图像分割技术及应用

图像分割技术及应用（精选7篇）

图像分割技术及应用 篇1

0 引言

近年来,数字技术和微电子技术的迅猛发展给数字图像处理提供了先进的技术手段,数字图像处理也就从信息处理、自动控制系统论等学科中脱颖而出,成为研究图像信息的获取、传输、存储、变换、显示、理解与综合利用的一门崭新学科[1]。

数字图像处理所包含的内容是相当丰富的,根据抽象程度不同,数字图像处理可分为三个层次:图像处理、图像分析和图像理解。图像分割是由图像处理过渡到图像分析的关键步骤,在图像技术中占据重要的位置。一方面,它是目标表达的基础,对特征测量有重要的影响。另一方面,图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式,使得更高层的图像分析和理解成为可能。

图像分割多年来一直得到人们的高度关注,至今已提出了上千种类型的分割方法[2]。图像分割技术在实际中也得到了广泛的应用,例如在工业自动化,在线产品检验,生产过程控制,文档图像处理等方面。可以这么说,在各种图像应中,只要需对图像目标进行提取、测量等,都离不开图像分割。

1 图像分割技术

在图像的研究和应用中,人们往往只对一幅图像中的某些部分感兴趣,这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域,称之为目标或前景,其它部分称为图像的背景。为了辨识和分析目标,需要把目标从一幅图像中孤立出来,这就是图像分割要研究的问题。

1.1 基本原理

图像分割从广义上来讲,是根据图像的某些特征或特征集合(包括灰度、颜色、纹理等)的相似性准则对图像像素进行分组聚类,把图像平面划分成若干个具有某些一致性的不重叠区域。分割出来的区域须同时满足均匀性和连通性的条件。

从集合的角度出发,图像分割定义如下:设集合R代表整个图像区域。根据选定的一致性准则P,R被划分为互不重叠的非空子集(或子区域):{R1,R2,…Rn},这些子集必须满足下述条件[2,3]:

(2)对所有的i和j,i≠j,有Ri∩Rj=空集。

(3)对i=1,2,…,n,有P(Ri)=True。

(4)对i≠j,有P(Ri∪Rj)=False。

(5)对i=1,2,…,n,Ri是连通的区域。

其中,P(Ri)为作用于Ri中所有象素的形似性逻辑谓词。上述条件(1)指出分割后的全部子区域的总和包含图像中所有元素。条件(2)指出各个子区域相互不重叠。条件(3)指出属于同一区域中的元素应该具有某种相同特性。条件(4)指出分割后得到的相邻两个区域中的元素具有某种不同的特性。条件(5)要求同一个子区域内的元素的连通性。上述数学条件说明了图像分割的一些特点,凡不符合以上特点的图像处理算法则不能称为图像分割算法。

1.2 图像分割的分类

图像分割的方法很多,依据不同的分类准则,可以对图像分割进行不同的分类[4,5,6]:根据应用目的不同,可分为粗分割和细分割;根据分割对象的属性,可被分为灰度图像分割和彩色图像分割;根据分割对象的状态,可被分为静态图像分割和动态图像分割;根据被分割图像的维数,可分为二维、三维和四维图像分割;根据分割对象的应用领域可分为医学图像分割、工业图像分割、安全图像分割、军事图像分割、交通图像分割等;根据用知识的特点与层次,又可分为数据驱动与模型驱动;根据图像分割方法,图像分割可粗略分为基于直方图的分割技术和基于邻域的分割技术。

1.3 常用的图像分割方法

(1) 基于直方图的分割方法

基于直方图的分割方法又包含阈值分割和聚类等。其中阈值分割法是用一个或几个阈值将图像的灰度直方图分为几个类,认为图像中灰度值在同一类中的像素属于同一物体。由于直接利用了图像的灰度特征,因此计算方便简明、实用性强。而阈值设定受到噪声和光照度的影响一直是阈值分割方法中的关键。最优阈值分割就是将图像的直方图用两个或多个正态分布的概率密度函数来近似,阈值取为最小概率处的灰度值,这样被错误分割的像素数目最小。这种方法不需要人为地选定阈值,而是直接利用被处理的图像确定阈值[7]。自适应阈值分割法适应于由于照明不均匀,有突发噪声,或者背景灰度变化比较大时,整幅图像分割将没有合适的单一门限情况,此时对图像每一块分别选一个阈值进行分割,这种方法,称为自适应阈值方法。这类算法的时间复杂度和空间复杂度比较大,但是抗噪声能力比较强,对采用全局阈值不容易分割的图像有较好的效果[8]。灰度图像的二维Otsu 自动阈值分割法建立了既能反映像素点的灰度分布又能体现像素点与其邻域空间相关信息的灰度均值二维直方图,最佳的阈值是在一个二维的类间方差测度准则取最大值时得到的一个二维矢量, 并以此二维矢量作为分割门限进行图像分割,从而提高了Otsu 法的抗噪声能力[9]。

聚类是指对灰度图像和彩色图像中相似灰度或色度合并的方法,通过聚类将图像表示为不同区域即所谓的聚类分割方法。此方法的实质是将图像分割问题转化为模式识别的聚类分析,如k均值、参数密度估计、非参数密度估计等方法都能用于图像分割。基于像素空间聚类分割是聚类的一种,其主要思想在于在某些特定的尺度上观察图像,以使图像的信息得到更好的表达[10]。

(2) 基于邻域的分割方法

基于邻域的分割方法又包含边缘检测、区域增长等,其中基于边缘检测的图像分割方法是一种经典的分割方法,这种分割方法的依据是相当直观的。一般而言,当人看一个有边缘存在的物体时,首先感觉到的便是边缘。灰度或结构等信息的突变处称为边缘,它是一个区域的结束,也是另一个区域的开始。利用该特征可以分割图像。

Sobel算子是边缘检测的一组方向算子,从不同的方向检测边缘。该算子加强了中心像素上下左右四个方向像素的权重,使得检出边缘细微,结果图像中不仅边缘的亮度较大,视觉效果明显,而且对孤立噪声有一定的抑制作用[11]。Hough变换方法是利用图像全局特性而直接检测目标轮廓,即可将边缘像素连接起来组成区域封闭边界的一种常见方法。在预先知道区域形状的条件下,利用Hough变换可以方便地得到边界曲线而将不连续的边缘像素点连接起来。Hough变换的基本思想是点、线的对偶性。图像变换前在图像空间,变换后在参数空间。通过图像空间和参数空间的转化关系可知,图像空间中共线的点对应在参数空间里相交的线。反过来,在参数空间中相交于同一个点的所有直线在图像空间里都有共线的点对应。这就是点线的对偶性。根据此性质,当给定图像空间中的直线检测问题转换到参数空间里对点的检测问题,通过在参数空间里进行简单的累加统计完成检测任务[12]。snake模型(动态轮廓模型)从另一个角度探讨了边缘检测问题。首先,给出一条封闭曲线作为初始的边缘轮廓。此后,一方面使用象梯度场这样的图形信息作为外力,让曲线尽量靠近真实边缘;另一方面使用曲线长度、平滑程度等作为内力,约束曲线的形变。在这两种力量的共同作用下,最终得到精确的、连续的物体边缘。这种方法省去了对边缘的繁琐的后处理,但是这却是以提供初始轮廓为代价的。由于图形信息所提供的外力场是很微弱的,所以初始轮廓应当比较接近真实边缘,否则,算法可能无法收敛到真实边缘[13]。

区域生长的基本原理是将具有相似性质的像素集合起来构成区14具体地讲,是先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邻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。将这些新像素当作新的种子像素继续进行上面的过程,直到再没有满足条件的像素被包括进来为止[2]。

2 图像分割技术的应用

2.1 机车检测方面的应用

(1)对轮毂裂纹图像的分割

火车轮毂是车辆行驶中直接承受载荷与钢轨冲击的重要部分,轮毂裂纹如不及时发现,直接影响到列车的行车安全。而轮毂图像具有多种干扰,目标和背景之间的对比度并不是很高,故采用图1所示的分割处理:首先利用形态学处理对sobel边缘检测的结果进行相应的处理,再用最优阈值分割的方法对频域滤波的结果进行分割,最后对以上两个结果进行逻辑与操作,并利用模板进行空间滤波,以去除图像中的噪声点,提取目标[14]。

(2) 受电弓滑板磨耗图像的分割

电力机车通过其受电弓滑板与接触导线的滑动接触而取得电能的,随着机车的运行,受电弓不断的与接触导线进行滑动摩擦,从而产生滑动磨耗和电气磨耗。使用一种基于遗传算法的二维OTSU算法进行滑板磨耗图像的分割,这种算法不仅结合了OTSU双阈值算子考虑灰度信息、考虑邻域空间的相关信息的优点,还结合了遗传算法大大提高运算速度的优点,使得计算量变小、处理速度变快。适用范围扩大。其主要有5个步骤:产生初始群体、二进制编码、适应度函数、赌轮式选择、双点交叉和变异[15]。

(3) 在钢轨表面缺陷图像的分割

钢轨表面的缺陷会加快车轮的磨耗,形成剥落等缺陷,同时也增加了脱轨的可能性,因此对钢轨表面的检测是保证铁路运营安全性和路轨畅通的重大问题。钢轨表面缺陷图像的分割步骤如图2所示:有钢轨缺陷的位置会造成钢轨图像灰度的变化,使用自适应sobel边缘检测算法,不仅结构简单、速度快,而且可以增强这种灰度变化。在完成边缘检测以后,图片中的大部分非缺陷图像都已经被滤除,但仍有部分多余信息被保留。由分析可知,结果中一般存在3类信息,包括缺陷信息,轨道边缘变化部分,细小坑洞,且通过研究分析,发现边缘变化部分有接近直线的特点,而缺陷一般没有,所以选择Hough变换[16]的方法,将信息中的直线特性(大于一定长度的直线)的点滤除[17],处理结果如图3所示。

2.2 生物医学工程方面的应用

(1)改进的GVF模型的脑部图像分割

脑部图像包含大量的深度凹陷,而应用传统Snake 模型对具有深度凹陷的目标区域医学图像进行分割时,当模型向深度凹陷的对象边缘弯曲时,容易遇到困难,导致模型收敛于错误边界。梯度向量流方法(GVF),通过构造出一个新的外力场解决可解决这一问题。一些研究着提出了一种利用改进的GVF 模型对脑部图像进行分割的方法,该方法通过引入轮廓中心的概念,定义出一种新的距离势能,使新模型具有较大的搜索范围,再将改进的GVF 作为图像能量,利用贪婪算法加快收敛速度,可以较好的处理图像中的凹陷区域,获得较好的分割效果和分割速度[18]。

(2)肝脏CT图像分割

肝脏CT 图像分割就是把肝脏从CT图像中提取出来,为临床治疗和病理学研究提供可靠依据。区域生长法是根据预先定义的标准提取图像中相连接区域的方法。区域生长法弥补了阈值分割法没有或很少考虑空间关系的不足,但它的主要缺陷是每一个需要提取的区域都必须人工给出1个种子点,这样由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。为了减少这些缺点,文献[19]利用变形模型来指导区域生长,用于肝脏CT 图像分割。

2.3 遥感工程方面的应用

(1)油库目标的遥感光学图像分割

油库及类似目标检测定位,在城市规划和军事上有着重要的意义。在光学遥感图像中,油罐的识别特征十分明显,通常呈现颜色均一的椭圆形状。因此,在实现油库的自动检测定位时,可以采用的方法是先检测出椭圆,然后根据油库内油罐相对集中分布的先验知识,将椭圆进行聚类,从而自动定位油库区域。

传统的聚类方法在检测椭圆的同时,会使不为油管的椭圆目标检测出来,使油库定位不准确,油库区域扩大。而利用油罐目标相对集中而虚假目标相对较离散的分布特点,使用基于区域生长原理的聚类方法,可以有效的提高油库检测定位的准确率。其中心思想在于在:由检测出的椭圆定位油库的过程中,引用了区域生长原理,把椭圆看成是图像分割中的像素,目的就是把聚集在一起的椭圆通过区域生长聚成一类。结果表明本文提出的聚类方法能有效地将油罐目标聚类定位油库区域,又能自动去除虚假油罐目标,准确率较高,计算速度快[20]。

(2)机场的遥感图像分割

机场附属区域的图像分割可以从机场跑道的两个特征入手:机场跑道在各个波段具有的不同灰度特征以及机场跑道的直线特征。基于统计方法的Hough变换法在机场遥感图像分割中进行如下操作:利用跑道的灰度特征先对整幅图像进行二值化,然后对所得结果进行Hough变换。利用机场跑道的长度信息与其在该幅图像分辨率下所应占有的线的长度,对Hough变换进行统计,画出机场跑道主干。在此基础上对机场图像进行分割,通过二次区域生长,分割出机场附属设施区域。实验表明该算法是可行而有效的[21]。

3 结束语

由于图像分割问题本身的困难性,从上世纪80年代至今,图像分割理论并没有多少实质性的进展。但通过与其他学科理论的结合,例如分形理论、模糊数学、人工智能、小波变换、形态学等,还是有不少新的分割算法产生。本文比较全面地总结了有代表性的各种图像分割方法,在这个基础之上,介绍了在机车检测领域、生物医学领域和遥感图像领域中这些图像分割方法的应用。好的图像分割应全面考虑到图像多方面的特点,因此,图像分割的发展趋势应具有这些特点:一是多种分割方法的结合;二是人工智能技术的应用;三是人机交互式的分割方法。在这些趋势下,图像分割理论会发展的更加完善。

PDE在图像分割技术中的应用 篇2

视觉作为获取外界信息的有效手段,其所获取到的图像信息包含了一般传感器无法采集的信息,因此,提高图像处理技术不仅能够有效降低可视化产品的成本,而且能够获取更多复杂的环境信息,为人工智能提供可靠的技术保障。而图像分割技术是图像处理的重要组成部分,分割技术的发展对图像处理技术的拓展的应用起到积极作用,图像分割技术就是把图像分为具有各种特性的区域,并把感兴趣区域从复杂的背景区域中提取处理,它涉及了的多个学科,应用于多个领域,加速了车辆朝着智能化方向发展。然而,现有的图像分割技术处理单一目标表现良好,而对复杂环境的适应性并不强,特别对复杂环境下的小目标物体,单一的图像分割技术已无法满足现代图像技术的发展需求。图像分割的方法众多,随着小波技术的不断成熟,小波在时频两域所表现出的优越性完全避免了傅里叶变换无法获取某个时间段内信号的频域特性的缺点,小波被广泛应用在图像处理领域。小波变换在图像分割技术上的应用主要体现在小波能够有效区分真正噪声和边缘,从而出现了小波阈值分割法和小波余马尔科夫随机场模型分割法,鉴于马尔科夫模型需将连续信号离散化,且要将一系列状态划分成彼此对立的子状态,各个状态之间转移概率难以确定,鉴于此种情况,本文选用小波阈值分割法。

在充分考虑了现有技术不足和亟需解决的关键技术,本文提出基于PDE的小波阈值分割算法,首先,利用PDE对采集到的图像进行去噪处理,PDE摒弃了线性扩散滤波无法充分保持边缘纹理的缺点,经PDE去噪后,图像的边缘纹理能够被有效的保留下来,这为后续处理提供的必要的信息来源。对去噪后的图像进行小波多尺度变换,提取统计特征量,依据统计特征量跟信息库中图像的匹配度确定最佳阈值,形成小波阈值自适应分割算法,本文选取车牌作为样例,对算法做简要说明,并进行验证,经验证,该算法能够有效剔除图像噪声,能很好的适应复杂的环境,能够有效提取小目标物体-车牌字符。

1、PDE去噪

采集到的图像往往含有噪声,受噪声干扰,小目标和图像特征极易被淹没,不能最大限度的还原出真实图像,图像去噪可以解决该问题,图像降噪处理解决两个问题:一是如何模型化和表示原始图像;二是模型化图像降噪处理器。原始图像模型化的方法将影响图像降噪处理的方法。对原始图像模型化和表示的方法有很多种,主要有傅里叶变换、小波去噪、中值滤波、高斯滤波以及PDE滤波等等,傅里叶变换只能再频域内对信号进行处理,无法获取信号的时频特性,而小波多尺度分析[1]去噪方法比较适用于特征信号和噪声的频带相互分离时的确定性噪声情况,而处理特征信号和噪声频带相互重叠时的结果并不理想[2],中值滤波窗口长度的选取对去噪结果影响很大,且去噪效果并不理想,考虑到上述滤波算法的不足,本文选用各向异性的PDE去噪。

偏微分方程具有各向异性扩散性能,并且整个扩散过程在局部信息定的作用下进行,方程直接使用图像中的几何特征控制扩散项和扩散方向,因此偏微分方程处理图像可在平滑同质区域的同时保持区域边界的几何特征。基于偏微分方程的图像处理方法可应用于图像恢复、图像分割、超分辨率、立体视觉、图像修复、图像分类、视频序列分析等方面。

PDE较为典型的模型有P-M模型,该模型为:

其中:ut为t时刻图像;▽u,为图像的梯度;g(|▽ut|)称为扩散系数,该数值大小称为扩散强度。g(|▽ut|)的非线性形式[3]表示为:

式中,k为梯度阈值,k值大迭代次数就会增加,从而模糊图像边缘细节部分,针对当前计算机快速高效的运算速度;去噪过程相当于求解方程(1),方程(1)进一步可以转化为:

应用PDE方法进行图像处理时,往往基于Mumford和Shah的对象边缘模型和Rudin、Osher和Fatemi的BV模型。其中BV模型[4]常用于数字图像处理。早期主要应用线性扩散PDE方法进行图像处理,但这种方法的局限性在于对局部图像特征和噪声的一致滤波。因此Persona和Malik提出非线性扩散过程,这种扩散是通过变量的扩散来控制平滑的效果。

为了体现良好的去噪效果,本文选用了复杂环境下车牌图像作为原始信号,如下图1所示。

图1看上去特别清晰,但是,图像的出来一半都是建立在灰度化后,由于真彩图存储是三维的,无法对其进行直接处理,须经行灰度化处理,图像灰度化从某种意义上讲是将三维数据转化为二维数据,降维的过程会使一部分信息丢失,从一张灰度图就无法直接获取真彩图,可见,灰度图会模糊原始图像,图2是经灰度化后再进行PDE去噪的结果,从结果可以看出,车牌颜色跟路面背景色的差异性并不明显,没有图1对比明显,且车牌所占区域较小,要对其进行图像分割存在一定难度。不过从去噪结果可以看出,图像去噪后车牌的轮廓被清晰的保留了下来,待提取目标的轮廓依旧存在。

2、小波阈值分割

小波能在视频两域对信号进行处理[5,6],可以获取某个时间段内的信号的频率特性,而多尺度小波变换特征,通过伸缩平移运算对信号进行细化分析,达到高频处时间细分,低频处频率细分,所以,小波变换适合复杂图像的边缘检测。空间L2(R)的多尺度分析是指L2(R)中满足条件的空间序列:

一致单调性:……

渐进完全性:

伸缩规则性:

存在0

在进行小波多尺度分割时设定阈值,对图像分别沿X,Y方向进行搜索,搜索到X方向像素点数和Y方向像素点数,如图3、图4所示,对车牌区域进行定位,如图5所示。

从图3、4可以看出,车牌沿X轴分布范围更广,沿Y轴分布范围较小,即就是确定的是长方形区域,这跟实际结果相一致。

由于,车牌背景域的颜色主要是蓝色,跟车身和非目标域存在一定差异,在进行小波阈值分割时,为了保证所提取结果的有效性,采用阈值自适应。首先对设定过滤阈值,对蓝色区域进行提取,提取后对X、Y方向像素点数进行统计,从而形成向量矩阵Xq=[Xc Yc],预先建立信息库,分析统计信息库中车牌位置X,Y方向像素点统计量,预先形成的特征量矩阵为Xp=[X0 Y0],计算Xp和Xq的夹角余弦确定二者的相似度,当相似度[7,8]达到设定阈值时,就认为该区域是车牌区域,这样可以对只依赖颜色特征所确定区域进行修正,从而保证车牌区域被准确的确定下来。最终的分割结果比较理想,车牌基本被全部提取出来了。

3、结束语

图像分割技术发展是推动图像处理技术不断发展的不竭动力,是制约人工智能发展的关键性因素,所以,提高图像分割技术不仅有利于图像技术水平的提高,而且最重要的是推动了人工智能的快速发展,为车载辅助设备提供可靠的数据保障,而目前的图像分割技术对复杂环境下小目标区域适应性不强等缺陷,利用PDE对采集到的图像进行去噪处理,经去噪后,图像纹理轮廓主要特征被保留下来了,利用小波多尺度分析对去噪后的图像进行自适应阈值分割,依据车牌区域颜色特征对车牌区域进行提取,再沿X、Y方向进行搜索,将X、Y方向搜索的像素点数作为等距离下跟信息库中图像信息进行匹配的特征量,依据两个向量之间的夹角余弦确定是否需对先前确定车牌区域进行修正,从而不断调小波阈值,对图像进行分割,结果显示,该方法能够很好提取出小的目标区域,环境的适应性较强。

摘要：作为图像处理关键技术之一,图像分割技术为人工智能发展提供必要的技术保证,而单一的图像分割技术对复杂环境下多目标的适应性并不强。针对小目标提取易受噪声干扰,提出利用PDE(偏微分方程)对采集到的图像进行去噪处理,在充分保留图像边缘的条件下,利用小波阈值分割法对目标进行提取,通过相似匹配度大小不断调整阈值,达到阈值的自适应。最后,以车牌提取为算例对该算法进行验证,经验证,该算法能够有效提取出复杂环境下小目标物体,对环境具有较强的适应性。

关键词：PDE,图像分割,小波变换

参考文献

[1]孔军,杨心溢,蒋敏.基于多尺度特征提取的运动目标定位研究[J].红外与毫米波学报,2011,30(1):21-26.

[2]徐书方,刘婧,沈立新.一种基于偏微分方程的图像去噪方法[J1.大连海事大学学,2010,36(4):107-110.

[3]罗峰,殷海清.基于高阶偏微分方程的非线性去噪算法[J].现代电子技术,2006(15):130-132.

[4]宋锦萍,陈花竹,台雪成.一种PDE图像分解去噪模型及算法[J].中国图象图形学报,2009,14(8):1547-1551.

[5]郦丹芸,陶亮,詹小四.基于小波变换的多尺度图像边缘检测[J].阜阳师范学院学报(自然科学版),2007,24 (2):56-59.

[6]曲贵波,乔爽,张德生.小波分析的应用及其MATLAB程序实现[J].交通科技与经济,2004:39-40.

[7]颜洁,马健.基于图像匹配的定位分析[J].无线电通信技术,2010,36(3):17-18.

图像分割技术及应用 篇3

1 资料与方法

1.1 一般资料

整群选择2013 年10 月—2015 年3 月来该院就诊的64 例脑血管疾病患者作为研究对象。 其中男34 例, 女30 例;年龄27~71 岁, 平均 (46.3±15.2) 岁;病程5 个月—6 年, 平均 (3.5±0.8) 年。

1.2 方法

1.2.1 传统DSA检查采用荷兰Philips Integris V 3000型DSA机, 注入造影剂, 从右侧股动脉穿刺插管, 进入主动脉弓, 依次对双侧颈总动脉、颈内动脉及左右侧椎动脉进行动脉造影, 获取DSA图像资料。

1.2.2 区域分割伪彩色处理采用Cabor小波滤波器和神经网络相结合的方法, 根据四叉树算法所得数据结构对已获得的DSA图像进行区域分割, 通过DSA血管图像伪彩色处理系统对DSA图像进行后处理, 将所得图像资料与DSA图像资料进行对比分析。

1.3 观察指标

比较区域分割伪彩色处理前后图像质量, 根据图像清晰度分级:1 级:图像清晰度高, 对比度良好, 可清晰显示病变血管;2 级:图像清晰度高, 对比度一般, 可显示病变血管;3 级:图像清晰度和对比度一般, 可分辨病变血管;4 级:图像清晰度和对比度不高, 难以分辨病变血管。

1.4 统计方法

选用SPSS19.0 统计学软件对研究数据进行分析和处理, 计数资料采取率 (%) 表示, 组间对比进行 χ2检验, P<0.05 为差异有统计学意义。

2 结果

区域分割伪彩色处理前后图像质量比较采用区域分割位彩色处理技术后DSA图像质量为1 级的例数较处理前显著增高, 差异有统计学意义 (P<0.05) 。 分级为3 级的DSA图像质量处理后较处理前得到显著改善, 差异有统计学意义 (P<0.05) 。 见表1。

3 讨论

该研究中, 经区域分割伪彩色处理后的图像质量分级中, 1 级病例数由3 例上升至35 例, 差异有统计学意义 (P<0.05) , 图像质量得到显著提高。 这是由于传统DSA造影为黑白图像, 图像灰度不够, 而人眼对灰度的分辨能力有限, 因而图像质量不高。 临床也可能因此而常常漏掉许多极具诊断价值的图像信息, 影响诊断准确性。 但人眼对彩色图像分辨敏感性高[3,4], 能区分具有不同色调、亮度及饱和度的各种颜色图像。 伪彩色处理技术根据灰度级和图像空间频率成分, 将黑白图像变成彩色图像, 或将已有彩色图象变成拟定彩色分布图像, 显著提高图像的视觉效果和图像质量, 从而提高诊断率。 另外, 陈子龙等[5]学者研究发现, 伪彩色处理技术在提高DSA图像质量中的有效率达93.33%, 与该文结果相符, 说明伪彩色处理技术对于提高DSA图像质量效果显著, 临床应用前景广阔。

多数学者认为, 图像分割是对DSA图像进行伪彩色处理的关键环节, 是图像分析和模式识别的重要步骤[6,7], 直接关系到图像最终质量。 在该研究中采用区域分割的方法, 即根据图像像素特征直接将整个图像分割成互不角叠的图像块, 而将具有相似特征的图像划归为一个。 这充分考虑了病变区与非病变区像素间的差异, 同时也有利于发挥不同颜色对诊断的价值。

采用人工神经网络技术对图像信息进行处理, 模拟生理学真实人脑结构和功能, 以神经元为基本处理单位。研究证明[8], 神经元的连接方式处于动态改变之中, 神经元自身也发生适应性变化, 每个神经元储存多种信息的部分内容, 当信号输入时, 经过分析处理, 找到与之相应的神经元, 使储存区与运算区合为一体, 最终达到传递和储存信息的作用。人工神经网络便是由大量神经元相互连接组成的, 这些神经元并行于系统内, 最终使人工神经网络在模式识别、信息处理上更加科学化。Cabor小波滤波器是一种新型的变换域信号处理装置, 通过伸缩和平移等运算功能可对信号进行多尺度细化分析, 获取信号在时域中的所有信息, 这使得Cabor小波滤波器可精确生物视觉神经元的感受野, 获取目标特征。

此外, 经区域分割伪彩色技术处理后的DSA图像, 病变血管走向、范围、直径得到充分显示, 能使医师充分掌握脑血管阻塞、狭窄等病变区的病理情况, 这对于确诊后介入治疗也具有重要的指导意义。

但区域分割伪彩色处理技术的缺点也不容忽视, 该方法尚处于探索阶段, 临床还未广泛推广, 对该方法的认识也存在争议[9], 彩色图像的确可提高临床诊断的准确性, 但也可能因图像色彩繁杂, 反而增加了诊断难度。 另外, 分割算法尚缺乏统一理论和指导原则, 受人为因素影响较大。

综上, 区域分割伪彩色处理技术可显著提高DSA图像质量, 但该技术尚处于临床探索阶段, 还存在许多不足, 有待于进一步研究。

摘要：目的研究区域分割伪彩色处理技术在数字减影血管造影 (DSA) 图像后处理中的应用价值。方法 整群选择2013年10月—2015年3月来该院就诊的64例脑血管疾病患者作为研究对象。对所有患者先采用常规DSA造影技术处理, 再行区域分割伪彩色技术对DSA图像进行后处理, 比较图像处理前后质量变化情况。结果 采用区域分割位彩色处理技术后DSA图像质量为1级的例数较处理前显著增高, 差异有统计学意义 (P<0.05) 。分级为3级的DSA图像质量处理后较处理前得到显著改善, 差异有统计学意义 (P<0.05) 。结论 区域分割伪彩色处理技术可显著提高DSA图像质量, 但该技术尚处于临床探索阶段, 有待于进一步研究。

关键词：区域分割伪彩色处理技术,DSA图像,脑血管疾病,应用价值

参考文献

[1]韩新生, 裘丽红, 许予明, 等.CTA、MRA及DSA在脑血管疾病患者临床诊断中的意义[J].中国实验诊断学, 2014, 18 (1) :33-36.

[2]顾秀玲, 李明华, 李永东, 等.3.0 T MR三维时间飞跃法MR血管成像与DSA检出颅内动脉瘤的比较[J].中华放射学杂志, 2013, 47 (1) :49-54.

[3]肖赛男, 雷婷.论伪彩色图像处理技术及方法[J].电子制作, 2012, 13 (12) :134.

[4]陈龙, 何成, 陶雪娇, 等.Linux下基于Qt和Open CV的红外图像伪彩色处理研究[J].电子测量技术, 2014, 37 (2) :44-46, 49.

[5]陈子龙, 李先锋.DSA在缺血性脑血管疾病中的应用[J].中国中西医结合影像学杂志, 2013, 11 (6) :698-700.

[6]吕游, 何昕, 魏仲慧, 等.高温目标红外测量图像伪彩色显示方法[J].系统工程与电子技术, 2015, 37 (6) :1424-1430.

[7]胡维星, 张海庄, 彭阁鹏, 等.激光光斑图像伪彩色处理方法研究[J].现代电子技术, 2013, 36 (2) :26-28.

[8]宁春玉.基于目标增强的医学图像伪彩色处理算法[J].长春理工大学学报:自然科学版, 2012, 35 (4) :185-187.

图像分割技术综述 篇4

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.

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.

图像分割研究方法及进展 篇7

关键词：图像分割,阈值分割,遗传算法,小波变换

图像分割是按照一定的规则把图像划分成若干个互不相交、具有一定性质的区域,把人们关注的部分从图像中提取出来,进一步加以研究分析和处理。图像分割的结果是图像特征提取和识别等图像理解的基础,对图像分割的研究一直是数字图像处理技术研究中的热点和焦点。图像分割使得其后的图像分析,识别等高级处理阶段所要处理的数据量大大减少,同时又保留有关图像结构特征的信息。图像分割在不同的领域也有其它名称,如目标轮廓技术、目标检测技术、阈值化技术、目标跟踪技术等,这些技术本身或其核心实际上也就是图像分割技术[1]。

1 经典图像分割方法

1.1 阈值分割方法

阈值分割是常见的直接对图像进行分割的算法,根据图像像素的灰度值的不同而定。对应单一目标图像,只需选取一个阈值,即可将图像分为目标和背景两大类,这个称为单阈值分割;如果目标图像复杂,选取多个阈值,才能将图像中的目标区域和背景被分割成多个,这个称为多阈值分割,此时还需要区分检测结果中的图像目标,对各个图像目标区域进行唯一的标识进行区分。阈值分割的显著优点,成本低廉,实现简单。当目标和背景区域的像素灰度值或其它特征存在明显差异的情况下,该算法能非常有效地实现对图像的分割。阈值分割方法的关键是如何取得一个合适的阈值,近年来的方法有:用最大相关性原则选择阈值的方法、基于图像拓扑稳定状态的方法、灰度共生矩阵方法[2]、最大熵法[3]和谷值分析法等,更多的情况下,阈值的选择会综合运用两种或两种以上的方法,这也是图像分割发展的一个趋势。

1.2 基于边缘的图像分割方法

边缘总是以强度突变的形式出现,可以定义为图像局部特性的不连续性,如灰度的突变、纹理结构的突变等。边缘常常意味着一个区域的终结和另一个区域的开始。对于边缘的检测常常借助空间微分算子进行,通过将其模板与图像卷积完成。两个具有不同灰度值的相邻区域之间总存在灰度边缘,而这正是灰度值不连续的结果,这种不连续可以利用求一阶和二阶导数检测到。当今的边缘检测方法中,主要有一次微分、二次微分和模板操作等。这些边缘检测器对边缘灰度值过渡比较尖锐且噪声较小等不太复杂的图像可以取得较好的效果。但对于边缘复杂的图像效果不太理想,如边缘模糊、边缘丢失、边缘不连续等。噪声的存在使基于导数的边缘检测方法效果明显降低,在噪声较大的情况下所用的边缘检测算子通常都是先对图像进行适当的平滑,抑制噪声,然后求导数,或者对图像进行局部拟合,再用拟合光滑函数的导数来代替直接的数值导数,如Marr算子、canny算子等[4]。在未来的研究中,用于提取初始边缘点的自适应阈值选取、用于图像层次分割的更大区域的选取以及如何确认重要边缘以去除假边缘将变的非常重要。

1.3 基于函数优化[5]的分割方法

此方法是图像分割中另一大类常用的方法。其基本思路是给出一个目标函数,通过该目标函数的极大化或极小化来分割图像。GA.Hewer等人提出了一个具有广泛意义的目标函数。统计学分割方法、结合区域与边缘信息的方法、基于贝叶斯公式的分割方法等是目前几种活跃的函数优化方法。

统计学分割方法是把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,且观察到的实际物体是作了某种变换并加入噪声的结果。统计学分割方法包括基于马尔科夫随机场方法、标号法、混合分布法等。

区域增长法和分裂合并法[6]是基于区域信息的图像分割的主要方法。区域增长有两种方式,一种是先将图像分割成很多的一致性较强的小区域,再按一定的规则将小区域融合成大区域,达到分割图像的目的。另一种实现是给定图像中要分割目标的一个种子区域,再在种子区域基础上将周围的像素点以一定的规则加入其中,最终达到目标与背景分离的目的;分裂合并法对图像的分割是按区域生长法沿相反方向进行的,无需设置种子点。其基本思想是给定相似测度和同质测度。从整幅图像开始,如果区域不满足同质测度,则分裂成任意大小的不重叠子区域,如果两个邻域的子区域满足相似测度则合并。

2 结合特定工具的图像分割算法

虽然图像分割目前尚无通用的理论,但是近年来大量学者致力于将新概念、新方法应用于图像分割,结合特定理论的图像分割方法在图像分割方面取得了较好的应用效果。如小波分析和小波变换、神经网络、遗传算法等数学工具的利用,有效地改善了分割效果[7]。

2.1 基于遗传算法的图像分割

遗传算法是模拟自然界生物进化过程与机制求解问题的一类自组织与自适应的人工智能技术。对此,科学家们进行了大量的研究工作,并成功地运用于各种类型的优化问题,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,将能解决很多问题。遗传算法的出现为解决这类问题提供了新而有效的方法,不仅可以得到全局最优解,而且大量缩短了计算时间。王月兰[8]等人提出的基于信息融合技术的彩色图像分割方法,该方法应用剥壳技术将问题的复杂度降低,然后将信息融合技术应用到彩色图像分割中,为彩色分割在不同领域中的应用提供了一种新的思路与解决办法。

2.2 基于人工神经网络技术的图像分割

基于神经网络的分割方法的基本思想是先通过训练多层感知器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。近年来,随着神经学的研究和进展,第三代脉冲耦合神经网络(PCNN)作为一种新型人工神经网络模型,其独特处理方式为图像分割提供了新的思路。脉冲耦合神经网络具有捕获特性,会产生点火脉冲传播,对输入图像具有时空整合作用,相邻的具有相似输入的神经元倾向于同时点火。因此对于灰度图象,PCNN具有天然的分割能力,与输入图像中不同目标区域对应的神经元在不同的时刻点火,从而将不同区域分割开来。如果目标区域灰度分布有重叠,由于PCNN的时空整合作用,如果灰度分布符合某种规律,PCNN也能克服灰度分布重叠所带来的不利影响,从而实现较完美的分割[9,10]。这是其一个突出的优点,而这恰恰是其他的分割方法所欠缺的,其在未来的图像分割中将起主导作用。

2.3 基于小波分析和变换的图像分割

近年来,小波理论得到了迅速的发展,而且由于其具有良好的时频局部化特性和多分辨率分析能力,在图像处理等领域得到了广泛的应用。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。从图像处理角度看,小波变换具有“变焦”特性,在低频段可用高频率分辨率和低时间分辨率,在高频段可用低频率分辨率和高时间分辨率,小波变换在实现上有快速算法具有多分辨率,也叫多尺度的特点,可以由粗及精地逐步观察信号等优点。近年来多进制小波也开始用于边缘检测[11]。另外,把小波变换和其它方法结合起来的图像分割技术也是现在研究的热点。

3 图像分割的应用现状

在图像处理中,图像分割是一种重要的技术,是图像分析的基础。随着图像分割技术研究的深入,其应用日趋广泛,几乎出现在有关图像处理的所有领域,并涉及各种类型的图像。凡属需要对图像目标进行提取、测量的工作都离不开图像分割。通常,图像分割是为了进一步对图像进行分析、识别、压缩、编码等,图像分割的准确性将直接影响后继的工作,因此,分割的方法和精确程度是至关重要的。目前,图像分割在图像工程中占据非常重要的位置,图像分割已在交通、医学、遥感、通信、军事和工业自动化等诸多领域得到广泛应用。表1是应用领域表。

4 结束语

虽然近年来图像分割的研究成果越来越多,但由于图像分割本身所具有的难度,使研究仍然存在一些问题,现有的许多种算法都是针对不同的图像,并没有一种普遍适用的分割算法。迄今为止,没有一个好的通用的分割评价标准,如何对分割结果作出量化的评价是一个值得研究的问题,该量化测度应有助于视觉系统中的自动决策及评价算法的优劣,该测度应考虑到均质性、对比度、紧致性、连续性、心理一视觉感知等因素,伴随着数字图像处理的应用领域不断扩大,实时处理技术已成研究的热点,在实时图像处理系统中,算法的运行时间也成为今后研究的方向和目标。

参考文献

[1]章毓晋.图像分割.北京:科学出版社,2001,78-90.

[2]付忠良.基于图像差距度量的阈值选取方法[J].北京:计算机研究与发展,2001,38(5):563-567.

[3]华长发,范建平,高传善.基于二维熵阈值的图像分割及其快速算法[J].合肥:模式识别与人工智能,1999,12(3):329-333.

[4]柏子游,张勇,虞烈.一种彩色图像的色彩分割方法[J].合肥:模式识别与人工智能,1999,12(2):241-244.

[5]王爱民,沈兰荪.图像分割研究综述[J].北京:测控技术,200019(5):1-5.

[6]罗希平,田捷,诸葛婴,等.图像分割方法综述.合肥:模式识别与人工智能,1999,12(3):300-312.

[7]钱志柏.基于模糊聚类和PCNN的图像分割新算法研究[D].兰州:兰州大学研究生论文,2004:6.

[8]王月兰,曾迎生.信息融合技术在彩色图像分割方法中的应用[J].北京:计算机学报,2000,23(7):763-767.

[9]G Kuntimad,H S Ranganath.Perfect image segmentation using PCNN[J].IEEE Trans,Neural Networks,May1999,10(3):591-598.

[10]Ma Yide,Dai Rolan,Li Lian etal.Image segmentation of e-mbryonic plant cell using Pulse-Coupled Neural Networks C-hinese ScienceBulletion,2002,47(02):167-172.(SCI)