关于图像分割算法与研究.docVIP

关于图像分割算法的研究 黄斌 （福州大学物理与信息工程学院 福州 350001） 摘要：图像分割是图像处理中的一个重要问题，也是一个经典难题。因此对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视，也提山了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决。本文从图像分割的定义、应用等研究背景入手，深入介绍了目前各种经典的图像分割算法，并在此基础比较了各种算法的优缺点，总结了当前图像分割技术中所面临的挑战，最后展望了其未来值得努力的研究方向。 关键词：图像分割 阀值分割 边缘分割 区域分割 引言 图像分割是图像从处理到分析的转变关键，也是一种基本的计算机视觉技术。通过图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能，因此它被称为连接低级视觉和高级视觉的桥梁和纽带。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其它伪目标中分离出来[1]。 图像分割可以形式化定义如下[2]：令有序集合表示图像区域(像素点集)，H表示为具有相同性质的谓词，图像分割是把I分割成为n个区域记为Ri，i=1，2，…，n，满足： (1) (2) (3) 条件(1)表明分割区域要覆盖整个图像且各区域互不重叠，条件(2)表明每个区域都具有相同性质，条件(3)表明相邻的两个区域性质相异不能合并成一个区域。 自上世纪70年代起，图像分割一直受到人们的高度重视，其应用领域非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。主要表现在： 1)医学影像分析：通过图像分割将医学图像中的不同组织分成不同的区域，以便更好的帮助分析病情，或进行组织器官的重建等[3][4][5]。 2)军事研究领域：通过图像分割为目标自动识别提供特征参数[6][7]。 3)遥感气象服务：通过遥感图像分析获得城市地貌，作物生长状况，云图中的不同云系分析[8][9]。 4)交通图像分析：通过分割把交通监控获得的图像中的车辆目标从背景中分割出来，以及进行车牌识别等等[10][11]。 5)面向对象的图像压缩和基于内容的图像数据库查询：将图像分割成不同的对象区域以提高压缩编码效率，通过图像分割提取特征便于网页分类、搜索等等[12]。 图像分割技术是计算机视觉和人工智能邻域中一项意义重要而又颇为艰巨的研究工作，此项技术既涉及到图像信息的下层数据处理，又牵扯到上层知识表达，与目前自下而上的单向模块化的视觉系统框架不相容，属图像信息工程的一大经典难题，长期以来一直是困扰和制约模式识别发展的瓶颈问题和技术难点。 图像分割算法 图像分割方法的研究一直受到很多学者的关注，四十多年里，图像分割的研究一直受到人们高度的重视。迄今为止。研究者们已经提出了上千种各种类型的分割算法，而且近年来每年都有上百篇相关研究成果发表。但是，现有的方法多是为特定应用设计的，有很大的针对性和局限性，对图像分割的研究还缺乏一个统一的理论体系。Fu和Mui从细胞学图像处理的角度将图像分割技术分为三大类：特征阀值或聚类、边缘检测和区域提取[13]。一个更加细致的分类里，Haraliek and Shapiro将所有算法分为6类：测度空间导向的空间聚类、单一连接区域生长策略、混合连接区域生长策略、中心连接区域生长策略、空间聚类策略和分裂合并策略[14]。依据算法所使用的技术或针对的图像，Pal and Pal也把图像分割算法分成了6类：阀值分割、像素分割、深度图像分割、彩色图像分割、边缘检测和基于模糊集的方法[1]。但是，该分类方法中，各个类别的内容是有重叠的。为了涵盖不断涌现的新方法，有的研究者将图像分割算法分类以下类：并行边界分割技术、串行边界分割技术、并行区域分割技术、串行区域分割技术、结合特定理论工具的分割技术和特殊图像分割技术[15]。而在较近的一篇综述中，更有学者将图像分割简单的分成基于数据驱动的分割和基于模型驱动的分割两类[16]。 下面，我们将图像分割算法分为以下5类：基于阀值化的分割、基于边缘的分割、基于区域的分割、基于聚类的分割、基于形态学及其他分割方法。 2.1基于阀值化的分割 阈值化分割是最常见的直接检测区域的分割方法，它就是简单地用一个或几个阈值将图像的灰度直方图分成几个类，如果只需选取一个阈值称为单阈值分割，它将图像分为目标和背景两大类；如果选取多个阈值分割称为多阀值方法，图像将被分割为多个目标区域和背景。阈值化分割的结果依赖于阈值的选取，确定阈值是阈值化分割方法的关键，阈值化分割实质上就是按照某个准则求出最佳阈值