图像分割技术研究

科技情报开发与经济ＳＣＩ－ＴＥＣＨＩＮＦＯＲＭＡＴＩＯＮＤＥＶＥＬＯＰＭＥＮＴ＆ＥＣＯＮＯＭＹ２００７年第１７卷第１８期

图像分割（ＩｍａｇｅＳｅｇｍｅｎｔａｔｉｏｎ）是图像处理中的一项关键技术，自２０世纪７０年代起一直受到人们的高度重视，至今已有上千种分割算法。简单地说，图像分割就是把图像中的物体与背景或物体与物体分割开，它是图像理解的基础，也是由图像处理进到图像分析的关键步骤［１］。因此，对图像分割理论与技术的研究具有非常重要的意义。

１图像分割的方法

１．１基于阈值的分割方法

对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范围之中的灰度阈值，然后将图像中各个像素的灰度值与之相比较，灰度值大于阈值的像素为一类，灰度值小于阈值的像素为另一类。这两类像素一般分属图像的两类区域，从而达到分割的目的。从该方法中可以看出，确定一个最优阈值是分割的关键，阈值分割实质上就是按照某个准则求出最佳阈值的过程。常用的阈值选取法有利用图像灰度直方图的峰谷法、大律法、灰度拉伸法、最小误差法等。现有的大部分算法都集中在阈值确定的研究上。目前研究者提出了许多新方法，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［２］，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。赵立初等人提出的基于小波分析的图像自适应阈值选择算法［３］，使图像直方图的特征点可以通过小波变换的特征点由粗到精地表示，从而使阈值能进行自适应选择。

阈值分割的优点是计算简单、运算效率较高、速度快。全局阈值对于灰度相差很大的不同目标和背景能进行有效的分割。当图像的灰度差异不明显或不同目标的灰度值范围有重叠时，应采用局部阈值或动态阈值分割法。另一方面，这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。在实际应用中，阈值法通常与其他方法结合使用。

１．２基于边缘的分割方法

图像最基本的特征是边缘，它是图像局部特性不连续（或突变）的结果。基于边界的分割方法是利用不同区域间像素灰度不连续的特点检测出区域间的边缘，从而实现图像分割。边缘检测是所有基于边界分割方法的第一步。根据处理的顺序，边缘检测可分为并行边缘检测和串行边缘检测。图像中相邻的不同区域间总存在边缘，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，因此常用灰度的一阶或二阶微分算子进行边缘检测。常用的微分算子有一次微分（Ｓｏｂｅｌ算子、Ｒｏｂｅｒｔｓ算子等）、二次微分（拉普拉斯算子等）和模板操作（Ｐｒｅｗｉｔ算子、Ｋｉｒｓｃｈ算子等），它是一种并行边界技术。而串行边界查找法是先检测到边缘再串行连接成闭合边界的方法，这种方法在很大程度上受起始点的影响。

基于边缘的分割方法其难点就在于边缘检测时抗噪性和检测精度之间的矛盾。若提高检测精度，则噪声产生的伪边缘会导致不合理的轮廓；若提高抗噪性，则会产生轮廓漏检和位置偏差。为此，人们提出各种多尺度边缘检测方法，根据实际问题设计多尺度边缘信息的结合方案，以较好地兼顾抗噪性和检测精度。如宋焕生等人［４］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。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，具有较好的抗噪性和检测结果。

１．３基于区域的分割方法

区域分割的实质就是把具有某种相似性质的像素连通，从而构成最终的分割区域。它利用了图像的局部空间信息，可有效地克服其他方法存在的图像分割空间不连续的缺点。在此类方法中，如果从全图出发，按区域属性特征一致的准则决定每个像元的区域归属，形成区域图，常称之为区域生长的分割方法。如果从像元出发，按区域属性特征一致的准则，将属性接近的连通像元聚集为区域，则是区域增长的分割方法。若综合利用上述两种方法，就是分裂合并的方法。它是先将图像分割成很多的一致性较强的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的。

基于区域的分割方法往往会造成图像的过度分割，而单纯的基于边缘检测方法有时不能提供较好的区域结构，为此可将基于区域的方法和边缘检测的方法结合起来，发挥各自的优势以获得更好的分割效果。

２结合特定理论工具的分割方法

近年来，随着各学科许多新理论和新方法的提出，人们也提出了许多与一些特定理论、方法和工具相结合的分割技术［５］。

２．１基于人工神经网络的分割方法

该方法的基本思想是用训练样本集对神经网络进行训练，以确定节点间的连接和权值，再用训练好的神经网络分割新的图像数据。这种方法需要大量的训练数据。神经网络存在巨量的连接，容易引入空间信息，能较好地解决图像中的噪声和不均匀问题，选择何种网络结构是这种方法要解决的主要问题。目前，由于这种方法较复杂，计算量较大，还有待进一步实用化。

２．２基于小波分析和变换的分割方法

该方法是借助数学工具小波变换来分割图像的一种方法。小波变换是一种多尺度、多通道的分析工具，它是空域和频域的局域变换，因而能有效地从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度分析，解决了傅立叶变换不能解决的许多问题。小波变换为信号在不同尺度上的分析和表征提供了一个精确和统一的框架。从图像分割的角度来看，小波分解提供了一个数学上完备的描述；小波变换通过选取合适的滤波器，可以极大地减少或去除所提取的不同特征之间的相关性，不仅具有“变焦”特性，而且在实现上有快速算法。近年来多进制小波开始用于边缘检测。另外，利用正交小波基的小波变换也可提取多尺度边缘，并可通过对图像奇异度的计算和估计来区分一些边缘的类型［６］。

２．３基于数学形态学的分割技术

数学形态学是以形态结构元素为基础对图像进行分析的数学工具。它的基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状，以达到对图像分析和识别的目的。由于形态学对图像分割具有

文章编号：１００５－６０３３（２００７）１８－０１８３－０２收稿日期：２００７－０４－０４

图像分割技术研究

张晓萌，付燕

（西安科技大学计算机系，陕西西安，７１００５４）

摘要：对传统的图像分割方法和近年来出现的一些新方法进行了综述，并分析了每

类分割方法的特点，探讨了图像分割技术的未来发展方向。

关键词：图像分割；阈值法；区域分割

中图分类号：ＴＰ３９１．４１文献标识码：Ａ

１８３