基于区域图像分割算法.docVIP

基于区域的图像分割算法述: 图像分割是图像处理和计算机视觉的基本问题之一，是图像处理和图像分析的关键步骤。本文对基于区域的图像分割方法进行了综述，具体介绍了阈值法、区域生长和分裂合并法、基于统计学的算法等三种方法，并分析出各算法在应用中的优缺点。图像分割，阈值法，区域生长，分裂合并，统计学算法Survey of Image Segmentation Method Based on Region Abstract: Image segmentation is one of basic problems in image processing and computer vision, and is a key step in image processing and image analysis. The image segmentation methods based on region are surveyed here, including three methods about thresholding ,region growing, splitting and merging and the methods based on statistics methods, and the merits and demerits of each method in using are analyzed. Keywords: Image segmentation，Thresholding，Region growing，Splitting and merging，Statistics methods 设计目的：通过本文的讨论，让我们熟悉并掌握几种常见的图像分割的方法。并熟知这几种常用方法的优缺点和适用条件，了解它们的发展趋势及方向。对于以后算法的优化与分析做好铺垫。 可行性讨论：这篇文章讨论的数字图像处理的几种常用方法，很适合初学者快速了解并掌握它的算法，为以后的学习做了很好的引导，所以我认为这篇文章涉及的方法很实用，也很可行。 设计过程 图像分割是数字图像处理中的一项关键技术，在许多领域均有所应用，多年来一直受到研 究人员的高度重视。然而，目前使用的上千种图像分割算法大都是针对具体问题所提出的，虽然 每年都有新的图像分割算法提出，但是并没有一种通用的算法能适用于所有的图像分割处理。基 于区域的图像分割算法是图像分割算法中较常用的一部分。本文对基于区域的图像分割算法作以 系统的分类和基本的介绍，并分析出各算法的优缺点。根据图像分割的处理方式不同，可以将基于区域的图像分割算法分为以下三大类：（1）阈值法（2）区域生长和分裂合并（3）基于统计学的算法。 1 阈值法 阈值法是一种简单有效的图像分割方法。阈值是用于区分目标和背景的灰度门限。如果像只有目标和背景两大类，那么只选取一个阈值称为单阈值分割。如果图像中有多个目标，就需要选取多个阈值将目标及背景分开，这种方法称为多阈值分割[1]。阈值法的数学描述[2]如下： 设（x，y）是二维数字图像的平面坐标，图像灰度级的取值范围是G={0，1，2，…，L－1}(习 惯 0 代表最暗的像素点，L－1 代表最亮的像素点)，位于坐标点（x，y）上的像素点的灰度级表示为f(x，y)。设t G为分割阈值，B={b0，b1}代表一个二值灰度级，并且b0，b1 G。于是图像函数f(x，y)在阈值t上的分割结果可以表示为 阈值分割法实际就是按某个准则函数求最优阈值t的过程。常用的阈值选取方法有：灰度直方图峰谷法[3]、最小误差法[4]、最大类间方差法[5]、最大熵自动阈值法[6]等阈值法的优点是计算简单，速度快，易于实现。尤其是对于不同类的物体灰度值或其他特征 值相差很大时，能很有效地对图像进行分割。阈值法的缺点是当图像中不存在明显的灰度 差异或灰度值范围有较大的重叠时，分割效果不理想。并且阈值法仅仅考虑图像的灰度信息而没有考虑图像的空间信息，致使阈值法对噪声和灰度不均匀十分地敏感。2 区域生长和分裂合并 区域生长和分裂合并是两种典型的串行区域分割算法。其特点是将分割过程分解为顺序的多个步骤，其中后续步骤要根据前面步骤的结果进行判断而确定。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，该方法需要先选取一个种子点，然后依次将种子像素周围的相似像素合并到种子像素所在的区域中。区域合并的基本思想是将输入图像分成多个相似的区域，然后类似的相邻区根据某种判断准则迭代地进行合并。在区域分裂技术中，整个图像先被看成一个区域，然后区域不断被分裂为四个矩形区域，直到每个区域内部都是相似的。分裂合并算法中，区域先从整幅图像开始分裂，然后将相邻的区域进行合并。 区域生长算法的优点是计算简单，特别适合于分割小的结构。缺点