彩色图像分割算法总结.docVIP

彩色图像分割算法总结 　　【 摘 要 】 图像分割是计算机视觉和图像分析的核心技术，作者首先对当前各种图像分割算法进行全面的分析和研究，指出色彩在图像分割技术中的作用。然后对直方图阈值法、特征空间聚类及区域生长、分水岭分割算法、神经元网络等主要的彩色图像分割技术进行综述，并分析比较这几种方法的特点，并且引入了颜色模型的概念，进行了研究。最后结论部分，提出图像分割算法的评估体系，展望了彩色图像分割技术的发展趋势和将来的研究方向。 　　【 关键词 】 图像分割；阈值；空间聚类；区域生长点；分水岭；神经网络 　　【 中图分类号 】 TP391.4 　　1 引言 　　图像分割是模式识别和图像分析的核心技术，图像分割是将具备特定属性的目标区域从一定的背景中进行提取。可作如下定义：对一幅图像p（x，y）（0≤x≤xmax，0≤y≤ymax进行分割就是将图像划分为满足条件的N个子区域pi（x，y），i=1，2，...，N。经典的图像分割是基于灰度的，一般单元区域内的灰度级别最多几十个。与灰度图像相比，彩色图像更符合人的视觉特性，更加切合人类对外在世界的认识。由于彩色图像具有颜色空间的信息，如何将颜色空间信息表达为特征，研究颜色空间信息的表达方式以及颜色空间信息在图像分割中所起到的作用，已成为彩色图像分割技术的核心课题。 　　2 彩色图像分割方法的研究和特点分析 　　2.1 彩色图像分割方法的研究 　　彩色图像分割算法的研究最近一些年取得了很大的进展，呈现百花齐放之势。图像分割很大程度上依赖于特定领域需求、特定的目标对象、以及分割背景……这些因素很大程度上影响着分割效果。目前具有广泛应用基础的主要有基于直方图阈值分割、基于特征聚类和区域生长的、基于分水岭算法、基于人工神经网络等。 　　2.1.1直方图阈值法 　　利用灰度阈值变换分割图像就称为阈值分割。它的特点是算法简单、计算量小、性能稳定，因而成为最基本和应用最为广泛的分割技术。阈值分割的基本思想：设置特征阈值，把每个像素点的灰度值和阈值相比较，根据比较的结果把该像素划分为两类―目标区域和背景区域。 　　阈值分割一般分为三步骤：（1） 确定阈值；（2）将阈值和像素比较；（3）把像素归类。其中第（1）步阈值最重要，阈值的选择将直接影响分割的准确性以及由此产生的图像描述、分析的正确性。 　　常用的直方图阈值法有根据直方图谷底确定阈值、迭代选择阈值、最小均方误差法、最大类间方差法。国外学者Hollander 等提出了一种基于多维的直方图阈值化方案，该方法的基本思想是直方图阈值从不同的颜色空间（RGB、YIQ、HSI）中得到，并且把该阈值用于即将进行的区域分裂。然而，对于每个待分裂的区域，首先计算出各颜色空间中各分量的特征量的直方图，然后再确定各个直方图的峰值，从得到的峰值中选出具有最佳峰值的直方图，即用该峰值作为阈值，将待分裂的区域再分为两个子区域，采用递归算法，对于新分裂出的子区域重复相同的过程，直至每个区域都是相似的，不能再进行分裂为止。汤凌等人甚至提出一种基于人工免疫的图像分割算法，该算法在生物免疫的思想上加入了人工免疫算子，不仅能够确定最优阈值，而且还能大大缩短分割时间。 　　基于直方图阈值法的优点是计算量较小，而且不需要先验信息。缺点主要体现在四点：（1）基于单独的某个颜色分量的峰值分割图像区域是不完整的；（2）可能待分割的图像各个颜色分量的直方图并不具备明显的波峰或波谷；（3）彩色图像的像素映射到灰度图像的时候伴随发生的颜色信息发散；（4）直方图阈值法是个全局的方法，并没有考虑到局部空间信息。 　　总之虽然很多研究对阈值分割的算法进行了改进，图像分割的效果有所提高。但在阈值的设置上还是没有很一个很好的解决方法。若将智能遗传算法引用到阈值筛选上，或许对于最优分割图像的阈值的确定大大有利，这或许是基于阈值分割的图像分割法的发展趋势。 　　2.1.2特征空间聚类以及区域生长 　　特征空间聚类算法在提取各类的特征值迭代的分类算法，因此不需要预先训练样本，特征空间聚类算法是一种无监督的统计学方法，比较常用的分类方法有模糊C-均值、K-均值等。对于彩色图像，在颜色空间上聚类必须先确定聚类数目，进行聚类的有效性分析，这种方法的优点，充分利用了各个颜色分量上的颜色信息，而且直观易于实现。 　　基于特征空间聚类算法没有考虑到空间信息，对噪声比较敏感，但是它不需要预先训练样本，只需要确定聚类的数目。 　　区域生长分割方法对噪声不敏感，所以对目标区域进行模糊聚类分割以后，对分割出来的区域进一步进行区域生长，以达到更精确的分割目的。区域生长是根据事先定义的准则将像素或者子区域聚合成更大区域的过程。其基本思想是从一组生长中心开始（生长中心可以是单个像素，也可以是某个小区域）