圖像分割簡介

摘要圖像分割就是將圖像中具有特定含義的不同區(qū)域分解，劃分為若干互不相交的有意義的小區(qū)域的過程。圖像分割技術(shù)的發(fā)展首先是從傳統(tǒng)的數(shù)值處理方法開始的，大致可分為以下四類:閾值法、區(qū)域法、邊緣法、模式分類法。

關(guān)鍵詞圖像分割信息數(shù)值處理法

中圖分類號:TP39文獻標識碼:A

據(jù)統(tǒng)計，在人類接受的信息中，視覺信息占到60%~70%，這個數(shù)據(jù)表明圖像在傳遞信息方面的作用十分重要。在對視覺圖像進行處理時，一般是把復(fù)雜的景物做出分解，繼而對各個目標物體做指定的測量和分析。圖像分割就是將圖像中具有特定含義的不同區(qū)域分解，劃分為若干互不相交的有意義的小區(qū)域的過程。

圖像分割借助集合概念定義:令集合R代表整個圖像區(qū)域，對R的分割看作將R分成若干個滿足以下5個條件的非空子集(子區(qū)域):

(1);

(2)對所有的i和j，若，有;

(3)對，有;

(4)對，有;

(5)對是連通的區(qū)域。

其中是對所有在集合中像素的二值邏輯謂詞，是一種相似性度量;如果區(qū)域內(nèi)像素滿足某種相似性，它的值為TRUE，否則為FALSE。

上述條件(1)指出分割的完整性，分割所得到的全部子區(qū)域的總和(并集)應(yīng)能包括圖像中所有像素，或者說分割應(yīng)將圖像中的每個像素都分進某一個子區(qū)域中。條件(2)保證各個子區(qū)域是互不重疊的，或者說一個像素不能同時屬于兩個區(qū)域。條件(3)表明分割后得到的屬于同一個區(qū)域的像素應(yīng)該具有某些相同特性。條件(4)指出分割后得到的屬于不同區(qū)域的像素應(yīng)該具有某些不同的特性。條件(5)要求同一個子區(qū)域內(nèi)的像素應(yīng)當(dāng)是連通的。對圖像的分割總是根據(jù)一些分割準則進行，條件(1)與(2)說明分割準則應(yīng)可適用于所有區(qū)域和所有像素，而條件(3)與(4)說明分割準則應(yīng)能幫助確定各區(qū)域像素有代表性的特性。

圖像分割是圖像解析的關(guān)鍵步驟，分割質(zhì)量的好壞直接影響到圖像分析時特征提取、測量及圖像識別和理解的準確性。同時，由于圖像分割的目標表達將原始圖像轉(zhuǎn)化成更抽象更緊湊的形式，使更高層的圖像分析成為可能。

從圖像分割的定義不難看出，圖像分割是基于相鄰像素灰度值的兩個性質(zhì):相似性和不連續(xù)性。區(qū)域內(nèi)部的像素一般具有某種相似性，而在區(qū)域的邊界之間具有某種不連續(xù)性。因而，分割圖像的基本思想主要有兩種途徑:一是將各像素劃歸到相應(yīng)物體或區(qū)域的像素聚類方法，即區(qū)域法;二是通過直接確定區(qū)域間邊界的邊緣檢測法。圖像分割技術(shù)的發(fā)展首先是從傳統(tǒng)的數(shù)值處理方法開始的，大致可分為以下四類:閾值法、區(qū)域法、邊緣法、模式分類法。

1 閾值法

根據(jù)灰度值閾值，把像素點按灰度級分為目標點集和背景點集，實現(xiàn)圖像分割。傳統(tǒng)方法有:(1)全局閾值法:整幅圖像使用同一個閾值做分割處理。適用于背景和前景有明顯對比的圖像。但如何確定最佳閾值要根據(jù)具體問題來確定。(2)雙閾值法:設(shè)置兩個閾值來劃分像素。優(yōu)點是防止單閾值設(shè)置過高，誤把目標像素歸為背景像素，或反之。(3)自適應(yīng)閾值法:當(dāng)物體和背景的對比度有變化時，根據(jù)圖像的局部特征，將圖像分成若干子區(qū)域分別選擇閾值，或者動態(tài)地根據(jù)一定的鄰域范圍選擇每點處的閾值，進行圖像分割。

在以上三種基本思想的基礎(chǔ)上人們又發(fā)展了很多輔助方法，如基于最大熵法、模糊測度函數(shù)的模糊熵法、有理多項式擬合法、灰度共生矩陣法、對直方圖做Fisher線性映射法等，來更好地確定閾值。閾值分割簡單有效，計算量小，可實時操作，對目標和背景對比度反差較大圖像分割很有效。缺點是主要依賴于灰度直方圖，很少考慮像素的空間位置關(guān)系，對噪聲很敏感，當(dāng)背景復(fù)雜時容易喪失部分邊界信息，造成分割的不完整。對目標與背景反差較小的圖像(如細胞與背景區(qū)分度小的圖像)很難得到精確的目標邊界。

2 區(qū)域法

根據(jù)同一物體區(qū)域內(nèi)像素的相似性質(zhì)來聚集或區(qū)分像素點，根據(jù)區(qū)域生成方式不同可分為:區(qū)域增長、區(qū)域分裂、區(qū)域合并。區(qū)域內(nèi)像素的相似性度量可以采用平均灰度值、紋理、顏色等信息。該算法對有復(fù)雜物體的圖像分割效果較理想。區(qū)域增長技術(shù)在有噪聲的圖像中一般會更好些，其中的邊緣非常難以檢測。

基于區(qū)域的分割方法可以借助圖論的結(jié)構(gòu)和算法進行歸并。還可引入分層數(shù)據(jù)結(jié)構(gòu)方法，如金字塔和四叉樹分解算法。但是，存儲空間和計算時間開銷比較大;容易受到目標內(nèi)部組織之間的重疊干擾影響;難以確定生長、分裂的終止條件，常得到不規(guī)則的邊界、不連續(xù)的區(qū)域和孔洞。

3 邊緣法

邊緣檢測法認為目標邊界處灰度不連續(xù)，邊緣點為灰度值突變點。利用像素灰度一階導(dǎo)數(shù)極值點或二階導(dǎo)數(shù)過零點來檢測邊緣點，經(jīng)典算法是采用卷積模板計算導(dǎo)數(shù)。常見的一階模板有Roberts算子、Sobel算子、Prewitt算子等，二階模板有Log算子。Canny提出邊緣檢測的三大(下轉(zhuǎn)第167頁)(上接第135頁)準則:精確定位準則、良好的檢測準則和邊緣點的一對一響應(yīng)準則，已成為很多邊緣檢測器設(shè)計的比較標準。Canny算子滿足Canny準則，但計算量較大，過程復(fù)雜。邊緣算子檢測法優(yōu)點是輪廓位置準確;缺點是對噪聲敏感，不能保證輪廓是封閉連續(xù)和單像素寬的，處理結(jié)果還需要邊緣連接和跟蹤等才能得到輪廓邊界。

邊界擬合法(參數(shù)模型匹配算法)用平面曲線來表示目標邊界，先利用先驗知識設(shè)定邊緣參數(shù)模型，然后根據(jù)梯度信息進行參數(shù)擬合，再在擬合的參數(shù)模型上進行邊緣檢測，得到的是連續(xù)的曲線而不是離散的邊緣點。即使一般方法找到的邊緣點也可以用曲線來描述，以利于高層處理。 因此擬合算子是一種很有效的形式，比較適合于醫(yī)學(xué)圖像的分割。但參數(shù)模型記錄很多的邊緣結(jié)構(gòu)信息，計算開銷很大，算法復(fù)雜，而且分割結(jié)果受到邊緣模型的制約。

4 模式分類法

采用模式識別方法進行圖像分割，可分為聚類法和訓(xùn)練分類法。聚類法是無監(jiān)督的模式識別方法，通過對目標函數(shù)的迭代優(yōu)化使數(shù)據(jù)訓(xùn)練自身，提取每個類的特征來實現(xiàn)集合劃分。最常用的聚類方法是模糊C均值算法。聚類法需要一個初始的分割，對噪聲和非同質(zhì)的灰度很敏感。

訓(xùn)練分類法是有監(jiān)督模式識別方法，首先用人工分割結(jié)果作為樣本訓(xùn)練分類器，用以區(qū)分從已知標記的圖像數(shù)據(jù)衍生而來的特征空間，然后用分類器判斷像素類別實現(xiàn)分割。參數(shù)分類器中使用得最多的是貝葉斯分類器(Bayes Classifier)。分類器要求被分割的結(jié)構(gòu)具有明顯的定量特征，在區(qū)分多區(qū)域圖像時有較高的計算效率。但是需要人工交互方式獲得訓(xùn)練數(shù)據(jù)，工作量大，而且樣本的數(shù)量及代表性對分類結(jié)果影響大;對于復(fù)雜圖像和噪聲干擾圖像使用相同的訓(xùn)練樣本會導(dǎo)致不準確的結(jié)果。

從上述分析中可以看到，針對于不同特性的圖像和不同的處理目的，需要選用不同的方法。