《表1 分割结果的SC值：基于空间聚类和边缘梯度的图像分割算法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于空间聚类和边缘梯度的图像分割算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在本文算法的实验过程中，对伯克利数据集中的图像进行了大量实验，结果表明，根据图像类型的不同，选取合适的α值引入梯度可以使得图像的分割结果更加准确。图3～图6为实验图像和不同的α值下采用本文算法得到的分割结果。当α=0时，未引入梯度，从图4中可以看出，由于只采用区域因素，过于重视颜色纹理，导致2个区域颜色相近时边界不易被识别出。图像中没有分割边界却有颜色变化的狭长区域容易被分割成2个区域。另外，相比于只采用边缘因素的分割结果，其分割边界没有那么贴合真实边界。加入梯度后，当α≠0时，α越小边缘因素的值越大。图5中α=1，其分割结果开始受到边缘梯度的影响，颜色纹理变化的影响减小，分割边界也更加精确，但此时还未将该算法的优越性完全体现。当α=0.5时（见图6），边缘因素与区域因素正确结合，根据颜色纹理以及边缘梯度，对图像进行分割，得到精确的分割结果。从表1中也可以看出，引入梯度因素并根据图像特点选择合适的梯度权重，可以使图像分割结果更加准确，也更加体现出本文算法的优点。