图像分割技术综述

图像分割技术综述

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

1 引言

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