基于自組織原理進行圖像分割的研究和應用進展

王 沛

（電子科技大學自動化工程學院,四川成都,611731）

0 前言

圖像分割是指將圖像劃分為對觀察者有意義的若干區域或部分。通俗點說，就是將圖像中所關心的特征或區域從原圖中提取出來，即將圖像劃分成若干互補相交的區域，使各區域具有一致性，而相鄰區域的屬性特征有明顯的差別的過程。所謂的“自組織過程”，從系統學的觀點分析，是指一個系統只在內在機制的驅動下，自行從簡單向復雜，從粗糙向細致方向發展，不斷地提高自身的復雜度和精細度的過程。通俗的解釋是一個系統，在沒有系統外因素的干預下，緊靠系統內結果和元素，根據一定的算法規則變化，使整個系統體現出從不穩定到穩定，從雜亂到收斂的過程。

基于自組織原理進行圖像分割的過程是在沒有系統外因素的影響下，圖像自發的以一種簡單的規則，使原圖像自動地進行分割。即圖像分割的過程，體現的是一個自組織過程。

1 圖像分割方法的分類

目前對圖像分割的分類方法，主要從下面三個角度進行的。根據圖像本身屬性，根據計算策略，以及根據具體算法。前兩個角度由于站在了比較高的視角，因而比較全面，避免了各種方法之間的相似性和重疊性。

根據圖像本身的分類方法，是基于圖像中區域內像素灰度值具有相似性和連續性，區域間像素值則一般表現出不連續性這個特點，將圖像分割分為利用區域間特性的不連續性的基于邊界的算法和利用區域內特性相似性的基于區域的算法。

如果根據分割時的計算策略，分割算法又可分為并行算法和串行算法，在并行算法中，所有判斷和決定都可獨立地和同時地作出，而在串行算法中，先前處理的結果可被其后的處理過程所利用。

第三種分類角度，是基于特定理論來進行分類的。根據特定理論，圖像分割可有上千種分類，具有代表性的有：基于數學形態學的（多重分形、分水嶺）、基于模糊理論的、基于神經網絡的、基于支持向量機的、基于圖論的、基于Markov隨機場、基于小波分析、基于遺傳算法、基于偏微分方程、基于群體智能的、基于統計區域合并等等。

由于圖像分割是圖像處理的關鍵技術，設計到許多其它的學科和領域，它的發展也與其它領域息息相關。所以，每當有新的數學工具或方法提出，圖像工作者都會試圖將其用于圖像分割，因而提出了不少特殊的算法。又由于圖像分割是一個較新的領域，理論體系還不夠成熟，迄今尚無通用的分割算法。此外，給定一個實際圖像分析問題要選擇合適的分割算法同樣沒有標準的方法。根據自組織原理的特點，其實在很多具體的方法中，自組織原理的思想已經滲透到它們當中，運用這些方法進行圖像分割時，體現出了很好的自組織性。比如基于群體智能的分割算法、基于聚類理論的分割算法、基于免疫機制的分割算法、基于神經網絡的分割算法、基于多重分形的分割算法以及基于統計區域合并的分割算法等等。在下面的篇幅，本文將針對這些方法進行討論。對于每種分割算法，則從下面四個方面對其進行討論，算法的基本思路，自組織性是如何體現的，該算法的特點以及目前的研究和應用進展情況。

2 基于自組織原理進行圖像分割的方法

2.1 基于群體智能的圖像分割算法

群體智能是指鳥群、蟻群、魚群等眾多行為簡單的個體相互作用而產生的生物群體智能。利用群體智能對實際問題建立數學模型后，通?？梢赞D化為尋找目標函數最優解的問題。

它的自組織性體現在，群體中的個體思維很簡單，它們各自按照一定的規則移動，但群體這個系統，卻表現出了從一個狀態到另一個狀態的變化。因此，在某種意義上，可以把圖像分割歸結為分割目標函數引導下的優化求解問題，從而利用群體智能從仿生學角度求解。

典型的群體智能算法有蟻群算法，粒子群算法，遺傳算法以及它們的改進算法和混合算法等，它們用于圖像分割時，都有以下幾個特點：自適應性好，較強的魯棒性，并行計算，執行時間長。

目前，群體智能算法的數學理論基礎相對薄弱，缺乏普遍意義上的理論分析，不同的群體算分應用于圖像分割時，往往性能有很大的差異，且往往應用于不同的圖像處理方面。群體智能算法性能評價多是利用一些數學測試函數，當應用于圖像處理方面，很多設置參數都是依據經驗來取值，不同算法間比較性研究較少，缺乏使用于性能檢測的測試平臺、測試規范和相關指標等。在圖像分割技術中，多種基于群體智能的算法已成功運用于各個領域。如利用遺傳算法對皮膚鏡像圖像進行分割，利用遺傳算法合并子區域目標函數，有效分割了皮膚腫瘤圖像。利用人工蜂群算法對圖像邊界進行快速搜索，完成了基于邊緣的圖像分割。

2.2 基于聚類的圖像分割算法

聚類算法用于圖像分割的主要思路是通過迭代地執行圖像分類算法并最小化聚類指標來完成任務的，即首先將像素灰度等性質特征映射到根據一定的規則分為若干區域的特征空間中，然后根據像素的性質并搜索特征空間內點的聚類情況判定其所屬的區域類別，對像素點加以標記，從而實現圖像的區域分割。

聚類算法的自組織性體現在，在圖像分割過程中，每個像素單元的規則很簡單，都在循環的執行計算隸屬度和聚類中心，接著判斷自己所屬區域的類別這一簡單的任務，但圖像整體，則逐漸的完成了分割的過程，在這一變化過程中，是沒有收到系統外因素影響的，這正是自組織性的體現。

用于圖像分割的聚類算法有C均值聚類、K均值聚類、模糊聚類、譜聚類等等。各種的聚類算法都有各自的優缺點，由于實際問題的復雜性和數據的多樣性，使得無論對于哪一類聚類算法一般都只能解決某些問題，仍然不存在具有普遍適用的聚類分割理論。目前，聚類算法在圖像分割方面的研究主要分為兩個方面。一是對算法本身進行研究以提高圖像分割的效果。如對傳統聚類算法的改進、聚類算法和其它分割算法融合都屬于這一類。這些新的方法已經應用于紋理圖像分割、彩色圖像分割、序列圖像分割、遙感圖像分割等方面。二是在圖像的特征提取方面進行研究。

隨著研究的深入，對基于聚類的圖像分割方面的研究又提出了許多新的要求:（1）對聚類算法在圖像分割中快速實現的要求極為迫切。（2）聚類算法在圖像分割中類別數目的準確確定。（3）聚類算法在圖像分割中的抗噪聲性能的改善。

2.3 基于免疫的圖像分割算法

免疫算法用于圖像分割時，免疫過程與圖像分割過程的對應關系如下：將待分割的圖像看做入侵的抗原；抵抗抗原的抗體，抽象為針對某一圖像特定的分割函數，不同分割函數組成的集合則相當于存儲分泌抗體的記憶細胞。免疫算法用于圖像分割的基本流程為，當輸入待分割的圖像時，相當于有抗原入侵，這時，機體中記憶細胞會根據以前的處理情況，判斷是否有之前有類似抗原入侵，查找是否有處理該抗原的機制。也就是判斷系統的分割函數庫中是否有可以達到分割要求的函數，如果有則輸出分割結果；沒有則隨機產生抗體。

免疫算法的自組織性體現在，運用免疫算法執行圖像分割的過程中，并沒有人為的進行控制操作，而是系統根據輸入待分割的圖像自行調整分割算法從而達到最優分割的結果。整個過程體現了自組織系統不需要外接干預，通過自身內部特征完成系統更新的特性。

與其它基于自組織原理的算法相比，免疫算法的最大特點是算法本身并沒有給出一種具體的分割方式，而僅是對分割過程進行了控制，使系統具有了自組織、自適應的特點。它可以和其它分割算法進行很好的結合。由于免于疫算法自身的特點，使得它的思想可以運用于幾乎所有的分割算法中。

在應用進展方面，免疫算法同樣也在各個領域的圖像分割中發揮著巨大作用。目前在自然圖像，遙感圖像，顯微圖像等方面都有所應用。

2.4 基于自組織神經網絡的圖像分割算法

自組織神經網絡算法是模擬人腦神經網絡的結構和某些功能而出現的一種新型算法。它的基本思想還是一種聚類的思想。通過一種學習機制，僅根據輸入數據的屬性和特征調制系統結構和功能，從而對像素點進行聚類完成圖像的分割。

自組織行體現在，在該算法中，神經網絡的學習過程，是通過各個神經元的學習過程實現的。每個神經元都遵循一個簡單的規則，根據輸入調整神經元間的影響程度（權值），每個神經元都遵循這樣一個簡單的規則，在不斷的提供輸入不斷的自學習過程中，眾多神經元組成的神經網絡系統逐漸趨于穩定。

自組織神經網絡算法的特點主要有以下三個：神經元對信息的處理具有并行處理的特點；對信息的處理具有自組織性，自學習，自適應的特點；很好的容錯性。

在研究和應用進展方面，比較常見的自組織神經網絡有Kohonen神經網絡，ART神經網絡，CPN神經網絡，Linsker神經網絡等。目前，以自組織神經網絡算法為基礎，出現了下面兩個研究方向：對算法本身的改進。以及和其它算法的結合。該算法的優勢能很好的適應醫學圖像具有模糊性的但又高度關注于細節的特點?，F階段，基于自組織神經網絡的應用主要集中在醫學領域用于對CT圖像、MRI圖像、DSA圖像、PET圖像中器官和病灶的分割。

2.5 基于多重分形的圖像分割算法

多重分形圖像分割算法是以數學中分形學為理論基礎，根據同一物體表面具有自相似性，不同物體表面粗糙程度不同進行邊緣提取，之后通過區域生長和區域合并進而完成圖像分割。該算法在圖像分割中的實現，是通過計算每個像素點的奇異值和多重分形譜，并根據多重分形譜的各種測度修正這樣一個簡單的規則，提取出圖像的邊緣信息，然后完成對整個圖像的分割。這個過程，是一個系統中各單元影響整體的自組織過程。

與傳統基于邊緣的分割算法相比,多重分形算法具有如下優點：可檢測出清晰和精準的邊緣圖像，邊沿連續清晰，區域性好；基本不受噪聲影響，抗噪性好。

目前，出現了多種改進型和與其它算法結合的多重分形分割算法，如基于亞像素邊緣測得的多重分形算法，與自組織神經網絡結合的多重分形算法。

由于多重分形圖像分割算法自身的特點，目前它的應用范圍較廣，已滲透到許多領域，比如在遙感領域，已將該算法應用到了合成孔徑雷達（SAR）圖像的分割，以及遙感圖像的分割。在醫學領域，基于該算法完成了對CT圖像進行了分割等等。

2.6 基于統計區域合并的圖像分割算法

該算法提出一種自適應閾值的思想。閾值的選取不再是固定的，而是每個像素點基于自身周圍像素點和整個圖的統計特征，根據一定規則選取閾值完成小范圍內的分割，最后利用概率統計的方法對分割區域進行合并。

自組織性體現在，盡管某個像素點僅根據一些簡單的規則來選取閾值，但所有像素點都按照這樣一個相同的規則，從而為整個圖像的分割做了準備。系統中元素單元遵循相同的變化準則，促成了系統的變化。這可以看作自組織性的體現。

相比傳統閾值分割算法，提出了一種以像素為單位自適應的提取閾值，并用統計的方法完成了區域的合并。統計的方法站在了圖像的全局來考慮，避免了圖像中特殊點的影響，最大的特點是抗噪性較好。

雖然在圖像分割領域，對于該算法的研究已出現多年，但國內外的研究都相對較少，僅有極個別成果出現。主要集中在和分水嶺算法的結合上。本算法的復雜度和在尺度性方面分割區域的一致性還有待提高。

3 總結

3.1 圖像分割技術的現狀

圖像分割是一種非常重要的圖像處理技術，似乎圖像分析和理解的第一步，被廣泛應用于醫學圖像處理，遙感圖像處理，目標跟蹤和生物特征識別等諸多方面。從不同的角度，對圖像分割的分類情況也不同。 迄今尚無通用的圖像分割理論，因此現已提出的分割算法大都針對具體問題，并沒有一種合適于所有圖像的通用分割算法。此外，給定一個實際圖像分析問題要選擇合適的分割算法同樣沒有標準的方法。為此需要對圖像分割的評價進行研究。分割評價不僅是改進和提高現有算法的性能，改善分割質量和指導新算法研究的重要手段，而且基于評價知識還可幫助從許多圖像分割算法中根據應用要求選擇最優的方法。最后，分割評價通過對分割算法性能的研究以達到優化分割的目的，它不僅可提高現有算法的性能，對研究新的分割技術也具有指導意義。但目前國內外對圖像分割評價方法和準則的系統研究仍很缺乏。另外，為了達到更好的分割效果，圖像分割往往和其它圖像處理技術結合使用，如圖像濾波技術等。

3.2 基于自組織原理進行圖像分割的研究和應用現狀

在以上所討論的眾多方法中，可以清楚的看到，基于自組織原理的分割技術，已經滲透到基于邊緣和基于區域兩種分割類型中，如用于圖像分割的群體智能算法，多重分形算法是基于邊緣檢測的，而模糊聚類，統計區域合并則是基于區域的，免疫算法更是貫穿于兩種基本類型中。不同的算法已經應用于各個領域，它們都有各自的特點以及最適合的應用場合，如自組織神經網絡主要用于醫學圖像分割，統計區域合并算法目前主要應用于遙感圖像分割等。但也可以看到，它們都有以下共同的特點：

·都具有一定的自組織性、自學習性、自適應性。

·都具有并行計算的特點。

·較傳統算法一般具有高質量的分割結果，但執行時間通常較長。

對于基于自組織原理圖像分割技術的研究，為了達到更加精確、快速、更好的魯棒性和適應性的要求，目前的研究主要集中在以下幾個方面：

·對算法本身的改進。 即優化相關函數等

·多種算法結合，充分利用各自的優點。

·嘗試將其它自組織算法應用于圖像分割。

本文在眾多基于自組織原理的圖像分割方法中，主要針對六個主流算法做了討論，可以發現很多算法都體現了一定的自組織性?；谧越M織原理進行圖像分割方法也具有廣闊的應用前景和研究價值。

[1]胡中功，李靜.群智能算法的研究進展[J].自動化技術與應用 ,2008（2）

[2]劉艷麗.面向圖像分割的群體智能算法性能分析與優化方法研究[D].陜西；陜西師范大學2012：2-3.

[3]MAN Bacterial foraging algorithm based iamge fusion in Contourlet domain[J]Advanced Materials Research ,2011

[4]肖永豪，余衛宇.基于蜂群算法的圖像邊緣檢測[J].計算機應用研究,2010(7)