而成。

但在分割時只若使用區(qū)域生長通常會產(chǎn)生過分割問題，區(qū)域合并則能夠很好地解決該問題。因此，一般將區(qū)域生長與區(qū)域合并結(jié)合使用[16]。在小區(qū)域內(nèi)使用區(qū)域合并可以消除噪聲點(diǎn)干擾，在大區(qū)域內(nèi)使用區(qū)域合并則可使分割結(jié)果更切合人類的視覺特征[17]。區(qū)域合并也需要一個準(zhǔn)則，一般利用相似度確定合并準(zhǔn)則，相似度可以是圖像的顏色、紋理特征、區(qū)域大小或形狀等。Zhang[18]將區(qū)域顏色融入到區(qū)域合并中，提出了分級合并方法，并設(shè)計了自適應(yīng)權(quán)重因子方法，在彩色圖像分割中取得了良好的分割效果。

3.2 分水嶺分割方法

分水嶺算法借鑒了形態(tài)學(xué)，基本原理是將圖像看作一個拓?fù)涞貓D，根據(jù)像素灰度值將地圖劃分為許多區(qū)域，每個區(qū)域都稱為一個積水盆地，積水盆地的邊界則形成分水嶺。該方法通常是在梯度圖像上進(jìn)行分割的，但得到的結(jié)果一般都存在過分割現(xiàn)象，因此常需要借助于標(biāo)記圖像以獲得更好的分割效果[19-20]?；诮良夹g(shù)的分水嶺檢測算法為之后改進(jìn)的分水嶺算法奠定了很好的基礎(chǔ)[21-22]。該算法包括兩部分：排序和泛洪，步驟描述如下：①將圖像轉(zhuǎn)換為灰度圖像，得到與原圖像像素RGB值對應(yīng)的灰度值；②計算各像素點(diǎn)梯度并按由小到大順序排序，相同梯度為同層級；③先對第一層（h=0）像素進(jìn)行處理，將已標(biāo)識的像素點(diǎn)加入到一個FIFO隊(duì)列中；④當(dāng)隊(duì)列非空時，取出首個元素，若其鄰域像素梯度相等，則將該像素標(biāo)識改為鄰域像素標(biāo)識，循環(huán)操作，直至隊(duì)列為空；⑤重復(fù)掃描，若還有未被標(biāo)識的像素，則將h的值加1后賦給該像素，再從該像素開始繼續(xù)執(zhí)行步驟④，直至所有像素均被標(biāo)識；⑥令h=h+1，返回步驟③重復(fù)操作，直到全部像素處理完畢。流程如圖2所示。

各研究者也對該方法進(jìn)行了改進(jìn)，Yu等[23]改進(jìn)了頻域低通濾波，并優(yōu)化了極小值標(biāo)定技術(shù)參數(shù)的選取方法，提高了分割的自適應(yīng)性及魯棒性；Hong[24]提出的HWO方法在直方圖上使用分水嶺算法，在融合階段計算混合高斯分布的重疊率，不僅避免了過分割問題，還具有較強(qiáng)的抗噪能力。

保守的分水嶺算法能構(gòu)建圖像的整體劃分，可用于醫(yī)學(xué)圖像分析，但其對錯誤邊緣具有敏感性，易造成過度分割。Christ[25]提出一種整合聚類算法和標(biāo)記控制分水嶺分割算法進(jìn)行醫(yī)學(xué)圖像分割的方法，研究表明，由該方法得到的分割圖像比由保守分水嶺算法得到的分割圖像數(shù)量更少。

4 基于特定理論的分割方法

4.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)是一種模擬人腦中神經(jīng)元處理數(shù)據(jù)的系統(tǒng)，具有自學(xué)習(xí)能力，且能夠并行處理數(shù)據(jù)，有著良好的自適應(yīng)性。該神經(jīng)網(wǎng)絡(luò)由一個輸入層、一個輸出層和多個隱含層組成，上層神經(jīng)元的輸出作為下層神經(jīng)元的輸入。結(jié)構(gòu)如圖3所示。

每個輸入xi都對應(yīng)一個權(quán)重wi，f是經(jīng)過權(quán)重的輸入在處理單元Y處被量化后，相加計算出的關(guān)于權(quán)重和的函數(shù)，通常稱為傳遞函數(shù)。

將神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像分割的基本思想是先對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，通過其學(xué)習(xí)能力獲得內(nèi)部節(jié)點(diǎn)之間的連接關(guān)系，然后將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)應(yīng)用于待分割圖像。常用反向傳播[26]（BP）算法達(dá)到訓(xùn)練目的，該算法利用梯度下降法原理，通過層層回退、重復(fù)調(diào)整網(wǎng)絡(luò)中的權(quán)重和閾值，以達(dá)到預(yù)期誤差要求。

目前，神經(jīng)網(wǎng)絡(luò)已較好地應(yīng)用于彩色圖像分割方面。如利用神經(jīng)網(wǎng)絡(luò)方法對玉米病害圖像進(jìn)行分割，能夠較為完好地保留病害區(qū)域顏色紋理信息[27]；利用粗糙集理論分析處理圖像中的隱含規(guī)律，可減少中間的隱含層層數(shù)，大大提高了神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)處理能力，使分割速度更快，分割效果更優(yōu)[28]。

4.2 遺傳算法

遺傳算法是一種獲取最優(yōu)解的搜索算法，該算法受到進(jìn)化論的啟發(fā)，借鑒了生物進(jìn)化過程（適者生存，優(yōu)勝劣汰）。其主要優(yōu)點(diǎn)是簡單、魯棒性強(qiáng)、自適應(yīng)能力好，對于越復(fù)雜、目標(biāo)越不明確的問題，其優(yōu)勢越明顯。這些特征已被人們廣泛應(yīng)用于信號處理、組合優(yōu)化、人工智能等領(lǐng)域。遺傳算法的3個基本操作為：選擇、交叉、變異。運(yùn)算流程如圖4所示。

彩色圖像多閾值分割不需要先驗(yàn)知識，計算簡單，對于顏色有明顯對比的圖像分割效果較好，但是計算量較大。遺傳算法采用并行搜索技術(shù)從全局中尋找最優(yōu)解，在多閾值分割中引入遺傳算法可大大減少運(yùn)行時間?；谶z傳算法的二維熵多閾值自適應(yīng)圖像分割方法[29]利用變異的可變碼長操作，將染色體碼長融合到適應(yīng)度函數(shù)中，能夠自動確定圖像的分割類別數(shù)及最佳多閾值，最終實(shí)現(xiàn)彩色圖像的多閾值分割。在HSV顏色空間中利用遺傳算法尋找最優(yōu)閾值[30]，魯棒性較好，對顏色具有較強(qiáng)的區(qū)分能力。將遺傳算法和最大熵法相結(jié)合[31]進(jìn)行彩色圖像分割也可獲得令人滿意的分割效果。

4.3 基于顏色模型的方法

相較于灰度圖像，彩色圖像中含有的信息更加豐富，顏色空間的表達(dá)方式也比較多樣，所以灰度圖像分割方法并不適用于彩色圖像分割，要先確定合適的顏色空間才能對圖像作進(jìn)一步分割。常用的顏色空間模型有RGB、HSI、HSV、LAB、YIQ、LUV等，但目前還沒有一種顏色空間可以代替其它顏色空間，如何選擇合適的顏色空間是當(dāng)前研究的一個熱點(diǎn)問題。

Liu等[32]利用6種顏色空間進(jìn)行彩色圖像分割：在6個顏色空間上選取最佳顏色分量，并根據(jù)其直方圖峰值確定聚類數(shù)目及初始聚類中心，再利用空間模糊C均值算法進(jìn)行聚類，將分割結(jié)果進(jìn)行融合及區(qū)域合并，即可得到最終的分割結(jié)果。該方法簡單有效，其分割效果優(yōu)于一些經(jīng)典的分割算法；Yang[33]將閾值分割應(yīng)用于RGB顏色空間中，分割結(jié)果優(yōu)于傳統(tǒng)的閾值分割，但該算法只適用于目標(biāo)顏色為黑色的情況，局限性較強(qiáng)；Wang[34]基于RGB顏色空間中的顏色相似度提出一種新的彩色圖像分割算法，通過創(chuàng)建顏色等級映射并利用其信息對像素進(jìn)行分類，分割結(jié)果顯示該算法魯棒性強(qiáng)、計算復(fù)雜度低，但精確度不夠；Pang等[35]在HSI顏色空間上用Ostu法進(jìn)行閾值分割，同時在LAB顏色空間上進(jìn)行K均值聚類，然后將得到的兩個結(jié)果進(jìn)行區(qū)域合并，并用濾波消除噪聲，從而精準(zhǔn)地將圖像從背景中提取出來。

Ye等[36]提出一種基于顏色和空間信息的彩色圖像分割方法，將待分割圖像在LUV顏色空間上進(jìn)行顏色量化后，找出各像素之間的空間聯(lián)系，進(jìn)而確定初始分割區(qū)域，并進(jìn)行區(qū)域合并，直到滿足停止區(qū)域合并準(zhǔn)則。同時，引入形態(tài)學(xué)對分割后的邊緣進(jìn)行平滑處理，最終得到符合人類視覺感知的分割結(jié)果。

5 圖像稀疏表示理論研究

最常用的字典學(xué)習(xí)算法是K-SVD算法，該算法主要用來對字典進(jìn)行更新，并且是逐列更新的。其基本思想是先初始化一個字典，進(jìn)行稀疏編碼后根據(jù)獲得的稀疏系數(shù)矩陣對字典迭代更新，從而找到最優(yōu)字典。

6 總結(jié)展望

本文針對目前主要的一些彩色圖像分割方法進(jìn)行了綜述，包括多閾值分割方法、模糊聚類方法、區(qū)域生長方法、分水嶺方法、基于特定理論的方法等。由于應(yīng)用場合不同，所需分割的圖像要求也有所不同，所以分割算法多種多樣，但至今不存在一個通用的算法。雖然大多數(shù)灰度圖像分割算法可以經(jīng)過改進(jìn)應(yīng)用于彩色圖像分割，但其無法將彩色信息作為一個整體考慮，所以下一步的研究方向是找出一種能夠通用且魯棒性較好的分割方法。本文最后介紹了圖像的稀疏表示理論，根據(jù)其能刻畫圖像結(jié)構(gòu)細(xì)節(jié)信息的特點(diǎn)以及在圖像處理方面取得的成果，可能為圖像分割研究工作指出新的方向。

參考文獻(xiàn)：

[1] VANTARAM S R. Survey of contemporary trends in color image segmentation[J]. Journal of Electronic Imaging，2012，21（4）：0901.

[2] 林開顏，吳軍輝，徐立鴻.彩色圖像分割方法綜述[J].中國圖象圖形學(xué)報，2005，10（1）：1-10.

[3] 陳寧寧.幾種圖像閾值分割算法的實(shí)現(xiàn)與比較[J].電腦知識與技術(shù)，2011，7（5）：3109-3111.

[4] 鄧本再，秦佳賢.一種魯棒的彩色圖像多閾值分割方法及應(yīng)用[J].工業(yè)控制計算機(jī)，2012，25（9）：95-96.

[5] 李中健，杜娟，郭璐.將Otsu用于多閾值彩色圖像分割的方法及優(yōu)化[J].計算機(jī)工程與應(yīng)用，2010，46（11）：176-178.

[6] 陳坤，馬燕，李順寶.基于直方圖和模糊C均值的彩色圖像分割方法[J].計算機(jī)應(yīng)用與軟件，2012，29（4）：256-259.

[7] 馬國強(qiáng)，田云臣，李曉嵐.K-均值聚類算法在海水背景石斑魚彩色圖像分割中的應(yīng)用[J].計算機(jī)應(yīng)用與軟件，2016，33（5）：192-195.

[8] 施海濱，周勇.混合聚類彩色圖像分割方法研究[J].計算機(jī)工程與應(yīng)用，2011，47（9）：181-184.

[9] 林開顏，徐立鴻，吳軍輝.快速模糊C均值聚類彩色圖像分割方法[J].中國圖象圖形學(xué)報，2004，9（2）：159-163.

[10] 紀(jì)則軒，潘瑜，陳強(qiáng)，等.無監(jiān)督模糊C均值聚類自然圖像分割算法[J].中國圖象圖形學(xué)報，2011，16（5）：773-783.

[11] NOOKALA M V， ANURADHA B. A novel multiple-kernel based fuzzy C-means algorithm with spatial information for medical image segmentation[J]. International Journal of Image Processing，2013.

[12] FREY B J， DUECK D. Clustering by passing messages between data points[J]. Science，2007，315：972.

[13] 許曉麗，盧志茂，張格森，等.改進(jìn)近鄰傳播聚類的彩色圖像分割[J].計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報，2012，24（4）：514-519.

[14] LIU L X， TAN G Z， SOLIMAN M S. Color image segmentation using mean shift and improved ant clustering[J]. Journal of Central South University，2012，19（4）：1040-1048.

[15] 李浩，何建農(nóng).結(jié)合蟻群和自動區(qū)域生長的彩色圖像分割算法[J].微型機(jī)與應(yīng)用，2015（16）：36-38.

[16] 劉俊，馬燕，陳坤.一種改進(jìn)的基于區(qū)域生長的彩色圖像分割方法[J].計算機(jī)應(yīng)用與軟件，2012（11）：288-291.

[17] 冷美萍，鮑蘇蘇.基于色調(diào)直方圖和區(qū)域合并的彩色圖像分割算法[J].計算機(jī)應(yīng)用，2010，30（3）：653-656.

[18] 張長青，葛文英，劉國英.一種基于區(qū)域分級合并的彩色圖像分割方法[J].計算機(jī)工程與應(yīng)用，2012，48（17）：203-206.

[19] 高麗，楊樹元，李海強(qiáng).一種基于標(biāo)記的分水嶺圖像分割新算法[J].中國圖象圖形學(xué)報，2007，12（6）：1025-1032.

[20] 張海濤，李雅男.閾值標(biāo)記的分水嶺彩色圖像分割[J].中國圖象圖形學(xué)報，2015，20（12）：1602-1611.

[21] VINCENT L， SOILLE P. Watersheds in digital spaces： an efficient algorithm based on immersion simulations[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence，1991，13（6）：583-598.

[22] 鄧子建，李弼程.基于直觀分水嶺定義的圖像分割算法[J].計算機(jī)工程與應(yīng)用，2005，41（26）：43-47.

[23] 余旺盛，侯志強(qiáng)，王朝英，等.基于改進(jìn)濾波和標(biāo)記提取的分水嶺算法[J].電子學(xué)報，2011，39（4）：825-830.

[24] 洪志令，姜青山，王聲瑞，等.基于分水嶺和重疊率衡量的多級彩色圖像分割[J].中國圖象圖形學(xué)報，2008，13（9）：1740-1749.

[25] CHRIST M J J， PARVATHI R M S. Segmentation of medical image using clustering and watershed algorithms[J]. American Journal of Applied Sciences，2011，8（12）：1349-1352.

[26] 楊治明，王曉蓉，彭軍，等.BP人工神經(jīng)網(wǎng)絡(luò)在圖像分割中的應(yīng)用[J].計算機(jī)科學(xué)，2007，34（3）：234-236.

[27] 溫長吉，王生生，于合龍，等.基于改進(jìn)蜂群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的玉米病害圖像分割[J].農(nóng)業(yè)工程學(xué)報，2013，29（13）：142-149.

[28] 何偉，蔣加伏，齊琦.基于粗糙集理論和神經(jīng)網(wǎng)絡(luò)的圖像分割方法[J].計算機(jī)工程與應(yīng)用，2009，45（1）：188-190.

[29] 常發(fā)亮，劉靜，喬誼正.基于遺傳算法的彩色圖像二維熵多閾值自適應(yīng)分割[J].控制與決策，2005，20（6）：674-678.

[30] 張國權(quán).基于遺傳算法的彩色圖像多閾值分割方法研究[J].電子設(shè)計工程，2011，19（9）：43-45.

[31] 宋家慧.基于遺傳算法的最大熵閾值的圖像分割[J].信息化研究，2005，31（2）：60-63.

[32] 劉俊，馬燕，陳坤，等.融合多顏色空間分量的自適應(yīng)彩色圖像分割[J].計算機(jī)工程與應(yīng)用，2014，50（5）：185-189.

[33] 楊康葉，鄔春學(xué).基于RGB模型顏色相似性的彩色圖像分割[J].計算機(jī)系統(tǒng)應(yīng)用，2013，22（3）：128-131.

[34] WANG S. Color image segmentation based on color similarity[C].International Conference on Computational Intelligence and Software Engineering. IEEE Xplore，2010：1-4.

[35] 龐曉敏，閔子建，闞江明.基于HSI和LAB顏色空間的彩色圖像分割[J].廣西大學(xué)學(xué)報：自然科學(xué)版，2011，36（6）：976-980.

[36] YE Q X， GAO W， WANG W Q， et al. A color image segmentation algorithm by using color and spatial information[J]. Journal of Software，2004，15（4）：522-530.

[37] 時永剛，王東青，劉志文.字典學(xué)習(xí)和稀疏表示的海馬子區(qū)圖像分割[J].中國圖象圖形學(xué)報，2015，20（12）：1593-1601.

（責(zé)任編輯：黃 ?。?/p>