图像分割综述

图像分割综述（精选10篇）

图像分割综述 篇1

摘要：对图像分割进行综合阐述, 并详细介绍几种常用图像分割法, 以及他们主要的特点。

关键词：图像分割,阈值,区域

1 图像分割概念

图像分割是一种主要应用于图像处理及模式识别中的比较重要的分割图像的方式。图像分割的根本目的是在整体或是大区域图像中分割出有意义或是感兴趣的局部区域, 这些区域一般对应于现实世界的各类不同目标。为了有效的辨别、分析目标, 我们就有必要将目标区域单独划分出来, 只有在基础上才有可能进一步对目标图像的特征进行提取、分析和测量。因此, 我们认为图像分割是进行图像分析、图像理解和图像描述的前提条件。

图像分割的一个主要方法就是阈值分割法。阈值分割法主要利用阈值将一幅灰度图变成简单的二值图像, 从而达到分割图像的目的。该方法的主要难度在于确定合适的灰度值, 将高于该值的像素归于一类, 而将低于该值的像素归于另一类。这个灰度值就是我们所说的“阈值”。该方法是一种简单而有效的图像分割法, 尤其是对于有较大对比度的图像, 利用阈值分割法分割将会得到很好的分割效果。阈值分割法一般作为图像处理、分析的第一步。简单的阈值分割法只能产生一个二值图来区分两个不同的类, 这是图像分割法要局限性之一。阈值分割法的另一个局限性就是:在分割时, 一般未考虑图像的空间特征, 使得它对噪声特别敏感。因此, 就出现了一些针对阈值法的改进分割算法。

简单的理解, 图像分割就是将一幅图像分成几个不同的区域, 或是说在一幅图像中提取一个或是几个有用的区域。在图像分割时, 也需要考虑图像噪声的影响及图像特征的识别与提取。其中, 遥感图像的分割难度比较大, 因为要饭图像一般被噪声污染较为严重, 噪声会影响阈值的选取。所以阈值法图像分割的关键问题是选取一个恰当的阈值。

2 图像分割的关键问题

2.1 阈值选取

阈值分割法的主要原理是:将高于设定阈值的像素确定为目标物体对象, 而将低于设定阈值的像素全部确定为背景对象。所以, 该方法适用于物体和背景之间有着较大对比度的图像。在现在的各种图形图像处理系统中, 一般都会使用阈值法进行图像处理。为了将物体有效的从背景中提取出来, 研究人员发现或是发明了很多阈值确定方法, 比如全局阈值法, 自适应阈值法以及最佳阈值法等。

2.2 梯度处理

若目标物体跟背景的对比度相差较大时, 那么物体的边界一般就会处于图像梯度变化的最高点上, 此时, 取得最高梯度点的值就可以确定物体的边界, 就可以将物体和背景进行分割。但该方法易因噪声关系, 影响实际物体边界的确定。因此, 在进行边界搜索与跟踪前, 一般要先进行图像的梯度平滑处理, 以减小噪声的影响。

3 确定阈值的主要方法

3.1 双峰法

双峰法认为图像的构成主要有两部分:背景和目标物体。因此, 物体和背景会至灰度直方图中形成两各高峰, 那么, 图像的最佳阈值就应该出现在双峰的最低处。

3.2 迭代法

迭代法主要采用的是逼近原理, 它的主要步骤是:

(1) 先找出图像的最大灰度值max及最小灰度值min, 并计算初始阈值为;

(2) 然后根据阈值tk将图像分割为两部分, 再分别求平均灰度值za和zb;

(3) 求得新阈值;

(4) 若, tk就是阈值;否则转 (2) 。

3.3 大津法 (OTSU法)

在1979年, 大津提出了大津法:对于图像I, 设前景和背景的分割阈值是t, 前景像素数与整图像素数比例为w0, 平均灰度值为u0, 背景像素数为w1, 平均灰度值为u1, 则整个图像的平均灰度值是:u=w0*u0+w1*u1。然后从最小灰度值到最大灰度值遍历t, 当t使得值g=w0* (u0-u) 2+w1* (u1-u) 2最大, t就是最佳阈值。我们可将大津法这样理解:阈值t将整个图像分成了前景和背景两个部分, 前景取值为u0的概率是w1, 而背景取值为u1的概率是w1, 而像素的总均值是u, 那么根据方差的定义我们就能得出上式。当前景和背景的差别越大时, 上式的值越大, 也就是方差越大, 那么错分的概率就越小。

在很多测试中, 我们都发现:用大津法选的阈值, 在各种情况的图像处理上都表现不错。尽管它在很多情况是都不是最佳分割, 但它的分割质量还是有一定保障的, 是一种比较稳定的分割法。因此, 大津法也是一种常用分割算法。

3.4 灰度拉伸

当前景和背景对比度较小时, 也就是灰度值差别不明显时, 用大律法进行分割, 就会产生令人无法接受的大面积黑色区域, 甚至有可能会丢失整图信息。为了解决大律法的这个致命弱点, 就有人提出将灰度拉伸应用于大律法中, 即通过增加灰度级数来增强前景与背景的灰度差异值。常用的灰度拉伸法是将原来的灰度级乘上同一个系数, 从而加大灰度级数。而当所乘系数是1时, 就成了大津法。因此, 可将大津法看成是该方法的一个特例。

在实际使用中, 我们发现对不同的图像, 乘以不同的拉伸系数时, 会产生不同的分割效果。

4 结束语

至今, 图像分割也没有形成一个完整的理论体系, 也没有一种算法能进行精准的图像分割。因此, 许多研究人员正在尝试将一些新理论和新方法引入到图像分割领域中。随着计算机技术和各种新理论、新方法的应用与改进, 图像分割技术也会不断完善和成熟。

参考文献

[1]辛月兰.基于图个的图像分割综述[J].微型电脑应用, 2012.

[2]吴冰, 秦志远.自动确定图像二值化最佳阈值的新方法[J].绘测学院学报, 2000.

[3]阳树洪.灰度图像阈值分割的自适应和快速算法研究[D].重庆大学, 2014.

[4]付忠良.基于图像差距度量的阈值选取方法[J].计算机研究与发展, 2001.

[5]刘松涛, 殷福亮.基于图割的图像分割方法及其新进展[J].自动化学报, 2012.

数字化图像处理中的图像分割研究 篇2

关键词 彩色图像分割 颜色空间 直方图阈值化 边缘检测 模糊方法 神经网络

中图分类号：TP312 文献标识码：A

1 数字图像技术概述

数字图像处理工具箱函数包括以下15类：（1）图像显示函数；（2）图像文件输入、输出函数；（3）图像几何操作函数；（4）图像像素值及统计函数；（5）图像分析函数；（6）图像增强函数；（7）线性滤波函数；（8）二维线性滤波器设计函数；（9）图像变换函数；（10）图像邻域及块操作函数；（11）二值图像操作函数；（12）基于区域的图像处理函数；（13）颜色图操作函数；（14）颜色空间转换函数；（15）图像类型和类型转换函数。

MATLAB图像处理工具箱支持四种图像类型，分别为真彩色图像、索引色图像、灰度图像、二值图像，由于有的函数对图像类型有限制，这四种类型可以用工具箱的类型转换函数相互转换。MATLAB可操作的图像文件包括JPG、HDF、JPEG、PCX、TIFF、XWD等格式。下面就图像处理的基本过程讨论工具箱所实现的常用功能。

图像的读写与显示操作：用imread（ ）读取图像，imwrite（ ）输出图像，把图像显示于屏幕有imshow（ ），image（ ）等函数。imcrop（）对图像进行裁剪，图像的插值缩放可用imresize（ ）函数实现，旋转用imrotate（ ）实现。

图像增强是数字图像处理过程中常用的一种方法，目的是采用一系列技术去改善图像的视觉效果或将图像转换成一种更适合于人眼观察和机器自动分析的形式。

2 MATLAB图像处理工具箱运用实例

为了证明MATLAB语言是一种简洁，可读性较强的高效率编程软件，本文通过运用图像处理工具箱中的有关函数对一实拍的芯片图像进行处理。如图1，图“Fig.jpg”为一幅原图像，该图像右边的剪切图像为从“Fig.jpg”中剪切出的将用于分析的子图像块。为了便于分析与观察，把子图像块旋转90度置于水平位置并把该图存在名为“Fig1.jpg”的图像文件中。以上的过程可用以下代码实现。

x=imread（'E：＼study＼电子与通信＼Term 2＼数字图像处理DIP＼Fig.jpg'）；

figure，imshow（x）；

y=imcrop（x）；

figure，imshow（y，[]）；

z=imrotate（y，90）；

imwrite（z，'E：＼study＼电子与通信＼Term 2＼数字图像处理DIP＼Fig1.jpg'，'jpg'）；

isrgb（z）

原图Fig.jpg 剪贴图Fig1.jpg

图1

经判断得知该图像为一真彩色图像，首先把它转换为灰度图像，以下所有的进一步处理均采用经过灰度化处理后的图像作为原图。

通过比较灰度原图和经均衡化后的图形可见图像变得清晰，均衡化后的直方图形状比原直方图的形状更理想。效果比较见图2，程序代码如下：

x=imread（'E：＼study＼电子与通信＼Term 2＼数字图像处理DIP＼Fig1.jpg'）；

y=rgb2gray（x）；

subplot（221），imshow（y）；title（'Fig1.jpg 灰度化图像'）；

subplot（222），imhist（y）；title（'均衡化前直方图'）；

I=histeq（y）；

subplot（223），imshow（I）；title（'均衡化后图像'）；

subplot（224），imhist（I）；title（'均衡化后直方图'）；

图2

3 结论

以上图像处理实例只是对MATLAB图像工具箱的一小部分进行运用，经过更进一步的图像分割、二值化、归一化等处理，可以把芯片中的字符特征提取出来送入神经网络分类器进行识别，我们应用MATLAB神经网络工具箱对字符分类进行模拟仿真也取得了较好的效果。由此可以看出MATLAB语言简洁，可读性强，工具箱涉及的专业领域广泛且功能强大。图像工具箱几乎包括所有经典的图像处理方法。由于工具箱具有可靠性和开放性，我们可以方便地直接加以使用，也可以把自己的代码加到工具箱中以改进函数功能，同时，MATLAB中的小波工具箱也有许多函数可运用于图像处理技术。因此，在图像处理技术中使用MATLAB语言可以快速实现模拟仿真，大大提高实验效率， 如果要开发实用程序，MATLAB语言还可以通过MEX动态连接库实现与C语言的混合编程，为工程应用提供了更多的便利条件。

参考文献

[1] 王新成.高级图像处理技术[M] .北京：中国科学技术出版社，2001，18-90.

[2] Kenneth·R·Castleman.数字图像处理技术[M].北京：电子工业出版社，1998，14-16.

图像分割综述 篇3

图像分割就是将图像表示为物理上有意义的连通区域的集合,它是图像分析的第一步,图像分割接下来的任务,如特征提取、目标识别等的好坏,都取决于图像分割的质量如何。由于该课题的难度和深度,进展比较缓慢。虽然研究人员针对各种问题提出了许多方法,但迄今为止仍然不存在一个普遍适用的理论和方法。

2.图像分割

2.1 基本概念

图像分割是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。这些特性可以是灰度、颜色、纹理等,目标可以对应单个区域,也可以对应多个区域。图像分割可以借助集合的概念用如下比较正式的方法定义:

令集合R代表整个图像区域,对R的分割可看做将R分成若干个满足以下5个条件的非空的子集(子区域)R1,R2,…,Rn:

2.1.1;

2.1.2 对所有的i和j,i≠j有Ri∩Rj=￠

2.1.3 对i=1,2,…,n,有P(Ri)=TRUE;

2.1.4 对i≠j,有P(Ri∪Rj)=FALSE;

2.1.5 对i=1,2,…,n,Ri是连通的区域。

其中P(Ri)是对所有在集合Ri中元素的逻辑谓词,￠是空集。

2.2 分类准则

2.2.1基于区域象素灰度值的特性,可以分为利用区域间灰度不连续性的基于边界的算法和利用区域内灰度相似性的基于区域的算法。

2.2.2另外根据分割过程中处理策略的不同,分割算法可分为并行算法和串行算法。

根据以上两个准则,分割算法可分为4类:

①PB:并行边界类;

②SB:串行边界类;

③PR:并行区域类;

④SR:串行区域类。

3.现在广泛使用的图像分割方法

3.1 阈值法

阈值分割法是简单地用一个或几个阈值将图像的直方图分成几类,图像中灰度值在同一个灰度类内的象素属于同一个类,它是一种PR法。其过程是决定一个灰度值,用以区分不同的类,这个灰度值就叫做“阈值”。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用利用整幅图像的信息来得到分割用的阈值,并根据该阈值对整幅图像进行分割;而局部阈值分割是根据图像中的不同区域获得对应的不同区域的阈值,利用这些阈值对各个区域进行分割,即一个阈值对应相应的一个子区域,这种方法也称适应阈值分割。

阈值法是一种简单但是非常有效的方法,特别是不同物体或结构之间有很大的强度对比时,能够得到很好的效果。它一般可以作为一系列图像处理过程的第一步。它一般要求在直方图上能得到明显的峰或谷,并在谷底选择阈值。如何根据图像选择合适的阈值是基于阈值分割方法的重点所在,也是难点所在。

它的主要局限是,最简单形式的阈值法只能产生二值图像来区分两个不同的类。另外,它只考虑象素本身的值,一般都不考虑图像的空间特性,这样就对噪声很敏感;它也没有考虑图像的纹理信息等有用信息,使分割效果有时不能尽如人意。

现在有很多研究者提出了许多经典阈值法的更新算法。特别在阈值选取方面提出了很多方法,如双峰直方图阈值分割法、最大熵阈值分割、最大类间方差阈值分割法、灰度共矩阵阈值分割法等。

3.2 区域生长法

区域生长法是根据预先定义的标准,提取图像中相连接的区域的方法,它是利用区域的相似性即满足区域一致性准则对目标进行分割。它是一种SR法。这个预先定义的标准可以是灰度信息,也可以是图像的边界,或者是两者的结合。在此法的最简单形式中,先人工给出一个种子点,然后提取出和种子相比符合预知标准的所有象素。

和阈值法一样,区域生长法一般不单独使用,而是放在一系列处理过程中。

它主要的缺陷是,每一个需要提取的区域都必须人工给出一个种子点,这样有多个区域就必须给出相应的种子个数。此法对噪声也很敏感,会造成孔状甚至是根本不连续的区域,相反的,局部且大量的影响还会使本来分开的区域连接起来。

3.3 边缘检测法

边缘检测法是基于图像不连续性的分割技术。由于一幅图像的大部分信息存在于不同区域的边缘上,而且人的视觉系统在很大程度上根据边缘差异对图像进行识别分析。所以可以通过检测图像的边缘信息来实现对图像的分割。它按照处理技术可以分为串行边缘检测技术和并行边缘检测技术。

在并行边缘检测技术中边缘的检测可以借助空域微分算子通过卷积完成。这些微分算子包括Sobel梯度算子、Roberts梯度算子、Prewitt梯度算子、拉普拉斯算子、综合正交算子等。这些方法对图像中灰度的变化进行检测,认为灰度突变的地方为图像边缘。

在有噪声时,用各种算子得到的边缘像素常是孤立的或分小段连续的,为了得到完整的边缘信息,还需进行边界闭合处理。边界闭合可以根据梯度实现,即如果某些像素梯度的幅度及梯度方向满足规定的条件就可以把这些像素连接起来,如果对所有的边缘像素都进行这样的判断和连接就有可能得到闭合的边界。除此之外,还可以利用数学形态学的一些操作进行边界的连接和闭合;哈夫变换也是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法。

该算法对于灰度变化复杂和细节较丰富的图像进行处理时,以上算子均很难检测出边缘。而且一旦有噪声干扰,处理效果更不理想。

3.4 人工神经网络法

人工神经网络法是使用大量的平行的神经网络达到对图像分割的目的。这些网络由模拟生物学习机理的节点或者元素组成,网络中的每个节点能够执行最基本的运算。通过调整节点之间的权值可以达到网络对生物机理的学习,可以实现图像的边缘检测。

使用神经网络法的时候,因为网络中有许多相互连接,所以空间信息就能很容易包涵在分类过程中。虽然神经网络法具有平行继承性,但是它的处理过程和标准的串行计算机很类似,这样就降低了它计算方面的潜在优势。

3.5 可变模型法

可变模型法是基于模型的、使用闭合参数曲线或曲面描绘边界的分割方法。这个模型又叫Snake模型(活动轮廓模型)。其过程就是活动的轮廓在模拟的内部力(内部能量)和外部约束力(外部能量)作用下形变,向物体边缘靠近,外力推动活动轮廓向着物体边缘运动,内力保持活动轮廓的光滑性和连续性;最终到达平衡位置时即收敛到目标的边缘,求得对目标的分割结果。

Snake是定义在待分割图像上的一条任意闭合曲线,对该曲线构造合适的变形能E=Eint+Eimαge+Eext

其中Eint是由于模型拉伸、弯曲而产生的内能;Eimαge是与图像特征有关的能量;Eext是外部能量。

E最小对应于灰度梯度最大,此时的活动轮廓就是物体边缘,通过最小化该函数,就能找到物体边缘。

这种方法也存在一些不足:(1)分割的结果与活动轮廓的初始位置有关,要求初始位置模型应接近物体边缘;(2)活动轮廓很难收敛到曲率高的边缘(如尖角等)。

现在有很多改进的算法,如自适应活动轮廓,引入与各象素点概率分布有关的统计图像能,使得活动轮廓模型克服噪声的影响,且分割的结果与活动轮廓的初始位置无关;为了使活动轮廓能收敛到曲率高的边缘,引入与活动位置有关的弹性系数、硬性系数,提出了一种松弛法。还可以利用图像的先验知识与Snake结合,即在Snake的内部能量函数中加入预知信息,能提高分割的速度及准确度。

3.6 基于模糊集理论的方法

为用不精确的知识表达事件,人们提出了模糊集合的概念。模糊集合理论能较好的描述人类视觉中的模糊性和随机性。由于图像中的边缘、拐角或者区域之间的关系难以精确的加以描述,具有不确定性和模糊性,把模糊集理论引入图像分割中来,取得了较好的分割效果,并特别在医学图像分析中得到了较多的应用。

结合信息论中交叉熵的概念,基于模糊集理论分割中提出了模糊散度的概念来表达图像中的模糊性。模糊散度既能定量反映集合内成员对该集合的隶属程度,又能结合概率分布表征两个集合之间的相似程度。类间最大模糊散度阈值化分割法就是利用模糊集的概念在分割图像时分别定义目标模糊集o和背景模糊集b,由于隶属度函数的形式和取值与阈值有关,对每个待选阈值能得到不同的类间模糊散度,可以将散度最大的阈值作为最优分割阈值,以此阈值来分割图像。类内最小模糊散度阈值化分割法是把分割后图像B和原来的图像G的目标之间的模糊散度和背景之间的模糊散度的和定义为B和G之间的模糊散度,当这个模糊散度最小时,可以看作在模糊信息意义上分割图最接近原始图,所以按这种准则来获得最优分割阈值实现对图像的分割。

其他基于模糊集理论的方法还有模糊C—均值聚类分割法、模糊边缘检测技术等。

模糊技术在图像分割中一个显著的应用特点是它几乎能与所有现有的分割技术结合使用,从而形成一系列的集成模糊分割技术。

3.7 其他方法

还有一些图像的分割方法,如:聚类法;用样条进行曲线拟合,它是一种SB法(串行边界)。此外,基于小波分析的分割技术也逐渐被应用在生物图像中。因为生物医学图像中软组织的物理和解剖特性,以上的方法一般不单独使用,而是融入其他的方法里。

除了上述方法外,很多研究者把数学形态学、遗传算法、信息融合技术和信息论等应用于此,针对不同的实际情况,提出很多改进的新算法。

摘要：图像分割是图像处理工作中重要的一步，论文简单介绍图像分割问题，讲述了现有主要的图像分割方法，为进一步进行该方面的研究提供一定的帮助。

关键词：图像分割,边界,区域

参考文献

[1]杜干，孙肖子．医学图像分割的神经网络方法[J]，西安电子科技大学学报，1998(5)．

[2]郑南宁，刘键勤．基于区域特征的自适应图像分割方法[J]，电子学报，1995 (7)．

[3]唐果，赵晓东，汪元美．三维医学图像分割与可视化研究[J]，计算机学报，1998(3)．

[4]朱俊株，郭立，王宁．一种基于模糊增强的图像分割方法[J]，微机发展，1999 (6)．

[5]王蓓，张立明．利用图像先验知识与Snake结合对心脏序列图像的分割[J]．复旦学报(自然科学版)，2003(1)．

[6]罗渝兰，王景熙，郑昌琼．图像分割在生物医学工程中的应用[J]，计算机应用，2002(8)．

图像分割综述 篇4

关键词：计算机软件；数字图像处理；图像分割

图像分割定义：图像分割是把图像空间部分分解成一些人们想要的有意义的区域。这里的“有意义”是随着解决问题的不同而分成不同区域，例如：可以按图像幅度不同来分解成各个区域；按图像边缘部分的不同分割成不同区域；按照图像形状的不同来分割成不同区域等。本文介绍图像分割中的阈值分割，这种方法具有实现简单，运算效率高，性能稳定等特点，它适用于：目标及背景灰度像素值相差比较大的图像。

总结：本文通过分析待分割图像的灰度直方图，提出了阈值分割的算法，并通过软件进行测试，最终得以实现图像分割系统的设计，此系统能够帮助工人们快速的提取图像中让人们感兴趣的部分，减少了劳动力成本，提高了工作效率。

参考文献：

[1] 李苗。奶被表面质量检测系统设计与实现[D]。电子科技大学，2013

图像分割技术综述 篇5

在对图像的研究和分析中, 人们通常对图像中特定的、具有独特性质的区域感兴趣, 图像分割就是指把这些区域提取出来的技术和过程。正因为图像分割作为前沿学科充满了挑战, 近年来, 吸引了众多学者从事这一领域的研究。图像分割技术在航空航天、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术、地理测绘等领域受到广泛重视, 并取得了重大的开拓性成就, 使其成为一门引人注目且前景广阔的新型学科。

2 传统的图像分割技术

图像分割一般根据要解决的问题将图像细分为感兴趣对象的集合, 其分割方法的种类已达上千种。传统的图像分割技术多为基于图像局部特征的图像分割方法, 是根据图像局部区域中像元的特征来实现图像分割的方法。

2.1 基于阈值的图像分割技术

阈值分割法是一种传统的图像分割方法, 因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。阈值法在不同物体或结构之间有很大的强度对比时, 能够得到很好的效果。它计算简单, 而且总能用封闭而且连通的边界定义不交叠的区域。阈值化分割算法就是选取一个或者多个阈值, 将图像的直方图分成几类, 图像中灰度值在同一个灰度类内的象素属于同一个类, 从而达到分割的目的。

阈值法的核心是如何选择合适的阈值, 阈值分割法具有运算效率较高、计算简单等优点, 在过去的几十年中被广泛使用。阈值化算法多种多样, 最具代表性的方法有:最大类间方差法、直方图法、最大熵法、概率松弛法、最小误差法、矩量保持法等。但是, 阈值法一般仅考虑像素本身的灰度值, 不考虑图像的空间相关性特征, 极易受到噪声的影响。在实际情况中, 阈值法常与其它分割算法相结合, 对图像进行分割。

2.2 基于边缘的图像分割技术

边缘检测法是基于图像不连续性的分割技术, 它通过检测不同均匀区域之间的边界来实现对图像的分割, 这与人的视觉过程有些相似。依据执行方式的不同, 这类方法通常又分为串行边缘检测技术和并行边缘检测技术。串行边缘检测技术首先要检测出一个边缘起始点, 然后根据某种相似性准则寻找与前一点同类的边缘点, 这种确定后继相似点的方法称为跟踪。根据跟踪方法的不同, 这类方法又可分为轮廓跟踪、光栅跟踪和全向跟踪三种方法[1]。

并行边缘检测技术通常借助空域微分算子, 通过其模板与图像卷积完成, 因而可以在各个像素上同时进行, 从而大大降低了时间复杂度。常见的边界检测方法包括基于各种边界检测算子[2] (Roberts算子、Laplacian算子、Sobel算子、Prewitt算子、LOG算子等) 的边界检测。这类方法通常不能得到连续的单像素边缘, 而这对于分割来说是至关重要的。所以, 通常在进行上述边缘检测之后, 需要进行一些边缘修正的工作, 如边缘连通、去除毛刺和虚假边缘等。

2.3 基于区域特征的图像分割技术

基于区域的分割技术有两种基本形式:区域生长和分裂合并。前者是从单个像素出发, 逐渐合并以形成所需的分割结果, 是区域分割的最基本方法;后者是从整个图像出发, 不需要生长点, 逐渐分裂或合并以形成所需要的分割结果。不同于阈值方法, 这类方法不但考虑了像素的相似性, 还考虑了空间上的邻接性, 因此可以有效消除孤立噪声的干扰, 具有很强的鲁棒性。而且, 无论是合并还是分裂, 都能够将分割深入到像素级, 因此可以保证较高的分割精度, 如分水岭算法等。

3 改进的图像分割技术

传统的图像分割技术都或多或少地存在着某种程度上的不足, 因此更多的研究者尝试将诸多理论模型与图像分割技术相结合以求达到更好的分割效果。本文就简要介绍了几种应用得较为广泛的改进后的图像分割技术。

3.1 基于小波理论的图像分割技术

小波变换在图像分割中的主要应用是传统的Fourier变换的继承和发展, 首先构造特殊性质的小波函数, 利用小波变换函数在大尺度下检测出图像的边缘点, 在较小尺度下精确定位边缘点像素, 然后根据一定的策略把这些像素点连接成轮廓, 从而提取出目标边缘实现了图像的分割[3]。小波变换之所以能适合图像这类非平稳信号的处理是因为小波变换具有一定的分析非平稳信号的能力。高低频处的分辨率不同, 而经典的边缘检测算子都没有这种特性。

小波变换的多尺度性表现在:当检测图像边缘的噪声较小时, 选择小尺度可以获得较丰富的边缘细节信息;当检测图像的边缘细节要求比较低时, 选择大尺度可以较好的排除噪声干扰。目前研究者提出的基于小波变换的图像分割算法大部分都是二进制小波变换, 此外还有多进制小波、小波框架、小波包三种变换。

3.2 基于模糊聚类分析的图像分割技术

聚类法就是将图像中的每一个像素划分到不同的类别中, 其关键点在于聚类准则的确定。而在图像分析时存在一定的不确定性, 所以引入了模糊集合的概念, 用隶属度表示图像的像素点属于某区域的程度。模糊概念能够避免过早的明确判断, 因此在之后的处理过程中就保留下来了尽可能多的有效信息。近年来运用最广泛的是基于模糊聚类分析[4]的图像分割技术, 即模糊C均值 (FCM) 技术, 它既可以分割灰度图像, 也可以分割彩色图像。但模糊聚类具有运算量大, 容易陷入局部最优、对初值敏感、需事先指定聚类个数等缺点。

3.3 基于图论的图像分割技术

基于图论的图像分割方法本质上是将图像分割问题转换为一个对无向加权图进行最优化的问题。其主要思想是将图像映射为一个加权无向图, 像素对应图的节点, 像素之间的相邻关系对应图的边, 像素特征之间的差异或相似性对应边上的权值, 然后利用图论中的成熟理论或算法对图像进行切割和组合。图论 (Graph theory) 中诸多成熟的经典算法又为这一类图像分割算法提供了有力的计算工具, 因此基于图论的分割算法近年来受到广泛关注。常见的基于图的分割方法[5]包括基于最小生成树 (Spanning tree) 的分割, 基于支配集 (Dominant set) 的分割和基于最小图割值 (Graph cut) 的分割等。

其中基于最小生成树的分割方法具有很大的优势, 它的主要优点在于能够获取图像的全局特征, 从而获得较理想的分割效果;此算法的计算速度非常快, 可以在线性时间复杂度内实现对图像的分割, 算法的结构和实现方法较简单, 能够方便的应用到一些特定的领域中, 并且可以与其它的分割方法相组合, 得到更好的分割效果。

4 结束语

本文就应用较多的几种图像分割技术进行了介绍和讨论, 由于图像的质量不同, 应用的领域不同, 彩色图像中颜色的分布不同以及图像结构特征的不同, 导致很难有一种通用的分割方法能够普遍适用于各种不同类型的图像。所以目前的研究主要致力于根据图像的具体情况来选择不同的方法进行组合, 针对各种可能存在的实际问题, 提出新的算法, 这也是图像分割在今后研究工作中的发展趋势。随着计算机技术和成像技术的不断发展能及各种新理论的应用和改进, 相信图像分割技术会不断地完善和成熟起来。

摘要：图像分割是图像处理中的一项关键的技术, 是目标识别和图像解释的前提, 多年来一直倍受关注。目前, 在图像分割领域里的分割方法众多, 但至今没有一种通用的方法。文章综述了近年来在图像分割技术中出现的常用方法及它们的优缺点, 并对图像分割技术的前景进行了分析及展望。

关键词：图像分割,边缘检测,图论

参考文献

[1]N.R.Pal, and S.K.Pal, "A review on image segmentation tech-niques, "Pattern Recognition, 1993.[1]N.R.Pal, and S.K.Pal, "A review on image segmentation tech-niques, "Pattern Recognition, 1993.

[2]章毓晋, 图像分割[M].北京:科学出版社.2001.[2]章毓晋, 图像分割[M].北京:科学出版社.2001.

基于植物病斑的图像分割研究综述 篇6

近年来,农作物的病虫害问题非常严重,直接影响到了国民经济的发展和人民的生活水平。所以,如何解决病虫害问题成为了当今社会的焦点。在当前农业生产中,专家们主要以个人经验和病理学知识进行分析与判断病害的种类和严重程度,但此方法识别出来的病害主观性强、速度慢、错误率高且实时性差,往往带来资源浪费和环境污染。随着计算机技术的高速发展,图像处理技术越来越多地被应用于农业生产过程中。目前,该领域的研究已经成为国际农业工程领域中的热门课题。在欧美等发达国家,图像处理技术已运用到农业生产及农业现代化方面,并取得了很好的效果。相对于之前仅凭肉眼和个人经验不同,计算机的视觉和图像处理技术具有很强的客观性和及时性,能够很精确地识别出不同农作物的病害,为后续变量喷药系统提供必要的参数。而在使用计算机视觉技术进行作物病害的识别和处理中,将图像中病斑区域和非病斑区域的分开操作叫做对病斑图像的分割。

病斑图像分割是对作物病害图像特征和模式识别的前提,其分割的结果直接影响和决定着后续所有处理的效果,所以研究病斑图像的分割对于整个农作物的病虫害问题具有重要意义。近年来,通过科学家们的努力探索,图像分割技术一直处在飞速的发展过程中,主要可以分为经典的图像分割方法和结合特定理论的图像分割方法两大类。在经典的方法中,又以门限的分割、边缘检测的分割和对区域的分割作为代表,其主要优点在于方法成熟、算法简单和运算量小,但局限性大并且精度不高;与上述的分割方法相比,将某些特定学科理论(统计学、模糊论、数学形态学以及人工神经网络等)与图像分割相结合后,则大大增加了分割的精度和应用范围,对图像分割技术的发展有着很好的促进作用。本文对近十几年来植物病斑图像分割方法的研究成果以及在这一领域中出现的新思路、新方法或对原有方法的改进做了一个必要的回顾。

1 经典的图像分割方法

1.1 基于门限分割方法

选取门限(阈值)的分割方法在图像分割中是一种最经典也是最实用的分割技术。简单地说,就是用一个或几个门限值将图像的灰度直方图分成几类,并将图像中灰度值在同一个灰度类内的像素归结为同种物体[1]。对于植物病斑的分割来说,病斑区域和其正常区域的颜色特征,形状特征和纹理特征通常都有较大的差距,而通过灰度直方图的门限选取能很好地将病斑区分出来。

近年来,许多专家在基于门限的植物病斑分割方法中做了大量的研究,提出了一些算法,取得了一定的研究成果。A.Camargo,J.S.Smith等人在对香蕉叶黑斑病的研究中,利用了直方图阈值分割法,很好地选取了最优门限,将病斑与背景分割出来[2]。夏心怡和苏真伟等人在分割棉花中的异性斑纹(纤维)时,利用透射光将棉花与异性斑纹的灰度差别增大,对其灰度直方图采用自适应局部阈值分割,再通过比较异性斑纹与正常纤维的斜率,较好地将斑纹分割出来[3]。谷凌燕和戈振扬等人在分割植物根系的斑纹过程中,充分利用了根斑与背景区域在HIS色彩模型中H分量的独立性,应用H分量作为分割的阈值条件,有效快速地将根斑分割了出来[4]。马晓丹,关海鸥等人在对玉米叶部染病程度的研究中,利用了叶部病斑在RGB颜色特征中R值明显高于非病斑部分的特点,选取R值作为门限阈值,再与双峰法和直方图的凹凸性分析相结合,使用统计验证的方式较好的分割出了病斑。但由于R,G,B值本身受光照影响较大,所以还必须根据亮度值来选取相应的门限[5]。刘金帅和赖惠成等人在分割棉花图像过程中,利用了棉花颜色特征与背景颜色特征的差异,对棉絮、棉枝和土壤等物质进行分类,根据分类结果,分别提取HSV,HIS和YCbCr等3种颜色空间的像素值,利用Fisher线性判别分析的分类模型进行门限处理,结果发现,在YCbCr颜色空间下产生的分割噪声最小[6]。张振升,朱名日等人在分割蔗糖结晶的晶斑过程中,同样利用了晶斑的颜色特性,结合着HIS颜色空间模型和Ostu阈值选取法[7],很好地将晶斑分离出来[8]。通过以上众多学者的研究,不难发现,植物斑纹或病斑的图像分割具有很强的特点和共通性,那就是病斑区域和非病斑区域无论是在颜色特征中,还是在形状或纹理特征中,都具有较大的区别,利用两者之间在灰度直方图中的差异性,能够较快较准确地选取门限阈值,以完成对病斑区和非病斑区的分割。

1.2 基于边缘检测的分割方法

边缘是图像中最基本和最明显的特征,基于边缘检测的分割方法也是人们至今为止研究较多的方法之一。在20世纪80年代期间,Nalwa,Binford以及Uarlick等专家就对图像分割中的边缘检测方法给予了高度的定义和评价[9,10],它试图通过检测包含不同区域的边缘来解决图像分割问题。而对于植物病斑的图像分割来说,同样具有很强的适应性,因为病斑的边界往往在图像中都处于非常显眼的位置,所以处理起来十分简单方便,且具有直观性。

近年来,一些学者一直致力于边缘检测方面的研究,进行了一些有益的探索,并将其应用于实际项目中,取得了一定的效果。Tobias Baum,Udo Seiffert等人在分割大麦的菌斑实验中,在已经二值化增强的图像中,采用了Sobel边缘检测算子,很好地将菌斑分离了出来[11]。张静和王双喜等人在对温室黄瓜霜霉病和炭疽病的处理研究中,由于病斑和非病斑区的像素灰度不连续,所以采用了对灰度级变化敏感的Sobel边缘检测算子,利用了算子的卷积运算完成了对病斑图像的分割[12]。陈占良和张长利等人在分割大豆的灰斑病时,将采集到的RGB彩色图像灰度化,通过灰度直方图呈现的双峰特性,利用Ostu全局自动阈值法和Sobel边缘检测算子很好地将病斑区域分离出来[13]。不足之处在于,大多数的微分算子(如Robert算子,Prewitt算子,Sobel算子和Canny算子等)都有其局限性,它们中有的对噪声敏感,有的精度低,并且都有一个共同的缺陷:不能得到连续的单像素边缘,所以通常还需对边缘进行修补工作。而1988年Osher和Sethian提出的水平集算法[14],是一种有效解决曲线演化的数值方法,且计算稳定,适宜任意维数空间。其算法的本质就是与活动轮廓的模型相结合,求解这些模型所得到的偏微分方程[15]。近年来,这种算法已被众多专家学者广泛地应用在植物病斑的图像分割里中,效果十分理想。毛亮和薛月菊等人在研究荔枝的图像分割算法中,运用稀疏场水平集方法对目标区域轮廓进行了精确提取,从而将荔枝的图像分割出来,不仅很好地克服了随机噪声的影响,而且还较好地保持了果实区域的完整性[16]。袁媛和李淼等人在对黄瓜病叶的分割中,提出了一种先验信息的水平集模型,在引入了纹理信息和形状信息之后,新的水平集模型能够准确并且成功地实现了目标病斑与复杂背景的自动分离[17]。

1.3 基于目标区域的分割方法

基于区域的图像分割是一种较为古老的方法,主要分为区域生长法和分裂合并法两种。区域生长的基本思想就是:对每个需要分割的区域找一个种子像素作为生长的起点;然后,将种子像素周围领域中与种子像素有相同或相似性质的像素合并到种子像素所在的区域中,直到没有满足条件的像素被包括进来。分裂合并的基本思想则刚好是相反的:将图像分成任意大小且不重叠的区域;然后,再合并或分裂这些区域以满足分割的要求,通常以四叉树的表达方式进行分裂合并运算[18]。

近年来,对于运用区域生长和分裂合并方法对植物病斑进行分割的研究很多。Blasco J,Aleixos N在对柑橘皮病斑的研究中,经过了种子的选取、区域生长迭代法和分裂合并3个步骤,将柑橘皮病斑区域很好的分割出来,准确率在95%左右[19]。赵进辉和周志艳等人在研究甘蔗苗期赤腐病病斑的分割算法中,运用了区域生长法对正常叶片中的脉与病斑和赤腐病斑进行了很好的提取,多次试验后,正确率高达91.1%[20]。汪建在对茶叶图像分割算法的研究中利用了种子颜色的相似性和区域的邻接性进行区域生长,并结合颜色距离和边缘距离进行区域生长和合并,结果发现,能够很好地将茶叶嫩芽从茶叶中分离出来[21]。贾超和郁志宏等人对禽蛋的脏斑和血斑的图像分割运用了分裂合并算法,对已经去噪过后的图像进行多区域分割,获得了较为清晰的边缘[22]。赵进辉和罗锡文等人研究甘蔗的环斑病和赤腐病的分割算法,中利用了区域生长标记法和形状特征分割出了两种病斑,实验结果令人满意[23]。然而,区域生长和分裂合并也有其致命的缺点,即会对其图像造成过分割,所以通常这两种算法都要与其他的方法相结合。例如边缘检测的方法,使其充分发挥各自的优势,才能获得更好的分割结果。

2 结合特定理论的图像分割方法

结合特定理论的植物病斑图像分割方法根据现阶段的研究大致也可以分为基于统计学的方法、基于模糊理论的方法、基于数学形态学的方法以及基于人工神经网络的方法等4类。

2.1 基于统计学的分割方法

统计学是一门十分古老和经典的学科,其主要思想是利用概率论来建立数学模型。而对于图像分割技术来说,就是将图像中各个像素点的灰度值看作是具有一定概率分布的随机变量,且观察到的图像是对实际物体做了某种变换,并加入噪声的结果。

在统计学方面,相关学者在基于Gauss模型、Markov随机场以及支持向量机等方法方面做了一定的研究工作,并将其应用于植物病斑的图像分割。赖军臣和李少昆等人在研究玉米叶病斑的图像分割中,引入了Gauss模型的Markov随机场分割模型,既利用了图像像素的灰度信息,又通过像素标记的Gibbs光滑先验概率引入了图像的空间信息,较好地分割了含有噪声的病斑图像[24]。任艳娜和希磊等人在分割水稻的重叠病斑中,提出了一种基于像素概率模型的水稻病斑分割方法,即用高斯混合模型描述每一像素的色彩分布情况。实验表明,此方法能够有效地分割大部分的重叠水稻病斑模型[25]。当然,此类基于概率模型的分割算法也有其不足:算法的运算量较大;时间复杂度较高;不适合处理分辨率高和像素多的图像等问题。朴在林和孙国凯等人在对葡萄病害的图像识别研究中,采用了统计模式识别和数学形态学的方法对葡萄病斑进行了分割,在提取了葡萄病叶的纹理,形状和颜色特征之后,运用了支持向量机的模式识别方法识别出了葡萄病害[26]。田有文和李天来等人在对黄瓜病叶的图像分割中,提出了一种支持向量机的分割方法,其思想是将标记好的样本对SVM进行训练,从而得到最优分割决策函数,对病斑图像进行分割[27]。尽管如此,上述方法也有其不足之处,比如在应用支持向量机算法时需要较多的训练样本、聚类数的确定与图像内容有关,易出现欠分割和过分割等现象,所以必须需要其他方法的辅助配合,才能发挥其简单、快速、可靠和准确性高的特点。

2.2 基于模糊理论的分割方法

1965年,美国加利福利亚大学的控制理论专家L.A.Zadeh发表了《Fuzzy Sets》(即模糊集合论),从此标志了这门新兴学科的诞生。它的出现使得人们可以利用数学的思维和方法处理模糊性现象,提供了一种解决不确定性和不精确性问题的新方法。对于图像来说,本身就具有着模糊和不确定的特点。而在模糊理论中,其经典的隶属度函数正好可以将图像中的模糊性和不确定性模型化,从而完美地应用于图像分割技术中。

相对于植物病斑来说,图像的成分复杂,色彩不均匀,边界的不确定以及不同对象的相互重叠等特性,都很好地满足了运用模糊论来处理这些问题的一切先决条件。目前,已经有专家运用模糊论的方法去解决病斑的分割问题,并提出一些有效的分割算法。毛罕平和胡波等人在对棉花叶片的病斑分割算法中,提出了一种基于模糊C均值聚类算法(FCM)的自适应分割方法,通过聚类的有效性验证与实验确定了FCM中的最优聚类数和模糊加权指数,较好地将病斑和非病斑区分割开来[28]。马旭和齐龙等人在分割玉米大病斑的图像中,选用了无监督的模糊C均值方法。在分割过程中,准确率高达97.8%[29]。刘小川和艾矫艳等人在研究植物黑腐病的分割算法中,针对图像模糊阈值分割法存在的窗口宽度自动选取困难的问题,提出了一种直方图变换方法,并在其基础上利用自适应模糊阈值分割法对病斑进行分割,其效果十分明显[30]。冯登超和杨兆选等人在植物病斑的检测研究中,提出了一种改进型的模糊聚类算法,将其与Markov随机场进行结合,有效地解决了模糊性和随机性等问题,实验结果表明,改进后的算法具有自适应性和鲁棒性较好的特点[31]。不过,经典的模糊聚类算法也有其弊端:收敛速度慢,对初始化数据敏感以及必须确定分割的区域数目等,大大地影响到了其实际应用中。所以,模糊聚类算法通常都要与其他算法相结合,这样才能发挥其优势,更好地应用到图像分割中。

2.3 基于数学形态学的分割方法

数学形态学(Mathematical Morphology)诞生于1964年,是由法国学者J. Serra和G.. Matheron在从事铁矿核的定量岩石学分析及预测其开采价值的研究中,提出“击中/击不中变换”,其基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状,以达到对图像分析和识别的目的。应用数学形态学可以简化图像数据,保持基本形状特征,并除去不相干的结构。

对于数学形态学的病斑图像的分割情况,研究者也做了大量的研究工作。周龙等人对储粮害虫的图像研究中,利用了数学形态学的方法进行边缘检测,采用3*3方形模板的结构元素,对图像进行去噪和边缘检测[32]。吕福香和苗玉彬等人在提取甜瓜的形态信息中,首先将彩色图像灰度化,再运用数学形态学中开闭以及重构运算去除了甜瓜图像里的毛刺等,很好地对图像进行了分割[33]。Huang Kuo-yi在对蝴蝶兰苗的病斑研究中,运用了数学形态学中的孔洞填充、腐蚀、膨胀和开闭运算,很好地提取了整个病斑区域[34]。张艳诚和毛罕平等人在分离棉花病害图像的重叠病斑时,首先对病斑的二值图像利用多尺度距离变换获得病斑的距离图像,通过极限腐蚀操作检测出标记种子;然后,以种子标记为基础,运用形态学测地重建运算获取测地影响区骨架SKIZ—分水岭线;最后,利用分水岭线与原病斑图像进行交集运算,从而得到分离的图像[35]。但是数学形态学也有其不足之处:由于是二维卷积运算,所以处理速度较慢;结构元素的选取没有一个统一的标准;彩色形态学的理论还不是很成熟等,所以这些问题还需改善,进而才能更好地运用数学形态学去处理病斑图像。

2.4 基于人工神经网络的分割方法

人工神经网络识别技术已经引起了广泛的关注,并应用于图像分割。其分割方法的基本思想是通过训练多层感知机来得到线性决策函数,然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接,容易引入宅间信息,能较好地解决图像中的噪声和不均匀问题。

目前,许多专家对人工神经网络进行了大量研究,并将其应用于植物病斑的图像分割,取得了一定的研究进展。关海鸥和许少华等人在马铃薯早疫病病斑图像的分割试验中,利用模糊逻辑的推理规则和神经网络的自适应性,提出全规则的自适应模糊神经网络模型作为植物病叶图像像素归属的决策系统,并结合遗传算法对系统的可调整参数初始值进行全局优化[36]。刘树文和王庆伟等人在葡萄病害的诊断中,研究了26种葡萄常见病害模糊隶属度地表示方法及模糊BP神经网络模型,运用了Java和Matlab的混合编程方法实现了该系统的葡萄病害诊断功能,为后续的分割做了很好的预处理[37]。谭峰和关海鸥等人在处理边缘像素存在不确定性和模糊性的问题中,利用了T-S模型的函数特性,提出了自适应5层模糊神经网络作为植物病害图像模式分类的决策系统,并用量子遗传算法对初始值进行全局优化[38]。尽管如此,神经网络系统也并非十全十美,其缺点也很明显,直到目前为止,还没有能对神经网络做出显而易见解释的方法学;神经网络会学习过度,在训练神经网络时一定要恰当地使用一些能严格衡量神经网络的方法;除非问题非常简单,训练一个神经网络可能需要相当可观的时间才能完成;建立神经网络需要做的数据准备工作量很大,所以如何解决好这些问题,才是今后研究的主要目的。

3 总结与展望

本文对基于植物病斑的图像分割方法,尤其是将近十几年来专家学者们比较多的研究做了一个比较全面的综述。不过,从本文对分割的分类方法以及引用的文献可以看出,虽然有很多专家致力于病斑图像的分割研究,也发表了很多成果,但相较于问题本身的困难,在实际应用中还存在很多需要改善的地方。

图像分割综述 篇7

关键词：分割,分水岭分割,分型网络演化方法,Mean shift,种子点

0 引言

图像中的地物具有多种特征:光谱特征(区域特征)、边缘特征、纹理特征、形状特征、上下文特征、时空特征和尺度特征等等，其中尺度特征是地理学的主要问题之一[1]。图像分析软件e Cognition的分形网络演化分割算法就是一个典型的图像多尺度分割算法[2]，促进了遥感图像分析的研究和相关算法的研制[3],Zuva等人从理论上比较了基于边缘的图像分割和基于区域的图像分割的文献较少[4]。本文选择了三种讨论较多的图像分割方法，对它们的分割结果进行了对比分析和探讨，通过对比来发现不同分割方法的优点和不足，之后利用不同分割方法的优点，融合了边缘和光谱特征实现了更好的图像分割。

1 三种典型的图像分割方法

1.1 分形网络演化分割方法

e Cognition软件的分形网络演化方法是以种子点为起始点，对相邻的像素搜索与比较，找到一个最接近的像素点进行增长合并，直到超过设定的异质性为止。其异质性包括地物光谱异质性和几何形状异质性[2]，对这种方法的研究和探讨也很多[5]。

分形网络演化分割方法的光谱异质性公式:

其中，nobj1和nobj2合并前的两个对象(像素)的像素个数，σcobj1和σcobj2表示两个对象(像素)的方差，nmerge表示合并后的对象像素个数，σcmerge表示合并后的对象的方差。

分形网络演化分割方法的形状异质性公式:

形状异质性又可以分为对象紧凑度和对象平滑性两个计算量，其中hshape表示形状异质性，wcmpct表示紧凑性权重，其取值范围在0～1之间，hcmpct表示紧凑度异质性，(1-wcmpct)表示形状异质性权重，hsmooth表示平滑异质性。

分形网络演化分割方法的总异质性公式:

分形网络演化分割方法的异质性由两部分组成，一种是光谱或散射异质性hcolor，另一种是形状异质性hshape，所以总的异质性是这两部分的加权和。其中heterogeneity表示总的异质性，w表示光谱异质性的权重，其取值范围在0～1之间，(1-w)表示形状异质性的权重。

1.2 mean shift分割方法

mean shift方法就是基于核聚类的图像分析是一类重要的图像分析工具[6]，它由Fukunaga等人于1975年首先提出[7]，在后来的应用中，Cheng对基本的mean shift算法做了推广[8]。之后，Comaniciu等人将mean shift算法应用于图像平滑和图像分割取得了不错的效果[9]，扩展的mean shift算子公式为:

其中，G(x)表示单位核函数，w(x)表示权重函数，n表示小窗口内的像素个数，h表示核带宽。

1.3 标记分水岭分割方法

分水岭算法是由Vincent在1991年提出来[10],Soille采用限制局部极小值的个数来降低过分割现象[11]，但是对噪声等影响引起的过分割依然没有改善。对确定图像，仅对属于不同目标的极小值区域做不同标记，形成种子区域，再进行生长，并且在生长过程中，仅当具有不同比较的水域汇合时构筑起水坝形成分水岭，这就是基于标记的分水岭变换[12]。另一种降低分水岭变换过分割现象的方法就是分割之后，对分割对象进行合并的方法，这种方法是依据分割对象相邻并且光谱特征或者纹理特征近似来实现分割对象的合并[13,14]。

2 图像分割实验与分析

2.1 实验数据

本实验采用了Geo Eye-1卫星拍摄的海地太子港2010年1月13日的多光谱图像，其分辨率为1.65米，如图1所示。图像中目标清晰可见，相邻地物之间对比强弱不同，同一目标的各个组成结构之间也具有光谱特征的差异，这是一块非常典型的实验数据。

2.2 图像分割实验与分析

1)图像的边缘

为了对比不同分割方法生成的分割对象的边缘精确性，这里利用canny算子来检测图像的边缘，得到的canny边缘如图2所示。由于这里的canny算子提取的边缘是用来分析图像分割的边缘精确性和内部均一性，所以canny算子提取的边缘用来做参考。

2)标记分水岭分割实验及分析

这里采用了标记分水岭分割方法对图1进行了分割，为了分析其边缘精确性，将图2的canny边缘与图1的分割结果进行了叠加如图3所示，为了清晰显示，将图3(a)的局部放大，如图3(b)所示。图3(a)中黑色为图2显示的边缘与分水岭分割的对象的边缘叠加的效果，白色为图2中的边缘。通过分析图3，可以发现分割对象的边缘与canny算子提取的边缘非常吻合，这是因为分水岭分割方法是针对图像的梯度数据进行分割而产生的分割对象，所以分水岭分割方法能够得到边缘精确的分割对象。标记分水岭分割方法依然严重存在过分割，同时分割结果中还存在明显的欠分割情况，图3中的白色边缘为canny算子检测到的边缘，而分水岭分割方法在此处没有分割对象边缘，将图3与图1对比，可以发现这种地方往往存在欠分割情况，如图3中黑色方框所示。

3)分型网络演化分割实验及分析

采用e Cognition的分形网络演化分割算法对图1进行了分割，分割时尺度值设置为6，光谱特征设置为1，形状特征设置为0，分割结果如图4所示，为了清晰显示，将图4(a)的局部放大，如图4(b)所示。从图4(a)可以看出分形网络分割算法的边缘精确性好像很不错，但是放大之后可以看出分割对象的边缘与canny算子的边缘有一定的出入，而且存在一定的过分割和欠分割现象，但好于分水岭分割方法。另外由于e Cognition的分形网络演化分割方法的种子点选择采用随机选择的方式，有些种子点就选择在图像边缘，所以这种方法存在将边缘当做对象进行分割的情况，如图4中黑色方框所示的区域中的对象，它们是对象间的边缘，却被当做了对象。

4)mean shift分割实验及分析

采用mean shift分割方法对图1进行分割，在采用mean shift算子对图像滤波时，选择窗口宽度为3，在分割时采用像素差为6进行聚类，将分割结果与图2叠加后如图5所示，图5(b)为局部放大效果。其中白色边缘为canny算子检测到的边缘和mean shift分割对象边缘叠加的效果，从图5(a)可以看出分割对象的边缘与canny检测到的边缘比较吻合，这种分割方法在边缘精度方面要优于e Cognition的分形网络演化方法，但是比分水岭分割方法要差。分析图5，可以发现这种分割方法也存在一定的过分割和欠分割现象。另外由于种子点选择方式是随机选择的方式，有些种子点就选择在图像边缘，即将边缘当做对象进行分割，如图5中黑色方框所示的区域中的对象。

3 融合边缘与光谱特征的图像分割改进

光谱特征和边缘特征是地物的两个主要特征，基于边缘特征的图像分割能够使得图像边缘平滑、边缘位置精确，但是基于边缘特征的图像分割需要解决图像边缘间断这一难题。基于光谱特征的图像分割能够很好地获得边缘闭合的分割对象，但是其对象边缘的平滑性和边缘位置的精确性要差一些。因此，从理论上讲，集成图像边缘特征和光谱特征的图像分割能够得到更好的分割效果，Vakilian、Christ和Allaoui等人分别通过实践研究了融合边缘特征与光谱特征的图像分割，试图降低过分割和欠分割的产生[15,16,17]。本文通过依据梯度特征来选择种子点，并且融合边缘与光谱特征来实现图像分割，来得到更好的分割效果。

3.1 种子点选择

一般实现区域增长的图像分割时，往往采用随机生成的种子点，这样的种子点是没有任何特征，仅仅是随机产生，它不符合种子点应尽可能在图像对象内部的要求，如果种子点选择在边缘位置，那么生成的分割对象就有可能不正确。因为基于区域增长的图像分割是将相近的像素分割到一起，所以相近的像素之间的梯度是比较低的，因此，对像素梯度按照由小到大进行排序，利用小梯度像素作为种子点来实现图像的分割，这样就保证了种子点不会选择在对象的边缘位置，从而尽可能实现分割对象的内部一致性。

3.2 融合边缘与光谱特征的图像分割原理

融合边缘与光谱特征进行图像分割是利用图像的边缘特征约束基于光谱特征的图像分割，也就是说在基于光谱特征的对象增长的时候，不仅仅受到光谱的约束，还要受到边缘的约束，这两个特征约束下来实现图像的分割。图6是融合边缘与光谱特征的图像分割示意图，其中绿色为用canny算子提取得到的边缘，这些边缘将图像分割成A、B、C和D四个区域，由于边缘的存在，区域增长时，增长的像素不能越过图像边缘，像素增长只能发生在边缘约束的范围之内。

3.3 融合边缘与光谱特征的图像分割的实验

我们实验了依据图像梯度选择种子点、集成图像边缘特征和光谱特征的图像分割，在分割时canny算子提取图像边缘的相关参数设置，当滤波窗口为3和自动将边缘阈值设置为0.05和0.125。由于分型网络演化分割方法和mean shift分割方法都是基于光谱特征的分割方法，而且分割结果相近，所以就以mean shift方法作为实验方法，mean shift相关参数设置为像素差为6进行聚类，并且将像素个数低于16个的分割对象进行合并。分割结果如图7所示。

图像分割效果的评价有两类方法，一类是视觉上的主观判断，另一类是手工提取结果与算法提取结果的对比统计分析，手工提取结果通常会受到个人因素的影响。因此将图7与图5、图4和图3进行视觉上的对比，可以发现分割对象边缘更平滑，边缘附近小对象变少，消除了边缘被分割成对象的情况，即减少了虚假分割对象的产生，也可以看出分割结果与实际地物更一致。

4 结语

医学图像分割进展 篇8

信息技术的飞速发展和计算机应用水平的不断提高,促使了医学成像技术的突飞猛进,人们能够获得大量高分辨率的医学图像,如:计算机断层成像(Computed Tomography,CT)、核磁共振成像(Magnetic Resonance Imaging,MRI)、超声成像(Ultrasonography,US)等技术已经广泛应用于医疗诊断、术前计划、治疗、术后监测等各个环节,如何把这些成像技术中获得的各种定量、定性数据进行分析,是至关重要的问题。只有把感兴趣的目标从图像背景中提取出来,才能够进一步对它们进行定量分析或识别,进而对图像进行理解。目前,医学图像分割主要以各种细胞、组织和器官的图像作为处理的对象或内容。图像分割是根据某种均匀性或一致性原则将图像分成若干个有意义的部分,使得每一部分都符合某种一致性的要求[1]。

1 医学图像分割技术的发展

医学图像分割技术的发展是一个从人工分割到半自动分割再到自动分割逐步发展的过程。人工分割是指由经验丰富的临床医生在原始胶片图像上直接勾画出有关组织的边界,或者通过图像编辑器用鼠标在计算机监视器上勾画出有关组织的边界成感兴趣的区域[2]。目前,人工分割的精度在所有分割方法中是最高的,被视为金标准。虽然人工分割的精度极高,但该方法费时、费力,其分割结果的优劣完全取决于操作者的经验知识,且分割结果难以重现。半自动分割方法是随着计算机科学的发展而产生的,它是把计算机强大的数据处理、存贮和记忆能力与人的知识和经验有机地结合起来,通过人机交互的形式完成图像分割的全过程。半自动方法与人工分割相比,分割速度明显提高,但分割结果很大程度上仍然依赖于操作者的经验知识,这种情况在一定程度上影响了半自动分割技术在临床上的推广应用。自动分割是由计算机完成图像分割的全过程,完全脱离了人为干涉。由于该方法不存在人为因素的影响,因此能够很好地再现分割结果,为精确定量测量奠定了基础。但自动分割算法复杂,运算量较大,在有些情况下,仍然需要人工干预。因此,研究新的自动分割方法一直是近年来图像分割方法研究的重点。从目前图像分割技术的发展趋势来看,新分割方法的研究大多以下列几个方向为其目标:(1)自动,以最少的人机交互完成分割的全过程;(2)精确,以最优化的结果与解剖结构接近;(3)快速,以实时处理为最终目标;(4)自适应性,对于不同的应用可以自我学习,自我适应;(5)鲁棒性,对噪声、模糊等干扰具有较强的免疫力。

2 医学图像分割方法

医学图像分割是正常组织和病变组织的三维重建、定量分析等后续操作的基础,也是临床医学应用的瓶颈,分割的准确性对医生判断疾病的真实情况并做出正确的诊断计划至关重要。由于医学图像具有极为繁杂的多样性和复杂性,加上目前医学影像设备(CT、MRI、PET等)成像技术上的特点,使得医学图像存在一定的噪声,图像中目标物体边缘也可能不清楚,这使得医学图像分割更加困难。因此,目前在医学图像分割方面仍然没有可以通用的理论和方法。一般来说,图像分割主要可分为基于区域的分割方法和基于边界的分割方法[3]。基于区域的分割方法,依赖于图像的空间局部特征,如:灰度、纹理及其它像素统计特性的均匀性等。基于边界的分割方法主要是利用梯度信息确定目标的边界,这种方法不依赖于已处理像素的结果,适于并行化,缺点是对噪声敏感,而且当边缘像素值变化不明显时,容易产生假边界或不连续的边界,在实际应用中往往需要把这两种方法结合起来。

2.1 基于区域的分割方法

2.1.1 区域生长法[4]

区域生长法是将具有相似性质的像素集中起来构成区域,该方法需要先选取一个种子点,然后依次将种子像素周围的相似像素合并到种子像素所在的区域中。区域生长法的优点是计算简单,特别适用于描绘肿瘤和伤口等小而简单的结构,区域生长很少单独使用,往往与其他分割方法一起并用。区域生长法的缺点是:它需要人工交互以获得种子点,这样,使用者必须在每个需要抽取的区域中植入一个种子点。同时,区域生长法对噪声也敏感,导致抽取的区域有空洞,或者在局部体效应的情况下将原本分开的区域连接起来。为了克服这些缺点,陆剑锋[5]提出了一种通过计算种子点附近领域统计信息,自适应改变生长标准参数用于头骨CT、肝脏CT以及人脑MRI图像的分割算法,在切片图像预处理进程中,考虑到体数据相邻切片之间高度的相关性,在相邻层之间采取高斯核滤波去除噪声,并通过各向异性滤波算法对滤层切片进行滤波,结果表明,该算法可有效地提取出图像区域,具有较好的鲁棒性。

2.1.2 基于统计学的方法[6,7]

随机场的方法是空间像素点之间空间关联的统计学方法,如基于马尔科夫随机场(MRF)方法。统计学方法的实质是从统计学的角度出发对数字图像进行建模,把图像中各个像素点的灰度值看作具有一定概率分布的随机变量。MRF模型应用的难点在于选取合适的参数,控制空间相关性的强度,强度过强将导致分割图像边缘过度平滑,从而丢失一些重要的解剖细节信息。另外,应用MRF模型的算法计算量很大。尽管有这些缺点,MRF还是一种应用广泛的模型。MRF模型常被用于估计和校正核磁图像中的局部体效应和强度不均匀现象。另一种常用的基于统计学的方法为标记法(Labeling),此方法就是将图像分割成的几个物体各以一个不同的标号来表示,对图像中的每一个像素,用一定的方式赋予其中一个标号,标号相同的像素就组成该标号所代表的物体。Weian Deng[8]等人给出了一种以概率标记法作为边缘检测后处理的迭代算法。

2.1.3 人工神经网络法[9]

人工神经网络(ANN)是一种大规模并行连续处理系统。ANN具有模拟人类信号处理能力并且非常擅长解决模式识别领域中的模式分类问题,而医学图像分割问题正是对图像中的各个解剖结构进行分类和标记的问题。ANN的主要特点有:具有通过实例学习的能力,并能利用前馈网络概括所学内容;对于随机噪声有很强的鲁棒性,具有容错的能力和最优搜索能力。因此,当利用其它方法进行图像分割时,对于噪声、组织不均匀性、生物形态的多变性等问题,利用ANN技术可以得到很好的解决。但是,使用神经网络法时,因为网络中有许多相互连接,所以空间信息就能很容易地包含在分类过程中。此分割方法分为两种:有标准图像样本集和无标准样本集分割。有标准样本集的分割方法是首先对标准样本进行训练,得到神经网络分类器,待分割图像时根据分类器进行分类,没有标准标本集的分割方法是对像素特征设计一个非线性聚类器,目前这种分割方法主要集中对神经网络的改进上。

2.2 基于边缘的分割方法

2.2.1 基于形变模型的方法[10]

此类方法目前在医学图像分割中应用最广,它的特点是将图像数据、初始轮廓、目标轮廓和基于知识的约束统一于特征提取的进程中。形变模型包括二维形变轮廓模型(又称Snake)和三维形变曲面模型,还有一些利用形状先验知识和使用点集合先验知识的改进模型。形变曲面模型是活动轮廓在三维空间的推广形式。三维形变曲面模型可以更高效、更快捷地利用三维数据,而且更少地需要用户交互或指导。形变模型分为两大类:参数形变模型和几何形变模型。基于参数形变模型分割过程就是使模型在外能和内能作用下向物体边缘靠近,外力推动轮廓曲线运动,而内力保持轮廓的光滑性。几何形变模型方法利用曲线演化理论来实现。轮廓对应于一个更高维曲面的演化函数的零水平集,演化函数可用某种形式的偏微分方程来表示,利用图像信息(如边缘)来控制曲面演化过程的停止。形变模型的主要优点是能够直接产生闭合曲线或曲面,并对噪声和伪边界有很强的鲁棒性;缺点是:它对初始边界位置十分敏感,有时要求人工选择合适的参数。

2.2.2 基于数学形态学的方法[11,12]

随着数学形态学理论的不断完善和发展,数学形态学在图像边缘检测中得到广泛的研究和应用。数学形态是一门新兴科学,它建立在严格的数学理论基础上,其基本思想和方法对图像处理的理论和技术产生了重大影响,数学形态学已经构成一种新兴的图像处理方法和理论。形态学图像处理以在图像中移动一个结构元素并进行卷积的方式进行,结构元素可以任意大小。形态学的基本操作是膨胀、腐蚀、开闭运算,它们算法简单,同时能较好地保持图像的细节特征,很好地解决边缘检测精度与抗噪声性能的协调问题,缺点是算法的适应性差。形态学理论在图像分割中的应用有代表性的是Luc Vincent[13]等人提出的分水岭方法(Watershed)[14]。该算法的思想来源于地理学。经过分水岭方法处理后,将输出原始图像的过度分割图(分割的区域数目超过图像中包含的实际对象数),过度分割的区域数目取决于参数的大小。虽然这些方法已成功用于图像分割,但它们需要用户的交互或准确的关于图像结构的先验知识。为改进早期方法的这些问题,分水岭算法往往与其他方法结合使用。

2.2.3 基于小波变换的方法[15]

近年来,在低频和高频分析时有“变焦”特征的小波变换在医学图像分割中,得到广泛应用。用小波进行医学图像阈值分割的思想是利用二进制小波变换将图像直方图分解为不同层次的小波系数,依照给定的分割准则和小波系数选择阈值门限,整个过程由粗到细,由尺度来控制。如果分割不理想,则可利用直方图在精细的子空间上的小波系数逐步细化图像分割;用小波进行边缘检测,则是利用小波系数模的极大值。文献[16]提出了一种小波多尺度几何活动的曲线模型,就是小波边缘检测的方法;采用间隔采样的离散小波变换提取图像特征,在矢量量化聚类的基础上,通过增加马尔可夫随机场的限制条件,建立起小波空间内的分割统计模型。在小波最高层空间简单设置初始聚类情况,经过优化迭代过程以及相邻空间内的分割结果的遗传,使其逐层自适应地收敛到最佳聚类状态。在多尺度分析下,图像的类别信息和位置信息是一对矛盾,两者之间存在不确定性[17]。因此,必须充分考虑各尺度之间的拓扑关系和对称性,如此会大大提高分割算法的计算效率。

3 医学图像分割新技术

3.1 基于模糊技术分割[18]

模糊技术是建立在模糊集合理论基础上的,能很好地处理三维医学图像内在的模糊性,而且对噪声不敏感。由生物医学成像设备获取的图像数据具有内在的不确定性,这种不确定性的程度依赖于许多因素,包括在空间、时间和参数分辨率方面的局限性以及成像设备的其它物理限制等。这些不确定性是模糊技术在图像分割中得到广泛应用的一个决定性的因素,因为模糊技术正是为了处理事物的不确定性而诞生的。

2003年,Hiew等人[19]提出了一种应用于对三维MR图像进行分割的自适应空间FCM算法[20]。输入的图像可能由于噪声和强度的不均匀而浑浊,该算法考虑了空间连续性的约束,采用相异索引(dissimilarity index)的方法,使获得的局部空间连续性约束能够减少噪声的影响和分类的不明确性。与其它已公开的算法比较,该算法的有效性在广义模糊试验中用模拟和实际的MR图像都得到了证实。

3.2 基于知识的分割[21,22]

基于知识的分割是所有图像分割方法中最重要的方法之一。近年来随着人工智能技术的发展,基于知识的分割方法也得到了广泛地研究和应用。基于知识的分割方法主要包括两个方面的内容:知识的获取,即归纳及提取相关的知识,建立知识库;知识的应用,即有效地利用知识实现图像的自动分割。基于知识的分割,其知识来源主要有:(1)临床知识,即某种疾病的症状及它们所处的位置;(2)解剖学知识,即某器官的解剖学和形态学信息,以及其几何学与拓扑学的相互关系,这种知识通常是用图谱来表示的;(3)成像知识,这类知识与成像方法及其具体的设备有关;(4)统计知识,例如MRI的质子密度(PD)、T1和T2统计数据,并把它们与解剖学的有关数据联系起来。

2002年,Boscolo等人[23]提出了一种新颖的基于知识的分割方法。医学图像分割通常需要医学专家对感兴趣的解剖结构区域提供准确、持续的鉴定,而Boscolo等人的分割方法将基于知识的分割系统与一套熟练的主动轮廓模式(active contour mode1)[24]相结合,此方法利用一种高级过程的引导对不同的解剖结构进行粗略的分割,使用者无需提供初始轮廓放置,而由高级过程自动执行必须的参数优化。关于被分割的解剖结构的知识,则用一个叫做可能性密度函数根据统计学规律定义成位置、大小、图像亮度等参数。目前,该方法正在进一步研究是否确实能够提供持续的高级分割。

3.3 基于仿生模式识别的分割[25]

近年来出现的仿生模式识别方法,一经提出便受到了广泛的关注,该方法以多维空间几何分析理论为基础,利用特征空间同类样本的连续性规律,对一类事物的“认识”,实际上是对这类事物的全体在特征空间中形成的无穷点集合的“形状”的分析和认识,再根据这种规律性建立起“多维空间中非超球复杂几何形体覆盖”,将简单的点划分转换为点的覆盖过程,从而从根本上改变传统模式识别的弊端,将误识率基本降为零,避免由于误识而产生的严重后果。仿生模式识别已成功应用于多个领域并取得了一定的成果[26,27],也为医学图像分割开辟了一个崭新的研究方向。

吴海珍等人[28]提出一种基于仿生模式识别的医学图像分割算法,该算法以仿生模式识别为基础,采取先覆盖后分割的方法。以核磁共振(MRI)脑图像分割为例,并与神经网络方法、支持向量机方法进行了分割效果比较。实验结果表明,该方法有效地提高了分割精度,改善了分割性能,具有更强的鲁棒性和实用性。

4 医学图像分割方法评价

医学图像分割评价通过对图像分割算法性能的研究达到优化分割的目的。通过评价可以掌握各个算法在不同分割任务中的表现,以通过选择算法参数来适应不同类型图像的需要。另外,通过比较多个算法分割特定图像的性能,有助于在具体分割任务中选取合适的算法。这对于医学图像的分割尤为重要,因为分割的准确度直接关系到临床应用效果。现有的评价方法可分为两类:直接分析法和间接实验法。分析法直接研究分割算法本身的原理特性,通过分析得到算法性能;实验法则根据分割图像的质量间接地评判算法的性能。分析法得到的结果比较客观,但许多算法直接分析比较困难,且分析法不可能获得分割算法的所有性质,常与其他算法结合使用。但是,由于人体解剖结构的复杂性、组织器官形状的不规则性及不同个体间的差异等原因,目前还没有一种能对所有图像都产生满意分割效果的分割方法。各种算法都具有很强的针对性,往往是基于特定的领域、特定的成像模型。如今对医学图像分割算法的评价还是以主观评价为主,尽管主观评价存在很多缺点,但是由于医学图像的复杂性以及图像分割理论的不完善,目前还不能完全用客观评价的方法对医学图像分割算法进行评价,所以今后对医学图像分割算法的主观评价仍将占主导地位。

5 展望

基于图论的图像分割软件设计 篇9

关键词：图像分割；图论；最小割；MFC

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）20-0183-02

1 概述

图像分割是计算机视觉中最基本最重要的研究内容之一，对图像处理、图像分析和图像理解起着关键性的作用。所谓图像分割是指根据图像的某个特定属性将图像划分为若干个互不交叠的区域，并从中提取目标的过程[1]。

图像分割的定义[2]：

2算法原理

2.1图论的基本概述

图论（Graph Theory）是数学的一个分支，它以图为研究对象。图论中的图是由点和连接两点的线所构成，这种图形通常用来描述某些事物之间的某种特定关系，用点代表事物，用连接两点的线表示相应的两个事物之间具有的某种关系[3]。

基于图论的图像分析指将待处理的图像映射为带权的无向连通图G=（V，E，W），节点集V是图I中所有像素点的集合，边集E表示连接两个邻接顶点的边的集合，W表示每条边权值的集合，边的权值反映了该边的两个顶点的差异或相似度。

权值集合W的构建是图像分割成功的关键，好的相似度度量函数需要体现出两个节点在顏色、亮度、距离等方面的相似程度。常用的相似度度量函数有特征空间的欧氏距离：

作为相似度的度量函数，前者的优点是直观且计算简单，后者的优点是与实际情况更加接近，但是运算量较大[4]。

2.2最小割/最大流方法

基于图论的分割方法是将整幅图像映射为图，图的顶点和图中像素一一对应，根据一定的割集准则将图划分为两个子图，使得子图之间的相似性最小，而子图内的相似性最大[5]。图割示意图如图1所示：

使得代价函数最小的划分即为图像的最佳分割，也即图的最小割。

最小割/最大流方法主要包括两大类[6]：推进重标记（Push relabel）方法和增广路径（Augmenting paths）方法。推进重标记法易于并行实现，通常采用GPU加速实现来提高效率。基于增广路径的方法通过标号不断生长一棵树，直到找不到关于可行流的增广路径为止。该类方法的计算复杂性和网络的节点数和边数无关，而与边上的权值有关。

3软件系统设计

3.1设计思路

3.2软件测试及结果

单击选择图像按钮读入待分割图像，根据图像中目标的形状选择交互方式，单击分割按钮运行分割程序，矩形交互和圆形交互分割结果分别如图3和图4所示：

从上图可以看出，分割结果图像边缘比较光滑，所设计软件操作简便且具有较好的分割效果。

4 结论

基于图论的分割方法可以将图像的全局分割与局部信息处理相结合，可减少由于图像离散化造成的误差，从而可获得良好的分割结果。本系统具有如下技术特点：（1）将原始图像，交互图像和分割后图像显示在同一界面上，运算结果形象直观，便于用户观察；（2）界面简洁，操作简单，运行效率和分割精度较高。

参考文献：

[1] 章毓晋. 图像分割[M].北京：科学出版社， 2000.

[2] 罗希平， 田捷， 诸葛婴，等. 图像分割方法综述[J]. 模式识别与人工智能， 1999（3）：300-312.

[3] 张建梅， 孙志田， 余秀萍. 基于图论的图像分割算法仿真研究[J]. 计算机仿真， 2011， 28（12）： 268-271.

[4] 杨帆，廖庆敏. 基于图论的图像分割算法的分析与研究[J]. 电视技术， 2006 （7）： 80-83.

[5] Sarkar S， Soundararajan P. Supervised learning of large perceptual organization： Graph spectral partitioning and learning automata[J]. Pattern Analysis and Machine Intelligence， IEEE Transactions on， 2000， 22（5）： 504-525.

图像分割算法研究 篇10

1 图像分割方法

图像分割的方法和种类有很多, 有些分割运算可直接应用于任何图像, 而另一些只能适用于特殊类别的图像。分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤, 图像分割结果的好坏直接影响对图像的理解。分割算法基本可以分为两大类:边缘检测和阈值分割。

1.1 边缘检测

边缘是指图像中灰度发生急剧变化的区域。图像灰度的变化情况可以用灰度分布的梯度来反映, 给定连续图像f (x, y) , 其方向导数在边缘法线方向上取得局部最大值。图像的边缘是指图像局部区域亮度变化显著的部分, 该区域的灰度剖面可以看作是一个阶跃, 既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。图像的边缘部分集中了图像的大部分信息, 边缘检测主要是图像的灰度变化的度量、检测和定位。图像边缘检测的基本步骤如下:

1) 滤波。边缘检测主要基于导数计算, 受噪声影响, 但是滤波器在降低噪声的同时也导致边缘强度的损失。

2) 增强。增强算法将邻域中灰度有显著变化的点突出显示, 常通过计算梯度幅值完成。

3) 检测。有些图像中梯度幅值较大的并不是边缘点。常用的边缘检测是梯度幅值阈值判定。

4) 定位。精确确定边缘的位置。

边缘检测常用的算子有梯度算子Roberts, Sobel, Prewitt;Laplace算子;二阶导数过零点算子;canny算子等。

1.2 阈值分割

阈值分割法是一种基于区域的图像分割技术, 其基本原理是通过设定不同的特征阈值, 把图像像素点分为若干类。常用的特征包括:直接来自原始图像的灰度或彩色特征;由原始灰度或彩色值变换得到的特征。阈值分割法是将灰度图像变为二值图像以达到分割目的的方法, 它是一种并行区域法。其过程是决定一个灰度值, 用以区分不同的类, 这个灰度值就叫做“阈值”, 把灰度值大于阈值的所有像素归为一类, 小于阈值的所有像素归为另一类。阈值法是一种简单但是非常有效的方法, 特别是不同物体或结构之间的有很大的强度对比时, 能够得到很好的效果。阈值分割实现简单、计算量小、性能较稳定, 已被应用于很多的领域。

2 图像分割算法

对灰度图像, 基于各像素值的阈值是仅考虑各像素本身灰度值而确定的, 因而算法一般较简单, 但抗噪声能力不强。所确定的阈值 (对多阈值分割是阈值序列) 作用于整幅图像的每个像素, 因而对目标和背景的灰度有梯度变化的图像效果较差。

图像的灰度直方图是图像各像素灰度值的一种统计度量。许多常用的阈值选取方法就是根据直方图来进行的。根据对图像模型的描述, 如果对双峰直方图选取两峰之间的谷所对应的灰度值作为阈值就可以将目标和背景分开。谷的选取有许多方法, 下面介绍几种算法。

2.1 极小值法

极小值法原理:图像由前景和背景组成, 在灰度直方图上, 前后二景都形成高峰, 在双峰之间的最低谷处就是图像的阈值所在。如果将直方图的包络看作是一条直线, 则选取直方图的谷可借助求曲线极小值的方法。设用h (z) 代表直方图, 那么极小值点就应同时满足:h (z0)

其中σ为高斯函数的标准差。

极小值点法实现简单、计算量小, 而且只产生一个阈值, 但是它必须准确算出双峰的位置, 而且要保证不能有毛刺的存在。而且具体图像要用的高斯滤波器系数不同, 系数选取又不当分割后的效果将很不理想。

2.2 求导法

求导法是改进了的极小值法, 它也是求极小点, 不同的是它不是通过比较的方法, 而是通过求导的方法找阈值。设用g (z) 代表直方图, 那么最小点应同时满足:

导数使用gradient指令, 一阶导数P=gradient (g) , 二阶也就是Q=gradient (P) , 那么在图像灰度范围1到256内寻找满足条件P=0and Q>0的点, 可以得到Z0阈值点。理论上一阶导数应该是0, 但是实际中通常由于毛刺的存在, 一阶导数是不为零的, 而是无限趋近于零, 因而给程序设计带来不便。可以让一阶导数P取大些, 计算出的阈值个数增加了, 要对比的图像也多了, 但是却可以找到合适的阈值, 通过调整P可以来调节计算出的阈值的个数。编程时我先设定P<0.1, 若找不到, 就增大P来寻找。

求导法是也受图像毛刺的影响, 毛刺会使图像产生很多满足P的点, 使计算出的阈值更多而且远离理想阈值点。因而要使图像平滑, 必然要滤除掉毛刺。可以通过高斯滤波, 滤波系数可以设为定值。

求导法实现起来比较简单, 计算量小, 性能比较稳定, 分割结果也较理想, 但是由于它需要人工的比对, 花费大量的时间才能算出理想的结果。

2.3 平均法

平均法原理简单, 基于对称的理论。先统计出大于零的总的像素个数P, 然后设定条件:从1开始到某一点大于零的总的像素个数为Q (Z) , 一旦Q (Z) >P/2就停止运算, 计算出的这一点就是阈值点Z0。优点是程序设计简单, 运算量小, 运行也稳定, 缺点是它是根据直方图对称的原理计算的阈值, 因而当基本对称时分割效果最好, 而普遍效果一般。

2.4 直方图变换法

直方图变换法, 是利用一些像素领域的局部性质变换原始的直方图为一个新的直方图。这个新的直方图与原始直方图相比, 或者峰之间的谷底更深, 或者谷转变成峰从而更易于检测。这里的像素领域局部性质, 在很多方法中经常用的是像素的梯度值。例如, 由于目标区的像素具有一定的一致性和相关性, 因此梯度值应该较小, 背景区也类似。而边界区域或者噪声, 就具有较大的梯度值。利用直方图变换方法, 根据梯度值加权, 梯度值小的像素权加大, 梯度值大的像素权减小。这样, 就可以使直方图的双峰更加突起, 谷底更加凹陷。

直方图变换法是通过对直方图进行变换找到直方图的谷, 然后进行分割的。相比其它程序比较复杂, 但可靠性高。

2.5 边缘检测法

边缘是图像的特征之一, 通过分离边缘就可以实现对图像的分割, 流程图如图1所示。边缘检测是用各种算子模版与图像作卷积运算实现, 边缘检测的结果往往离提取图像信息的要求还很远。

实现边缘检测的算子很多, 各种算子对边缘的提取效果也不同, 从效果来看, canny效果比较好, 但是边缘检测只能为人们提供不完整的边缘信息, 不是人类所要获取的信息, 还要进行处理。

2.6 迭带法

迭代法是基于逼近的思想, 其步骤如下:

1) 求出图像的最大灰度值和最小灰度值, 分别记为ZMAX和ZMIN, 令初始阈值T0= (ZMAX+ZMIN) /2;

2) 根据阈值TK将图像分割为前景和背景, 分别求出两者的平均灰度值ZO和ZB;

3) 求出新阈值TK+1= (ZO+ZB) /2;

4) 若TK=TK+1, 则所得即为阈值;否则转2) , 迭代计算。

具体实现时, 首先根据初始开关函数将输入图逐个图像分为前景和背景, 在第一遍对图像扫描结束后, 平均两个积分器的值以确定一个阈值。用这个阈值控制开关再次将输入图分为前景和背景, 并用做新的开关函数。如此反复迭带直到开关函数不在发生变化, 此时得到的前景和背景即为最终分割结果。迭代所得的阈值分割的图像效果良好。基于迭代的阈值能区分出图像的前景和背景的主要区域所在, 但在图像的细微处还没有很好的区分度。对某些特定图像, 微小数据的变化却会引起分割效果的巨大改变, 两者的数据只是稍有变化, 但分割效果却反差极大。对于直方图双峰明显, 谷底较深的图像, 迭代方法可以较快地获得满意结果, 但是对于直方图双峰不明显, 或图像目标和背景比例差异悬殊, 迭代法所选取的阈值不如其它方法。

2.7 大津法

图像记t为前景与背景的分割阈值, 前景点数占图像比例为w0, 平均灰度为u0;背景点数占图像比例为w1, 平均灰度为u1, 则图像的总平均灰度为:u=w0*u0+w1*u1。从最小灰度值到最大灰度值遍历t, 当t使得值g=w0* (u0-u) 2+w1* (u1-u) 2最大时t即为分割的最佳阈值。

大津法可作如下理解:该式实际上就是类间方差值, 阈值t分割出的前景和背景两部分构成了整幅图像, 而前景取值u0, 概率为w0, 背景取值u1, 概率为w1, 总均值为u, 根据方差的定义即得该式。因方差是灰度分布均匀性的一种度量, 方差值越大, 说明构成图像的两部分差别越大, 当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小, 因此使类间方差最大的分割意味着错分概率最小。直接应用大津法计算量较大, 因此在实现时采用了等价的公式g=w0*w1* (u0-u1) 2。在测试中发现, 大津法选取出来的阈值非常理想, 表现较为良好。虽然它在很多情况下都不是最佳的分割, 但分割质量通常都有一定的保障, 可以说是最稳定的分割。

3 结束语

介绍了多种图像分割的方法, 原理不同, 分割的结果也各异, 为我门进一步对图像分割评价和获取信息提供了重要依据。极值法、求导法都是直接对直方图研究, 而直方图变换法则是通过变换直方图, 使求谷值转换为极大值的方法;迭代法和大律法则是通过类间方差公式的不同变换形式来计算阈值;平均法是通过理想情况来类比寻一般情况求取阈值。

参考文献

[1]Barrera J, Tomita N S, Silva F S C, et al."Automatic Programming of Binary Morphological Machines by PAC Learning"[C].SPIE, Proceed-ings Neural, Morphological and Stochastic Methods in Image and Signal Processing, 1995.

[2]Hirata N S T, Barrera J, Terada R."Text Segmentation by Automatically Designed Morphological Operators"[C]."Proc.Of SIB-GRAPI'2000", Gramado, Brazil, October, 2000.

[3]卢超.基于熵的多点脉搏传感器信息融合方法[J].佳木斯大学学报:自然科学版, 2009 (5) .

[4]刘斌, 欧宗瑛, 等.一种序列切片图像的快速自动分割方法[J].武汉大学学报:信息科学版, 2009 (5) .

[5]卢超.单片机同PC机通信的一种新方法[J].矿山机械, 2007 (4) .

[6]黄长专, 王彪, 杨忠.图像分割方法研究[J].计算机技术与发展, 2009, (6) .

[7]卢超.基于PC机与单片机分布式温度采集系统的设计[J].仪表技术与传感器, 2007 (6) .

[8]章日康.基于偏微分方程及变分水平集的图像分割[D].电子科技大学, 2008.