1、PDF外文：http:/ 3 中文 11350 字 出处： Microprocessors and Microsystems, 2012, 36(3): 215-231 外文文献翻译 一种可重构的嵌入式彩色图像分割处理软件系统 Chrysos G, Dollas A, Bourbakis N 摘要 ： 图像分割是图像分析和计算机视觉第一重要和最困难的步骤之一，它也被认为是机器视觉中最古老的问题之一。 最近， 几个分割算法已经迅速发展起来， 包括制定阈值，边缘定位和区域增长，这些为更快的图像 /视频分
2、析和识别系统的发展提供了很好的机会。此外，模糊分割算法本质上有助于区域的合成，更好地显示物体。这些算法有着细微的差别，但是都还不错。因此，算法的选择是基于主观标准的，或者基于应用程序本身。在这里，我们针对模糊推理分割（ FRS）提出一种低成本的嵌入式可重构体系结构。 FRS 有三个阶段（平滑，边缘检测和实际分割） 。初始的平滑操作是为了去除噪点，平滑和边缘检测算法也包括在这个程序步骤中。分割算法利用了边缘信息和平滑后的图像 ， 用来找到图像中的区域。 在这项工作中 FRS 分割算法被选择是依赖于它在一些列应用中展现的可靠性能。（面部检测，运动检测
3、，自动目标识别（ ATR） ） ，并且它开发成本低，有着可重构的计算平台，旨在低成本的应用。特别要提的是，本文提出的实现平滑，边缘检测和颜色的分割算法，使用 Stretch S5000 处理器，并且通过使用 Matlab 软件实现，最后对它们进行对比。在本文中，这种新的体系结构和替代技术、基准测试和比较结果，都进行了详细介绍。这是第一次我们看到了同时具有高吞吐量，出色的性能（至少在基准测 试中）和低成本的实现。 关键字： 可重构，图像分割，可嵌入式系统，架构 4 1 介绍 1.1 分
4、割 在过去的三十年中， 许多计算机视觉， 模式识别， 图像分析和目标提取系统已开发。同时，模糊和半模糊聚类算法也提出了提取和识别定义对象的功能。为了让这些算法和系统成功，它们一般都拥有强大的平滑或分割技术做开始。因此，几乎所有的视觉和模式识别方法中，图像分割都是一个重要的开始步骤。一些研究已经把分割算法归类，如阈值或聚类， 边缘检测， 区域增长 /合并和其他分割算法。 特别地， S.U. Lee 和 S.Y. Chung 表明，双峰图像，就是只有一个对象，其余是它的背景这种图像，阈值方法
5、会显示较好的效果。然而，当对象区域相比背景区域显得很小的时候，或者当对象和背景的灰度范围在同一水平时，选择一个好的阈值是很困难的。这种技术的另一个缺陷是，当图片中存在多个对象时也会出现问题。在这种情况下，寻找骤变的峰谷直方图使方案进一步复杂化，分割的结果可能会很差。边缘检测是相关的图像分割的另一种方法。边缘被定义为被检测到的灰度级或色彩急剧变化的位置。然而，在此操作中，很难保持检测到的边缘的连续性， 区域必须始终由一个连续的边缘包围 。 区域增长 /合并是第三种图像分割的方法。在这种情况下，大的区域很容易被检测到，之后，小的区域可以使用相同的标准合并。区域增长 /合并一
6、个不利的地方在于，这种方法固有的有 5 序性。通常情况下，各区域产生的顺序取决于这些区域的增长和合并的顺序。 1.2 颜色分割架构 文献中报道了许多不同的颜色分割的方法。其中一个重要的方法是双色反射模型发展而来的。它描述了颜色的反射 光的表面反射（亮点）和物体的反射（物体颜色）的线性组合。使用这种模式，区域增长和合并法显示 出了令人印象深刻的结果。在该方法中，一个物体上高亮度的区域和无光泽的区域合并了。然而，使用不恰当的阈值会使它的性能退化。 有一些分割方法，它们不在 RGB 空间里分割彩色图像，因为它们和色彩的理解模型不切合。相反
7、的，它们选择其他的颜色空间，比如 HIS 或者 YUV，这些都比 RGB 色彩空间显示出了更好的效果。这些图像分割过程融合了边缘检测方法来产生更好的结果。基于近似推理或模糊推理的分割产生了可喜的成果 。 Huntsberger 定义颜色的边缘为每个像素成员函数值的差异为零。 通过使用了 C 迭代分割算法得 到了模糊算法成员函数值，尽管 C 迭代算法由于本身性质来说是耗时的 。 Lim 提出了一种自动化的从粗到细的分割方法。这种方法基于阈值直方图和 C 迭代算法。 Lambert 和 Carron 提出了一个有趣的方法，结合色彩空间（根据相关色度处理和明确色相的界
