图像分割

图像分割的方法体系
基于阈值的分割方法
阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度 阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据 比较结果分到合适的类别中。因此，该类方法最为关键的一步就是按 照某个准则函数来求解最佳灰度阈值。 1.灰度阈值分割法
灰度阈值分割法是一种最常用的并行区域技术，它是图像分割中 应用数量最多的一类。阈值分割方法实际上是输入图像f到输出图像g 的如下变换：灰度阈值分割法是一种最常用的并行区域技术，它是图 像分割中应用数量最多的一类。
形状特征
通常情况下，形状特征有两类表示方法，一类是 轮廓特征，另一类是区域特征。图像的轮廓特征 主要针对物体的外边界，而图像的区域特征则关 系到整个形状区域。
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；
3.自适应阈值：
在许多情况下，物体和背景的对比度在图像中的各处不是一样的， 这时很难用一个统一的阈值将物体与背景分开。这时可以根据图像的 局部特征分别采用不同的阈值进行分割。实际处理时，需要按照具体 问题将图像分成若干子区域分别选择阈值，或者动态地根据一定的邻 域范围选择每点处的阈值，进行图像分割。这时的阈值为自适应阈值
其中，T为阈值，对于物体的图像元素g(i,j)=1，对于背景的图 像元素g(i,j)=0。
由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适 的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度 值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接 给出图像区域。
阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算 效率的应用场合(如用于硬件实现)，它得到了广泛应用。人们发展了各种 各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等。
概念:
把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的 技术和过程。它是由图像处理到图像分析的关键步骤。
根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区 域，并使这些特征在同一区域内呈现出相似性，而在不同区域间呈现 出明显的差异性。
分类:
基于阈值的分割方法 基于区域的分割方法 基于边缘的分割方法 基于特定理论的分割方法
分割后用于分类的图像特征较大的依赖于地物光谱与图像亮度。 用于分类的图像特征，对于不同类别的对象来说，他们的特征值应具 有明显的差异。对于同类的特征，特征值应比较相近。所用的各特征 之间应彼此不相关。用于分类的特征数量应该比较少。
遥感影像被分割为图形对象后，从理论上讲存在三类特征。一是 内在特征，指对象的物理属性，由成像区域、传感器姿态等决定，这 一类的特征包括对象的色彩、纹理和形状；二是拓扑特征，描述对象 间或一景图像内部几何关系的特征，这一类特征包括左右关系、距离 、包含等；三是上下文特征，描述对象间语义关系的特征，例如公园 总是几乎完全被城市区域包围。如果进行多尺度的影像分割就会产生 父对象(Super Object)和子对象(Sub-Object)，这样就又会衍生出一 些新的特征。
面向对象图像分析方法是目前遥感图像分析中的新技术，分割是 其核心步骤之一。对象是一个抽象术语，具体来说表现为图像上的一 个区域，是具有某些相似性质的相邻像素的集合体，通过像素间的这 种集合，表现的不再仅仅是光谱信息，更多的是包含了上下文，形状 ，大小，纹理，统计特征等信息以及来自其他对象的信息。而且面向 对象的思想模仿了人类大脑认知过程，人类大脑对眼睛看到的东西不 是简单的反映，而是基于已有知识和经验的重构，看到对象的某些部
面向对象分割的基本原理
在计算机中，遥感图像一般是以每个像素作为基本单位进行存储 的，但是面向对象的分割方法处理的最小单元已不再是单个独立的像 素，而是由许多同质的像素组成的有意义的对象，因此面向对象的分 割方法第一步要做的就是构建有意义的对象，然后才能在对象的基础 上再进行处理，即：首先根据遥感图像的每个像素的光谱特征和空间 特征，应用改进的某算法构建对象，然后根据对象统计特征合并相似 对象来最终实现对遥感图像的分割。
基于特定理论的方法
图像分割至今尚无通用的自身理论。随着各学科许多新理论和新 方法的提出，出现了许多与一些特定理论、方法相结合的图像分割方 法。 聚类分析 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。其中，K均值、模糊C均值聚类 (FCM)算法是最常用的聚类算法。K均值算法先选K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
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。因此用微分算子检测边缘前要对 图像进行平滑滤波。LoG算子和Canny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，如图4所示。其中loG算子是采用 Laplacian算子求高斯函数的二阶导数，Canny算子是高斯函数的一阶 导数，它在噪声抑制和边缘检测之间取得了较好的平衡。
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。
图像分割
图像特征(Image Feature)
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
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。
4.最佳阈值： 阈值的选择需要根据具体问题来确定，一般通过实验来确定。对
于给定的图像，可以通过分析直方图的方法确定最佳的阈值，例如当 直方图明显呈现双峰情况时，可以选择两个峰值的中点作为最佳阈值
左图和右图分别为用全局阈值和自适应阈值对经典的Lena图像进行分割的 结果。
基于边缘的分割方法
所谓边缘是指图像中两个不同区域的边界线上连续的像素点的集 合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图 像特性的突变。通常情况下，基于边缘的分割方法指的是基于灰度值 的边缘检测，它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这 一观测基础上的方法。
图像中边缘处像素的灰度值不连续，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)。因此常用微分算子进行边缘检测。常用的一阶微 分算子有Roberts算子、Prewitt算子和Sobel算子，二阶微分算子有 Laplace算子和Kirsh算子等。在实际中各种微分算子常用小区域模板来表 示，微分运算是利用模板和图像卷积来实现。这些算子对噪声敏感，只适 合于噪声较小不太复杂的图像。
纹理特征
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。
在检索具有粗细、疏密等方面较大差别的纹理图 像时，利用纹理特征是一种有效的方法。但当纹 理之间的粗细、疏密等易于分辨的信息之间相差 不大的时候，通常的纹理特征很难准确地反映出 人的视觉感觉不同的纹理之间的差别。
2.全局阈值：
整幅图像使用同一个阈值做分割处理，适用于背景和前景有明显 对比的图像。它是根据整幅图像确定的：T=T(f)。但是这种方法只考 虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。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它一些方法。
2.如果目标有变形时检索结果往往不太可 靠；
形状特征
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；
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。通常空间位置信息可以分为两类：相 对空间位置信息和绝对空间位置信息。前一种关系 强调的是目标之间的相对情况，如上下左右关系等 ，后一种关系强调的是目标之间的距离大小以及方 位。显而易见，由绝对空间位置可推出相对空间位 置，但表达相对空间位置信息常比较简单。
空间关系特征
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。
图像分割(Image Segmentation)
分就可以推断其全部。对图像分析的目的是提取出真实世界的地物对 象，形状和类别，传统基于像素的方法无法保证提取的正确性，所以 面向对象的方法将是今后研究的重点。
面向对象的分类中，需先对影像进行分割，用于分割的图像特征 通常是根据像素的光谱信息和像元的位置及图像中像元集的形状来提 取的。分割后的图像特征各自满足某种相似性准则或具有某种同质特 征，即图像特征在同一区域内部像素的灰度值具有相似性，颜色，边 缘，纹理都具有相同的特征。不同的图像特征之间可能存在某种相似 性，如两个图像特征具有相似的像元灰度值，但是边缘、纹理有很大 的差异，因此被划分为不同的图像特征。
直方图法
与其他图像分割方法相比，基于直方图的方法是非常有效的图像分割方法，因 为他们通常只需要一个通过像素。在这种方法中，直方图是从图像中的像素的 计算，并在直方图的波峰和波谷是用于定位图像中的簇。颜色和强度可以作为 衡量。 这种技术的一种改进是递归应用直方图求法的集群中的形象以分成更小的簇。 重复此操作，使用更小的簇直到没有更多的集群的形成。 基于直方图的方法也能很快适应于多个帧，同时保持他们的单通效率。直方图 可以在多个帧被考虑的时候采取多种方式。同样的方法是采取一个框架可以应 用到多个，和之后的结果合并，山峰和山谷在以前很难识别，但现在更容易区 分。直方图也可以应用于每一个像素的基础上，将得到的信息被用来确定的像 素点的位置最常见的颜色。这种方法部分基于主动对象和一个静态的环境，导 致在不同类型的视频分割提供跟踪。
前面的步骤直到新旧类均值之差小于某一阈值。模糊C均值算法是在模 糊数学基础上对K均值算法的推广，是通过最优化一个模糊目标函数实 现聚类，它不像K均值聚类那样认为每个点只能属于某一类，而是赋予 每个点一个对各类的隶属度，用隶属度更好地描述边缘像素亦此亦彼 的特点，适合处理事物内在的不确定性。利用模糊C均值(FCM)非监督 模糊聚类标定的特点进行图像分割，可以减少人为的干预，且较适合 图像中存在不确定性和模糊性的特点。
阶跃型边缘两边像素点的灰度值存在着明显的差异，而屋顶型边 缘则位于灰度值上升或下降的转折处。正是基于这一特性，可以使用 微分算子进行边缘检测，即使用一阶导数的极值与二阶导数的过零点 来确定边缘，具体实现时可以使用图像与模板进行卷积来完成。
图像分割的一种重要途径是通过边缘检测，地方。 这种不连续性称为边缘。不同的图像灰度不同，边界处一般有明显的边缘 ，利用此特征可以分割图像。