基于形态学的图像分割算法研究

基于形态学的图像分割算法研究
【摘要】本设计论述了基于数学形态学的图像边缘检测算法的研究。

利用形态学算法，对图像进行分割，以此提高算法的运行效率。

【关键词】形态学图像分割
1 前言
1.1 图像分割技术概论
图像分割是指把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，它是由图像处理到进一步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，对图像分割的研究在图像处理领域具有重要的意义。

1.1.1图像分割分类及优缺点
人们常根据不同的应用场合、不同的目的而提出了一些分割方法。

主要包括直方图阈值法、边缘检测法、基于区域的方法、聚类方法等。

（1）直方图阈值分割方法
优点是算法比较简单、分割速度快，不需要关于图像的先验信息，常常应用于粗糙的图像分割中。

缺点是分割效果与阈值的选取有很大关系，所以当前的研究主要集中在阈值的确定上。

（2）基于边缘检测的分割方法
优点是边缘定位准确，运算速度快。

但缺点是对噪声敏感；难以保证分割区域内部的颜色一致，且不能产生连续的闭区域轮廓；另
外当边界定义不良时，难以形成一个大区域。

（3）基于区域的分割方法
将像素归类为一致区域。

当区域一致准则比较容易定义的时候，这种方法能取得较好的效果，并且比基于边缘的方法更能抗干扰。

但是，基于区域的方法在时间和空间上代价都比较大；区域生长本质依赖于种子像素的选取以及像素和区域检测的顺序；而且区域分裂由于分裂算法的原因，其产生的分割结果太趋于正方形。

（4）聚类方法
本质上是递归或迭代的，大多可以产生较光滑的区域边界，而且不易受到噪声和局部边界变化的影响。

但是，聚类法也带来一些问题，如相邻簇常常重叠，引起像素分类错误；簇的总量确定较困难。

1.2 图像分割中形态学的优势
数学形态学的方法应用于图像边缘检测的基本思想是运用一定
的结构元素对图像作形态运算后和原图像相减。

数学形态学的边缘检测方法比其它的空域或频域的图像边缘检测方法具有明显的优势。

数学形态的方法运用适当的结构元借助于形态运算可以有效的滤除噪声同时保留图像中的原有信息。

它不像传统的微分算法那样对噪声敏感同时提取的边缘也比较光滑。

2 数学形态学的图像分割
2.1 数学形态学的概述
数学形态学是数学基础和所用语言是集合论。

数学形态学的应用可以简化图像数据，保持它们基本的形状特性，并除去不相干的结
构。

数学形态学的算法具有天然的并行实现的结构，实现了形态学分析和处理算法的并行，大大提高了图像分析和处理的速度。

2.2 图像分割方法研究
对灰度图像的分割常常基于灰度值的两个性质：不连续性和相似性。

区域内部的像素一般具有灰度相似性，而在区域之间的边界上一般具有灰度不连续性。

所以分割算法可据此分为利用区域间灰度不连续性的基于边界的算法和利用区域内灰度相似性的基于区域的算法。

另外，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和串行算法。

在并行算法中，所有边缘点都可独立地和同时地做出，而在串行算法中，早期处理的结果可被其后的处理过程所利用。

一般串行算法所需计算时间比并行算法要长，但抗噪能力也较强。

上述这两个准则互不重合又互为补充，所以分割算法可根据这两个准则分成四类：
2.2.1并行分界分割技术
并行边界技术采用的方法原理与人的视觉过程有些相似。

人对场景中亮度或其他性质变化较快的部位比较敏感，一般当人观察场景时总先注意到其中不同物体的相交处，并可以很快得出每个物体各自的轮廓。

采用并行边界技术进行图像分割主要步骤：
（1）边缘提取；（2）边缘连接。

2.2.2串行分界分割技术
串行边界技术指采用串行的方法，对目标边界检测来实现图像分割的技术。

串行边界分割技术主要有两种策略：一种是先检查边缘
点再连接它们；另一种是对边界点检查和连接交叉或结合进行。

2.2.3并行区域分割技术
并行区域技术指采用并行的方法通过对目标区域的检测来实现图像分割的技术。

取阈值是最常见的并行的直接检测区域的分割方法。

阈值化分割算法具体方法：首先在图像的灰度取值范围中选择一灰度阈值，然后将图像中各个像素的灰度值与这个阈值相比较，并根据比较的结果将图像中的像素划分为两个类中。

2.2.4串行区域分割技术
串行区域分割技术指导采用串行处理的策略通过对目标区域的直接检测来实现图像分割的技术。

基于区域的串行分割技术有两种基本形式，一种是从单个像素出发，逐渐合并以形成所需的分割区域，另一种是从全图出发，逐渐分裂切割至所需的分割区域。

（1）区域生长法
所谓区域生长就是一种根据事先定义的准则将像素或者子区域聚合成更大区域的过程。

基本思想是以一组生长点开始，搜索其邻域，把图像分割成特征相似的若干小区域，比较相邻小区域与生长点特征的相似性，若它们足够相似，则作为同一区域合并，形成新的生长点。

（2）分裂合并法
所谓分裂合并法就是先从整幅图像开始通过不断分裂得到各个区域。

实际中常先把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。

3 多尺度形态学边缘检测
传统的形态学边缘检测算子算法简单，运算量小。

但是由于采用了固定的结构元素来构造边缘检测算子，这导致了算子抗噪能力和提取边缘细节能力的严重矛盾。

因此，在采用传统形态学边缘检测算子进行边缘检测时，怎样对不同的图像选用合适的结构元素几乎成为了一个不可能完成的任务。

所以，为了有效克服噪声的影响，得到准确的边缘检测信息，有很多学者采取了多尺度结构元素的思想来进行边缘检测，使算子的抗噪能力和边缘细节提取能力达到一个最佳的平衡。

4 结论
本设计着重论述了基于数学形态学的图像边缘检测算法的研究。

对常用的边缘检测算法以及传统的形态学边缘检测算法加以分析和比较，指出各自的特点以及不足。

利用形态学算法，对图像进行分割，使标记提取具有更强的针对性，在保持物体轮廓的同时，能有效抑制过度分割现象，以此提高算法的运行效率。