图像分割算法综述和探索.docVIP

图像分割算法综述和探索 　　[摘 要] 图像分割是图像处理和计算机视觉领域中的基本技术,在生物医学、航空航天、文化艺术等领域有着广泛的应用,一直是图像处理研究的热点。本文系统介绍了几种常见的图像分割算法。 　　[关键词]图像分割 阈值 区域和边缘 交互式算法 　　 　　一、引言 　　随着人类社会和计算机技术的不断进步,数字图像处理技术得到了前所未有的飞速发展。图像分割是图像分析和模式识别的首要问题,也是图像处理技术的研究热点和难点,自上世纪70年代起一直受到人们的高度重视。图像分割在很多领域中己得到广泛的应用,例如,在交通图像分析中,把车辆目标从背景中分离出来;在医学应用中,将核磁共振(MR) 图像中的特定器官分割出来,用于疾病的诊断;在遥感图像中利用纹理的差别分割出不同背景分布的云系;在农业中图像分割被用于户外植物的检测。 　　图像编辑是另一个需要用到图像分割技术的地方。想象一下,也许你从未去过埃及,不过这并不妨碍你拥有一张与神秘金字塔亲密接触的照片,现代数字图像处理技术可以很方便得帮你做到这一点。打开一张你的生活照片,使用任何一个图像工具,把自己的影像“抠”出来,然后放入一幅金字塔背景图像中。这样,你的第一次埃及之旅就完成了。概括来说,在各种应用中如果需要对图像目标进行抽取、测量等处理就离不开图像分割技术。 　　二、图像分割算法分类 　　图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,使得这些特征在同一区域内表现出一致性或相似性,而在不同区域间表现出明显的不同[1]。简单地讲就是对图像中的目标进行标记、定位,然后将要识别的目标从背景或其它伪目标中分离出来,为目标识别、精确定位等后续处理提供依据,其结果将直接影响到后续的信息处理过程。 　　图像分割的方法和种类有很多,但没有唯一的标准的分割方法,也就是说没有什么图像分割的算法是对所有图像都适合的。有些算法需要先对图像进行粗分割,因为他们需要从图像中提取出信息。许多不同类别的图像或景物都可作为待分割的图像数据,某种分割算法只局限于特定的分割对象,因此系统而有效的分类方法能帮助我们了解图像分割领域的发展和研究现状。 　　现今国内外广泛使用的图像分割算法主要分为:基于阈值的方法、基于聚类的方法、基于区域和边缘的方法、基于全局优化的方法以及其他方法。 　　1、基于阈值的方法 　　在图像分割的众多方法中,阈值分割是一种最基本和应用最广泛的分割技术,这种技术计算量较小,实现起来比较简单而且性能也相对稳定。阈值分割利用了图像中要提取的目标物与其背景在灰度特性上的差异,把图像视为具有不同灰度级的两类区域(目标和背景)的组合,选取一个合适的阈值,以确定图像中每一个像素点应该属于目标区域还是背景区域,从而产生相应的二值图像[2]。要从复杂的图像中分辨出目标并将其高质量地提取出来,阈值的选取是图像阈值分割技术的关键。如果阈值选取偏低,过多的背景被误认为是目标点;如果阈值选取过高,则出现相反的状况。 　　Ostu提出了最大类间方差法[3],这是最常用也是最经典的阈值图像分割算法,该算法简单、处理速度快。Ostu图像分割方法仅适合图像目标和背景分布比较均匀并且目标和背景各像素基本相当的情况,针对实际图像中目标和背景分布的多样性和复杂性,胡斌等人提出了一种改进的Ostu阈值分割算法[4],既利用了像素点的灰度分布信息,也利用了像素点的邻域空间相关信息,对直方图呈单峰或者无明显双峰的图像有较好的分割效果。汤凌等人提出一种基于人工免疫的图像分割算法[5],该算法在生物免疫的思想上加入了人工免疫算子,不但能找到最优的阈值,而且分割时间是传统的1.8%。2008年赵晖等人又提出了一种基于峰值聚类趋势检测的图像分割方法[6],该方法在二维直方图的基础上通过平行线投影,将二维问题转化成一维问题,不仅继承了二维直方图阈值分割的精确性以及去噪特性,还继承了一维直方图阈值分割的时效性,主要针对含有较高噪声图像的分割。 　　2、基于聚类的方法 　　聚类法是图像分割中较为实用的方法,它把一个没有类别标记的样本按照某种准则划分成若干区域,使相似的样本尽可能归于一个区域,而把不相似的样本划分到不同的区域中。聚类总体上包括硬聚类和模糊聚类。硬聚类把每个待识别的对象严格地划分到某个区域中,而模糊聚类建立了样本对区域的不确定描述,更客观,是目前常用的聚类方法。 　　模糊C均值算法(简称FCM)作为一个无监督的聚类算法已经广泛应用在图像处理领域,它是由Bezdek将Dunn的硬C均值(HCM)算法进一步推广到聚类分析中[7]。FCM算法采用了迭代优化思想,首先由C均值聚类得到聚类中心的次最优解,再模糊聚类得到图像的最优聚类分割。该算法具有良好的局部收敛性,在处理小数