1、隨著信息采集技術(shù)的迅速提高，計(jì)算機(jī)視覺領(lǐng)域涉及到大量分布于流形上的數(shù)據(jù)集，基于張量及張量子空間技術(shù)的圖像特征同各種分割算法相結(jié)合，進(jìn)一步提高圖像分割的精度和速度。對(duì)于后續(xù)的對(duì)圖像目標(biāo)分析與理解有著重要意義。本文在歸納和總結(jié)傳統(tǒng)圖像分割方法的基礎(chǔ)上對(duì)其進(jìn)行了改進(jìn)，具體工作如下：
　　首先，針對(duì)CV模型無(wú)法分割灰度不均勻圖像以及LBF模型和LDGF模型對(duì)初始輪廓位置敏感的缺陷，定義了結(jié)合局部信息與區(qū)域信息的能量函數(shù)，建立一種新的活動(dòng)輪

2、廓模型。在求取能量泛函最小值的迭代過(guò)程中，為了避免過(guò)多和無(wú)用的迭代，本文根據(jù)輪廓曲線在到達(dá)目標(biāo)邊界時(shí)，曲線長(zhǎng)度變化很小定義了新的終止規(guī)則。
　　其次，活動(dòng)輪廓模型在曲線演化過(guò)程中為了避免出現(xiàn)大的震蕩，只能選取較小的時(shí)間步長(zhǎng)，為解決這一問(wèn)題，把Split Bregman引入到水平集的迭代運(yùn)算中，增大時(shí)間步長(zhǎng)，提高分割速度。發(fā)揮了Split Bregman迭代算法無(wú)論時(shí)間步長(zhǎng)多大，都能保證計(jì)算過(guò)程的穩(wěn)定性的特點(diǎn)。由于活動(dòng)輪廓模型的建模

3、基礎(chǔ)是局部或區(qū)域灰度均值，所以在對(duì)紋理圖像分割時(shí)效果不好，本文把灰度信息融入圖像特征張量，將帶有灰度信息的張量特征向量化后代入能量函數(shù)，通過(guò)求取能量泛函的最小值得到梯度下降流，實(shí)現(xiàn)對(duì)紋理圖像的分割。
　　針對(duì)圖像的弱邊界問(wèn)題，本文在圖像的預(yù)處理階段增強(qiáng)圖像的弱邊界信息:即利用Kmean聚類算法把圖像特征張量分成兩類:一類為結(jié)構(gòu)特征明顯區(qū)域;另一類為低對(duì)比度且結(jié)構(gòu)特征較弱的區(qū)域。對(duì)結(jié)構(gòu)信息較弱的一類特征做張量主成分分析(TPCA)，

4、將TPCA處理過(guò)的特征與另一類特征融合，再初始化輪廓曲線。達(dá)到對(duì)弱邊界圖像準(zhǔn)確分割的目的。
　　除此之外，本文還提出了一種基于混合差分和聲搜索算法的半監(jiān)督模糊聚類算法。法修正了和聲搜索算法的即興創(chuàng)作，引入差分算法的變異，交叉和選擇操作，提高算法的優(yōu)化性能;提出了一種新的目標(biāo)評(píng)價(jià)函數(shù)，有效地對(duì)初始聚類中心進(jìn)行了優(yōu)化;引用一種新的距離求解方式，提高聚類的效果。通過(guò)標(biāo)準(zhǔn)的測(cè)試函數(shù)驗(yàn)證本文算法的有效性，將其應(yīng)用于各種基于張量特征的圖像分割

5、試驗(yàn)中，結(jié)果證明，基于混合差分和聲搜索算法的半監(jiān)督模糊聚類算法，在標(biāo)記點(diǎn)很少的情況下，對(duì)含噪聲圖像和無(wú)噪聲圖像都具有良好的分割精度，受噪聲影響小，運(yùn)算速度快，具有很好的魯棒性。
　　本文還實(shí)現(xiàn)基于張量朝向信息的濾波策略，利用張量場(chǎng)局部朝向信息控制濾波器的形狀及濾波器朝向，選擇盡量少的濾波器，最大限度的保留原圖像中的邊緣，角點(diǎn)和線條的結(jié)構(gòu)信息，達(dá)到最佳的濾波效果，降低了計(jì)算的復(fù)雜度。同時(shí)，將二階張量和三階張量分別應(yīng)用到二維和三維噪聲