图像分割简介

图像分割简介

作者：高超

来源：《科教导刊》2009年第04期

摘要图像分割就是将图像中具有特定含义的不同区域分解,划分为若干互不相交的有意义的小区域的过程。图像分割技术的发展首先是从传统的数值处理方法开始的,大致可分为以下四类:阈值法、区域法、边缘法、模式分类法。

关键词图像分割信息数值处理法

中图分类号:TP39文献标识码:A

据统计,在人类接受的信息中,视觉信息占到60%~70%,这个数据表明图像在传递信息方面的作用十分重要。在对视觉图像进行处理时,一般是把复杂的景物做出分解,继而对各个目标物体做指定的测量和分析。图像分割就是将图像中具有特定含义的不同区域分解,划分为若干互不相交的有意义的小区域的过程。

图像分割借助集合概念定义:令集合R代表整个图像区域,对R的分割看作将R分成若干个满足以下5个条件的非空子集(子区域):

(1);

(2)对所有的i和j,若,有;

(3)对,有;

(4)对,有;

(5)对是连通的区域。

其中是对所有在集合中像素的二值逻辑谓词,是一种相似性度量;如果区域内像素满足某种相似性,它的值为TRUE,否则为FALSE。

上述条件(1)指出分割的完整性,分割所得到的全部子区域的总和(并集)应能包括图像中所有像素,或者说分割应将图像中的每个像素都分进某一个子区域中。条件(2)保证各个子区域是互不重叠的,或者说一个像素不能同时属于两个区域。条件(3)表明分割后得到的属于同一个区域的像素应该具有某些相同特性。条件(4)指出分割后得到的属于不同区域的像素应该具有某些不同的特性。条件(5)要求同一个子区域内的像素应当是连通的。对图像的分割总是根据一些

分割准则进行,条件(1)与(2)说明分割准则应可适用于所有区域和所有像素,而条件(3)与(4)说明分割准则应能帮助确定各区域像素有代表性的特性。

图像分割是图像解析的关键步骤,分割质量的好坏直接影响到图像分析时特征提取、测量及图像识别和理解的准确性。同时,由于图像分割的目标表达将原始图像转化成更抽象更紧凑的形式,使更高层的图像分析成为可能。

从图像分割的定义不难看出,图像分割是基于相邻像素灰度值的两个性质:相似性和不连续性。区域内部的像素一般具有某种相似性,而在区域的边界之间具有某种不连续性。因而,分割图像的基本思想主要有两种途径:一是将各像素划归到相应物体或区域的像素聚类方法,即区域法;二是通过直接确定区域间边界的边缘检测法。图像分割技术的发展首先是从传统的数值处理方法开始的,大致可分为以下四类:阈值法、区域法、边缘法、模式分类法。

1 阈值法

根据灰度值阈值,把像素点按灰度级分为目标点集和背景点集,实现图像分割。传统方法有:(1)全局阈值法: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。但如何确定最佳阈值要根据具体问题来确定。(2)双阈值法:设置两个阈值来划分像素。优点是防止单阈值设置过高,误把目标像素归为背景像素,或反之。(3)自适应阈值法:当物体和背景的对比度有变化时,根据图像的局部特征,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。

在以上三种基本思想的基础上人们又发展了很多辅助方法,如基于最大熵法、模糊测度函数的模糊熵法、有理多项式拟合法、灰度共生矩阵法、对直方图做Fisher线性映射法等,来更好地确定阈值。阈值分割简单有效,计算量小,可实时操作,对目标和背景对比度反差较大图像分割很有效。缺点是主要依赖于灰度直方图,很少考虑像素的空间位置关系,对噪声很敏感,当背景复杂时容易丧失部分边界信息,造成分割的不完整。对目标与背景反差较小的图像(如细胞与背景区分度小的图像)很难得到精确的目标边界。

2 区域法

根据同一物体区域内像素的相似性质来聚集或区分像素点,根据区域生成方式不同可分为:区域增长、区域分裂、区域合并。区域内像素的相似性度量可以采用平均灰度值、纹理、颜色

等信息。该算法对有复杂物体的图像分割效果较理想。区域增长技术在有噪声的图像中一般会更好些,其中的边缘非常难以检测。

基于区域的分割方法可以借助图论的结构和算法进行归并。还可引入分层数据结构方法,如金字塔和四叉树分解算法。但是,存储空间和计算时间开销比较大;容易受到目标内部组织之间的重叠干扰影响;难以确定生长、分裂的终止条件,常得到不规则的边界、不连续的区域和孔洞。

3 边缘法

边缘检测法认为目标边界处灰度不连续,边缘点为灰度值突变点。利用像素灰度一阶导数极值点或二阶导数过零点来检测边缘点,经典算法是采用卷积模板计算导数。常见的一阶模板有Roberts算子、Sobel算子、Prewitt算子等,二阶模板有Log算子。Canny提出边缘检测的三大(下转第167页)(上接第135页)准则:精确定位准则、良好的检测准则和边缘点的一对一响应准则,已成为很多边缘检测器设计的比较标准。Canny算子满足Canny准则,但计算量较大,过程复杂。边缘算子检测法优点是轮廓位置准确;缺点是对噪声敏感,不能保证轮廓是封闭连续和单像素宽的,处理结果还需要边缘连接和跟踪等才能得到轮廓边界。

边界拟合法(参数模型匹配算法)用平面曲线来表示目标边界,先利用先验知识设定边缘参数模型,然后根据梯度信息进行参数拟合,再在拟合的参数模型上进行边缘检测,得到的是连续的曲线而不是离散的边缘点。即使一般方法找到的边缘点也可以用曲线来描述,以利于高层处理。因此拟合算子是一种很有效的形式,比较适合于医学图像的分割。但参数模型记录很多的边缘结构信息,计算开销很大,算法复杂,而且分割结果受到边缘模型的制约。

4 模式分类法

采用模式识别方法进行图像分割,可分为聚类法和训练分类法。聚类法是无监督的模式识别方法,通过对目标函数的迭代优化使数据训练自身,提取每个类的特征来实现集合划分。最常用的聚类方法是模糊C均值算法。聚类法需要一个初始的分割,对噪声和非同质的灰度很敏感。

训练分类法是有监督模式识别方法,首先用人工分割结果作为样本训练分类器,用以区分从已知标记的图像数据衍生而来的特征空间,然后用分类器判断像素类别实现分割。参数分类器