基于图像缺陷分割技术的综述.docVIP

基于图像缺陷分割技术的综述 　　摘 要：本文主要从传统图像缺陷分割技术，基于数学形态学的图像缺陷分割及图像缺陷分割在彩色图像中的应用几个方面展开讨论，并对各种方法的应用优势与缺陷展开论述。未来基于彩色图像的图像分割是主流方向。本文介绍图像检测与图像分析方面的未来发展前景和希望。 　　关键词：图像缺陷分割；检测方法；目标识别 　　1 引言 　　众所周知，第三次工业革命以来计算机技术不断进步，人们也逐渐意识到利用计算机来获得和处理图像信息的重要性。正由于图像具有简单明了、直观易懂、囊括丰富的信息等优点，所以其在多媒体技术中占据举足轻重的地位。在图像分割的步骤中，首先是将图像空间划分成n个互不重叠的区域，这些区域内部本身具有某些共有属性，然后通过技术手段将划分后的目标区域提取出来[1]。而图像缺陷分割则是将目标区域定义为检测中的缺陷。图像缺陷的准确分割为之后的图像缺陷识别与图像分析打好坚实的基础。近年来图像缺陷分割在实际中的应用也越来越广泛，特别是随着计算机技术、自动化水平和图形图像学日新月异的发展，使得图像缺陷分割技术成为了包括医学，钢铁，木材等其它很多领域能否顺利发展的一个重要基础。 　　2 研究现状 　　2.1 传统图像缺陷分割技术 　　2.1.1 阈值分割法 　　在众多算法中最简单易行的分割处理方法是阈值分割法[2]。该算法主要原理是利用图像的灰度直方图显示出灰度临界点，从而设定阈值将缺陷从背景中分离，基于此方法可将图像分成若干个有意义的类。此类算法的关键之处就在于怎样才能根据图像的灰度直方图来寻找出适当的灰度阈值，阈值分割的成功与否的关键就是能否选择正确的阈值，该算法可以在整个图像上仅使用一个阈值，称为全局阈值分割，也可以使用不断变化的阈值，称为局部阈值分割或自适应阈值[3]。阈值分割算法的优势在于计算代价小分割速度快，尤其在图像中灰度对比度存在比较大的差异的情况下，能够得到较为理想的分割效果。此算法的缺点在于存在一定的局限性，阈值分割往往忽略了图像的空间特性，也并没有将图像的纹理等有用信息考虑在内，而这些要素在图像缺陷识别与分割中是很重要的，却是单单只将像素本身的取值考虑在内，这样做不仅会对噪声的敏感程度加大，而且在有些情况下会使分割效果得不到理想呈现。所以当前存在许多基于阈值分割的改进算法，使得在使用此方法时分割效果能够得到改善。如最大熵法、基于图像统计阈值法、二维熵阈值法、改进的Otsu法、将多阈值和混沌粒子群法相结合等。 　　2.1.2 边缘分割法 　　由于边缘信息囊括了图像的丰富信息包括方向、阶跃性质、形状等，利用边缘可以描绘出目标物体，并且符合人类观察物体的特性，所以在图像识别中，边缘这一图像的基本特征占有重要地位。边缘分割算法代表了利用图像边缘信息来进行分割处理的一系列算法，图像边缘从本质上是指示出了图像在灰度值、彩色信息、纹理结构等方面出现信息突变的集合，边缘为图像中一个区域与另一个区域的分界。利用图像的边缘信息进行图像分割的方法有很多，其中有如梯度算子、拉普拉斯算子和模板操作算子等的边缘检测算子法，边缘松弛法，基于图有哪些信誉好的足球投注网站和基于动态规划的边界跟踪法，hough变换法等。边缘检测算子能够取得较好边缘检测效果的前提是边缘区域的灰度值大小差异比较大，并且噪声较小等较简单的图像，但是由于受到噪声或其他信息的干扰，很有可能造成对缺陷实际边缘的漏检或误检的情况。 　　2.1.3 区域分割法 　　区域分割法将在阈值分割算法中几乎没有把各像素点之间的空间关系列入检测缺陷特征的这一缺点进行了弥补，区域分割算法是基于图像的空间性质进行分割，并且认为分割后属于同一区域的像素具有一致的属性即相似性。在区域分割算法中被广泛使用的是区域的生长以及分裂合并两种算法。在区域生长法中一致性被认为是区域确定的必不可少的重要性质。这里的一致性可以是灰度、颜色、形状或纹理等方面的相似。区域生长法仅适用于具有较高对比度的不太复杂的图像进行分割，不适用于对复杂图像的分割，区域生长法具有以下的缺点，种子点的选取需要人为的进行设定，而且对噪声很敏感，并且会得到产生孔状或者是根本不连续的区域，甚至对区域的选择造成误判等。区域分裂与合并算法并不需要对种子点事先进行确定，也不需要将输入图像先分裂成为若干个很小的子区域，然后再对相似度大于某个值的某些子区域进行归并。分裂合并算法也有自己的不足，包括在分裂深度不够的前提下，会导致不理想的分割结果，但如果分裂深度过深又会增加合并时的难度，进而导致分割时间的增加。 　　2.4 基于数学形态学的图像缺陷分割技术 　　数学形态学（Mathematical Morphology）是一门分析研究空间结构的形状、框架的学科。在形态学的图像处理中，它的基本思想是采用一个被叫做结构元素的“探针”来