图像分割技术的研究背景及意义

图像分割技术的研究背景及意义

1概述

2图像分割技术的研究背景及意义

2.1阈值分割方法

2.2基于边缘的分割方法

2.3基于区域的分割方法

2.4 结合特定理论工具的分割方法

1概述

图像的研究和应用中，人们往往对图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域（可以对应单一区域，也可以对应多个区域），称之为目标或前景；而其他部分称为图像的背景。为了辨识和分析目标，需要把目标从一幅图像中孤立出来，这就是图像分割要研究的问题。

2图像分割技术的研究背景及意义

图像分割是图像处理中的一项关键技术，也是一经典难题，发展至今仍没有找到一个通用的方法，也没有制定出判断分割算法好坏的标准，对近几年来出现的图像分割方法作了较为全面的综述，探讨了图像分割技术的发展方向，对从事图像处理研究的科研人员具有一定的启发作用。

图像分割是图像分析的第一步，图像分割接下来的任务，如特征提取、目标识别等的好坏，都取决于图像分割的质量如何。由于该课题的难度和深度，进展比较缓慢。图像分割技术自20世纪70年代起一直受到人们的高度重视，虽然研究人员针对各种问题提出了许多方法，但迄今为止仍然不存在一个普遍适用的理论和方法。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题。最近几年又出现了许多新思路、新方法或改进算法，对一些经典方法和新出现的方法作了概述，并将图像分割方法分为阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法4类。

2.1阈值分割方法

阈值分割方法的历史可追溯到近40前，现已提出了大量算法。阈值分割法就是简单的用一个或几个阈值将图像的直方图分成几类，图象中灰度值在同一个灰度类内的像素属于同一个类。它是一种PR法。其过程是决定一个灰度值，用以区分不同的类，这个灰度值就叫阈值。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用整幅图像的信息来得到分割用的阈值，并根据该阈值对整幅图像进行分割；而局部阈值分割是根据图像中的不同区域获得对应的不同区域的阈值，利用这些阈值对各个区域进行分割，即一个阈值对应一个相应的子区域，这种方法也叫称为适应阈值分割。可以看出，确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据分割算法所有的特征或准则，还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松驰法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。

目前提出了许多新方法，如严学强等人提出了基于量化直方图的最大熵阈值处理算法，将直方图量化后采用最大熵阈值处理算法，使计算量大大减小。薛景浩、章毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法，从目标和背景的类间差异性出发，利用贝叶斯公式估计象素属于目标和背景两类区域的后验概率，再搜索这两类区域后验概率之间的最大交叉熵。这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能，取得很好的通用性和有效性，该算法也容易实现二维推广，即采用二维统计量（如散射图或共生矩阵）取代直方图，以提高分割的准确性。俞勇等人提出的基于最小能量的图像分割方法，运用了能量直方图来选取分割阈值。任明武等人提出的一种基于边缘模式的直方图构造新方法，使分割阈值受噪声和边缘的影响减少到最小。程杰提出的一种基于直方图的分割方法，该方法对Ostu准则的内在缺陷进行了改进，并运用对直方图的预处理及轮廓追踪，找出了最佳分割阈值。此方法对红外图像有很强的针对性，付忠良提出的基于图像差距度量的阈值选取方法，多次导出Ostu方法，得到了几种与Ostu类似的简单计算公式，使该方法特别适合需自动产生阈值的实时图像分析系统。陈向东、常文森等人提出了基于小波变换的图像分数维计算方法，利用小波变换计算图像的分数维准确性高的特性。结果表明计算出的图像分数维准确，而且通过应用快速小波变换可以满足实时计算的要求，为实时场景分析提供有效的方法。建立在积分几何和随机集论基础之上的数学形态学以其一整套变换、概念和算法为数学工具，提供了并行的、具有鲁棒性的图像分割技述。它不仅能得到图像中各种几何参数的间接测量，反映图像的体视特性，而

且还能描述图像的随机性质。所有的这些算法不管采取什么方法，结合什么工具，基本思想是一致的，就是为了寻求最佳阈值。

阈值法是一种简单但是非常有效的方法，特别是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。它一般可以作为一系列图像处理过程的第一步。它一般要求在直方图上能得到明显的峰或谷，并在谷底选择阈值。

它的主要局限是，最简单形式的阈值法只能产生二值图像来区分两个不同的类。另外，它只考虑像素本身的值，一般都不考虑图像的空间特性，这样就对噪声很敏感，它也没有考虑图像的纹理信息等有用信息，是分割结果有时不能尽如人意。

2.2基于边缘的分割方法

边缘检测法是基于图像不连续性的分割技术。由于一副图像的大部分信息存在于不同区域的边缘上，而且人的视觉系统在很大程度上根据边缘差异对图像进行认识分析。所以可以通过检测图像的边缘信息来实现对图像的分割。它按照处理技术可以分为串行边缘检测技术和并行边缘检测技术。并行边缘检测方法是利用图像一阶导数的极值或二阶导数的过零点信息来提供判断边缘点的基本依据，经典的边缘检测方法[4]是构造对图像灰度阶跃变化敏感的差分算子来进行图像分割，如Robort算子、Sobel算子、Laplacian算子、Prewitt算子等。在有噪声时，用各种算子得到的边缘像素常是孤立的或分小段连续的，为了得到完整的边缘信息，还需进行边界闭合处理。边界闭合可以根据梯度实现，即如果某些像素的梯度的幅度和梯度方向满足规定的条件就可以把这些像素连接起来，如果对所有边缘像素都做这样的判断和连接就可能得到闭合的边界。除此之外，还可以利用数学形态学的一些操作进行边界的连接和闭合。

根据检测边缘采用方式的不同，边缘检测方法大致包括以下几类：基于局部图像函数的方法、多尺度方法、图像滤波法、基于反应—扩散方程的方法、多分辨分法、基于边界曲线拟合方法、状态空间搜索法、动态规划法、边界跟踪法、哈夫变换法等。如宋焕生等人提出了多尺度脊边缘方法，该方法利用Mallat算法，对图像进行二进度小波分解，然后计算出在二进尺度空间的多尺度脊边缘及强度，最后通过脊边缘跟踪、滤波和小波反变换，得到分割结果。张静等人提出了行扫描空间带通滤波法，是在总结前人理论和实验结果的基础上提出的一种边缘提取新方法，对电视图像的自动跟踪识别有很好的效果。杨恒等人提出了基于图像信息测度.（EIM）的多尺度边缘检测方法，该方法利用EIM能自适应地调整多尺度边缘检测中的滤波度参数，克服了传统图像信息定义的缺陷，使该方法具有较好的抗噪声和检测结果。