 Robert 交叉梯度算子 [16]

 Prewitt 算子 [17]

 Sobel 算子 [18]

 Marr-Hildreth 边缘检测器 [19]

 Canny 边缘检测器 [20] 以上算法均基于边缘检测原理。

 Otsu 方法 [21]（基于阈值处理原理） 而近些年来，亦有学者开始设计基于彩色图像的分割算法 [1]:443~507。 传统的图像捕捉设备只采集光学色彩信号：利用普通的可见光可由红（Red）、绿

（Green）、蓝（Blue）三种基色中的一种或多种组合而成这一特性，摄像设备和计算 机一般使用三基色的量化值来记录每一个像素点的色彩数据 [1]:249~257。这种摄像 设备可以被简称为“RGB 摄像设备”。因这种摄像设备一直占据民用市场主流，因而长 期以来，不管是灰度图分割算法还是彩色图分割算法，这些图像分割算法的设计和研 究都逃不出 RGB 这一图像描述机制。

1．2   研究现状

1．3 研究内容

目前为止市面上普及率最高、最为人所知的 RGB-D 摄像设备，就是微软 Kinect。 而包括第一代 Kinect 在内的大部分市售 RGB-D 摄像头，技术均由以色列的 PrimeSense 公司提供（2013 年发布的新版 Kinect 由微软独立研发）。因而，本文的绝 大部分内容，都基于此类 RGB-D 摄像设备写作而成。

虽然关于图像分割的研究持续进行了许多年，但直到今日，学界仍然很难断定一来!自~751论-文|网www.751com.cn

种分割算法是否“优于”另一种分割算法。迄今为止，要想评估某种分割算法的效果， 最通用的方法就是使用对象算法进行物体分割实验 [12]。本课题将基于文献 [2] 的

原理与其提供的 RGB-D 物体资料集 [5]，设计一个简单易行并且有效的 RGB-D 物体 分割算法，并实际验证之，以证明：将深度信息用于图像分割，的确可以大幅改良图 像分割的质量。

1．4   论文结构

本论文第一章介绍课题的研究背景、现状与概要；第二章介绍课题使用的数据集 的采集过程，以及数据集的结构；第三章详细介绍本课题采用的图像分割算法、流程， 以及所采用的工具包；第四章介绍实际分割的结果，指出该算法的优点和有待改进的 问题。