張銘鈞，萬媛媛，李煊

(哈爾濱工程大學(xué) 機(jī)電工程學(xué)院，黑龍江 哈爾濱 150001)

水中光視覺是水中目標(biāo)探測及識別的主要技術(shù)手段之一［1］.近海淺水環(huán)境中，由于水介質(zhì)波動對光線散折射的影響及吸收效應(yīng)，使得水中圖像存在對比度低、信噪比低等問題.全局自適應(yīng)閾值分割方法是一種常用的區(qū)域并行處理圖像分割方法，本文采用該方法進(jìn)行水中圖像分割時［2］，對水中強(qiáng)噪聲干擾有較好的抑制能力，但由于自然光從球體上方照射，水中圖像存在目標(biāo)物在圖像中顏色不均勻的問題，全局自適應(yīng)閾值法易導(dǎo)致僅分割出部分目標(biāo)物的問題.為彌補(bǔ)這一缺陷，作者借鑒文獻(xiàn)［3］的方法將圖像劃分為若干個子塊，通過計算每個子塊的梯度直方圖，確定每個局部區(qū)域的Otsu分割閾值以降低水下光照條件對圖像分割結(jié)果的影響.但由于目標(biāo)物底部與背景在灰度級上具有相似性，易引起目標(biāo)和背景間粘連.文獻(xiàn)［4］在自定義的H～SV顏色空間下，對不同顏色分量進(jìn)行序列分割，以飽和度S作為主分析通道，作者在實驗中發(fā)現(xiàn)，S受光照影響較嚴(yán)重，分割結(jié)果存在球體目標(biāo)提取不完整等問題.針對上述問題，本文將傳統(tǒng)Otsu法擴(kuò)展至HSI彩色空間，提出一種基于HSI彩色空間的兩步分割方法，與文獻(xiàn)［4］不同，本文以光照低敏性的H通道信息為主，進(jìn)行第1步閾值分割，以減少光照條件變化對飽和度S的影響，在灰度級上融合S和I通道信息，進(jìn)行第2步閾值分割，以消減目標(biāo)物顏色不均勻?qū)Ψ指罱Y(jié)果的影響，得到最終圖像分割結(jié)果，并進(jìn)行水池對比實驗驗證.

水中圖像中存在水泡、懸浮物等干擾，采用Otsu法、基于HSI彩色空間的方法以及本文兩步分割方法得到的分割結(jié)果中均包含懸浮物等各種非目標(biāo)區(qū)域.采用基于區(qū)域生長方法進(jìn)行目標(biāo)區(qū)域提取時［5］，分割結(jié)果中存在干擾物，易導(dǎo)致提取出面積大于目標(biāo)區(qū)域的干擾物區(qū)域.采用基于形狀描述方法進(jìn)行目標(biāo)區(qū)域提取時［6］，分割結(jié)果中目標(biāo)區(qū)域內(nèi)部存在孔洞，易導(dǎo)致提取出非目標(biāo)區(qū)域在形狀描述中更接近圓形.針對上述問題，本文借鑒區(qū)域生長方法［7］的種子生長原理及單次標(biāo)記連通區(qū)域的特性，提出一種基于空域的目標(biāo)區(qū)域提取方法.與上述典型方法不同，本文以連通區(qū)域為局部單元，對每個小單元進(jìn)行區(qū)域面積約束和形狀約束的同時，加入目標(biāo)區(qū)域孔洞填充，對圖像不同特征的連通區(qū)域進(jìn)行處理，以濾除噪聲、背景等非目標(biāo)區(qū)域并填充目標(biāo)區(qū)域內(nèi)部孔洞，以精確提取出目標(biāo)區(qū)域，通過水池對比實驗進(jìn)行方法驗證.

1 基于HSI彩色空間的2步分割方法

針對水中圖像存在對比度低、信噪比低以及目標(biāo)物顏色不均勻等問題，本文采用自適應(yīng)Otsu法進(jìn)行圖像分割時，由于目標(biāo)底部與背景在灰度級上較相似，存在目標(biāo)和背景間粘連等問題.同時，自然光光照強(qiáng)度和光線入射角度的改變，使得圖像中目標(biāo)物顏色不均勻的情況發(fā)生變化，本文采用文獻(xiàn)［4］的方法進(jìn)行圖像分割時，由于飽和度S受光照影響嚴(yán)重，存在目標(biāo)物分割不完整等問題.針對上述問題，本文將Otsu法擴(kuò)展至HSI彩色空間，提出一種基于HSI彩色空間的2步分割方法，與文獻(xiàn)［4］不同，本文以光照低敏性的H通道信息為主，以減少光照條件變化對飽和度S的影響，并增加S和I通道信息的融合，分兩步進(jìn)行Otsu閾值分割，得到最終圖像分割結(jié)果.

1.1 基于H通道的第1步分割

由于水中圖像對比度較低，目標(biāo)與背景間的過渡邊緣在灰度級上較為相似，采用Otsu法閾值分割時，存在目標(biāo)與背景粘連等問題.本文區(qū)別于Otsu法在灰度級上的度量，考慮到光照條件變化對飽和度S分量的影響，利用圖像中目標(biāo)與背景的顏色差異進(jìn)行第1步圖像分割.

在HSI彩色空間中，H通道具有光照低敏性和單調(diào)唯一性，本文以H通道作為主分析通道，對H通道偽灰度圖像進(jìn)行第1步Otsu閾值分割.選定一個閾值t將H通道偽灰度圖像中的所有像素分成c1(0≤c1≤t)和 c2(t≤c2≤L)兩類(即背景和目標(biāo))，通過Otsu法［8］計算出c1和c2類間方差最大時的最優(yōu)閾值T，將T與H通道偽灰度圖像中各像素值進(jìn)行比較，得到第1步分割后的圖像h'(x，y)為

式中:f(x，y)表示H通道偽灰度圖像，‘255’對應(yīng)目標(biāo)區(qū)域，‘0’對應(yīng)背景區(qū)域.h(x，y)中的h表示對應(yīng)HSI彩色空間中的H通道.

對一幅靜水環(huán)境下采集到的圖像進(jìn)行分析，圖1(a)為原始圖像，將其轉(zhuǎn)換至HSI彩色空間，并將H通道信息歸至［0，255］，獲得圖1(b)所示的H通道偽灰度圖像，對該圖像進(jìn)行Otsu閾值分割，得到圖1(c)的第1步分割結(jié)果.

圖1 色調(diào)H分量的圖像分析Fig.1 Image analysis of Hhue component

由圖1(c)可知，H通道偽灰度圖像進(jìn)行Otsu閾值分割后，可將圖像分成存在顏色差異的2部分，卻依舊存在目標(biāo)分割不完整的現(xiàn)象.為分割出完整的目標(biāo)區(qū)域，下節(jié)融合了S和I通道信息，以彌補(bǔ)單一H通道表述信息的不完整.

1.2 基于融合圖像的第2步分割

自然光從球體上方照射，使得圖像中目標(biāo)物顏色不均勻，紅色球體下半部彩色特征不明顯，呈現(xiàn)暗色調(diào)，對具有光照低敏性的H通道偽灰度圖像進(jìn)行Otsu法閾值分割后得到的目標(biāo)區(qū)域不完整.針對此問題，本文在1.1節(jié)第1步分割結(jié)果的基礎(chǔ)上融合S和I通道信息，對融合圖像進(jìn)行第2步閾值分割.

如圖2所示，對圖1(a)的水中原始圖像在HSI彩色空間中進(jìn)行通道信息分離，分別提取其S、I通道信息，得到圖2(a)和圖2(b)所示的S、I通道偽灰度圖像，圖2(c)表示S和I通道信息融合后的圖像.

圖2飽和度S及亮度I分量的圖像分析Fig.2 Image analysis of saturation and illum ination component

HSI彩色空間中，飽和度S信息描述了顏色的純度，分析圖2(a)，目標(biāo)上半部由于光照充分，顏色的純度較高，S表現(xiàn)為較低的灰度值，而目標(biāo)下半部由于缺乏光照導(dǎo)致顏色純度較低且邊緣部分較為模糊，飽和度級別更接近背景，S表現(xiàn)為較高的灰度值.亮度I信息與光照強(qiáng)度及分布情況相關(guān)，分析圖2(b)，在光照充足的目標(biāo)上半部I表現(xiàn)為較高的灰度值，而光照缺乏的下半部I表現(xiàn)為較低的灰度值.基于上述分析，本文在灰度級上融合S和I通道信息，進(jìn)行第2步閾值分割.

融合時，在圖1(c)的第1步分割結(jié)果的基礎(chǔ)上，用S通道信息替代圖像中目標(biāo)上半部，用I通道信息替代圖像其余部分，得到在灰度級上融合S和I通道后的圖像E(x，y):

式中:s(x，y)和i(x，y)中的s和i分別表示對應(yīng)HSI彩色空間中的S通道和I通道.

融合圖像E(x，y)如圖2(c)所示.分析圖2(c)，目標(biāo)區(qū)域至背景區(qū)域間的過渡連接處邊緣的灰度跳躍變大，區(qū)域間對比度提高.對融合后的圖像(即圖2(c))再次進(jìn)行Otsu閾值分割，完成圖像的第2步分割，得到最終的分割結(jié)果如圖3所示，相比較圖1(c)第1步分割結(jié)果中得到部分球體目標(biāo)區(qū)域的情況，圖3中得到與背景徹底分離的球體目標(biāo)區(qū)域，且較為完整.

圖3 最終分割結(jié)果Fig.3 Final result of segmentation

2 基于空域的目標(biāo)區(qū)域提取方法

水中圖像往往存在水泡、懸浮物等干擾，采用Otsu法、基于HSI彩色空間的方法以及本文兩步分割方法得到的分割結(jié)果中均包含懸浮物等各種非目標(biāo)區(qū)域.為提取出目標(biāo)區(qū)域，本文采用基于區(qū)域生長的方法時，易提取出面積最大的干擾物區(qū)域;采用基于形狀描述的方法時，易提取出圓形度最大的目標(biāo)區(qū)域內(nèi)部孔洞.針對上述問題，本文提出一種基于空域的目標(biāo)區(qū)域提取方法.該方法以連通區(qū)域為局部單元，對每個小單元進(jìn)行區(qū)域面積約束和形狀約束的同時，加入目標(biāo)區(qū)域孔洞填充，對不同特征的連通區(qū)域分別進(jìn)行處理，以濾除噪聲、背景等非目標(biāo)區(qū)域并填充目標(biāo)區(qū)域內(nèi)部孔洞，完成球體目標(biāo)區(qū)域的精確提取.

2.1 區(qū)域標(biāo)記及圖像劃分

本文采用基于區(qū)域生長的連通區(qū)域標(biāo)記方法，對分割結(jié)果進(jìn)行圖像區(qū)域劃分.其核心思想在于，對像素(灰度值為“255”)及其8-鄰域進(jìn)行連通性判斷與標(biāo)記，直到所有像素均被標(biāo)記且屬于特定的獨立子單元.根據(jù)噪聲點、干擾物和目標(biāo)物幾何特征的差異對劃分的N個獨立子單元進(jìn)行整合，將圖像劃分為噪聲區(qū)域、干擾區(qū)域和目標(biāo)區(qū)域.

如圖4所示，圖4(a)為水中原始圖像，對其采用本文分割方法進(jìn)行圖像分割后，得到圖4(b)所示分割結(jié)果，對圖4(b)進(jìn)行區(qū)域標(biāo)記和圖像劃分得到噪聲小區(qū)域(圖4(c))、背景干擾區(qū)域(圖4(d))和球體目標(biāo)區(qū)域(圖4(e)).

圖4 二值圖像及其劃分Fig.4 Binary image and the division

2.2 基于區(qū)域面積約束

對比分析圖4(c)～(e):目標(biāo)區(qū)域只有一個，形狀規(guī)則且面積較大;背景干擾區(qū)域有若干個，形狀不規(guī)則且面積大小不一;噪聲小區(qū)域數(shù)目繁多，面積較小且位置分散.不同于典型的基于區(qū)域生長方法提取出面積最大區(qū)域的思路，本文基于區(qū)域面積的方法進(jìn)行噪聲小區(qū)域的濾除，其核心思想在于，將每個獨立子單元面積與設(shè)定的面積閾值A(chǔ)0進(jìn)行比較，將大于閾值的子單元保留，小于閾值的子單元剔除，具體實現(xiàn)過程如下:

遍歷圖像的每個獨立子單元，統(tǒng)計各子單元中像素點的個數(shù)來表示該子單元面積AS，若子單元的面積AS＜A0，則說明該子單元屬于噪聲小區(qū)域，將其灰度值置換為0;若AS＞A0，保留當(dāng)前子單元，不做處理.遍歷整幅圖像，直至濾除所有屬于噪聲小區(qū)域的子單元.得到如圖5所示結(jié)果，對比圖4(b)的圖像分割結(jié)果可明顯看出，噪聲小區(qū)域被全部濾除.

從上述實現(xiàn)過程中可以看出，面積閾值A(chǔ)0的設(shè)置是關(guān)鍵.該值與圖像中目標(biāo)區(qū)域半徑r0有關(guān)，根據(jù)攝像機(jī)與目標(biāo)間的距離，并結(jié)合攝像機(jī)透視投影原理，可得面積閾值A(chǔ)0:

式中:r為目標(biāo)的真實半徑，ZC為攝像機(jī)與目標(biāo)間的距離，f為攝像機(jī)焦距，k為攝像機(jī)的比例因子，f和k可通過攝像機(jī)標(biāo)定獲得.

圖5 濾除噪聲小區(qū)域結(jié)果Fig.5 Noise-reduced result for small region

2.3 區(qū)域孔洞填充

采用典型的基于形狀描述方法對圖5進(jìn)行處理時，得到圖6所示結(jié)果.作者進(jìn)一步研究發(fā)現(xiàn)，由于水中懸浮物及干擾物的影響，目標(biāo)區(qū)域內(nèi)部存在大量孔洞，進(jìn)行圓形描述時，偽目標(biāo)區(qū)域比目標(biāo)區(qū)域更接近圓形，從而導(dǎo)致提取出圖6所示偽目標(biāo)區(qū)域.為了準(zhǔn)確地提取出目標(biāo)區(qū)域，需要對其內(nèi)部孔洞進(jìn)行填充.

圖6 偽目標(biāo)區(qū)域Fig.6 Pseudo target region

理論上講，目標(biāo)內(nèi)部孔洞和噪聲小區(qū)域形態(tài)類似，與噪聲小區(qū)域不同，該孔洞位置上屬于目標(biāo)區(qū)域，但其灰度值與背景灰度值相同，均為0，所以不能單純地采用基于區(qū)域面積的約束進(jìn)行消除.

借鑒噪聲小區(qū)域濾除的方法，本文的目標(biāo)區(qū)域孔洞填充方法如圖7所示，對圖像反色后，目標(biāo)區(qū)域灰度值為0，而其內(nèi)部孔洞灰度值為255，將目標(biāo)內(nèi)部孔洞看作白色噪聲點，利用區(qū)域面積約束的方法濾除即可，再對圖像反色可以得到圖8所示，各個區(qū)域內(nèi)部的孔洞均被填充完整，進(jìn)行下一步基于形狀的約束.

圖7 標(biāo)區(qū)域孔洞填充Fig.7 The filling of target region hole

圖8 區(qū)域孔洞填充結(jié)果Fig.8 The result of filling target region hole

2.4 基于形狀約束

對比分析圖4(d)和圖4(e)可知，目標(biāo)區(qū)域與背景干擾區(qū)域存在明顯形狀差異，考慮到目標(biāo)物為球體，本文通過與標(biāo)準(zhǔn)圓形特征的對比，建立形狀約束條件，濾除背景干擾區(qū)域.選擇圓形度作為度量指標(biāo)來區(qū)分背景干擾區(qū)域和目標(biāo)區(qū)域，計算不同子單元的圓形度，其中，圓形度最大的子單元，即球體目標(biāo)區(qū)域，同時，將其他子單元的灰度值置換為0，從而濾除背景干擾區(qū)域.至此，經(jīng)過基于區(qū)域面積約束、區(qū)域孔洞填充以及基于形狀約束的方法對分割結(jié)果進(jìn)行處理后，得到圖4(e)所示最終球體目標(biāo)區(qū)域提取結(jié)果，對比圖

4(b)的分割結(jié)果可知，噪聲小區(qū)域和背景干擾區(qū)域均被剔除，圖像中只存在球體目標(biāo)區(qū)域，且目標(biāo)提取較為完整.

3 水池對比實驗結(jié)果及分析

為驗證本文提出基于HSI彩色空間的兩步分割方法和基于空域的目標(biāo)區(qū)域提取方法，在水池環(huán)境下進(jìn)行了對比實驗驗證.在實驗中，球體目標(biāo)為紅色，懸浮于水面下約0.5m，分別進(jìn)行靜水環(huán)境、有流環(huán)境和有干擾環(huán)境的不同方法對比實驗.其中，有流環(huán)境為模擬水流，作者利用推進(jìn)器人工造流，流速為0.5 kn(0.25 m/s).

3.1 圖像分割實驗

為了驗證本文提出的基于HSI彩色空間的2步分割方法的有效性，采用經(jīng)典Qtsu法，文獻(xiàn)［4］中的基于自定義H～SV顏色空間的圖像分割方法和本文圖像分割方法分別對靜水和有流環(huán)境下采集到的水中圖像進(jìn)行分割處理，結(jié)果如圖9和10所示.圖9(a)和圖10(a)分別表示自然光下采集到的水中原始圖像.圖9(b)～(d)表示分別對圖9(a)采用上述3種方法得到的圖像分割結(jié)果，圖10(b)～(d)表示分別對圖10(a)采用上述3種方法得到的圖像分割結(jié)果.

圖9 靜水環(huán)境下圖像分割結(jié)果Fig.9 Image segmentation results in static water environment

圖10 有流環(huán)境下圖像分割結(jié)果Fig.10 Image segmentation results in flow water environment

從圖9(a)和圖10(a)中可明顯看出，球體目標(biāo)顏色分層嚴(yán)重，目標(biāo)上半部由于光照充足，彩色特征表現(xiàn)正常，呈紅色，目標(biāo)下半部由于缺乏光照，彩色特征不明顯，呈暗色調(diào).其中，有流環(huán)境下采集到的圖像清晰度較差.

對比分析圖9(b)～(d)，由于目標(biāo)下半部灰度值與背景對比差別較小，采用Otsu閾值法得到的分割結(jié)果中僅得到部分目標(biāo)物，且有較多噪聲干擾;文獻(xiàn)［4］方法的分割結(jié)果中，對噪聲抑制能力較好，但由于光照的影響，目標(biāo)物存在部分缺失.本文方法的分割結(jié)果中，得到較完整的目標(biāo)物且噪聲較小.

對比分析圖10(b)～(d)，由于水流的影響，Otsu法和文獻(xiàn)［4］方法的分割結(jié)果中，分割出部分目標(biāo)物且噪聲干擾嚴(yán)重，本文方法的分割結(jié)果中，存在少量噪聲點，且分割出完整的目標(biāo)物.

采用圖像分割評價函數(shù)對圖9和圖10中3種方法的分割結(jié)果進(jìn)行性能評價，得到表1的統(tǒng)計結(jié)果.本文選用3個評價指標(biāo)，目標(biāo)像素誤分類誤差(ME)［9］、區(qū)域特征一致性(UM)［10］及區(qū)域間對比度(GC)［11］.

對表1中數(shù)據(jù)進(jìn)行分析可知，靜水環(huán)境下，本文方法的誤分類誤差ME較Otsu法和文獻(xiàn)［4］方法分別降低74.1%、10.5%;區(qū)域一致性UM分別提高39.1%、1.6%;區(qū)域間對比度 GC分別提高21.1%、2.7%.有流環(huán)境下，本文方法的ME較Otsu法和文獻(xiàn)［4］方法分別降低73.4%、23.3%;UM分別提高27.5%、4.4%;GC分別提高23.1%、2.5%.

綜合上述分析，Otsu法和文獻(xiàn)［4］方法均存在目標(biāo)物分割不完整的問題，本文方法能夠分割出較完整的目標(biāo)物且噪聲干擾較小.相較于Otsu法、文獻(xiàn)［4］方法，本文方法的誤分類誤差在靜水和有流環(huán)境下分別為1.7%、2.3%，實驗結(jié)果反映出本文2步分割方法的有效性.

表1 水中圖像分割結(jié)果統(tǒng)計Table 1 Underwater image segmentation results

3.2 球體目標(biāo)區(qū)域提取實驗

為驗證本文提出的基于空域的目標(biāo)區(qū)域提取方法的有效性，采用典型的基于區(qū)域生長方法、基于形狀描述方法和本文目標(biāo)區(qū)域提取方法分別對有流環(huán)境和有干擾環(huán)境下采集到的水中圖像進(jìn)行對比實驗，得到如圖11和12所示的目標(biāo)區(qū)域提取結(jié)果.有干擾環(huán)境中用手撥水，造成球體目標(biāo)物周圍出現(xiàn)大量水泡，且存在人手干擾.

圖11(a)和圖12(a)為水中原始圖像，對其分別采用本文方法進(jìn)行圖像分割，得到圖11(b)和圖12(b)所示分割結(jié)果.圖11(c)～(e)表示分別對11(b)采用上述3種方法得到的目標(biāo)區(qū)域提取結(jié)果.圖12(c)～(e)表示分別對12(b)采用上述3種方法得到的目標(biāo)區(qū)域提取結(jié)果.

圖11 有流環(huán)境下目標(biāo)區(qū)域提取對比Fig.11 Comparison of target region extraction results in flow water environment

圖12 有干擾環(huán)境下目標(biāo)區(qū)域提取對比Fig.12 Comparison of target region extraction results in interferential environment

有流環(huán)境和有干擾環(huán)境采集到的圖像中均存在較多的懸浮物等干擾，因此本文分割方法得到的分割結(jié)果(圖11(b)和圖12(b))中，目標(biāo)物雖被完整分割出來，但存在大量的噪聲點和干擾物.

對比分析圖11(c)～(e)，基于區(qū)域生長方法將噪聲點濾除并提取出目標(biāo)區(qū)域，但由于目標(biāo)區(qū)域內(nèi)部存在孔洞，目標(biāo)區(qū)域提取存在一定缺陷.基于形狀描述方法將水泡錯當(dāng)作目標(biāo)提取出來，目標(biāo)區(qū)域提取失敗.本文方法提取出目標(biāo)區(qū)域，并填充目標(biāo)區(qū)域內(nèi)部孔洞，目標(biāo)區(qū)域提取較完整.

對比分析圖12(c)～(e)，基于區(qū)域生長方法將噪聲點剔除，但提取出面積大于目標(biāo)區(qū)域的大背景區(qū)域，目標(biāo)區(qū)域提取失敗.基于形狀描述方法將干擾物提取出來，目標(biāo)區(qū)域提取失敗.本文方法剔除大量噪聲點及其他干擾物的同時，提取出目標(biāo)區(qū)域，且目標(biāo)區(qū)域較為完整.

綜合上述分析，3種方法在目標(biāo)區(qū)域提取過程中，均能濾除噪聲點，相較于基于區(qū)域生長和形狀描述的方法，本文方法在2種環(huán)境下均能提取出較完整的目標(biāo)區(qū)域，實驗結(jié)果表明本文基于空域的目標(biāo)區(qū)域提取方法的有效性.

4 結(jié)束語

針對水中圖像對比度低、信噪比低以及目標(biāo)物在圖像中顏色不均勻等問題，本文提出一種基于HSI彩色空間的2步分割方法.水池對比實驗表明，在靜水環(huán)境和有流環(huán)境中，本文方法相較于Otsu法和文獻(xiàn)［4］方法，其誤分類誤差ME均存在不同程度的降低，且區(qū)域一致性UM和區(qū)域間對比度GC均存在不同程度的提高，表明本文方法較上述2種方法能夠有效地分割出水中球體目標(biāo)物.針對水泡、懸浮物等對圖像分割結(jié)果的干擾問題，提出一種基于空域的目標(biāo)區(qū)域提取方法.水池對比實驗表明，有流環(huán)境下，基于區(qū)域生長方法提取出的目標(biāo)區(qū)域，但其內(nèi)部存在孔洞，基于形狀描述方法提取出圖像中的水泡，本文方法較上述2種方法能夠濾除噪聲并提取出較完整的目標(biāo)區(qū)域;有干擾環(huán)境下，基于區(qū)域生長方法提取出大背景區(qū)域，基于形狀描述方法提取出圖像中干擾物，本文方法較上述2種方法能夠有效濾除干擾并準(zhǔn)確提取出目標(biāo)區(qū)域.

［1］AMAURY N，CEDRIC P，MATTHEW D.Robust visionbased underwater target identification and homing using self similar landmarks［J］.Field Robotics，2008，25(7):360-377.

［2］LI Zuoyong，ZHANG D，XU Yong，et al.Modified local entropy-based transition region extraction and thresholding［J］.Applied S of t Computing，2011，11:5630-5638.

［3］馬保國，喬玲玲，賈寅波.基于局部自適應(yīng)閾值的細(xì)胞圖像分割方法［J］.計算機(jī)應(yīng)用研究，2009，26(2):753-756.MA Baoguo，QIAO Lingling，JIA Yinbo.Cell image segmentation method based on partial adaptive thresholds［J］.Application Research of Computers，2009，26(2):753-756.

［4］曹宇，趙杰，閆繼宏.基于自定義顏色空間的快速圖像分割方法［J］.計算機(jī)科學(xué)，2009，36(2):265-267.CAO Yu，ZHAO Jie，YAN Jihong.Image segmentation method based on custom color space model［J］.Computer Science，2009，36(2):265-267.

［5］GUO Haitao，ZHOU Jun，SONG Ruili，et al.Segmentation of a sonar image from a small underwater target using the improved fuzzy clustering algorithm［C］//IEEE Second International Conference on Mechanic Automation and Control Engineering.Hohhot，China，2011:5218-5220.

［6］KYUNGM H，HYUN TC.Shape context based object recognition and tracking in structured underwater environment［C］//IEEE International Geoscience and Remote Sensing Symposium.Vancouver，Canada，2011:617-620.

［7］WANG Hongtao，LUO Changzhou，WANG Yu，et al.New algorithm for binary connected-component labeling based on run-length encoding and union-find sets［J］.Journal of Beijing Institute of Technology，2010，19(1):71-75.

［8］尹奎英，劉宏偉，金林.快速的Otsu雙閾值SAR圖像分割法［J］.吉林大學(xué)學(xué)報:工學(xué)版，2011，41(6):1760-1765.YIN Kuiying，LIU Hongwei，JIN Lin.Fast SAR image segmentation method based on Otsu adaptive double threshold［J］.Journal of Jilin University:Engineering and Technology Edition，2011，41(6):1760-1765.

［9］SEZGIN M，SNAKUR B.Survey over image thresholding techniques and quantitative performance evaluation［J］.Journal of Electronic Imaging，2004，13(1):146-165.

［10］ZHANG Hui，JASON E F，SALLY A G.Image segmentation evaluation:a survey of unsupervised methods［J］.Computer Vision and Image Understanding，2008，110:260-280.

［11］ANDREEA I，BOGDAN P，MARIUS B，et al.Regionbased measures for evaluation of color image segmentation［C］//Proceedings of the International Multiconference on Computer Science and Information Technology.Wisla，Poland，2010:717-722.