本發(fā)明涉及圖像分析中圖像最優(yōu)分割和圖像對(duì)象的識(shí)別方法，尤其涉及一種集成利用多種圖像線索--圖像的區(qū)域與邊緣、連續(xù)性與不連續(xù)性，進(jìn)行分割結(jié)果的判別與認(rèn)知方法。

背景技術(shù)：

圖像分割將圖像中具有相似性的連通像元?dú)w為同一個(gè)圖像區(qū)域，是圖像連續(xù)性的一種表達(dá)，而圖像邊緣只反映了圖像局部差異。如何判定分割結(jié)果的好壞是圖像分割中的重要內(nèi)容，圖像分割的質(zhì)量對(duì)后續(xù)的圖像處理、語義認(rèn)知和圖像理解具有關(guān)鍵影響。

圖像分割為解決空間高分辨率遙感影像(以下簡(jiǎn)稱“高分影像”)數(shù)據(jù)處理中所遇到的瓶頸提供了一個(gè)新的解決思路，以圖像分割為基礎(chǔ)的面向?qū)ο髨D像分析為高分影像的實(shí)際應(yīng)用提供新途徑。面向地理對(duì)象的影像分析(Geographic Object-Based Image Analysis,GEOBIA)，致力于設(shè)計(jì)自動(dòng)化的方法將遙感影像劃分為有潛在意義的圖像對(duì)象，并通過評(píng)估空間、光譜和時(shí)間尺度特性產(chǎn)生矢量格式的新的地理信息。GEOBIA中影像處理分析的基本單位不是像元而是像元的集合，稱為對(duì)象，也稱作圖斑，再獲取其屬性。與傳統(tǒng)基于像元影像分析技術(shù)相比，其優(yōu)勢(shì)在于不但能有效避免基于像元的遙感影像處理中存在的“椒鹽噪聲”，而且影像對(duì)象除了光譜、紋理特征外，還能產(chǎn)生幾何形狀、空間分布、空間上下文關(guān)系等空間特征，建立圖像對(duì)象與真實(shí)地物之間的對(duì)應(yīng)關(guān)系，成為一個(gè)新的遙感影像處理范式。大量國內(nèi)外研究表明面向?qū)ο蟮倪b感影像分析能有效克服高分遙感影像中對(duì)象內(nèi)部細(xì)節(jié)、結(jié)構(gòu)信息的影響，提高遙感影像使用的效率與精度。高分辨率遙感影像的出現(xiàn)使得面向?qū)ο笥跋穹治黾夹g(shù)開始在遙感影像圖像處理、分析與理解方面得到重視，為高分影像分類、目標(biāo)地物識(shí)別和變化檢測(cè)等應(yīng)用提供了有效的解決途徑。

遙感影像灰度值的不連續(xù)性與相似性特征是遙感圖像分割算法的基礎(chǔ)，圖像處理是獲取圖像內(nèi)容信息的技術(shù)手段。圖像分割應(yīng)滿足以下五個(gè)條件，即①分割必須完全，即所有像元應(yīng)被劃分到不同區(qū)域去，所有子區(qū)域組成集合；②分割結(jié)果中子區(qū)域內(nèi)部像元需保持連通；③不同子區(qū)域必須是不存在交集的，即一個(gè)像元不可能被同時(shí)劃分到兩個(gè)及以上的區(qū)域中④屬于同一子區(qū)域的像元應(yīng)當(dāng)具有某些相同或相似的特性，該特性下可以劃分到一類中；⑤屬于不同子區(qū)域之間的像元應(yīng)當(dāng)具有一些不同的特性，不能歸為同一類。根據(jù)圖像分割準(zhǔn)則可以將大部分的分割算法劃分為基于邊界和基于區(qū)域的方法，前者基于影像邊緣梯度信息獲取邊緣得到邊界內(nèi)部區(qū)域；后者將相似灰度級(jí)或相同組織結(jié)構(gòu)的像元聚集起來形成區(qū)域，也稱基于區(qū)域的分割?；谶吔绲姆指钜话惴譃閮刹剑孩龠吘壴鰪?qiáng)(即邊緣檢測(cè))；②邊緣連接(或稱邊界閉合)。邊緣為影像灰度值呈現(xiàn)階躍型或屋頂型變化的部分，反映了影像局部特征的不連續(xù)性。基于這一特性可以利用微分算子對(duì)邊緣進(jìn)行提取，微分算子包括基于一階或二階微分算子，對(duì)影像進(jìn)行卷積完成計(jì)算。其中一階微分的邊緣檢測(cè)算子主要包括Robert、Sobel、Prewitt與Canny梯度算子等，其中Canny梯度算子在梯度計(jì)算前先對(duì)灰度圖像進(jìn)行了平滑濾波。影像的一階微分比給定閾值大的點(diǎn)是邊緣點(diǎn)，二階微分中的零交叉點(diǎn)為邊緣點(diǎn)。將邊緣點(diǎn)以某種給定的相似性準(zhǔn)則進(jìn)行相連，即成為一條邊緣。由于獲取的邊緣往往只是局部連續(xù)，受各種因素干擾會(huì)產(chǎn)生邊緣斷裂。因此要將所有的邊緣根據(jù)一定準(zhǔn)則連接才能獲得區(qū)域之間的完整的連續(xù)的邊界，即分割結(jié)果。邊緣是在進(jìn)行灰度不連續(xù)測(cè)量時(shí)，由大于給定閾值的導(dǎo)數(shù)值的像元組成，是一個(gè)局部概念；而邊界是封閉連通的邊緣點(diǎn)集合，是一個(gè)整體性的概念。邊緣、邊界、輪廓這三個(gè)概念在圖像分析中是逐層遞進(jìn)的，它們分別描述了從低層特征到高層符號(hào)化的過渡過程?；谶吔绶指畹哪繕?biāo)就是為了獲取有意義的地物輪廓。基于區(qū)域的圖像分割是基于區(qū)域內(nèi)部一致性原則進(jìn)行分割，區(qū)域生長(zhǎng)/合并是一種串行分割技術(shù)，該方法是以一組代表不同區(qū)域的種子像元開始，將與種子點(diǎn)性質(zhì)相似的相鄰像元附加到所在的分割區(qū)域內(nèi)，使種子像元聚合成區(qū)域的過程。算法的基本步驟可分為三步：種子像元的選定；種子點(diǎn)生長(zhǎng)的相似性準(zhǔn)則的確定；區(qū)域的顏色、紋理、形狀特征均可作為判斷區(qū)域生長(zhǎng)的相似性準(zhǔn)則；生長(zhǎng)終止條件的確定，一般到不存在任何滿足生長(zhǎng)規(guī)則的像元時(shí)生長(zhǎng)停止。區(qū)域生長(zhǎng)方法由于能夠生成閉合連續(xù)的區(qū)域且能利用較多的鄰域信息，而成為遙感圖像分割研究的重點(diǎn)之一。基于邊緣與基于區(qū)域的分割實(shí)際是從同一點(diǎn)的不同角度出發(fā)，分別有各自的優(yōu)勢(shì)與局限：基于邊界的分割方法通過邊緣檢測(cè)局部不連續(xù)性的像元，對(duì)局部邊界信息的檢測(cè)具有良好的效果，但全局分割能力不夠，且很難得到閉合邊緣；而基于區(qū)域的分割方法則利用像元的灰度統(tǒng)計(jì)信息創(chuàng)建區(qū)域，能夠克服噪聲的影響，但同時(shí)對(duì)邊緣具體位置定位的準(zhǔn)確性不夠。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于邊緣完備度的圖像分割最優(yōu)識(shí)別方法。

本發(fā)明的目的是通過以下技術(shù)方案來實(shí)現(xiàn)的：一種基于邊緣完備度的圖像分割最優(yōu)識(shí)別方法，包括如下步驟：

(1)采用平滑算法對(duì)待處理圖像進(jìn)行濾波；

(2)利用邊緣檢測(cè)方法獲取待處理圖像的邊緣點(diǎn)；

(3)應(yīng)用圖像分割算法，得到待處理圖像的過分割的初始分割圖斑集合；

(4)對(duì)全部圖斑標(biāo)記為未處理圖斑，對(duì)未處理圖斑進(jìn)行種子圖斑識(shí)別和標(biāo)記；

(5)計(jì)算種子圖斑的邊緣完備度，按圖斑的內(nèi)部邊緣點(diǎn)及光譜差異性進(jìn)行圖斑候選排序，內(nèi)部邊緣點(diǎn)少及光譜差異性小的圖斑排序優(yōu)先；

(6)在候選未處理種子圖斑集合中，選擇優(yōu)先圖斑進(jìn)行區(qū)域增長(zhǎng)，計(jì)算并保存任一合并結(jié)果及其邊緣完備度，形成邊緣完整度曲線；

(7)計(jì)算種子圖斑邊緣完整度曲線的極大值，獲取極大值點(diǎn)所對(duì)應(yīng)的圖斑；

(8)標(biāo)記極大值對(duì)應(yīng)的圖斑為最優(yōu)分割圖斑，標(biāo)記該圖標(biāo)所包含初始過分割的圖斑為已處理圖斑；

(9)重復(fù)步驟6-8，至初始過分割圖斑中所有種子圖斑均處理完成；

(10)上述所有最優(yōu)分割圖斑及未處理的非種子圖斑，形成該圖像的最優(yōu)分割結(jié)果。

進(jìn)一步地，所述步驟5中，對(duì)于圖像分割后特定圖斑而言，按其邊緣邊界點(diǎn)數(shù)量占邊界點(diǎn)總數(shù)的比例計(jì)算邊緣完備度，并以圖斑的內(nèi)部邊緣點(diǎn)的比重作為圖斑邊緣完備度的修正值；所述步驟4對(duì)進(jìn)行種子圖斑識(shí)別和標(biāo)記，種子圖斑為該圖斑至少包括1個(gè)內(nèi)部點(diǎn)，該內(nèi)部點(diǎn)的4-鄰域像元點(diǎn)均不為邊界點(diǎn)。

本發(fā)明的有益效果是，本方法提供一種在圖像分析中有效地進(jìn)行圖像最優(yōu)分割和圖像對(duì)象識(shí)別的技術(shù)手段，尤其提供了一種集成利用多種圖像線索--圖像的區(qū)域與邊緣、連續(xù)性與不連續(xù)性，進(jìn)行分割結(jié)果的判別與認(rèn)知。本發(fā)明解決了面向?qū)ο蟮倪b感影像分析方法中分割算法中參數(shù)選擇的難題。應(yīng)用本方法獲取的分割結(jié)果，并由此計(jì)算得到的圖斑空間信息反映了影像中地物真實(shí)的空間信息，為后續(xù)遙感信息提取中應(yīng)用圖像的空間信息、拓?fù)湫畔?、上下文信息提供了基礎(chǔ)。

附圖說明

圖1是本發(fā)明基于邊緣完備度的圖像分割最優(yōu)識(shí)別方法的流程框圖；

圖2是圖像分割判定4-鄰域的示意圖；

圖3是本發(fā)明基于邊緣完備度的圖像分割最優(yōu)識(shí)別方法的結(jié)果示意圖；

圖4是圖3所示結(jié)果的邊緣完備度曲線和局部極大值結(jié)果圖；其中，(a)為圖斑的邊緣完備度曲線，(b)為利用中心差分求邊緣完備度曲線的局部極大值。

具體實(shí)施方式

遙感影像灰度值的不連續(xù)性與相似性特征是遙感圖像分割算法的基礎(chǔ)，根據(jù)圖像分割準(zhǔn)則可以將大部分的分割算法劃分為基于邊界和基于區(qū)域的方法，前者基于影像邊緣梯度信息獲取邊緣得到邊界內(nèi)部區(qū)域；后者將相似灰度級(jí)或相同組織結(jié)構(gòu)的像元聚集起來形成區(qū)域，也稱基于區(qū)域的分割。

本發(fā)明一種基于邊緣完備度的圖像分割最優(yōu)識(shí)別方法，包括以下步驟：

1、采用平滑算法對(duì)待處理圖像進(jìn)行濾波；

采用高斯平滑算法，采用3×3或者5×5的模板對(duì)遙感影像中各個(gè)波段數(shù)據(jù)進(jìn)行平滑濾波。

2、利用邊緣檢測(cè)方法獲取待處理圖像的邊緣點(diǎn)；

Canny算子被認(rèn)為是目前最優(yōu)秀的邊緣檢測(cè)算子，Canny邊緣檢測(cè)用一階偏導(dǎo)的有限差分來計(jì)算圖像梯度的幅值和方向，并利用非極大值抑制方法保留局部梯度最大的點(diǎn)，而抑制非極大值。在每一點(diǎn)上，鄰域的中心像元M與沿著梯度線的兩個(gè)像元相比。如果M的梯度值不比沿梯度線的兩個(gè)相鄰像元梯度值大。在x、y方向表達(dá)如下：

由高低兩個(gè)閾值的邊緣圖像確定一組優(yōu)勢(shì)邊緣，在邊緣強(qiáng)度序列中弱邊緣組的低閾值小于強(qiáng)邊緣組的低閾值，弱邊緣組的高閾值小于強(qiáng)邊緣組的高閾值。需要對(duì)Canny邊緣檢測(cè)結(jié)果進(jìn)行減少假邊緣段數(shù)量的操作，典型方法是對(duì)Canny邊緣檢測(cè)結(jié)果N[i，j](i,j為圖像的行列號(hào))使用一個(gè)閾值，將低于閾值的所有值賦零值。雙閾值算法對(duì)非極大值抑制圖像采用兩個(gè)閾值τ₁和τ₂，從而可以得到兩個(gè)閾值邊緣圖像N₁[i,j]和N₂[i,j]。由于N₂[i,j]使用高閾值得到，因而含有很少的假邊緣，但有間斷(不閉合)。雙閾值法要在N₂[i，j]中把邊緣連接成輪廓，當(dāng)?shù)竭_(dá)輪廓的端點(diǎn)時(shí)，該算法就在N₁[i,j]的8鄰點(diǎn)位置尋找可以連接到輪廓上的邊緣，這樣，算法不斷地在N₁[i,j]中收集邊緣，直到將N₂[i,j]連接起來為止。

3、應(yīng)用圖像分割算法，得到待處理圖像的過分割的初始分割圖斑集合；

設(shè)定尺度增長(zhǎng)方式為自然數(shù)增長(zhǎng)，分割尺度閾值為自然數(shù)的平方；分割方法中圖斑的合并代價(jià)f計(jì)算如下：

f＝w·h_color+(1-w)·h_shape

其中，w為設(shè)定的權(quán)重，其值在0-1之間；h_color為圖斑的顏色或光譜差異性；h_shape為圖斑的形狀差異性。

其中，Obj1和Obj2代表合并前的兩個(gè)圖斑，Merge表示合并后的圖斑，n為圖斑的像元數(shù)，σ為圖斑的均方差，c為參與分割的圖層數(shù)。

h_shape＝w_cmpct·h_cmpct+(1-w_cmpc)·h_smooth

其中，w_cmpct為設(shè)定的權(quán)重，其值在0-1之間；h_cmpct為圖斑的緊致性參數(shù)，h_smooth為圖斑的光滑性參數(shù)。

其中，Obj1和Obj2代表合并前的兩個(gè)圖斑，Merge表示合并后的圖斑，n為圖斑的像元數(shù)，l為圖斑的周長(zhǎng)，b為圖斑外接矩形的周長(zhǎng)。

在一尺度系數(shù)下進(jìn)行圖像多尺度分割，在任一圖斑合并前，計(jì)算合并代價(jià)，當(dāng)合并代價(jià)大于尺度閾值時(shí)，不執(zhí)行合并過程；反之，執(zhí)行圖斑合并過程。對(duì)于特定分割尺度的單次分割而言，分割過程如下：

圖斑及圖斑間的相鄰關(guān)系定義如下：?jiǎn)蝹€(gè)像元和多個(gè)空間上聯(lián)通像元集合都可認(rèn)為是圖斑。對(duì)一個(gè)圖斑，考察它的邊界像元，如果兩個(gè)相鄰圖斑的像元是4鄰域相鄰，則兩個(gè)圖斑是4鄰域法相鄰的。在分割進(jìn)行的過程中，隨著圖斑的不斷合并，圖斑異質(zhì)性不斷增大，當(dāng)圖像中每一個(gè)圖斑都滿足如下條件時(shí)：①所有圖斑異質(zhì)性的均小于給定的閾值；②任意一個(gè)圖斑再與任意一個(gè)鄰域圖斑合并后形成的新圖斑的異質(zhì)性都大于給定閾值。則認(rèn)為分割過程中的一次分割完成。

分割過程中合并方法如下：當(dāng)一個(gè)圖斑有多于一個(gè)的相鄰圖斑符合歸并的條件或有多次符合條件的圖斑對(duì)時(shí)，就需要確定一個(gè)最優(yōu)的歸并圖斑對(duì)，其歸并的代價(jià)最小。對(duì)一個(gè)圖斑A，考察它的四鄰域像元鄰接圖斑，如果A與它的某個(gè)鄰接圖斑B滿足如下條件則稱A,B滿足局部相互最佳匹配原則：①A與B合并后形成的大圖斑的異質(zhì)性小于或等于A與其它相鄰圖斑合并后形成的大圖斑的異質(zhì)性；②以B為中心圖斑來尋找與B合并后滿足異質(zhì)性最小準(zhǔn)則的鄰接圖斑C；③A＝C或者(2)中有多個(gè)滿足條件的圖斑，而A是其中之一。如果A,B滿足局部相互最佳匹配原則就將它們合并為一個(gè)大圖斑，如果不滿足則以B為起始點(diǎn)繼續(xù)查找。

選擇一個(gè)相對(duì)小的值作為初始分割尺度，得到待處理圖像的過分割的初始分割圖斑集合。

所述步驟2對(duì)目標(biāo)圖像進(jìn)行邊緣檢測(cè)，步驟3對(duì)目標(biāo)圖像進(jìn)行過分割處理，步驟2和步驟3的次序可以互換；

4、對(duì)全部圖斑標(biāo)記為未處理圖斑，對(duì)未處理圖斑進(jìn)行種子圖斑識(shí)別和標(biāo)記；

對(duì)進(jìn)行種子圖斑識(shí)別和標(biāo)記，種子圖斑為該圖斑至少包括1個(gè)內(nèi)部點(diǎn)，該內(nèi)部點(diǎn)的4-鄰域像元點(diǎn)均不為邊界點(diǎn)。

5、計(jì)算種子圖斑的邊緣完備度，按圖斑的內(nèi)部邊緣點(diǎn)及光譜差異性進(jìn)行圖斑候選排序，內(nèi)部邊緣點(diǎn)少及光譜差異性小的圖斑排序優(yōu)先；

對(duì)于當(dāng)前圖斑R，對(duì)于圖斑的任一邊界點(diǎn)，若該邊界點(diǎn)的4-鄰域中存在一個(gè)或以上邊緣點(diǎn)，則該邊界點(diǎn)為邊緣邊界點(diǎn)，計(jì)算R邊界的邊緣邊界點(diǎn)長(zhǎng)度占邊界長(zhǎng)度之比，定義為圖斑邊緣契合邊界的完整度，簡(jiǎn)稱邊緣完整度，計(jì)算公式為：

L_boundary為圖斑Ra邊界點(diǎn)的像元個(gè)數(shù)，L_edge為符合條件的邊緣邊界點(diǎn)個(gè)數(shù)，I的取值范圍為[0,1]。

對(duì)于當(dāng)前圖斑Ra，統(tǒng)計(jì)該圖斑內(nèi)部與邊界點(diǎn)不相鄰的邊緣點(diǎn)數(shù)量，記為L(zhǎng)_inside。設(shè)co為邊緣完整度的修正系數(shù)，計(jì)算公式如下：

則該圖斑的邊緣完備度(ep)計(jì)算如下：

對(duì)于圖像分割后的圖斑，按其邊界邊緣點(diǎn)數(shù)量占邊界點(diǎn)總數(shù)的比例計(jì)算邊緣完整度，并以圖斑的內(nèi)部邊緣點(diǎn)的比重作為圖斑邊緣完整度的修正值。邊緣完備度(ep)的取值范圍為[0,1]。

對(duì)于種子圖斑，按圖斑內(nèi)部邊緣點(diǎn)的數(shù)量進(jìn)行排序，對(duì)于具有相同邊緣點(diǎn)的圖斑，按圖斑的光譜均方差進(jìn)行排序，值小的圖斑優(yōu)先處理。

6、在候選未處理種子圖斑集合中，選擇優(yōu)先圖斑進(jìn)行區(qū)域增長(zhǎng)，計(jì)算并保存任一合并結(jié)果及其邊緣完備度，形成邊緣完整度曲線；

在未處理的種子圖斑中，選擇內(nèi)部邊緣點(diǎn)最少、圖斑光譜均方差最小的圖斑作為優(yōu)先圖斑。采用區(qū)域增長(zhǎng)的算法進(jìn)行區(qū)域增長(zhǎng)，初始分割尺度為基數(shù)，尺度增長(zhǎng)方式為自然數(shù)增長(zhǎng)，分割尺度閾值為自然數(shù)的平方。在該圖斑與相鄰圖斑之間計(jì)算合并代價(jià)，當(dāng)合并代價(jià)小于尺度閾值進(jìn)行圖斑合并操作，保存合并結(jié)果、記錄合并尺度及其邊緣完備度，當(dāng)L_inside大于L_edge區(qū)域增長(zhǎng)停止。整個(gè)區(qū)域增長(zhǎng)過程中記錄的合并尺度及其邊緣完備度構(gòu)成邊緣完備度曲線。

7、計(jì)算種子圖斑邊緣完整度曲線的極大值，獲取極大值點(diǎn)所對(duì)應(yīng)的圖斑；

邊緣完備度曲線是一維離散數(shù)據(jù)，利用數(shù)值分析中對(duì)信號(hào)數(shù)據(jù)的微分處理方法求取曲線極大值。在對(duì)曲線求極大值時(shí)為消除誤差帶來的影響，須在求導(dǎo)前進(jìn)行平滑濾波，使得曲線能夠反映出應(yīng)有的趨勢(shì)。采用基于滑動(dòng)窗口對(duì)一維離散數(shù)據(jù)進(jìn)行卷積運(yùn)算，實(shí)現(xiàn)對(duì)邊緣完整度曲線的均值濾波，卷積模板大小為1×3，模板的權(quán)值如下所示

對(duì)于邊緣完備度局部極大值的求法，采用簡(jiǎn)單有效的差分法求解曲線的一階導(dǎo)數(shù)，離散數(shù)據(jù)求導(dǎo)分為向前、向后和中心差分。選用中心差分求邊緣完備度曲線的局部極大值，具體公式為：

8、標(biāo)記極大值對(duì)應(yīng)的圖斑為最優(yōu)分割圖斑，標(biāo)記該圖標(biāo)所包含初始過分割的圖斑為已處理圖斑；

將所有極大值按增長(zhǎng)尺度的順序先后排列，獲取極大值中的最大值，所對(duì)應(yīng)的增長(zhǎng)尺度為該圖斑的最優(yōu)分割尺度，所對(duì)應(yīng)的分割對(duì)象為最優(yōu)分割對(duì)象。

將最優(yōu)分割對(duì)象與初始分割圖斑集合進(jìn)行疊置分析，把該最優(yōu)分割對(duì)象的范圍內(nèi)的所有初始分割圖斑標(biāo)記為已處理圖斑。

9、重復(fù)步驟6-8，至初始過分割圖斑中所有種子圖斑均處理完成；

10、上述所有最優(yōu)分割圖斑及未處理的非種子圖斑，形成該圖像的最優(yōu)分割結(jié)果。

下面，我們參照附圖來說明本發(fā)明的具體實(shí)施形態(tài)。

圖1是表示與本發(fā)明實(shí)施形態(tài)有關(guān)的一種基于邊緣完備度的圖像分割最優(yōu)識(shí)別方法的流程框圖?？蚣軋D包括3大部分的處理，第一部分包括圖像平滑、邊緣檢測(cè)與初始過分割圖斑集的形成。邊緣檢測(cè)采用經(jīng)典Canny邊緣檢測(cè)算法，該算法的有效實(shí)施需要基于圖像的高斯平滑。圖像分割操作也基于圖像的高斯平滑結(jié)果，可以使得邊緣檢測(cè)結(jié)果與圖像分割結(jié)果具有一致性。第二部分基于種子圖斑識(shí)別和圖斑標(biāo)記，在遍歷未處理圖斑基礎(chǔ)上，通過種子圖斑的區(qū)域增長(zhǎng)算法，計(jì)算合并過程中的圖斑邊緣完備度，形成邊緣完備度曲線，獲得圖斑增長(zhǎng)過程中邊緣完備度的局部極大值，與邊緣完備度極大值對(duì)應(yīng)的圖斑，是可能的最優(yōu)分割和圖像對(duì)象。

圖2是圖像4-鄰域的示意圖。

利用4-鄰域結(jié)構(gòu)進(jìn)行圖斑邊界點(diǎn)識(shí)別：對(duì)于圖斑中的任意一點(diǎn)，以該點(diǎn)為中心點(diǎn)，其4-鄰域中存在其他圖斑的像元點(diǎn)，則判別該點(diǎn)為該圖斑的邊界點(diǎn)。

利用4-鄰域結(jié)構(gòu)進(jìn)行圖斑邊緣邊界點(diǎn)識(shí)別：對(duì)于圖斑中的任一邊界點(diǎn)，以該點(diǎn)為中心點(diǎn)，其4-鄰域中存在邊緣點(diǎn)，則判別該點(diǎn)為該圖標(biāo)的邊緣邊界點(diǎn)。

利用4-鄰域結(jié)構(gòu)進(jìn)行圖斑內(nèi)部點(diǎn)識(shí)別：對(duì)于圖斑中的任意一點(diǎn)，以該點(diǎn)為中心點(diǎn)，其4-鄰域中均為該圖斑的像元點(diǎn)，則判別該點(diǎn)為該圖斑的內(nèi)部點(diǎn)。

利用4-鄰域結(jié)構(gòu)進(jìn)行圖斑內(nèi)部邊緣點(diǎn)識(shí)別：對(duì)于圖斑中的任一邊緣點(diǎn)，以該點(diǎn)為中心點(diǎn)，其4-鄰域中均為該圖斑的內(nèi)部點(diǎn)，則判別該點(diǎn)為該圖斑的內(nèi)部邊緣點(diǎn)。

如圖3所示，在實(shí)施例中，黑色線范圍內(nèi)的一個(gè)圖斑，該圖斑由39個(gè)像元點(diǎn)組成，其中內(nèi)部邊緣點(diǎn)為3個(gè)；邊界點(diǎn)為21個(gè)，邊緣邊界點(diǎn)為19個(gè)，邊緣完整度為0.9，修正系數(shù)為0.86，邊緣完備度為0.775。

如圖4所示，在實(shí)施例中，黑色曲線(a)為圖斑的邊緣完備度曲線，黑色曲線(b)為利用中心差分求邊緣完備度曲線的局部極大值。

本發(fā)明不限于以上的實(shí)施形態(tài)，在權(quán)利要求書中記載的發(fā)明范圍內(nèi)，可以進(jìn)行種種的變更，這些變更當(dāng)然也包含在本發(fā)明的范圍內(nèi)，這是不言而喻的。