图像分割方法综述

图像分割方法综述的论文

第"&卷第$期

电脑开发与应用

总"’%C)l("l

文章编号!"##%&%#’(##%)###(#$

图像分割方法综述

*+,-./012345.*.53.67478069.7:0;

杨

辽宁大学’

沈阳

晖

曲秀杰

北京

"###&")

北京理工大学""##$%)’

摘要=图像分割是图像处理与计算机视觉的基本问题之一>是图像处理图像分析的关键步骤?对传统的图像<

分割方法和近年来出现的一些新方法进行了综述?具体介绍了基于区域的分割方法@基于边界的分割方法>基于区域和边界技术相结合的分割方法及基于特定理论的分割方法?关键词=<

图像分割>图像处理>边缘检测>区域分割

文献标识码!D

中图分类号!A$C"B

>EF*GHEIGJKLMNONMKNPQLQRSPROSPNSTULORVWXSUYNKORPRKLMNWXSVNOORPMLPZVSKW[QNX\RORSPLPZROL]N^OQNWRPRKLMNWXS_

‘‘VNOORPMLPZRKLMNLPLY^OROAaNQXLZRQRSPLYRKLMNONMKNPQLQRSPKNQaSZLPZQaNPNbNOQbL^ORPXNVNPQ^NLXOLXNO[KKLXRcNZDPZ‘LPZOWNVRTULONZONMKNPQLQRSPLXNMR\NPKSXNZNOVXRWQRSP

>R>U>cdefghHi*RKLMNONMKNPQLQRSPKLMNWXSVNOORPMS[PZLX^VaNV]SPNONMKNPQLQRSP

‘>QaNcSPULONZONMKNPQLQRSPKNQaSZUS[PZLXULONZONMKNPQLQRSPKNQaSZcSPNLPZUS[PZLXULONZVSKURPNZONMKNPQLQRSP

图像分割指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>它是由图像处理到图像分析的关键步骤>是一种基本的计算机视觉技术?只有在图像分割的基础上才能对目标进行特征提取和参数测量>使得更高层的图像分析和理解成为可能?因此对图像分割方法的研究具有十分重要的意义?

图像分割是将整个图像区域分割成若干个互不交叠的非空子区域的过程>每个子区域的内部是连通的>同一区域内部具有相同或相似的特性>这里的特性可以是灰度@颜色@纹理等?对于灰度图像来说>区域内部的像素一般具有灰度相似性>而在区域边界上一般具有灰度不连续性?图像分割的数学描述如下!设集合j代表整个图像区域>是区域上相l)k’似性测量的逻辑准则>对j的分割就是把j分成满足下列条件的非空子区域j>>>m>!jj"(n

n

和串行算法>在并行算法中>所有判断和决定都可独立和同时地进行>而在串行算法中>后续处理过程要用到早期处理的结果?近几年来>研究人员不断改进原有方法并把其他学科提出的一些新理论和新方法用于图像分割>提出了不少新的分割方法?本文对传统的图像分割方法和近年来出现的新方法进行介绍?

#基于区域的分割方法

基于区域的分割方法是利用区域内特征的相似性把图像划分成一系列有意义区域的处理方法?#‘#阈值法

阈值法是一种最常用的并行区域技术>阈值是用于区分不同目标的灰度值?如果图像只有目标和背景两大类>那么只需选取一个阈值称为单阈值分割?这种方法是将图像中每个像素的灰度值与阈值相比较>灰度值大于阈值的像素为一类>灰度值小于阈值的像素为另一类?如果图像中有多个目标>就需要选取多个阈这种方法称为多阈值分割?阈值又值将各个目标分开>

可分为全局阈值@局部阈值和动态阈值?

阈值法分割的结果依赖于阈值的选取>确定阈值阈值分割实质上就是按照某个是阈值法分割的关键>

准则求出最佳阈值的过程?常用的全局阈值选取方法有利用图像灰度直方图的峰谷法@最小误差法@最大类间方差法@最大熵自动阈值法以及其他一些方法?

阈值分割的优点是计算简单>运算效率较高>速度

opjrjq

qr"

和t有js对于所有的q>ut>vjrwqqt

有k’x对于qr">(>m>>)rAnjyz{q

有k’|对于qut>pj)r}jD~!{qt

"对于qr">(>m>>njq是连通的区域根据上面的讨论和定义>灰度图像分割方法一般可分为利用区域内灰度相似性的基于区域的方法和利用区域间灰度不连续性的基于边界的方法?根据分割过程中处理策略的不同>分割算法又可分为并行算法

$$$

#杨

晖>女>硕士>讲师>研究方向!图像处理与分析?"C&’年生>

图像分割方法综述的论文

总UVW,STTS+

图像分割方法综述

TWWX年

快!全局阈值对于灰度相差很大的不同目标和背景能进行有效的分割!当图像的灰度差异不明显或不同目应采用局部阈值或动态阈标的灰度值范围有重叠时"

值分割法!另一方面"这种方法只考虑像素本身的灰度一般不考虑空间特征"因而对噪声很敏感!在实际值"

应用中"阈值法通常与其他方法结合使用!

#$%区域生长和分裂合并法

区域生长和分裂合并法是两种典型的串行区域技术"其分割过程后续步骤的处理要根据前面步骤的结果进行判断而确定!

区域生长的基本思想是将具有相似特性的像素集合起来构成区域!首先为每个需要分割的区域确定一个种子像素作为生长起点"然后按一定的生长准则把它周围与其特性相同或相似的像素合并到种子像素所在的区域中!把这些新像素作为种子继续生长"直到没有满足条件的像素可被包括"这时生长停止"一个区域就形成了!

区域生长法要解决的主要问题是区域生长准则的设计和算法的高效性!生长准则往往和具体问题有关"直接影响最后形成的区域"如果选取不当"就会造成过分割和欠分割的现象!区域生长法的优点是计算简单"对于较均匀的连通目标有较好的分割效果!它的缺点是需要人为确定种子点"对噪声敏感"可能导致区域内另外"它是一种串行算法"当目标较大时"分割有空洞!

速度较慢"因此在设计算法时"要尽量提高效率!

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得到各个区域!一种利用四叉树表达方法的分割算法如下&’代表整个正方形图像区域"(代表检验准则!

若(+)对任意区域’",-.’/012就将其分裂**为不重叠的四等分!

若(+3对相邻的两个区域’"5’,-’*和’4*4

就将它们合并!"6782

则结束!9若进一步的分裂和合并都不可能了"

分裂合并法的关健是分裂合并准则的设计!这种方法对复杂图像的分割效果较好"但算法较复杂"计算量大"分裂还可能破坏区域的边界!

#$:聚类分割法

图像分割问题也可看成是对象的分类问题"所以可以使用模式识别中的模式分类技术!特征空间聚类法进行图像分割是将图像空间中的像素用对应的特征空间点表示"根据它们在特征空间的聚集对特征空间进行分割"然后将它们映射回原图像空间"得到分割结果用的聚类算法!;均值算法先选;个初始类均值"然

后将每个像素归入均值离它最近的类并计算新的类均值!迭代执行前面的步骤直到新旧类均值之差小于某模糊=均值算法是在模糊数学基础上对;均一阈值!

值算法的推广"是通过最优化一个模糊目标函数实现它不像;均值聚类那样认为每个点只能属于某聚类"

一类"而是赋予每个点一个对各类的类属度"适合处理事物内在的不确定性!

有时需要人工干.>?算法对初始参数极为敏感"预参数的初始化以接近全局最优解"提高分割速度!另外"传统.对噪声和灰度>?算法没有考虑空间信息"不均匀敏感!

.>?算法在医学图像分割中得到了广泛的应用"例如利用.图像中的白质<灰质>?算法分割脑?7@和脑脊液的组织结构!图像由于成像过程中许多?7@因素的影响"几乎都存在不均匀的特点!为此"出现了二类改进方法并取得了成功!第一种方法是对不均匀图像先校正再进行分割"第二种方法是分割的同时补偿偏场效应!

%基于边界的分割方法

基于边界的分割方法是利用不同区域间象素灰度不连续的特点检测出区域间的边缘"从而实现图像分边缘检测是所有基于边界分割方法的第一步"根据割!

处理的顺序"边缘检测可分为并行边缘检测和串行边缘检测!

%$#微分算子法

图像中相邻的不同区域间总存在边缘"边缘处象素的灰度值不连续"这种不连续性可通过求导数来检测到!对于阶跃状边缘"其位置对应一阶导数的极值点"对应二阶导数的过零点+零交叉点,因此常用微分!它是一种并行边界技术!常用的一算子进行边缘检测"

阶微分算子有7和1算子<二阶微<ABCDEFGDCHIEEABCJ分算子有0和NIKLJKMCDFO算子等!在实际中各种微分算子常用小区域模板来表求"微分运算是利用模板与图像卷积来实现!这些算子对噪声敏感"只适合于噪声较小不太复杂的图像!

由于边缘和噪声都是灰度不连续点"在频域均为高频分量"直接采用微分运算难以克服噪声的影响!因0AP算子和>KQQR算子是具有平滑功能的二阶和一阶微分算子"边缘检测效果较好!其中0AP算子是采用0KLJKMIKQ算子求高斯函数的二阶导数">KQQR算子是高斯函数的一阶导数"它在噪声抑制和边缘检测之%$%串行边界技术

此用微分算子检测边缘前要对图像进行平滑滤波!

图像分割方法综述的论文

第,P卷第Y期

电脑开发与应用

总,(O,)]JY]

串行边界查找法是先检测边缘再串行连接成闭合边界的方法!这种方法在很大程度上受起始点的影响"图搜索是其中一种典型的方法!边界点和边界段可以用图结构表示!通过在图中进行搜索对应最小代价的它是一种全局的方法!在噪声路径可以找到闭合边界"

较大时效果仍很好"但这种方法比较复杂!计算量也很大"在许多情况下!为加快运算速度常常使用动态规划的优化方法"它是借助有关具体问题的启发性知识减少搜索!只求次优解的方法

分割方法相结合!形成一系列的集成模糊分割技术!例如模糊聚类%模糊阈值%模糊边缘检测技术等"

$&#基于小波变换的边缘检测方法

小波变换是近年来得到了广泛应用的数学工具!它在时域和频域都具有良好的局部化性质!将时域和频域统一于一体来研究信号"而且小波变换具有多尺度特性!能够在不同尺度上对信号进行分析!因此在图像处理和分析等许多方面得到应用"

二进小波变换具有检测二元函数的局部突变能力!因此可作为图像边缘检测工具"图像的边缘出现在图像局部灰度不连续处!对应于二进小波变换的模极大值点"因此通过检测小波变换模极大值点可以确定图像的边缘"小波变换位于各个尺度上!而每个尺度上的小波变换都能提供一定的边缘信息!因此可进行多尺度边缘检测!得到比较理想的图像边缘"

$&$基于神经网络的分割方法

近年来!人工神经网络识别技术已经引起广泛的关注!并应用于图像分割!神经网络模拟生物特别是人类大脑的学习机理!并能概括所学内容"它由大量的并行节点构成!每个节点都能执行一些基本计算"神经网络方法分割图像的思想是用训练样本集对神经网络进行训练以确定节点间的连接和权值!再用训练好的神经网络分割新的图像数据!这种方法需要大量的训练能较好地解决图像中的噪声和不均匀问题"选择何种网络结构是这种方法要解决的主要问题"

图像分割是图像处理和分析的关键技术!也是一个经典难题"随着实际应用的需要!对图像分割方法进行深入的研究!不断改进原有方法!提出新方法具有重要的意义"图像分割方法将向更快速%更精确的方向发展!图像分割方法的研究需要与新理论%新工具和新技术结合起来才能有所突破和创新"

参考文献

#基于区域和边界技术相结合的分割

方法

在实际应用中!为发挥各种方法的优势!克服它们经常把各种方法结合的缺陷以获得更好的分割效果!

起来使用"例如!基于区域的分割方法往往会造成图像的过度分割!而单纯的基于边缘检测方法有时不能提供较好的区域结构"为此可将基于区域的方法和边缘检测的方法结合起来解决这个问题"各种方法怎样结合便成为问题研究的重点!研究人员作了许多的研究!将多种方法相结合是图像分割方法研究的一个方向"

$基于特定理论的分割方法

图像分割至今尚无通用的自身理论"随着各学科出现了许多与一些特定理许多新理论和方法的提出!论%方法相结合的图像分割技术"

$&’基于数学形态学的边缘检测方法近年来!数学形态学已发展为一种新型的数字图像处理方法和理论!在边缘检测和图像分割中得到了广泛的研究和应用"它的基本思想是用具有一定形态的结构元素去量度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"利用膨胀%腐蚀%开启和闭合四个基本运算进行推导和组合!可以产生各种形态学实用算法!其中结构元素的选取很重要"腐蚀和膨胀对于灰度变化较明显的边缘作用很大!可用来构造基本的形态学边缘检测算子(形态学梯度)"

基本的形态学边缘检测算子简单!易于实现!但对噪声敏感!适用于噪声较小的图像"基于形态学的图像结合形态学边缘检测的关键是针对各种运算的特点!

多结构元多尺度的特性!构造优良的边缘检测算子来较好地解决边缘检测精度与抗噪声性能的协调问题"$&*基于模糊集理论的方法

模糊理论具有描述事物不确定性的能力!适合于图像分割问题"近年来!出现了许多模糊分割技术!在图像分割中的应用日益广泛"目前!模糊技术在图像分容易引入空间信息!数据"神经网络存在巨量的连接!

+,-.&/01234506!7899:349;1<8=10>0?@;A8BC//:D

6801E0F2G9;@56BG9;6028E82681@0@;G1;1@58?98E81<8

&+-&GB;1@81E;@:;15G6G2818;@;8E740@@891H8<G21;@;G1

!,III!JKLMOP&38@@89E

+J-QG!!R8A;1QG5068>R=568>S0685QT0601:

&5068>8@0F=6G>;B;8>BC//:D6801E0F2G9;@56BG9

&U;0EB;8F>8E@;60@;G101>E82681@0@;G1GBQHV>0@0

&&!JKKJ!J,(Y)L,I,IP&VWWWX901EQ8>V602

+Y-ZX&QHVU90;1;6028E82681@0@;G1U:6CF@98E012

&+-&FC@;G18>28>8@8<@;G101>982;G1E8F8<@;G17DG6?C!JKKK!J\LY\I89;/8>Q8>;<0FV602;1201>[90?5;<E

YMN&

赵海洋&基于多尺度数学形态学的边缘检测++\-周维忠!-&7

)

本文来源：https://www.bwwdw.com/article/mzc4.html