图像分割技术新进展简介

图像分割技术新进展简介

首先，图像分割就是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。更精确的，图像分割是对图像中的每个像素加标签的一个过程，这一过程使得具有相同标签的像素具有某种共同视觉特性。图像分割的结果是图像上子区域的集合（这些子区域的全体覆盖了整个图像），或是从图像中提取的轮廓线的集合（例如边缘检测）。一个子区域中的每个像素在某种特性的度量下或是由计算得出的特性都是相似的，例如颜色、亮度、纹理。邻接区域在某种特性的度量下有很大的不同。而现有的图像分割方法主要分以下几类：聚类法、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以及基于特定理论的分割方法等。下面先对上述方法进行简单的介绍。

聚类法①

K-均值聚类法是一种将图像分割成K个聚类的迭代技术。基本算法如下：

1．首先从n个数据对象任意选择k 个对象作为初始聚类中心；

2．对于所剩下其它对象，则根据它们与这些聚类中心的相似度（距离），分别将它们分配给与其最相似的（聚类中心所代表的）聚类；

3 .然后再计算每个所获新聚类的聚类中心（该聚类中所有对象的均值）；

4 重复第步骤2和3，直至收敛（聚类不再发生变化）。

这里，距离指像素与聚类中心之间绝对偏差或偏差的平方。偏差通常用像素颜色、亮度、纹理、位置，或它们的加权组合。K值可以手动选取、随机选取、或其它方式得到。此算法保证收敛，但它可能不会返回最佳的解决方案。该解决方案的质量取决于最初的一组集群和K值。

阈值分割②

灰度阈值分割[1]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：

其中，T为阈值，对于物体的图像元素g(i,j)=l，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、最佳阈值等等。而改进粒子群算法的三类图像分割方法,即单阈值图像分割方法、二维阈值图像分割方法和多阈值图像分割方法进行了全面研究,通过研究指出单阈值图像分割方法效果相对来说是较差的,二维阈值图像分割方

法比单阈值图像分割方法好,多阈值图像分割方法效果最好,并对每一类方法的不足以及以后要解决的问题也作了详细分析,同时也通过研究指出了图像分割技术未来的发展方向将是多种方法相结合才能得到较好的效果。③

区域分割④

区域生长和分裂合并法是两种典型的串行区域技术，其分割过程后续步骤的处理要根据前面步骤的结果进行判断而确定。而区域生长的基本思想是将具有相似性质的像素集合起来构成区域。区域生长则是从某个或者某些像素点出发，最后得到整个区域，进而实现目标提取。在这类方法中，最常用的方法是四叉树分解法。设R代表整个正方形图像区域，P代表逻辑谓词。基本分裂合并算法步骤如下：

(1)对任一个区域，如果H(R i)=FALSE就将其分裂成不重叠的四等份；

(2)对相邻的两个区域R i和R j，它们也可以大小不同（即不在同一层），如果条件H(R i∪R j)=TRUE满足，就将它们合并起来。

(3)如果进一步的分裂或合并都不可能，则结束。

分裂合并法的关键是分裂合并准则的设计。这种方法对复杂图像的分割效果较好，但算法较复杂，计算量大，分裂还可能破坏区域的边界。

边缘分割⑤

图像分割的一种重要途径是通过边缘检测，即检测灰度级或者结构具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方。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。

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Kirs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。

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

而对图像分割算法的研究已有几十年的历史，借助各种理论至今已提出了上千种各种类型的分割算法。尽管人们在图像分割方面做了许多研究工作。但由于尚无通用分割理论，因此现已提出的分割算法大都是针对具体问题的，并没有一种适合于所有图像的通用的分割算法。

所以下面列举几种新的结合算法，如一种新的熵的提取方法在图像分割中的应用⑦：针对正态云的正向云模型中熵的求法存在着误差大、计算量大的问题,提出了一种基于云理论的

"3En"规则的熵的求法。首先将图像灰度信息作出统计,将波峰值作为Ex,再将距离波峰最近的第一个波谷值与波峰之间的距离作为3En,最后通过一定规则微调得到符合条件的En。并通过实验将云模型与阈值法分割图像相结合,实验结果证明,该方法不但可以准确计算出En,使误差减少、计算量也较小,并且对图像分割效果好、效率高。再如一种改进的随机游走图像分割算法⑧：它是为克服传统以像素为单位的随机游走算法随着像素点增多，计算量大、复杂度高、分割速度大大减慢，且对彩色图像分割效果不理想的问题，提出一种改进的随机游走图像分割方法。首先，使用改进和优化后的分水岭算法对目标图像进行预分割，为防止分水岭算法过分割问题，结合使用非线性各向异性扩散方法和形态学处理方法进行处理；然后，将分水岭算法分割后形成的同质区域作为图的节点用于随机游走算法，通过用户标记种子区域，分割出感兴趣的目标物体。

但是可以看出，图像分割方法正朝着更快速、更精确的方向发展，通过各种新理论和新技术结合将不断取得突破和进展。

①蔡志华，基于K均值聚类的彩色图像快速分割方法计算机与数字工程，2013年08

期，TP391.41。

②武红玉，阈值分割算法在图像处理中的应用，科技信息2012年27期。

③刘笃晋，改进粒子群算法的图像分割阈值方法研究中国科技信息，2013年15期。

④皮志明，结合深度信息的图像分割算法研究中国科学技术大学。

⑤万方；王宏福图像边缘分割算法的优化研究与仿真，计算机仿真，2011年08期。

⑥Milan Sonka,Vadav Hhvac,Roger Boyle£.Image Processing,Amdy-sis,and Machine

Vision[M].人民邮电出版社。2009。

⑦李万臣，田淑娟，一种新的熵的提取方法在图像分割中的应用，TP391。

⑧王梅，李玉鑑，一种改进的随机游走图像分割算法，计算机与现代化，2013年08期。

⑨基于区域生长的前视红外图像分割方法，激光与红外-2011年第1期(41)。

⑩一种基于图像分割的X射线透射和背散射图像配准算法，警察技术-2011年第1期。

⑪遗传算法粒在二维最大熵值图像分割中的应用，计算机仿真-2011年第1期(28)。