图像分割技术摘要(中文).doc

图像分割技术摘要 一、摘要 我们经常认为机器视觉系统由两个子系统构成：低级别的视觉和高级别的视觉。低级别的视觉系统主要是由可以把输入的图像转化为另一个含有更好的特征值的图像的图像处理操作组成。这些图像可能会出产一些低噪声或者引起某些特征的图像。高级别的视觉包含一些目标识别和更高级别的场景解释。这两个系统之间的过渡即为分割系统，通过分割系统，增大了得输入图像才能映射到包含了能够被高级别视觉任务使用的共同特征区域的描述中。 在图像分割上没有一个完全的理论。相反，图像分割技术基本上是很特别的，在一个理想的结体上强调一个或多个渴望的性能，对另一个性能的妥协上的不同方法，将会出现很大的不同。 这种技术可以根据不同的方法被分类很多不同的组，例如局部和全局，平行的和有顺序的，前后关系的和无前后关系的，交互式的和自动的。在这篇论文中，我们将所有的方案分为三个大组：基于象素的图像分割、基于边沿的图像分割和基于区域的图像分割。首先基于象素的图像分割方案为唯一的基于像素灰色的分类，基于边沿的图像分割方案第一次探测局部不间断点（边沿），然后利用这些信息将图像分割为区域，最后，基于区域的图像分割方案以原始象素（或原始像素组）开始，然后发展或分离这些原始象素直到这些原始图像仅由均匀的区域构成。 因为有很多的可查文件，所以我们将不讨论所有的图像分割方案。相对于一个可查的文献来说，我们提供一个详尽的综述。我们仅将多种普遍的方法作为重点，以便能展现给读者一个尽可能详尽的可用技术。 二、介绍 机器视觉系统经常被分为两个子系统：低级别视觉系统和高级别视觉系统。低级别的视觉系统主要是由可以把输入的图像转化为另一个含有更好的特征值的图像的图像处理操作组成。这些图像可能会出产一些低噪声或者引起某些特征的图像。高级别的视觉包含一些目标识别和更高级别的场景解释。这两个系统之间的过渡即为分割系统，通过分割系统，增大了得输入图像才能映射到包含了能够被高级别视觉任务使用的共同特征区域的描述中。一方面，这个程序应该对于在图像中提取出感兴趣的区域足够的敏感，另一方面，它应该对于系统中的不相干物体和噪声免疫。 理想地，一个好的图像分割器应该产生同一的和均匀的区域，它们应该尊重一些特征例如灰色色调或没有很多小洞的纹理结构。进一步地，每个分割的边界都应该被精确平滑地切割，并不是粗糙地切割。最后，临近的区域应该具有不同的特征值。这些形式可以很好地用如下的数学表达式表示： 如果I代表所有的象素并且P（）是一个定义在一组连接象素的均匀式子，I的分割为一个连接子集合或者为图像区域，如： （1） 均匀式子（如附近相同灰色等级）应该满足 （2） （3） （4） 因为在一个局域环境内噪声破坏的同次性，它不可能来决定一个导致分裂的更大区域的同次性。但是，如果噪声特征是已知的，在统计学上，这可能会决定同次性。在这种情况下，我们必须降低一致性准则，该准则在公式（4）中描述的是如果一个区域是一致性的，那么所有这个区域的子集将也是一致性的。这就意味着一个区域可能被认为是一致性的甚至当它的子集不是一致性的。 在图像分割上没有一个完全的理论。相反，图像分割技术基本上是很特别的，在一个理想的结体上强调一个或多个渴望的性能，对另一个性能的妥协上的不同方法，将会出现很大的不同。 因为有很多的可查文件，所以我们将不讨论所有的图像分割方案。相对于一个可查的文献来说，我们提供一个详尽的综述。我们仅将多种普遍的方法作为重点，以便能展现给读者一个尽可能详尽的可用技术。 三、基于象素的图像分割方案 （1） 模型方法 目前使用最广泛的图像分割方案是如图1所示的用统计的方法画出图像的直方图。直方图统计的一个模式是列出物体象素的灰度级数，同时另一个模式捕获背景象素的灰度级数。这种方法假设了存在一个固定的级数阈值能够将背景和物体分开。这个两种模式之间的固定阈值级数的选择可以使用很多种不同的方法。其中最流行的方法是Gaussian滤波和Otsu算法。 a、Gaussian滤波算法-----最简单的图像分割方法是基于贝叶斯模式识别设计理论，图像的灰度直方图是通过计算的，并且两个组成密度从联系了直方图的混合密度中萃取出来，它一般假设背景和物体都是高斯的。 算法： 1、通过下列算法计算出平均值（）和标准差（）： （5） （6）