图像分割技术综述

2024-10-15

图像分割技术综述（精选7篇）

图像分割技术综述篇1

1 引言

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.

[3]宋曙光.图像边缘检测算法研究与分析[J].光电信息, 2010, 27 (9) :44-47.[3]宋曙光.图像边缘检测算法研究与分析[J].光电信息, 2010, 27 (9) :44-47.

图像分割综述篇2

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.

图像分割新法综述篇3

图像分割是计算机视觉领域中极为重要的内容之一, 是实现自动图像分析和模式识别的首要问题, 也是图像处理的经典难题之一。图像分割的质量的优劣、区域界限定位的精度直接影响后续的区域描述以及图像的分析和理解, 是图像处理、分析、理解中一个举足轻重的技术。

1 遗传算法在图像分割中的应用

遗传算法是基于进化论自然选择机制的、并行的、统计的、随机化的搜索方法。对此, 科学家们进行了大量的研究工作, 并成功地将它们运用于各种类型的优化问题中。在分割复杂的图像时, 人们往往采用多参量进行信息融合, 在多参量参与的最优值的求取过程中, 优化计算是最重要的, 把自然进化的特征应用到计算机算法中, 将能解决很多优化计算的困难。遗传算法的出现为解决这类问题提供了新而有效的途径, 它不仅可以得到全局最优解, 而且大量缩短了计算时间。

2 基于小波分析和变换的分割方法

小波变换是一种多尺度多通道分析工具, 比较适合对图像进行多尺度的边缘检测。小波分解的级数可以控制观察距离的“调焦”, 而改变高斯函数的标准差可选择所检测边缘的细节程度。小波变换的计算复杂度较低, 抗噪声能力强。另外, 利用正交小波基的小波变换也可提取多尺度边缘, 并可通过对图像奇异度的计算和估计来区分一些边缘的类型。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。在利用多尺度进行分割时, 跨多个尺度的图像分析相当于在较粗尺度下以高位置分辨率换取较大类别分辨率。因此, 如何组合跨尺度信息, 恢复已丢失的空间分辨率是多尺度分割算法的难点。多尺度分割的任务就是根据所有尺度下的信息, 平衡类别信息与位置信息之间的矛盾, 使内在的不确定性达到最小化。充分考虑尺度之间的拓扑关系和对称性, 可以大大提高分割算法的计算效率。

3 基于人工神经网络的分割方法

近几年神经网络在图像分割中的应用得到了很大的发展, 按照处理数据类型大致上可以分为两类:一类是基于象素数据的神经网络算法;另一类是基于特征数据的神经网络算法, 即特征空间的聚类分割方法。基于象素数据分割的神经网络算法用高维的原始图像数据作为神经网络训练样本, 比起基于特征数据的算法能够提供更多的图像信息, 但是各个象素是独立处理的, 缺乏一定的拓扑结构, 而且数据量大, 计算速度相当慢, 不适合实时数据处理。目前, 有很多神经网络算法是基于象素进行图像分割的, 如Hopfield神经网络、细胞神经网络、概率自适应神经网络等。基于特征的神经网络算法主要是对特征空间的聚类分割方法进行改造。特征空间聚类分割方法关键的问题是有效特征参数的提取和聚类方法的构造。有效的特征提取方法有很多, 大致上可以分为4种:几何特征方法、统计特性方法、信号特性方法和基于图像模型的方法。传统的聚类方法效果差, 且是基于一定前提假设的, 神经网络打破了传统聚类方法的限制, 已经成为寻找聚类新方法的基础。目前, 使用的神经网络模型有SOFM神经网络, LEGION神经网络模型、前向反馈神经网络等。神经网络在解决如CT图像、遥感图像、声纳图像等一系列复杂的图像分割方面显示了其特有的优势, 但解决问题的机理很难理解, 网络节点个数、网络层数等的设计还缺乏比较系统的理论指导。另外, 神经网络的训练有时比较费时。

4 结论

基于植物病斑的图像分割研究综述篇4

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。

图像分割技术分析与展望篇5

在图象分割领域还没有出现对任意图象都适合的分割算法,如何根据不同行业图像的特点,找出适应行业具体需求的图像分割算法,是我们追求的目标。本文旨在对近几年出现的图像分割算法的分析总结的基础上,对图像分割技术研究的方向作出一些展望。

1 图像分割常用的五种方法

1.1 对图像特征、空间做分类的方法

常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征

1.1.1 颜色特征

颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征,此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感,所以颜色特征不能很好地捕捉图像中对象的局部特征。另外,仅使用颜色特征查询时,如果数据库很大,常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法,其优点是不受图像旋转和平移变化的影响,进一步借助归一化还可不受图像尺度变化的影响,基缺点是没有表达出颜色空间分布的信息。

1.1.2 纹理特征

纹理特征也是一种全局特征,它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性,并不能完全反映出物体的本质属性,所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算。在模式匹配中,这种区域性的特征具有较大的优越性,不会由于局部的偏差而无法匹配成功。作为一种统计特征,纹理特征常具有旋转不变性,并且对于噪声有较强的抵抗能力。但是,纹理特征也有其缺点,一个很明显的缺点是当图像的分辨率变化的时候,所计算出来的纹理可能会有较大偏差。另外,由于有可能受到光照、反射情况的影响,从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理。

1.1.3 形状特征

各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索,但它们也有一些共同的问题,包括:(1)目前基于形状的检索方法还缺乏比较完善的数学模型;(2)如果目标有变形时检索结果往往不太可靠;(3)许多形状特征仅描述了目标局部的性质,要全面描述目标常对计算时间和存储量有较高的要求;(4)许多形状特征所反映的目标形状信息与人的直观感觉不完全一致,或者说,特征空间的相似性与人视觉系统感受到的相似性有差别。另外,从2-D图像中表现的3-D物体实际上只是物体在空间某一平面的投影,从2-D图像中反映出来的形状常不是3-D物体真实的形状,由于视点的变化,可能会产生各种失真。

1.1.4 空间关系特征

所谓空间关系,是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系,这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。

空间关系特征的使用可加强对图像内容的描述区分能力,但空间关系特征常对图像或目标的旋转、反转、尺度变化等比较敏感。另外,实际应用中,仅仅利用空间信息往往是不够的,不能有效准确地表达场景信息。为了检索,除使用空间关系特征外,还需要其它特征来配合。

1.2 基于区域的方法(如区域生长分割法、分裂合并法、分水岭分割法等)

1.2.1 区域生长分割法

所谓区域生长(region growing)是指将成组的像素或区域发展成更大区域的过程。从种子点的集合开始,从这些点的区域增长是通过将与每个种子点有相似属性像强度、灰度级、纹理颜色等的相邻像素合并到此区域。它是一个迭代的过程,这里每个种子像素点都迭代生长,直到处理过每个像素,因此形成了不同的区域,这些区域它们的边界通过闭合的多边形定义。

区域生长分割算法的关键是初始种子点的选取和生长规则的确定。算法的优点在于计算简单,对于均匀的连通目标有很好的分割效果,缺点是需要人为设定种子点,对噪声敏感,可能导致区域出现空洞。

1.2.2 分裂合并法

分裂合并法的基本思想是从整幅图像开始通过不断分裂合并来得到各个区域。分裂合并算法的关键是分裂合并准则的设计,这种算法对复杂图像的分割效果较好,但算法复杂,计算量大,分裂可能破坏区域的边界。

1.2.3 分水岭分割法

分水岭分割法,是一种基于拓扑理论的数学形态学的分割方法,其基本思想是把图像看作是测地学上的拓扑地貌,图像中每一点像素的灰度值表示该点的海拔高度,每一个局部极小值及其影响区域称为集水盆,而集水盆的边界则形成分水岭。

分水岭分割法对微弱边缘具有良好的响应,具有很强的边缘检测能力,正是由于其对微弱边缘的良好响应,此算法可以得到比较好的封闭连续边缘。但是同时对于图像中的噪声、物体表面细微的灰度变化,该算法也会产生“过度分割”的现象。

1.3 基于边缘的方法(边缘检测等)

图像的边缘是指图像局部区域亮度变化显著的部分。该区域的灰度剖面一般可以看做一个阶跃,即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,图像边缘的确定与提取对于整个图像场景的识别与理解是非常重要的,同时也是图像分割所依赖的重要特征。

边缘检测主要是图像的灰度变化的度量、检测和定位,边缘检测的基本思想是先利用边缘增强算子,突出图像中的局部边缘,然后定义像素的“边缘强度”,通过设置阈值的方法提取边缘点集。但是由于噪声和图像模糊,检测到的边界可能会有间断的情况发生。

1.4 基于函数优化的方法(贝叶斯算法-Bayesian等)

贝叶斯(1702-1763)Thomas Bayes,英国数学家,在数学方面主要研究概率论。他首先将归纳推理法用于概率论基础理论,并创立了贝叶斯统计理论,对于统计决策函数、统计推断、统计的估算等做出了贡献。

贝叶斯决策理论方法是统计模式识别中的一个基本方法。贝叶斯决策判据既考虑了各类参考总体出现的概率大小,又考虑了因误判造成的损失大小,判别能力强。

1.5 综合考虑边缘和区域信息的混合分割方法

这类方法既可以很好的提取出图像中目标的边缘又可以使得算法的计算相对简单,对于均匀的连通目标有较好的分割效果。

2 图像分割的研究方向

2.1 图像匹配

在图像识别的过程中,常需要把不同时间、不同成像条件下对同一景物获取的两幅或者多幅图像在空间上对准,或根据已知模式到另一幅图中寻找相应的模式,这就称为图像匹配。

图像匹配主要可分为以灰度为基础的匹配和以特征为基础的匹配。

1)灰度匹配:灰度匹配的基本思想:以统计的观点将图像看成是二维信号,采用统计相关的方法寻找信号间的相关匹配。利用两个信号的相关函数,评价它们的相似性以确定同名点。灰度匹配通过利用某种相似性度量,如相关函数、协方差函数、差平方和、差绝对值和等测度极值,判定两幅图像中的对应关系。

2)特征匹配:特征匹配是指通过分别提取两个或多个图像的特征(点、线、面等特征),对特征进行参数描述,然后运用所描述的参数来进行匹配的一种算法,基于特征的匹配所处理的图像一般包含的特征有颜色特征、纹理特征、形状特征、空间位置特征等。特征匹配首先对图像进行预处理来提取其高层次的特征,然后建立两幅图像之间特征的匹配对应关系,通常使用的特征基元有点特征、边缘特征和区域特征。特征匹配需要用到许多诸如矩阵的运算、梯度的求解、还有傅立叶变换和泰勒展开等数学运算。基于图象特征的匹配方法可以克服利用图象灰度信息进行匹配的缺点,由于图象的特征点比较像素点要少很多,大大减少了匹配过程的计算量;同时,特征点的匹配度量值对位置的变化比较敏感,可以大大提高匹配的精确程度;而且,特征点的提取过程可以减少噪声的影响,对灰度变化,图象形变以及遮挡等都有较好的适应能力。所以基于图象特征的匹配在实际中的应用越来越广泛。所使用的特征基元有点特征(明显点,角点,边缘点等),边缘线段等。

3)两者的比较:特征匹配与灰度匹配的区别:灰度匹配是基于像素的,特征匹配则是基于区域的,特征匹配在考虑像素灰度的同时还应考虑诸如空间整体特征、空间关系等因素。

特征是图象内容最抽象的描述,与基于灰度的匹配方法相比,特征相对于几何图象和辐射度影响来说更不易变化,但特征提取方法的计算代价通常较大,并且需要一些自由参数和事先按照经验选取的阀值,因而不便于实时应用。同时,在纹理较少的图象区域提取的特征的密度通常比较稀少,使局部特征的提取比较困难。另外,基于特征的匹配方法的相似性度量也比较复杂,往往要以特征属性、启发式方法及阀方法的结合来确定度量方法。

2.2 纹理分割和纹理合成

纹理分割是将纹理图像依据同一纹理的一致性特征或不同纹理之间的特征差别,分割成若干有意义的区域的一种图像分割技术,如何提取有效的纹理特征是其关键点和难点。

纹理合成是为了解决纹理映射中存在的接缝走样等问题而提出的,目前纹理合成方法可分为两类:一类为过程纹理合成(PTS),另一类为基于样图的纹理合成(TSFS)。

过程纹理合成通过对物理生成过程的仿真直接在曲面上生成纹理,如毛发、云雾、木纹等,从而避免了纹理映射带来的失真。这种方法可以获得非常逼真的纹理,但对每一种新的纹理,却需要调整参数反复测试,非常不便,有的甚至无法得到有效的参数。自然界中存在大量的纹理,这些纹理往往具有自相似性,即一小块纹理就能反映整体纹理的特点。这就促使人们着手研究基于样图的纹理合成方法以取得更有效的成果:给定一小块纹理,生成大块相似的纹理。

基于样图的纹理合成(texture synthesis from samples,TSFS))技术是近几年迅速发展起来的一种新的纹理拼接技术,它基于给定的小区域纹理样本,按照表面的几何形状,拼合生成整个曲面的纹理,它在视觉上是相似而连续的。TSFS技术可以克服传统纹理映射方法的缺点,又避免了过程纹理合成调整参数的繁琐,因而受到越来越多研究人员的关注,成为计算机图形学、计算机视觉和图像处理领域的研究热点之一。利用TSFS技术还可以进行纹理填充(如修补破损的图片,重现原有图片效果),纹理传输,扩展到时域则可以用一短段视频图像,生成任意长度的非重复的视频动画等。所以纹理合成技术在图像编辑、数据压缩、网络数据的快速传输、大规模场景的生成以及真实感和非真实感绘制等方面具有广泛的应用前景。

2.3 图像解析(Image Parsing)

自然图像本质上是由大量随机生成的视觉模式构成,图像理解的目的是将输入图像解析成构成它的不同的视觉模式。

根据我们所感兴趣的不同类型的模式,图像解析问题分别被称为:图像分割(对均匀灰色、彩色和纹理区域的处理)、知觉组织(对点、线和一般图形的处理)、目标识别(对文本和对象的处理)。

3 总结

图像分割是图像理解与计算机视觉领域国际学术界公认的将会长期存在的最困难的问题之一,到目前为止既不存在一种通用的图像分割方法,也不存在一种判断是否分割成功的客观标准。图像分割之所以困难的一个重要原因是其并不完全属于图像特征提取问题,它还涉及到各种图像特征的知觉组织。从一般意义上来说,只有对图像内容的彻底理解,才能产生完美的分割。

参考文献

[1]Gonzalez R C.Digital Image Processing Using MATLAB[M].阮秋琦,译.北京:电子工业出版社,2005.

[2]孙即祥.图像分析[M].北京:科学出版社,2005.

贝叶斯估计的图像分割技术篇6

图像分割是图像处理的最基本手段,它往住是各种图像分析与处理时的预处理过程。图像预处理其主要目的有两个:一是改善图像的视觉效果,提高图像成分的清晰度;二是使图像变得更有利于计算机处理。目前的分割方法以概率理论作基础,运用灰度点运算来实现图像的变换,从而达到图像增强的目的。这些方法是不以图像保真为原则的,它们是通过增强处理设法有选择地突出某些对人或机器分析感兴趣地信息,抑制一些无用信息,以提高图像地使有价值。在实际应用中,应针对不同的图像应采用不同的处理方法,或同时采用几种适当的算法进行实验,从中选出视觉效果较好的、计算不复杂的、又合乎应用要求的一种算法。因此图像分割技术大多属于试探式和面向问题的[1,2]。因为图像分割的理论来自连续函数,而数字图像的灰度是离散值,所以在图像分割中存在以下问题:(1)量化误差,造成原图某些灰度信息的丢失:这个就是因为分割以连续函数为参考的,但是数字图像的灰度信息是离散的,这就必然会存在一个近似值,也就必然会产生误差,这里丢失的信息一定是数量很少的像素,使用加权直方图均衡算法可以从根本上减小这种现象[3,4]。(2)结果图像中概率密度的不均匀性:直方图均衡化只是改变图像中同意灰度层上的分布,所以,从信息的角度看,原图中的同一灰度层上的像素点代表了相同的信息,不能通过变换使原本带有相同信息的像素点变成带有不同信息的像素点[3,4]。所以,造成直方图均衡在对灰度呈现两端分布,达不到满意的效果。因此针对以上分析,为提高图像分割的精确度,本文首先采用自适应直方图增强的方法对图像的目标信息进行增强。其次具体研究了贝叶斯最小风险模型和阈值分割的关系,该研究对图像分割中阈值的选取提供了重要的参考[5]。

1 基于贝叶斯公式的全局和局部法相结合的二值化算法

图像分割阈值选取算法是根据图像直方图的全局和局部特征自适应选取灰度级作为灰度直方图分割阈值来进行图像灰度直方图分割的[6,7]。根据对直方图观察,直方图具有双峰特征,可以根据图像的双峰特征求得的灰度直方图分割阈值nth,然后将图像直方图分割成为目标和背景两部分。首先进行图像直方图增强,其具体算法如下:首先对图像进行中值滤波,在其灰度直方图上寻找目标与背景的峰值,计算出主峰峰值h(n1)。其次,利用灰度变换分别将背景灰度级[0,nth]和目标灰度级Nf映射到整个灰度域[0,Nf]中,其中:Nf是图像的灰度的峰值,即:

其中:Nf是图像的灰度的峰值,得到背景图像g1和目标图像g2,将两幅图像进行如图1的加权叠加得到增强图像g。

算法增强后的图像,目标信息较灰度变换增强后的目标信息更为明显,而背景信息得到了更好的抑制,为后续图像分割阈值T的选取提供了良好的条件。

2 贝叶斯分类

对于通常的二值假设检验问题,如果P(H0/z)>P(H1/z),则决策规则选择H0;如果P(H0/z)<P(H1/z),则决策规则选择Hl,这个决策规则就是最大后验概率准则,其中,P表示概率,H0和H1表示决策结果,z表示独立同分布的高斯变量。

图像I(m,n)的分割属于假设检验的贝叶斯分类问题,有:

式中:λ是图像的贝叶斯阈值,满足:

假定P(z)是图像I(m,n)的概率密度函数,那么

设G为输入图像的灰度图,则其有L层灰度的直方图H={h0,h1,……,h L-1},灰度概率密度为P(i)=h(i)/N,i=0,1…,L-1,N为G像素总数。G被最优阈值T分为Gb(背景)和Gf。所以有权概率公式得:

式中:Pbi=1-pfi则P(Gb)=1-P(Gf)(7)

采用香农最大熵原理作为判别准则,则熵函数E为

把式(6)代入,则式(7)可改写为

当P(Gf)=0.15时熵函数E取最大。然而在实际应用中,由于直方图离散,P(Gf)很少能完全等于0.5,可以转而求最小误差:

阈值T的选取方法:

选取阈值T将图像分为背景信息和目标信息两类,两分类(设类分别为ω1,ω2)问题中,设先验概率为P(ω1),P(ω2),表征类特征的参数为x,由贝叶斯公式:

得到的条件概率称为后验概率,表示当观测特征值为x时它属于类ωi的概率。最小错误率贝叶斯决策规则分割阈值即可表述为:

即依据阈值T进行图像分割,能够在单一概率分布下取得相对最小的分割错误率[8]。

贝叶斯线性回归检测模型:设P(θ,Z)表示参数向量θ和观测向量Z的联合概率密度函数,则Bayeas准则可以表示为:

这里P(θ)表示参数向量θ的先验概率密度函数,而P(Z/θ)表示观测向量Z基于θ的条件概率密度函数,通常称之为θ的似然函数。在参数突变的线性回归模型中观测集合为y=(y1,y2…yn)、Tx1γ=x11,x12,…x1γ、z=(z1,z2,…zk)。对观测数据按下面方法重新排序:对给定一组(π1,π2,…πk-1)首先对由状态y1产生的观测数据,按出现的时间顺序排列为y1*,y2*,…y*t1同时将x1γ中相对应的值排列为x*11,x*12,…x*1t1对状态2进行相应处理,依次进行下去,直至状态k。我们可以得到:

εkT=(ε*k,ti-1+1,ε*k,ti-2+2…)其中(i=1,2,…,k),εi中元素排序与xk中元素排序相对应。

令π=(π1,π2,…πk-1)是k-1维的变化阈值向量。由于各个时刻观测是相互独立的,因而似然函数:

假设先验概率密度为:P=(0,σ2,π)=P=(0,σ2)·P(π)(14)

再令D=(Y,X,Z)

则后验概率密度:

两边同时对θ,σ2积分,其中θ的最小二乘估计:

其中就是(2)式中第i个状态的模型Yi=Xiθ+εi中参数θi的最小二乘估计。在实际计算中,变化阈值向量π=(π1,π2,…πk)的先验概率密度一般都取作下面形式的含糊先验概率密度:P(π)∝1。

实验结果可以看出,读入的原始灰度级图像,设定目标图像(即非边缘轮廓)为类别ω1,非目标图像(即边缘轮廓)为类别ω2,从直方图中发现它们的灰度级类条件概率密度分布基本满足正态分布并从直方图中估计出目标图像和非目标图像的数学期望,μ1,μ2,方差σ12,σ22同时计算出目标图像和非目标图像在整幅图像中所占比例,即目标图像和非目标图像的先验概率P(ω1)和P(ω2),图2是贝叶斯估计模型对阈值T判断的结果,红圈代表异常阈值,绿色‘+’代表正常阈值,从直方图中估计出,μ1=50,σ1=2.6,μ2=180,σ2=0.22,计算得P(ω1)为0.3669,P(ω2)为0.6331,依据最小风险贝叶斯决策理论进行图像分割。

由于选用不同的初值可能带来最后结果的差异,实验选取了8个不同的初值,将所得结果列表比较表1。

在提取的125组数据中,平均峰值分别是174.9960和67.2340,协方差矩阵为运用最小错误率贝叶斯分类器,有18组像素值被错误判断,总的错误率为14.4%,最小风险贝叶斯决策理论分割图像如图3所示经过最优选取的阈值是T=172.2440,经过对异常阈值的排除,图3是本文提出的算法结果,通过图3与图4的比较,可以看出很好的去除的背景信息,同时目标图像的边缘也保持的较好。

3 结论

3.1 在分析了各种全局阈值法和局部阈值法各自优缺点的基础上,根据直方图的双峰特征提出了一种自适应直方图增强的算法算法增强后的图像,使[100-255]的灰度域显示的更为清晰,目标信息较灰度变换增强后的目标信息更为明显。

3.2 一般的非聚类分割,需要预先的指定分割的区域,对各个区域进行样本统计,本文从数字图像信息入手,利用信息论的方法,建立贝叶斯线性回归模型判断检测的正确性。并对计算的阈值样本进行模拟,结果显示提出的方法利用了所有可能获得样本信息,对提取的125组样本采用本文建立的判断模型,将14.4%的阈值分割点剔除。

摘要：针对图像在动态阈值选取难的问题,通过比较全局阈值和局部阈值优缺点,选用贝叶斯阈值估计和迭代加权的方法对图像进行二值化分割,建立基于贝叶斯线性回归模型对检测到的阈值进行分析,通过图像增强,建立目标与非目标区域,分别计算各个区域的先验概率,使用贝叶斯估计模型求得似然函数的极小值即为后验概率,通过此模型对125组阈值样本进行分类,对异常阈值的判断率为14.4%,选取后的阈值更为精确。本文方法,既能有效的提取目标特征,较好的去除背景,又能够保留目标图像的细节。

关键词：图像分割,贝叶斯模型,全局法,局部法

参考文献

[1]王洪刚.贝叶斯理论在医学图像处理中的研究与应用[D].吉林:吉林大学,2006.

[2]范九伦,雷博.灰度图像最小误差阈值分割法的二维推广[J].自动化学报,2009,35(4):386-393.

[3]张新峰,沈兰荪.图像分割技术研究[J].电路与系统学报,2004,(2):92-99.

[4]杨昕梅,周进,吴钦章.基于灰度分布的概率密度实现实时图像分割[J].辽宁工程技术大学学报,2007,25(2):264-266.

[5]郭平,卢汉清.贝叶斯概率图像自动分割研究[J].光学学报,2002,22,(12):1479-1483.

[6]李小斌,田铮,刘密歌,徐海霞.基于加权割的图像分割[J].电子学报2008,36(1):76-80.

[7]范九伦,赵凤.灰度图像的二维Otsu曲线阈值分割法[J].电子学报,2007,(04):751-755.

图像阀值分割技术的研究篇7

关键词：图像分割,阈值选取,迭代法,最大类间方差法

0 引言

图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一,阈值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,已被应用于很多的领域。例如,在红外无损检测中,红外热图像的分割,红外成像跟踪系统中目标的分割;在遥感应用中,合成孔径雷达图像中目标的分割等。在这些应用中,分割是对图像进一步分析、识别的前提,分割的准确性将直接影响后续任务的有效性,其中阈值的选取是图像阈值分割方法中的关键技术。

1 常用阈值选取方法

到目前为止,有三大类对阈值选取技术即:(1)基于点的全局阈值方法;(2)基于区域的全局阈值方法;(3)局部阈值方法和多阈值方法。在这里限于篇幅,主要讨论基于点的全局阈值方法中的迭代法和最大类间方差法。

1.1 迭代法

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。

1.2 最大类间方差法

最大类间方差法是由日本学者大津于1979年提出的,是一种自适应的阈值确定的方法,又叫大津法,简称OTSU。它是按图像的灰度特性,将图像分成背景和目标两部分。对于图像I(x,y),前景(即目标)和背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1。图像的总平均灰度记为μ,类间方差记为g。

假设图像的背景较暗,并且图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:

将式(3)代入式(4),得到等价公式:

采用遍历的方法得到使类间方差最大的阈值T,即为所求。

在实际运用中,往往使用以下简化计算公式:

其中,T为两类间最大方差,WA为A类概率,μa为A类平均灰度,Wb为B类概率,μb为B类平均灰度,μ为图像总体平均灰度。即阈值T将图像分成A,B两部分,使得两类总方差(T)取最大值的T,即为最佳分割阈值。

2 效果仿真及结果分析

分别将两种方法应用于标准图,其中实现的效果如图一所示。

最左边的是原图像,中间的那幅图像是用迭代法得到的分割后的图像,最右边那幅图像是用最大类间方差法得到的,可以看出采用最大类间方差法得到的图像的轮廓更分明,前景和背景分割得更好。由此可知最大类间方差法可以获得更好的分割阀值,从而取得更好的阀值分割效果。

3 主要程序(实现最大类间方差法的主要程序)

参考文献

[1]谷口庆治.数字图像处理[M].北京:科学出版社,2003年.

[2]章毓晋.图像分析(第二版)[M].北京:清华大学出版社,2005年.