閾值分割技術(shù)發(fā)展現(xiàn)狀綜述

劉碩

摘 ?要：在圖像分割的眾多方法中，閾值分割法簡單且性能穩(wěn)定，是一種最基本、應用最廣泛的分割技術(shù)，其實質(zhì)就是：利用圖像灰度直方圖信息，得到圖像分割的閾值，把像素級分成若干類，從而實現(xiàn)目標與背景的分離。文章主要對閾值分割技術(shù)的發(fā)展現(xiàn)狀進行了綜述，介紹了傳統(tǒng)方法的閾值分割和優(yōu)化算法的閾值分割，分析了各種方法的原理及特點。

關(guān)鍵詞：閾值分割;傳統(tǒng)方法;優(yōu)化算法

中圖分類號：TP391.41 文獻標志碼：A ? ? ? ? 文章編號：2095-2945（2020）24-0129-02

Abstract： Among the many methods of image segmentation， the threshold segmentation method is simple and stable， which is the most basic and widely used segmentation technology. Its essence is to obtain the threshold value of image segmentation by using image gray histogram information， and thendivide the pixel level into several classes， so as to achieve the separation of target and background. This paper mainly reviews the development of threshold segmentation technology， introduces the threshold segmentation of traditional methods and optimization algorithms， and analyzes the principles and characteristics of various methods.

Keywords： threshold segmentation; traditional method; optimization algorithm

閾值分割是圖像分割中的經(jīng)典方法，它利用圖像的灰度直方圖，得到一個或多個圖像分割閾值，將圖像中每個像素的灰度值與閾值作比較，把像素分類，從而實現(xiàn)目標與背景的分離。

其關(guān)鍵點在于最優(yōu)閾值的獲取，需要按照某個函數(shù)準則來求解。閾值的選取十分重要，直接影響圖像分割的合理性和效果。

閾值分割法計算簡單，實現(xiàn)起來容易，對物體與背景有較強對比的圖像可以得到較好的分割效果。

1 傳統(tǒng)方法的閾值分割

隨著計算能力的提高以及高級理論和深度學習的不斷發(fā)展，圖像分割的應用范圍不斷擴大，并且各個領(lǐng)域?qū)Ψ指钚Ч唾|(zhì)量的要求越來越高，一些傳統(tǒng)的閾值分割方法在效果上已經(jīng)不能與新方法相比較了，但其思想還是值得我們?nèi)W習。以下介紹幾種常用的方法：直方圖雙峰法[1]，大津法[2]，自適應法[3]，迭代法[4]。

1.1 直方圖雙峰法

直方圖雙峰法[1]，或稱mode法，是經(jīng)典的全局單閾值分割方法。它假設：圖像中要提取的物體和背景有明顯差異，灰度直方圖呈雙峰分布[7]，用兩峰之間的谷的灰度級作為閾值。

該方法針對灰度值、對比度處處近似相同的圖像會有較好的處理效果。然而，實際情況中，大多圖像不是上述的理想狀態(tài)，圖像像素灰度值、對比度差異很大，找到一個全局閾值來分離物體與背景很困難。

1.2 Otsu法

Otsu法，又稱最大類間方差法[2]，大津法，是目前公認的，對閾值分割選擇相對合理，且分割效果良好的辦法。其理論依據(jù)為：按照圖像的灰度特性，將圖像分為背景和物體兩部分，通過計算得到一個閾值，該閾值滿足：使背景和物體的像素差異最大，即類間方差最大。

Otsu法計算雖然簡單，但當圖像較大時，耗時也較長。同時，Otsu法不考慮像素其空間分布，圖像中涉及的灰度級越多，分割的合理性也就越低。

1.3 自適應法

自適應閾值分割[3]的思想為：根據(jù)圖像局部特征，將圖像中像素設置不同的閾值，用不同的閾值，將圖像分為幾個區(qū)域，從而進行分割。

該自適應法避免了當光照不均勻，突然的噪聲，背景變化大時，單個閾值處理像素導致目標和背景區(qū)域不正確劃分的問題。

1.4 迭代法

迭代法[4]選擇初始的估計閾值，按某種原則，通過迭代不斷改變這一估計值，直到滿足給定的準則為止。

迭代法實現(xiàn)了在實際處理中，圖像之間有較大變化時，對每一幅圖片進行自動估計閾值，達到良好分割效果。

2 優(yōu)化算法的閾值分割

隨著閾值分割應用范圍的不斷擴大，對分割質(zhì)量要求也越來越高，傳統(tǒng)的閾值分割法穩(wěn)定性好，但模型簡單，對于單閾值圖像分割效果較理想，當圖像的背景復雜，擴展到多閾值圖像分割時，計算量顯著增加，耗時長，難以實際應用，且目標和背景灰度值差別不大時，部分邊界信息很容易丟失。于是，產(chǎn)生了基于各學科理論的閾值分割算法，以改進最優(yōu)閾值的獲取，優(yōu)化閾值分割過程。

2.1 基于啟發(fā)式算法的閾值分割

近年來，為降低圖像閾值分割的計算復雜度，減少耗時，應用粒子群優(yōu)化（PSO）[5]，布谷鳥搜索（CS）[5]，螢火蟲（GSO）[6]等啟發(fā)式算法來搜索最優(yōu)閾值越來越多。以下介紹于CS[5]和GSO[6]算法的閾值分割法。

CS算法[5]思想：通過隨機游走的方式搜索得到一個最優(yōu)的鳥窩孵化鳥蛋。CS算法參數(shù)少、操作簡單、易實現(xiàn)、可以達到一種高效的尋優(yōu)模式。但在后期尋優(yōu)速度和精度方面仍存在不足，需進一步提高。劉篤晉[5]采用自適應布谷鳥算法尋優(yōu)得到分割的最優(yōu)閾值，不僅提高了圖像分割的效率，還提高了圖像分割準確率。

GSO算法[6]思想：通過螢火蟲的移動，使螢火蟲聚集到較好的螢火蟲周圍，實現(xiàn)種群尋優(yōu)。GSO算法不但可以找到局部最優(yōu)解，還能夠得到全局最優(yōu)解，但尋求最優(yōu)解過程中其精度低，速度慢，容易陷入局部最優(yōu)值。毛肖[6]引入一種改進的螢火蟲算法來尋找最大熵下的最優(yōu)閾值，提高搜索精度和速度，且能夠?qū)崟r性處理和分析不同類型的圖像。

2.2 基于特定理論的集成閾值分割

一些特定理論如：聚類分析[2]，模糊集理論[2]，小波分析和小波變換[8]，能和現(xiàn)有的許多圖像閾值分割方法相融合使用，形成集成的閾值分割技術(shù)，以獲得更好的分割效果。

2.2.1 基于模糊聚類的閾值分割法

聚類法依據(jù)像素基本特征，把圖像按照一定規(guī)則劃分成不同區(qū)域，判斷每個像素屬于哪個區(qū)域，加以標記、分割[2]。這種方法的核心思想經(jīng)常被融合在許多其它類別的分割方法中。模糊技術(shù)也能和現(xiàn)有的許多圖像分割方法相結(jié)合，比如，模糊集理論與聚類分析結(jié)合成模糊聚類法，可以較好地描述圖像的不確定性。

2.2.2 基于小波變換的閾值分割法

小波變換[8]在圖像分割方面的優(yōu)點在于，統(tǒng)一時域和頻域于一體，且具有多尺度特性，可進行多尺度邊緣檢測。邊緣信息來源多，這樣我們可以得到比較準確、清晰的圖像邊緣。所以，用小波變換得到的邊緣更加理想。

另外，將小波和閾值分割結(jié)合起來形成一種混合算法，處理圖像也有較好效果。比如，一種結(jié)合小波變換的局部自適應閾值法[8]，優(yōu)化了自適應法，從而達到良好分割效果。

2.3 基于深度學習的閾值分割

近年來，深度學習[2]已經(jīng)引起了廣泛的關(guān)注，并應用于圖像分割。應用深度學習進行圖像分割時，一般會先明確分割類型。按應用任務，可將圖像分割分為普通分割[2]、語義分割[2]和實例分割[2]。其中：普通分割是指將分屬不同物體的像素區(qū)域分開;語義分割是指在普通分割的基礎上，分類出每一塊區(qū)域的語義;實例分割則是指在語義分割的基礎上，對每個物體編號。神經(jīng)網(wǎng)絡存在巨量的連接，容易引入空間信息。充分考慮空間分布，便能較好地解決噪聲和不均勻問題。不同的分割類型可以選取不同的神經(jīng)網(wǎng)絡進行訓練。選擇何種網(wǎng)絡結(jié)構(gòu)是這種方法要解決的主要問題。

3 結(jié)束語

對于閾值分割法，關(guān)鍵在于最優(yōu)閾值的選取，目前常用的閾值多為灰度。經(jīng)典的閾值分割算法，技術(shù)相對成熟、穩(wěn)定，但圖像復雜時，計算量變大、耗時增加。優(yōu)化算法的閾值分割法復雜性越來越高，仍存在各種問題。

現(xiàn)在已經(jīng)有了許多各種用途的閾值分割算法但不同的方法囿于自身性能，有不同的適用范疇，到目前為止，仍沒有一種可以適用于所有的圖像的分割算法。

考慮到減少圖像分割時間，且圖像分割結(jié)果要清晰準確，未來圖像分割發(fā)展，要合理地結(jié)合應用多種思想和技術(shù)手段，促使圖像分割更加合理化。

參考文獻：

[1]侯紅英.圖像分割方法綜述[J].電腦知識與技術(shù)，2019，15（02）：175-176.

[2]王秋萍.圖像分割方法綜述[J].信息記錄材料，2019，20（05）：12-14.

[3]李振云.基于混沌理論的多閾值圖像分割[D].河南師范大學，2013.

[4]張永豐.工程圖紙矢量化技術(shù)研究[D].東北石油大學，2011.

[5]孫敏.基于混沌布谷鳥算法的多閾值灰度圖像分割[J].長春理工大學學報，2020，43（01）：112-119.

[6]劉鑫晶.細胞膜機制螢火蟲算法優(yōu)化多閾值Ostu圖像分割[J].小型微型計算機系統(tǒng)，2020，41（02）：410-415.

[7]胡秋萍.基于葉片形狀特征的植物識別技術(shù)研究[D].西安電子科技大學，2014.

[8]王森，伍星，劉韜，等.基于二進小波變換的多尺度圖切割方法[J].計算機工程與應用，2015，51（13）：9-14.