图像分割策略和技术的综述

A Review on the Strategies and Techniques of image Segmentation

关于图像分割策略和技术的综述

IEEE Fifth International Conference on Advanced Comput ing & Communication Technologies.2015:113 - 120

Akanksha Bali

Computer Science and Engineering Department

ASET, Amity University, Noida, India akankshabali5@

Dr. Shailendra Narayan Singh

Computer Science and Engineering Department

ASET, Amity University, Noida, India

snsingh36@

sns2033@

摘要——分割是将图像或图片分割成不同的区域以产生从所述背景兴趣对象相同的属性的方法。，这些区域具有类似的质地，强度，灰度级等的特征属性。这是一种方法，在这种方法中我们包括了对象所属的在一个类中的相同类别和其他目标对象所属的种类，用以在其他类里增加分离图像对象和背景。有几种图像分割技术，即传统的阈值（Ostu最佳阈值二值法）和聚类分割（K均值）。通过区分所有这些图像分割技术，我们必须去找到哪些细分哪些图像分割技术在图像分割特性中更好。分割是在构建分割环境中完成的。在这个构建的环境中，无论是K-均值，Ostu大津分割方法都不能产生良好的标准的分割，因为图像时刻的弱化以及和复杂的图像周围环境。

关键词——超声波图像；大津法；K-均值；合成孔径雷达(SAR)；阈值分割；期望最大值；神经网络；波长分解

1 介绍

在计算机中的感知，图像被检测为通过携带信息的最重要的手段解释的图像。此信息也可以是用于例如另一个任务：识别和癌细胞，机器人的船舵手诊断和机场的认可检测数据这是在遥远的，因此图像分割为由于方法或技术，这是我们可以解释图像和撤出的有用信息该图像。此步骤称为图象检验或图像分析图像分割方法是在图像的识别广泛使用和在许多领域，如图像的分类医疗，法医和农业[1]。

它是用于图像处理的最复杂的阶段之一，因为分割图像的标准影响其产生不精确的和错误的结果左进程的结果。计算机辅助设计是由它来完成图像分割而不会丢失信息为医疗情迷目的设计对于医疗情迷目的做图像分割而不会丢失信息是可以通过计算机辅助诊断（CAD）完成一项具有挑战性的工作[2]。

K.Hammoudda 等人，使用无监督的方法用于Gabor滤波器和Kmeans算法的帮助下进行分割。他提出了三种分割方法分别称为K均值聚类，阈值和最大化期望的分割方法。阈值因为它的清晰度和直接性质和聚类方法，因为它的高效地分类图像能力，是用于图像分割技术之间的图像分割的非常公知的方法[41]。

第一种方法称为Otsu方法的取决于灰度方法直方图并且被广泛适应，因为它是简单的，精确地处理灰度级图像的能力，它能够与全局阈值一起工作，并且它需要前者知道直方图的结构。聚类技术是基于它们的同质性，将对象无监督地分类成有意义的组或聚类。

2文献综述

这一部分的相关工作考虑了对图像分割工作进行的几个研究。我们所采取的第一篇论文是基于无监督技术的分割，基本上是在纹理图象上形成研究的。Khanna 等人发表了这方面的比较说明。作者展示了基本的三个无监督技术，包括K均值聚类，阈值和期望最大化。纹理表现出一种相对性或基本图案的周期性，其可以用于识别不同的对象。这里通过无监督

技术使用的图像是从放射科医生接收的超声图像。后来，作者发现纹理检测对于US图像分割比边缘分割更准确。由于这个原因，作者讨论了Gabor滤波器发现它的用途，因为它具有执行多分辨率分解的能力，由于其在空间和频域中的定位。本文使用上述提出了四个步骤的模型，其中包括幅度算子，幅度算子，高斯算子和Gabor前置滤波器算子，然后分割，从而产生输出[21]。

K.K Singh和A.Singh讨论了用于不同应用领域的不同类型的图像分割技术。讨论了基于像素，基于边缘，基于区域的分割技术。还解释了像种子区域和彩色图像分割算法的图像分割算法。与分割技术一起，还定义了应用领域[2]。

T.Ravichandran 等人，表示本文称为四叉树衰变，圆形阈值，圆形分割，区域分割和合并，直方图聚类和基于注册的分割的重要讲义。他的工作是基于四边形从边缘图建立的基于四边形的框架的图像分割。在边缘图中，具有相同质量的相邻四边形然后组合在一起以形成区域。他提出的算法主观和客观地评价的功能比名为种子区域的其他三种分割技术，K-means 聚类和有界引力聚类他也工作在信息理论共聚类。他提出了本文的创新思想是创造性的共聚类算法单调地提高保守的双边信息，通过关联行和列在所有阶段通过使用并发词文档聚类的示例表明该算法在存在高维度和不足的情况下表现良好。他还使用信息屏障方法通过提出基于聚类的两个新算法命名为基于注册的分割医学图像分割取决于每次仅分割一个图像的多模态图像配准以及其中图像被同时分割的信息屏障方法。他提出了包含输入的系统架构的图像和分析的图像。在这种拆分和合并之后，其中他拆分图像并计算具有类似特征的直方图位。他提出了图像分割方法。他提出基于遗传的图像分割算法，因为很难确定图像分割中的全局阈值[22]。

Devi等人，Priyanka等人。展示了包括当前分割，基于边缘检测的分割，阈值处理方法，基于区域的分割方法，基于PDE（偏微分方程）的分割方法，基于人工神经网络的分割，基于人工神经网络的分割，基于SAR领域中使用的分割图像处理和超声图像处理。

他们调查和编译一些用于图像分割的技术。在基于边缘检测的分割中，使用灰度直方图技术和基于梯度的技术。在基于区域的分割中，使用区域生长和区域分割和合并方法。蛇型模型，水平集模型，Mum Ford Shah模型用于图像分割取决于PDE。硬聚类和模糊聚类用于人工神经网络类型分割。在这篇论文中，他发现没有被接受的图像的图像分割方法，因为图像受许多因素影响，如图像的均匀性，图像内容的纹理[23]。

N.Sharma等人。展示出了研究者越来越多地运用的彩色图像的分割方法，其中已经开发了用于问题域的图像分割的各种技术和算法。本文还提出了一种基于边缘，基于阈值区域的技术和k均值聚类的图像分割的基本技术的相应研究。在本文中，他们给出技术基于区域的技术，聚类技术和分割和合并技术。分割和合并技术用于消除聚类技术的缺点[24]。

H.Narkhede等人。讨论了可以在视频的图像分割的帮助下进行的有效背景。智能监控给出了有效背景下名为视频分段的重要研究课题。图片已经取为白色或黑色。

灰度级图像使图像颜色。图像分割在图像分割技术中起着重要作用。这是医学图像分析的第一步，其显示作为图像测量，特征提取和图像显示的误差。由于头部，大脑，腿部，胸部的大小，图像分割困难。它可以基于被称为表征的图像分割评估技术被划分为两种类型，其被视为帧内技术处理和比较，其被视为帧间技术处理。