图像分割算法比较.pdfVIP

图像分割算法比较 数字图像处理常用的图像分割算法有： 1) 基于阀值的分割方法。 2) 基于边缘的分割方法。 3) 基于区域的分割方法。 4) 基于聚类分析的图像分割方法。 5) 基于小波变换的分割方法。 6) 基于数学形态学方法。 7) 基于人工神经网络的方法。 8) 基于遗传算法的方法。 …… 基于阀值的分割方法  原理 阈值分割方法作为一种常见的区域并行技术，就是用一个或几个阈值将图像的灰度直方 图分成几个类， 认为图像中灰度值在同一类中的像素属于同一物体。 由于是直接利用图像 的灰度特性， 因此计算方便简明、实用性强。显然， 阈值分割方法的关键和难点是如何取 得一个合适的阈值。 而实际应用中， 阈值设定易受噪声和光亮度影响。 近年来的方法有： 用最大相关性原则选择阈值的方法、基于图像拓扑稳定状态的方法、 Yager 测度极小化方法、灰度共生矩阵方法、方差法、熵法、峰值和谷值分析法等， 其中， 自适应阈值法、最大熵法、模糊阈值法、类间阈值法是对传统阈值法改进较成功的几种算法。 更多的情况下，阈值的选择会综合运用2 种或2 种以上的方法， 这也是图像分割发展的一 个趋势。  特点总结 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。 基于边缘的分割方法  原理 基于边缘检测的分割方法试图通过检测包含不同区域的边缘来解决分割问题，它可以说 是人们研究的最多的方法之一。通常不同的区域之间的边缘上像素灰度值的变化往往比较剧 烈， 这是边缘检测方法得以实现的主要假设之一。 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 第1 页 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。 基于边缘检测的图像分割方法可分成两大类，即串行边缘分割技术和并行边缘分割技 术。串行边缘分割方法， 首先要确定边缘的起始点， 然后根据某种相似性搜索准则寻找下 一个边缘点， 这种确定后续相似点的方法称为边缘跟踪。根据跟踪方法不同又可分为轮廓 跟踪、光棚跟踪和全向跟踪三种方法。并行边缘检测方法， 对图像上每一点的处理不依赖 其他点的处理结果， 算法可以并行处理， 大大加快搜索检测的速度。当分割的图像含有强 噪声干扰或者区域之间的性质差别很小时， 分割出来的边缘可能是不连续的，此时可考虑 用边缘连接技术把断开处连接起来。常用的边缘连接方法有曲线拟合技术， 经典的曲线拟 合技术有贝叶斯曲线拟合技术和样条曲线拟合技术; 基于Hough 变换的边缘连接技术; 启发 式边缘连接技术。  特点总结 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。 基于区域的分割方法  原理 区域分割的实质就是把具有某种相似性质的像索连通，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小连续的缺点。在此 类方法中，如果从全图出发，按区域属性特征一致