数字图像分割技术及其发展.docVIP

数字图像分割技术及其发展 摘要:数字图像分割是数字图像处理中的一项难点与重点技术,从介绍数字图像分割的基本概念出发,综述了目前数字图像分割的主要方法,评述了图像分割的质量评价,最后探讨了数字图像分割存在的问题及发展趋势。 关键词:数字图像;分割方法;质量评价; 引言 数字图像分割是数字图像处理中的一项关键技术,它通常是为了进一步对图像进行分析、识别、压缩编码等处理的图像预处理环节,其分割的准确性直接影响后续任务的有效性,因此具有十分重要的意义。自20世纪70年代起一直受到人们的高度重视,至今已提出上千种分割算法,但因尚无通用的分割理论,致使目前提出的分割算法大都是针对具体问题的,并没有一种适合所有图像的通用分割算法。另外,还没有制定出适用于分割算法的标准,这给图像分割技术的应用带来许多实际问题。最近几年又出现了许多新思路、新方法和改进算法。本文首先对数字图像分割的研究现状、一些经典分割方法和新出现的分割方法作了概述,其次探讨了数字图像分割质量评价体系标准,最后分析了数字图像分割技术中存在的问题及发展趋势。 1 数字图像分割的基本概念 数字图像分割是指将一幅数字图像分解为若干互不交叠的、有意义的、具有相同性质的区域。好的图像分割应具有以下特征： 分割出来的各区域对某种性质（例如灰度，纹理）而言具有相似性，区域内部是连通的且没有过多小孔。 相邻区域对分割所依据的性质有明显的差异。 区域边界是明确的。 大多数图像分割方法只是部分满足上述特征。如果强调分割区域，的同性质约束则分割区域很容易产生大量小孔和不规则边缘；若强调不同区域间性质差异的显著性，则易造成不同区域的合并。具体处理时，不同的图像分割方法总是在各种约束条件之间寻找一种合理的平衡。 2 数字图像分割的主要方法 从上世纪五六十年代开始,学者一直热衷于研究图像分割技术。迄今为止,已提出上千种图像分割算法,依这些算法对图像处理的特点,将其主要可分为以下几类方法。 2.1 阈值分割法 阈值分割法作为一种常见的区域并行技术,它通过设置阀值，把像素点按灰度级分若干类，从而实现图像分割。由于是直接利用图像的灰度特性,因此计算方便简明、实用性强。显然,阈值分割方法的关键和难点是如何取得一个合适的阈值,而实际应用中阈值设定易受噪声和光亮度影响。[2]近年来关于阈值分割法主要有:最大相关性原则选择阈值法、基于图像拓扑稳定状态法、灰度共生矩阵法、熵法、峰值和谷值分析法等。[3]其中,自适应阈值法、最大熵法、模糊阈值法、类间阈值法是对传统阈值法改进较成功的几种算法。更多的情况下,阈值的选择会综合运用2种或2种以上的方法,这也是图像分割发展的一个趋势。例如将图像的灰度直方图看作是高斯分布的选择法与自适应定向正交投影高斯分解法的结合,较好地拟合了直方图的多峰特性,从而得到了更为准确的分割效果。[4]阈值法的缺陷主要在于它仅仅考虑了图像的灰度信息,而忽略了图像的空间信息。对于非此即彼的简单图像处理(如一些二值图像的处理)是有效的,但是对于图像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确的分割效果。 2.2基于边缘的图像分割法 边缘总是以强度突变的形式出现,可以定义为图像局部特性的不连续性,如灰度的突变、纹理结构的突变等。边缘常常意味着一个区域的终结和另一个区域的开始,图像的边缘包含了物体形状的重要信息,它不仅在分析图像时大幅度地减少了要处理的信息量,还保护了目标的边界结构。对于边缘的检测常常借助空间微分算子进行,通过将其模板与图像卷积完成。两个具有不同灰度值的相邻区域之间总存在灰度边缘,而这正是灰度值不连续的结果,这种不连续可以利用求一阶和二阶导数检测到。当今的局部技术边缘检测方法中,主要有一次微分(Sobel算子、Roberts算子)、二次微分(拉普拉斯算子等)和模板操作(Prewitt算子、Kirsch算子和Robinson算子)等。这些边缘检测器对边缘灰度值过渡比较尖锐且噪声较小等不太复杂的图像可以取得较好的效果,但对于边缘复杂(如边缘模糊、边缘丢失、边缘不连续等)的图像效果不太理想。此外,噪声的存在使基于导数的边缘检测方法效果明显降低,在噪声较大的情况下所用的边缘检测算子通常都是先对图像进行适当的平滑,抑制噪声,然后求导数,或者对图像进行局部拟合,然后再用拟合光滑函数的导数来代替直接的数值导数,如Marr算子、Canny算子等。[5]有关学者曾给出了一种基于彩色边缘的图像分割方法,这是对传统边缘分割方法只适用于灰度图像状况的一个突破。[6]在未来的研究中,用于提取初始边缘点的自适应阈值选取、用于图像层次分割的更大区域的选取以及如何确认重要边缘去除假边缘将变得非常重要。 2.3基于聚类的分割法 对灰度图像和彩色图像中相似灰度或色度合并的方法称之为聚类,通过聚