圖像分割新法綜述

徐 冰，魏崇毓

青島科技大學，山東 青島 266044

0 引言

圖像分割是計算機視覺領域中極為重要的內容之一，是實現自動圖像分析和模式識別的首要問題，也是圖像處理的經典難題之一。圖像分割的質量的優劣、區域界限定位的精度直接影響后續的區域描述以及圖像的分析和理解，是圖像處理、分析、理解中一個舉足輕重的技術。

1 遺傳算法在圖像分割中的應用

遺傳算法是基于進化論自然選擇機制的、并行的、統計的、隨機化的搜索方法。對此，科學家們進行了大量的研究工作，并成功地將它們運用于各種類型的優化問題中。在分割復雜的圖像時，人們往往采用多參量進行信息融合，在多參量參與的最優值的求取過程中，優化計算是最重要的，把自然進化的特征應用到計算機算法中，將能解決很多優化計算的困難。遺傳算法的出現為解決這類問題提供了新而有效的途徑，它不僅可以得到全局最優解，而且大量縮短了計算時間。

2 基于小波分析和變換的分割方法

小波變換是一種多尺度多通道分析工具，比較適合對圖像進行多尺度的邊緣檢測。小波分解的級數可以控制觀察距離的“調焦”，而改變高斯函數的標準差可選擇所檢測邊緣的細節程度。小波變換的計算復雜度較低，抗噪聲能力強。另外，利用正交小波基的小波變換也可提取多尺度邊緣，并可通過對圖像奇異度的計算和估計來區分一些邊緣的類型。在多尺度分析下，圖像的類別信息和位置信息是一對矛盾，兩者之間存在不確定性。在利用多尺度進行分割時，跨多個尺度的圖像分析相當于在較粗尺度下以高位置分辨率換取較大類別分辨率。因此，如何組合跨尺度信息，恢復已丟失的空間分辨率是多尺度分割算法的難點。多尺度分割的任務就是根據所有尺度下的信息，平衡類別信息與位置信息之間的矛盾，使內在的不確定性達到最小化。充分考慮尺度之間的拓撲關系和對稱性，可以大大提高分割算法的計算效率。

3 基于人工神經網絡的分割方法

近幾年神經網絡在圖像分割中的應用得到了很大的發展，按照處理數據類型大致上可以分為兩類：一類是基于象素數據的神經網絡算法；另一類是基于特征數據的神經網絡算法，即特征空間的聚類分割方法。基于象素數據分割的神經網絡算法用高維的原始圖像數據作為神經網絡訓練樣本，比起基于特征數據的算法能夠提供更多的圖像信息，但是各個象素是獨立處理的，缺乏一定的拓撲結構，而且數據量大，計算速度相當慢，不適合實時數據處理。目前，有很多神經網絡算法是基于象素進行圖像分割的，如Hopfield神經網絡、細胞神經網絡、概率自適應神經網絡等。基于特征的神經網絡算法主要是對特征空間的聚類分割方法進行改造。特征空間聚類分割方法關鍵的問題是有效特征參數的提取和聚類方法的構造。有效的特征提取方法有很多，大致上可以分為4種：幾何特征方法、統計特性方法、信號特性方法和基于圖像模型的方法。傳統的聚類方法效果差，且是基于一定前提假設的，神經網絡打破了傳統聚類方法的限制，已經成為尋找聚類新方法的基礎。目前，使用的神經網絡模型有SOFM神經網絡，LEGION神經網絡模型、前向反饋神經網絡等。神經網絡在解決如CT圖像、遙感圖像、聲納圖像等一系列復雜的圖像分割方面顯示了其特有的優勢，但解決問題的機理很難理解，網絡節點個數、網絡層數等的設計還缺乏比較系統的理論指導。另外，神經網絡的訓練有時比較費時。

4 結論

從上述內容可知，圖像分割沒有一個通用的算法，只能從實際問題出發選擇合適的算法。隨越來越多人對圖像分割的研究，將會產生更多的新的理論、方法和工具，但是它們的方向始終會朝著對圖像分割的更智能化、精確化和實用化方向發展。