圖像分割技術綜述

摘 要：圖像分割是圖像處理中的一項關鍵的技術，是目標識別和圖像解釋的前提，多年來一直倍受關注。目前，在圖像分割領域里的分割方法眾多，但至今沒有一種通用的方法。文章綜述了近年來在圖像分割技術中出現的常用方法及它們的優缺點，并對圖像分割技術的前景進行了分析及展望。

關鍵詞：圖像分割；邊緣檢測；圖論

1 引言

在對圖像的研究和分析中，人們通常對圖像中特定的、具有獨特性質的區域感興趣，圖像分割就是指把這些區域提取出來的技術和過程。正因為圖像分割作為前沿學科充滿了挑戰，近年來，吸引了眾多學者從事這一領域的研究。圖像分割技術在航空航天、生物醫學工程、工業檢測、機器人視覺、公安司法、軍事制導、文化藝術、地理測繪等領域受到廣泛重視，并取得了重大的開拓性成就，使其成為一門引人注目且前景廣闊的新型學科。

2 傳統的圖像分割技術

圖像分割一般根據要解決的問題將圖像細分為感興趣對象的集合，其分割方法的種類已達上千種。傳統的圖像分割技術多為基于圖像局部特征的圖像分割方法，是根據圖像局部區域中像元的特征來實現圖像分割的方法。

2.1 基于閾值的圖像分割技術

閾值分割法是一種傳統的圖像分割方法，因其實現簡單、計算量小、性能較穩定而成為圖像分割中最基本和應用最廣泛的分割技術。閾值法在不同物體或結構之間有很大的強度對比時，能夠得到很好的效果。它計算簡單，而且總能用封閉而且連通的邊界定義不交疊的區域。閾值化分割算法就是選取一個或者多個閾值，將圖像的直方圖分成幾類，圖像中灰度值在同一個灰度類內的象素屬于同一個類，從而達到分割的目的。

閾值法的核心是如何選擇合適的閾值，閾值分割法具有運算效率較高、計算簡單等優點，在過去的幾十年中被廣泛使用。閾值化算法多種多樣，最具代表性的方法有：最大類間方差法、直方圖法、最大熵法、概率松弛法、最小誤差法、矩量保持法等。但是，閾值法一般僅考慮像素本身的灰度值，不考慮圖像的空間相關性特征，極易受到噪聲的影響。在實際情況中，閾值法常與其它分割算法相結合，對圖像進行分割。

2.2 基于邊緣的圖像分割技術

邊緣檢測法是基于圖像不連續性的分割技術，它通過檢測不同均勻區域之間的邊界來實現對圖像的分割，這與人的視覺過程有些相似。依據執行方式的不同，這類方法通常又分為串行邊緣檢測技術和并行邊緣檢測技術。串行邊緣檢測技術首先要檢測出一個邊緣起始點，然后根據某種相似性準則尋找與前一點同類的邊緣點，這種確定后繼相似點的方法稱為跟蹤。根據跟蹤方法的不同，這類方法又可分為輪廓跟蹤、光柵跟蹤和全向跟蹤三種方法[1]。

并行邊緣檢測技術通常借助空域微分算子，通過其模板與圖像卷積完成，因而可以在各個像素上同時進行，從而大大降低了時間復雜度。常見的邊界檢測方法包括基于各種邊界檢測算子[2]（Roberts算子、Laplacian算子、Sobel算子、Prewitt算子、LOG算子等）的邊界檢測。這類方法通常不能得到連續的單像素邊緣，而這對于分割來說是至關重要的。所以，通常在進行上述邊緣檢測之后，需要進行一些邊緣修正的工作，如邊緣連通、去除毛刺和虛假邊緣等。

2.3 基于區域特征的圖像分割技術

基于區域的分割技術有兩種基本形式：區域生長和分裂合并。前者是從單個像素出發，逐漸合并以形成所需的分割結果，是區域分割的最基本方法；后者是從整個圖像出發，不需要生長點，逐漸分裂或合并以形成所需要的分割結果。不同于閾值方法，這類方法不但考慮了像素的相似性，還考慮了空間上的鄰接性，因此可以有效消除孤立噪聲的干擾，具有很強的魯棒性。而且，無論是合并還是分裂，都能夠將分割深入到像素級，因此可以保證較高的分割精度，如分水嶺算法等。

3 改進的圖像分割技術

傳統的圖像分割技術都或多或少地存在著某種程度上的不足，因此更多的研究者嘗試將諸多理論模型與圖像分割技術相結合以求達到更好的分割效果。本文就簡要介紹了幾種應用得較為廣泛的改進后的圖像分割技術。

3.1 基于小波理論的圖像分割技術

小波變換在圖像分割中的主要應用是傳統的 Fourier變換的繼承和發展，首先構造特殊性質的小波函數，利用小波變換函數在大尺度下檢測出圖像的邊緣點，在較小尺度下精確定位邊緣點像素，然后根據一定的策略把這些像素點連接成輪廓，從而提取出目標邊緣實現了圖像的分割[3]。小波變換之所以能適合圖像這類非平穩信號的處理是因為小波變換具有一定的分析非平穩信號的能力。高低頻處的分辨率不同，而經典的邊緣檢測算子都沒有這種特性。

小波變換的多尺度性表現在：當檢測圖像邊緣的噪聲較小時，選擇小尺度可以獲得較豐富的邊緣細節信息；當檢測圖像的邊緣細節要求比較低時，選擇大尺度可以較好的排除噪聲干擾。目前研究者提出的基于小波變換的圖像分割算法大部分都是二進制小波變換，此外還有多進制小波、小波框架、小波包三種變換。

3.2 基于模糊聚類分析的圖像分割技術

聚類法就是將圖像中的每一個像素劃分到不同的類別中，其關鍵點在于聚類準則的確定。而在圖像分析時存在一定的不確定性，所以引入了模糊集合的概念，用隸屬度表示圖像的像素點屬于某區域的程度。模糊概念能夠避免過早的明確判斷，因此在之后的處理過程中就保留下來了盡可能多的有效信息。近年來運用最廣泛的是基于模糊聚類分析[4]的圖像分割技術，即模糊C均值（FCM）技術，它既可以分割灰度圖像，也可以分割彩色圖像。但模糊聚類具有運算量大，容易陷入局部最優、對初值敏感、需事先指定聚類個數等缺點。

3.3 基于圖論的圖像分割技術

基于圖論的圖像分割方法本質上是將圖像分割問題轉換為一個對無向加權圖進行最優化的問題。其主要思想是將圖像映射為一個加權無向圖，像素對應圖的節點，像素之間的相鄰關系對應圖的邊，像素特征之間的差異或相似性對應邊上的權值，然后利用圖論中的成熟理論或算法對圖像進行切割和組合。圖論（Graph theory）中諸多成熟的經典算法又為這一類圖像分割算法提供了有力的計算工具，因此基于圖論的分割算法近年來受到廣泛關注。常見的基于圖的分割方法[5]包括基于最小生成樹（Spanning tree）的分割，基于支配集（Dominant set）的分割和基于最小圖割值（Graph cut）的分割等。

其中基于最小生成樹的分割方法具有很大的優勢，它的主要優點在于能夠獲取圖像的全局特征，從而獲得較理想的分割效果；此算法的計算速度非常快，可以在線性時間復雜度內實現對圖像的分割，算法的結構和實現方法較簡單，能夠方便的應用到一些特定的領域中，并且可以與其它的分割方法相組合，得到更好的分割效果。

4 結束語

本文就應用較多的幾種圖像分割技術進行了介紹和討論，由于圖像的質量不同，應用的領域不同，彩色圖像中顏色的分布不同以及圖像結構特征的不同，導致很難有一種通用的分割方法能夠普遍適用于各種不同類型的圖像。所以目前的研究主要致力于根據圖像的具體情況來選擇不同的方法進行組合，針對各種可能存在的實際問題，提出新的算法，這也是圖像分割在今后研究工作中的發展趨勢。隨著計算機技術和成像技術的不斷發展能及各種新理論的應用和改進，相信圖像分割技術會不斷地完善和成熟起來。

參考文獻

[1]N·R·Pal， and S·K·Pal，\"A review on image segmentation techniques，\" Pattern Recognition，1993.

[2]章毓晉，圖像分割[M].北京：科學出版社.2001.

[3]宋曙光.圖像邊緣檢測算法研究與分析[J].光電信息，2010，27（9）：44-47.