數字圖像處理的區域分割淺析

武漢輕工大學　胡　乾

?

數字圖像處理的區域分割淺析

武漢輕工大學胡乾

【摘要】圖像分割一般是指把圖像分解成不同區域后從中提取出感興趣目標的過程和技術。不同分割方法產生的結果會有一定差異，該差異則會進一步影響視覺系統性能。本文給出了目前常用圖像分割的幾種不同算法并進行了系統分析，分別是基于邊緣檢測法、閾值分割法以及基于區域生成的法。基于這些算法的MATLAB仿真，得到理想的分割結果，并分析了各種算法的優缺點。

【關鍵詞】邊緣檢測；區域生成；圖像分割；算法；閾值分割

0　引言

學者們通過對圖像的研究，發現一個特別的規律，即當大家看到一個圖像的時候，一般都只會對這個圖像的其中一部分產生比較大的興趣，該部分(一般定義為圖像在特定的或特定區域)被稱為目標或前景，而其它部分稱為背景。圖像分割研究的問題就是把目標從給定圖像中孤立出來，進而對該部分進行處理，分割圖像研究結果可直接影響整體視覺系統的性能。

圖像分割是圖像技術中相對較為重要的，在不同領域中有時叫法也不一樣：如閾值化(threshold)技術、目標識別(target recognition)技術等。[1]圖像分割有著巨大的應用范圍，涵蓋了有關圖像處理的近乎全部領域。例如：在道路交通領域，可以利用圖像分割技術將車輛信息從道路的背景下分割出來，極大的利于交管部門電子警察工作；在醫學檢測領域，可以將肝臟從CT圖像中分割出來， 為臨床治療和病理研究提供可靠依據，還可以從MRI、PET等其他模式醫學影像中提取有價值的信息；在以不改變其特定對象的前提下對圖像進行壓縮后，可根據圖像內容特點進行區域劃分。在這篇文章中我們會對圖像分割的三種算法(閾值分割、邊緣檢測以及區域分割)進行分析。

1　閾值分割

閾值分割法是一種最常見，同時操作起來較為簡單的基于區域劃分的基本算法，根據目標圖像和背景圖像在回復特性上的不同，分為兩個不同的區域，選擇一個合適的閾值，以確定圖像中的每個像素屬于哪個區域。圖像分割最重要的一點是選擇最優閾值，目前己提出的閾值分割方法，相應的分類是：根據圖像本身的特點，可分為單閾值分割和多閾值分割；根據特征或標準進行分割算法。閾值分割法根據操作方法可細分為直方圖法、迭代法、大律法、過渡區閾值選取法等。

1.1迭代法

迭代閾值選取的原理為根據圖像內不同對象間灰度分布的差異，將差異較小的圖像認為其初始閾值近似，或直接將圖像中目標圖像灰度值作為初始閾值參考標準，會得到最佳閾值，通過迭代的圖像修改和分割閾值。具體操作方法如下：

(1)根據灰度選擇初始閾值T，初始閾值的選取直接關系到后面算法的正確性。

(2)利用初始閾值T將已知圖像分割成為目標圖像和背景圖像兩組，分別記為R1和R2。

(3)計算R1和R2均值u1和u2。

(4)選取新的閾值T，且：

(5)重復第(2)步到第(4)步，直至R1和R2均值u1和u2均值不再變化為止。

雙峰直方圖顯示的明顯谷深圖像，用迭代法可以更快速獲得滿意效果，但不明顯的雙峰或比例的目標與背景的差異很明顯，選擇閾值從結果效果來說比其他方法要差一些。選擇好的迭代閾值后對圖像切割得到目標圖像和背景圖像則具有良好的切割效果，原因是該圖能較好區分前景的主要領域，但不能區分細節領域。總體比較迭代法和雙峰法可知，迭代法的效果更好。

1.2大律法

大律法又稱為Otsu算法或最大類間方差值法，首先仍然是設定初始閾值，記為t，利用初始閾值T將已知圖像分割成為目標圖像和背景圖像兩組，其中目標圖案稱為前景，背景圖案稱為背景。設背景圖案中有效點數占整體圖像有效點數的比例為w1，平均灰度為u1，前景圖案中有效點數占整體圖像有效點數比例為w0，平均灰度為u0；那么整體圖像總平均灰度可以寫成：

從最小灰度值到最大灰度值遍歷t，當t使得值

最大的時候t就是分割的最佳閾值。

以上公式可理解為首先使用閾值t將整體圖像進行分割，被分割部分分別稱為前景與背景，其中背景平均灰度設為u1，有效點數發生概率設為w1，前景平均灰度設為u0，有效點數發生概率設為w0，可知w1+w0=1；總均值為u。從式2-2可知，計算結果中方差值越大，則說明圖像中灰度分布越均勻，目標圖像和背景圖像相差值越大，若在閾值設置過程中發生偏差，則會導致結果中方差值比實際偏小，即目標圖像和背景圖像分割不準確。大律法的計算量很大，造成計算工作負擔較重，因此在實際運用過程中，計算人員會根據經驗選擇以下公式：

一般可認為大津法所選取閾值是最穩定的分割閾值。

2　邊緣檢測算法研究

圖像邊緣檢測即利用圖像本身所屬風格，對目標區域進行識別，然后提取圖像信息，達到檢測的目的。區域分化及形狀提取是圖像分析中非常重要的基礎，是數字圖像處理中非常重要的。兩者肯定不是連續的灰度值檢測灰度值之間的相鄰地區一致的邊緣通常可以使用方便的方式找到。需要好的措施來解決邊緣檢測，一般可采用邊緣增強算子，即將圖像邊緣有效信息部分明顯放大，利用設置的閾值將邊緣有效信息提取并設置成點集。但它比圖像模糊和意志的存在的噪聲，這些都不可能被打斷的邊界提取。下面分別介紹常用的兩種檢測算子：log算子和canny算子。

2.1拉普拉斯高斯算子

拉普拉斯—高斯算子是一種二階微分算法，其計算方式為在圖像邊緣處形成線性連續陡峭0交叉，然后利用查找二階微分的0點的方法來確定邊緣點的檢測[3]。圖1所示為拉普拉斯—高斯運算模板。利用模板及拉普拉斯運算可知，可將暗區域內的亮點放大。在算法運算時，可認為圖像中的邊緣區灰度會發生跳躍，同時跳躍過程是灰度發生跳變的區域，也增強了噪聲。因此在利用拉普拉斯—高斯算子進行邊緣檢測過程中，應根據實際情況對圖像進行平滑處理，減少其不平整現象。

圖1　拉普拉斯運算模板

2.2Canny算子

Canny算子是一種相對新穎的邊緣檢測算子，邊緣檢測性能量好，它的應用范圍正在提升。Canny算子的算法步驟可采用以下方式表達：(1)首先利用Gaussian濾波器對圖像進行處理，濾去不必要的影響因子；(2)將圖像定好三維坐標，用于標識圖像中不同梯度的方向及幅值；(3)對不同梯度圖像的方向和幅值均采用非極大值抑制，即設立原點。(4)最后利用canny算子來檢測細胞圖像。

3　區域分割算法研究

區域分割和生長即將性質不同的像素區域分開，將性質相同的像素區域集合，將每個像素點均看作一個起始位點，不斷集合與自身相似性質的其他位點，直到沒有像素性質相似的位點為止。區域經濟增長是適度增長或類似的局部性質的最重要的選擇標準，會用到其中大部分區域生長準則圖像。不同像素區域及位點的成長標準不同，一般根據自身性質決定，不同生長的過程中的區域經濟增長的影響。下面介紹3種常見的生長準則及方法[4]。

3.1灰度差準則

灰度差準則為不同區域利用自身區域圖像像素作為最小單元格，并以此往上拓展，其主要步驟如下：①將不同圖像區域進行分段掃描，將像素歸類，并標記無歸屬的像素；②將無歸屬像素與其他鄰域像素進行對比分析，找到灰度差值最小的像素集后，將無歸屬像素并入該像素集；③重復以上操作直至所有無歸屬像素均找到所屬像素集，同時擴大像素區域，則整個生長過程結束。

3.2灰度分布統計準則

灰度分布統計是將灰度分布相似的區域進行合并，其主要步驟如下：①首先將圖像區域進行劃分，注意不要出現重疊區域；②將不同區域根據灰度分布相似性定律進行合并和區分；③重復以上操作直至所有所有區域合并完成。

采用此算法的結果好壞跟劃分的區域的大小和確定的閾值密卻相關。通常情況下劃分的區域過大，則會導致過度合并而遺漏區域；相反，如果劃分的區域過小，就會導致合并不充分導致而區域被隔斷。除此之外，圖像本身的復雜程度和原圖像生成狀況的區別對上面參數選取會產生影響[5]。

3.3區域形狀準則

區域形狀準則判斷方法包括：

(1)將圖像根據灰度值劃分成不同區域，并固定該區域，設預定閾值為T1，相鄰區域周長是P1、P2，而它們共同邊界線兩邊灰度差小于給定值的長度為L，若滿足以下條件：

則認為這兩個相鄰區域可以合并。

(2)同樣將圖像根據灰度值劃分成不同區域，并固定該區域，設預定閾值為T2，而它們共同邊界線長度為B，L所代表含義與上式相同，若：

則認為這兩個相鄰區域可以合并。

利用MATLAB編程，實現區域生長法分割圖像如圖2所示：

圖2　區域生長法分割效果圖

4　結束語

本文對目前常用的灰度圖像分割算法進行類比分析和總結，提出了不同算法的優缺點，不同的人在不同的事件和環境中的數據提供了一定的依據不同的劃分算法，這種分類不是絕對的，從不同的角度，那里的劃分可以不一樣。

閾值分割算法與迭代法，可有效從不同類間方差法的計算公式中得到閾值邊緣檢測算法。當利用邊緣檢測Canny算子的圖像時，該方法不容易由于噪聲的干擾，能夠檢測到微弱的相似性為基礎的區域生長方法過程滿足一定的標準圖像中的像素的或次區域的面積較大的需求。

參考文獻

[1]賀東霞,李竹林,王靜.淺談數字圖像處理的應用與發展趨勢[J].延安大學學報(自然科學版),2013,35(04):12-17.

[2]胡晶.數字圖像的優勢及設計應用[J].美術教育研究,2015, 23(05):61-65.

[3]鄭燦香.數字圖像處理技術及其應用的相關研究[J].數字技術與應用,2013,32(09):34-38.

[4]保華,王菁,梁欣.Matlab在《數字圖像處理》教學中的應用研究[J].教育教學論壇,2016,12(02):54-57.

[5]Simona E.Grigorescu,Nicolai Petkov and Peter Kruizinga. Comparison of TextureFeatures Based on Gabor Filters.IEEE Transactions on image processing[J].2002,11(10):1160-1167.