图像分割方法综述.docx

《图像分割方法综述.docx》由会员分享，可在线阅读，更多相关《图像分割方法综述.docx（23页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、图像分割方法综述图像分割方法综述摘要：图像分割是计算计视觉争论中的经典难题，已成为图像理解领域关注的一个热点，本文对近 年来图像分割方法的争论现状与进展进展了系统的阐述。同时也对图像分割将来的进展趋势 进展了展望。关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法Abstract: Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progr

2、ess about image segmentation in recent years arestated in this paper. And discussed thedevelopment segmentation.trendabouttheimageKey words:growing;image segmentation; regional activecontour;clusteringanalysis genetic algorithm1 引言图像分割是图像分析的第一步，是计算机视觉的根底，是图像理解的重要组成局部，同时也是图像处理中最困难的问题之一。所谓图像分割是指依据灰度、彩

3、色、空间纹理、几何外形等特 征把图像划分成假设干个互不相交的区域，使得这些特征在同一区域内表现出全都性或相像性，而在不同区域间表现出明显的不同。简洁的说就是在一副图像中，把目标从背景中分别出来。对于灰度图像来说，区域内部的像素一般具有灰度相像性，而在区域的边界上一般具有灰度不连续性。关于图像分割技术，由于问题本身的重要性和困难性，从 20 世纪 70 年月起图像分割问题就吸引了很多争论人员为之付出了巨大的努力。虽 然到目前为止，还不存在一个通用的完善的图像 分割的方法，但是对于图像分割的一般性规律则 根本上已经达成的共识，已经产生了相当多的研 究成果和方法。本文依据图像进展的历程，从传 统的图

4、像分割方法、结合特定工具的图像分割方法、基于人工智能的图像分割方法三个由低到高的阶段对图像分割进展全面的论述。2 传统的图像分割方法2.1 基于阀值的图像分割方法阀值分割法是一种传统的图像分割方法，因其实现简洁、计算量小、性能较稳定而成为图像 分割中最根本和应用最广泛的分割技术。阀值分 割法的根本原理是通过设定不同的特征阀值，把 图像像素点分为具有不同灰度级的目标区域和背景区域的假设干类。它特别适用于目标和背景占 据不同灰度级范围的图，目前在图像处理领域被 广泛应用，其中阀值的选取是图像阀值分割中的 关键技术。灰度阀值分割方法是一种最常用的并行区域技术，是图像分割中应用数量最多的一类。图 像假

5、设只用目标和背景两大类，那么只需要选取一 个阀值，此分割方法称为单阀值分割。单阀值分 割实际上是输入图像 f 到输出图像 g 的如下变换：在上述表达式中，T 为阀值，对于目标物体的图像 元 素 g(i,j)=1, 对 于 背 景 的 图 像 元 素g(i,j)=0。但是假设图像中有多个目标需要提取，单一的阀值分割就会出错。就需要选取多个 阀值将每个目标分割开，这种分割方法称为多阀 值分割。阀值分割的结果取决于阀值的选择。由此可见，阀值分割算法的关键是确定阀值。阀值确定 后，将阀值与像素点的灰度值比较以及对各像素 的分割并行地进展。常用的阀值选择方法有利用 图像灰度直方图的峰谷法、最小误差法、基

6、于过 渡区法、利用像素点空间位置信息的变化阀值法、结合连通信息的阀值方法、最大相关性原则 选择阀值和最大熵原则自动阀值法。图 1 是利用单阀值方法和局部阀值方法对细胞图像分隔的结果，结果说明，在很多状况下， 目标物体和背景的比照度在图像的不同位置并不是一样的，这是假设用一个统一的单阀值将目标与背景分开，效果是不抱负的。假设依据图像的局部特征分别用不同的阀值对图像进展分割， 即局部阀值分割，则效果要比单阀值分割要好得多。阀值分割方法的优点是图像分割的速度快，计 算简洁，效率较高。但是这种方法只考虑像素点 灰度值本身的特征，一般不考虑空间特征，因此 对噪声比较敏感。虽然目前消灭了各种基于阀值 分割

7、的改进算法，图像分割的效果有所改进，但 在阀值的设置上还是没有很好的解决方法，假设将 智能遗传算法应用在阀值筛选上，选取能最优分 割图像的阀值，这可能是基于阀值分割的图像分 割法的进展趋势。2.2 基于区域的图像分割方法基于区域的分割方法是以直接查找区域为根底的分割技术，具体算法有区域生长和区域分别与合并算法。基于区域提取方法有两种根本形式：一种是区域生长，从单个像素动身，逐步合并以形成所需要的分割区域；另一种是从全局出发，逐步切割至所需的分割区域。2.2.1 区域生长区域生长是串行区域技术，其分割过程后续步骤的处理要依据前面步骤的结果进展推断而确定。常见的区域生长算法包括：同伦的区域生长 方

8、式、对称区域生长方式和模糊连接度方法与区 域生长相结合等算法。区域生长的根本思想是将具有相像性质的像素集合起来构成区域。具体是先对每个需要分割 的区域找一个种子像素点作为生长的起点，然后 将种子像素四周领域中与种子像素有一样或相像性质的像素合并到种子像素所在的区域中。将 这些像素当作的种子像素连续进展上面的过程，直到再没有满足条件的像素可被包括进来。这样一个区域就长成了。区域生长的优点是计算简洁，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 的选取种子，对噪声较敏感，可能会导致区域内 有空洞。另外它是一种串行算法，当目标较大时 分割速度较慢，因此在算法设计时应尽量提高运行效率。2

9、.2.2 区域分裂合并区域生长是从某个或者某些像素点动身，最终得到整个区域，进而实现目标的提取。而分裂合并可以说是区域生长的逆过程。它是从整个图像动身，不断分裂得到各个子区域，然后再把前景区域合并，得到前景目标，继而实现目标的提取。 分裂合并的假设是对于一幅图像，前景区域是由一些相互连通的像素组成的，因此假设把一幅图像分裂到像素级，那么就可以判定该像素是否为前景像素。当全部像素点或者子区域完成推断以后，把前景区域或者像素合并就可以得到前景目标。四叉树分解法就是一种典型的区域分裂合并法。对 Lena 图的分割效果如图 2 所示。设 R 代表整个正方形图像区域，P 代表规律谓词。根本分裂合并算法步

10、骤如下：（1） 对于任一区域，假设 HRi=FALSE 就将其分裂成不重叠的四等分；（2） 对相邻的两个区域 R 和 R ，它们也可以ij大 小 不 同 即 不 在 同 一 层 ， 如 果 条 件H(RiUR )=TURE 满足，就将它们合并起来；j（3） 假设进一步的分裂或合并都不行能，则完毕。分裂合并法的关键是分裂合并准则的设计。这 种方法对简单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。在实际应用中，通常是将区域生长算法和区域 分裂合并算法这两种根本形式结合使用。该类算 法对某些简单物体定义的简单场景的分割或者对某些自然景物的分割等类似先验学问缺乏的图像分割，

11、效果较为抱负。2.3 基于边缘检测的图像分割方法基于边缘检测的分割方法试图通过检测包含不同区域的边缘来解决分割问题，它可以说是人 们争论的最多的方法之一。通常不同的区域之间的边缘上像素灰度值的变化往往比较猛烈，这是边缘检测方法得以实现的主要假设之一。边缘检 测方法一般利用图像一阶导数的极大值或二阶导数的过零点信息来供给推断边缘点的根本依据。边缘检测技术通常可以依据处理的技术分为串行边缘检测和并行边缘检测。串行边缘检测是 要想确定当前像素点是否属于检测边缘上的一点，取决于从前像素的验证结果。并行边缘检测 是一个像素点是否属于检测边缘上的一点取决于当前正在检测的像素点以及与该像素点的一些相邻像素点

12、。最简洁的边缘检测方法是并行微分算子法，它 利用相邻区域的像素值不连续的性质，承受一阶 或二阶导数来检测边缘点。近年来还提出了基于 曲面拟合的方法、基于边界曲线拟合的方法、基 于反响-集中方程的方法、串行边界查找、基于变形模型的方法。常用的一阶导数算子有梯度算子、Prewitt 算子和 Sobel 算子。二阶导数算子有 Laplacian 算子、Kirsch 算子和 Wallis 算子。图3 是分别用Sobel、LoG 和Canny 算子对Lena图做的边缘检测。有图 3 可以看出，Canny 算子的分割效果比 Sobel 和 LoG 算子的好。虽然边缘检测的优点是边缘定位准确、运算速 度快，

13、但它有两大难点限制了其在图像分割中的应用，即：a 不能保证边缘的连续性和封闭性； b 在高细节区存在大量的碎边缘，难以形成一个大区域，但是又不宜将高细节区分为小碎片。由 于上述两个难点，因此无论承受什么方法，单独 的边缘检测只能产生边缘点，而不是完整意义上 的图像分割过程。这也就是说，边缘点信息需要 后续处理或与其它相关算法相结合，才能完成分 割任务。常用的方法是边缘生长技术最大程度的保证边缘的封闭性，或用有向势能函数(DPF)将 有缺口的两边缘强制连接，得到封闭边缘图。在将来的争论中，用于提取初始边缘点的自适应阀值选取、用于图像的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

14、得格外重要。3 结合特定工具的图像分割算法3.1 基于小波分析和小波变换的图像分割方法 小波变换是近年来得到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，能将 时域和频域统一于一体来争论信号。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，因此在图像分割方面得到了应用。二进小波变换具有检测二元函数的局部突变力量，因此可作为图像边缘检测工具。图像的边 缘消灭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。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供给肯定的 边缘信息，因此可进展多尺度边缘检测来得到比 较抱

15、负的图像边缘。图 4 是运用小波变换方法对图像进展的有效分割。另外，将小波方法与其他方法结合起来处理图像分割也得到广泛争论。文献8 提出把Hilbert 图像扫描方法和小波变换相结合，获得了连续光滑的阀值曲线，从而建立了一种局部自适应阀值法进展图像分割。3.2 基于马儿可夫随机场模型的图像分割方法马儿可夫随机场(Markov Random Field) 方法建立在马尔可夫模型和 Bayes 理论根底上，依据统计决策和估量理论中的最优化准则确定分割问题的目标函数，求解满足这些约束条件下的最大可能分布，从而将分割问题转化为优化问题。MRF 最重要的一个特点是，图像中每个点的取值由其领域像素打算，其

16、本质上是一种基于局部区域的分割方法。假设我们把图像理解为定义在矩形点阵上的随即过程，则 Markov 性很好的描述了各个像素之间的空间依靠性，即一个像素可以由它四周的像素确定。而事实说明，图像像素的这种空间相关性总是存在的。因此可以使用马尔可夫随机场对图像进展建模。文献9争论了基于马尔可夫随机场的图像分割方法，建立了相应的基于马尔可夫随机场的图像分割模型，以实现简单遥感图像的快速分割，并由此将图像分割问题转化为图像标记问题，进而转化成求解图像的最大后验概率估量的问题。利用此方法得到的效果图如图 5、6 所示：3.3 基于遗传算法的图像分割方法遗传算法 (Genetic Algorithms,

17、简称 GA)是1973 年由美国教授 Holland 提出的，是一种借鉴生物界自然选择和自然遗传机制的随机化搜寻算法。是仿生学在数学领域的应用。其根本思 想是，模拟由一些基因串掌握的生物群体的进化过程，把该过程的原理应用到搜寻算法中，以提高寻优的速度和质量。此算法的搜寻过程不直接作用在变量上，而是在参数集进展了编码的个体，这使得遗传算法可直接对构造对象 (图像) 进展操作。整个搜寻过程是从一组解迭代到另一组解，承受同时处理群体中多个个体的方法，降低了陷入局部最优解的可能性，并易于并行化。 搜寻过程承受概率的变迁规章来指导搜寻方向， 而不承受确定性搜寻规章，而且对搜寻空间没有任何特别要求(如连通

18、性、凸性等)，只利用适应性信息，不需要导数等其他关心信息，适应范围广。遗传算法擅长于全局搜寻，但局部搜寻力量缺乏，所以常把遗传算法和其他算法结合起来应用。将遗传算法运用到图像处理主要是考虑到遗传算法具有与问题领域无关且快速随机的搜寻 力量。其搜寻从群体动身，具有潜在的并行性， 可以进展多个个体的同时比较，能有效的加快图像处理的速度。但是遗传算法也有其缺点：搜寻所使用的评价函数的设计、初始种群的选择有肯定的依靠性等。要是能够结合一些启发算法进展改进且遗传算法的并行机制的潜力得到充分的利用，这是当前遗传算法在图像处理中的一个研究热点。4 基于人工智能的图像分割方法4.1 基于人工神经网络的图像分割

19、方法在 20 世纪 80 年月后期，在图像处理、模式识别和计算机视觉的主流领域，受到人工智能进展 的影响，消灭了将更高层次的推理机制用于识别 系统的做法，于是消灭了基于人工神经网络模型(Artificial Neural Networks, ANN) 的图像分割方法。人工神经网络是由大规模神经元互联组 成的高度非线性动力系统，是在生疏、理解人脑 组织机构和运行机制的根底上模拟其构造和智能行为的一种工程系统。基于神经网络分割的根本思想是：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 对像素进展分类来到达分割的目的。近几年神经 网络在图像分割中的应用依据处理数据类型大致上可以分为两类：一

20、类是基于像素数据的神经 网络算法；另一类是基于特征数据的神经网络算 法也即特征空间的聚类分割方法。基于像素数据 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供给更多的图像信息，但是各个像素是独立 处理的，缺乏肯定的拓扑构造而且数据量大，计 算速度格外慢，不适合实时数据处理。目前有很 多神经网络算法是基于像素进展图像分割的，如Hopfield 神经网络、细胞神经网络、概率自适应神经网络等。随着技术的不断进展，第三代脉冲耦合网络PCNN 的争论，为图像分割供给了的处理模式， 它能抑制图像中物体灰度范围值有较大重叠的 不利影响，到达较好的分割效果。4.2 基

21、于聚类的分割方法对灰度图像和彩色图像中的相像灰度或色度 合并的方法称之为聚类，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、参数密度估量、非参数密度估量等方法都能用于图像分割。实际中受到普遍欢送的是基于目标函数的模糊 C- 均值算法(Fuzzy C-Means),简称 FCM。由Bezdek 于 1981 年提出， 利用初始化方法确定聚类中心、聚类数，通过不断迭代循环，调整和优化聚类中心，最终使类内方差到达最小，从而实现聚类。目前常用的还有基于支持向量机聚类、基于遗传算法聚类等以及与其他算法相结合的聚类方法。4.3 基于

22、主动轮廓模型的分割方法主动轮廓模型(active contours)是图像分割的一种重要方法，具有统一的开放式的描述形式，为图像分割技术的争论和创供给了抱负的 框架。在实现主动轮廓模型时，可以敏捷的选择 约束力、初始轮廓和作用域等，以得到更佳的分 割效果，所以主动轮廓模型方法受到越来越多的 关注。该方法是在给定图像中利用曲线演化来检测目标的一类方法，基于此可以得到准确的边缘信 息。其根本思想是，先定义初始曲线 C,然后依据图像数据得到能量函数，通过最小化能量函数 来引发曲线变化，使其向目标边缘渐渐靠近，最 终找到目标边缘。这种动态靠近方法所求得的边 缘曲线具有封闭、光滑等优点。传统的主动轮廓模

23、型大致分为参数主动轮廓模型和几何主动轮廓模型。参数主动轮廓模型将曲线或曲面的形变以参数化形式表达， Kass 等人提出了经典的参数活动轮廓模型即“ Snake” 模型10，其中 Snake 定义为能量微小化的样条曲线，它在来自曲线自身的内力和来自图像数据的外力的共同作用下移动到感兴趣的边缘，内力用于约束曲线外形，而外力则引导曲线到特征此边缘。参数主动轮廓模型的特点是将初始曲线置于目标区域四周，无需人为设定曲线的的演化是收缩或膨胀，其优点是能够与模型直接进展交互， 且模型表达紧凑，实现速度快；其缺点是难以处理模型拓扑构造的变化。比方曲线的合并或分裂等。而使用水平集(level set)的几何活动

24、轮廓方法恰好解决了这一问题。文献11针对 Snake 模型在弱边缘处简洁溢出等缺乏，通过引入区域信息、粒子群优化算法等优化特性和良好的数值稳定性来对 Snake 模型的分割结果进展优化。5 图像分割技术的进展趋势随着神经网络、模糊集理论、统计学理论、形态学理论、免疫算法理论、图论以及粒度计算理论等在图像分割中的广泛应用，图像分割技术呈现出以下的进展趋势：(1) 进一步提高算法的性能现有的多数图像分割算法只能针对某一类图像或者已经进展初步分类的图像库，其效率不高，也不具有通用性。为此，可以通过各种特征 的融合原始灰度特征、梯度特征、几何空间特 征、变换特征和统计特征等和多种分割方法的结合两个方面

25、来提高现有算法的效率和通用性。(2) 理论与方法的争论的分割方法的争论主要以自动、准确、快速、 自适应和鲁棒性等几个方向作为争论目标。随着图像分割争论不断深入，图像分割方法将向更快速、更准确的方向进展，图像分割方法的争论需要与理论工具和技术结合起来才能有所 突破和创。(3) 面对特地领域的应用目前，随着图像分割在医学、遥感、电子商务、 专利检索和建筑设计等领域得到了广泛应用，人们不断查找的理论和方法来提高图像分割的效果。随着不同学科争论人员对图像分割的日益关注，的理论和方法会不断应用到更多领域中 去。6 结论与展望当前，图像分割已成为图像理解领域关注的一个热点。将来的进展需要争论者借鉴数学、统

26、计学、神经学、认知心理学、计算机科学等领域的 成果及其综合运用，不断引入的理论和方法。 过去几年，争论人员不断将相关领域消灭的理论和方法应用到图像分割中，虽然取得了肯定的效果，但仍未消灭一种令人满足的高效的通用的方法。其主要缘由是人类对视觉系统还没有充分的生疏，已有的模型只是从功能上来模拟，而不是从构造上来实现。进一步争论视觉认知的原理，结合智能科学的最理论，对图像分割作更深一步的争论将会是将来图像分割的争论方向。参考文献：1 张松松，高美娟，李轶群.图像分割方法综述J. 计算机科学，2023，40(10):11-14.2 许征，丁世飞，史忠植，贾伟宽.图像分割的理论和方法 J. 电子学报，

27、2023 ， 38(2A):76-82.3 何俊，葛红，王玉峰. 图像分割算法争论综述J.计算机工程与科学,2023,31(12):58-614 魏弘博，吕振肃，蒋田仔，刘艳. 图像分割 技 术 纵 览 J. 甘 肃 科 学 学报,2023,16(2):19-245 丁亮，张永平，张雪英.图像分割方法及性能 评 价 综 述 J. 图 像 处 理 软件,2023,31(12):78-83.6 王爱民，沈兰荪 . 图像分割争论综述 J. 测控技术,2023,19(5):1-16.7 周鲜成. 图像分割方法及其应用争论综述J.信息技术,2023,12:11-14.8 张荣祥，郑世杰. 基于 Hilbert 扫描和小波变换的自适应图像分割 J. 中国图像图形学报.2023,4(14):666-671.9 刘伟强，陈鸿. 基于马儿可夫随机场的快速图 像 分 割 J. 中 国 图 像 图 形 学报.2023,3(5):26-31.10 M. Kass, A. Witkin Snake: active contour modelJ. Int. J. Computer vision.1988.(1):321-331.11 任继军，何明一. 基于粒子群优化算法的改进 Snake 模型的图像分割方法J. 中国图像图形学报. 2023(9):1727-1732.