圖像分割綜述

1、圖像分割方法綜述楊斐2022-2-12概念概念 圖像分割就是把圖像分成若干個特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過程。它是由圖像處理到圖像分析的關(guān)鍵步驟?，F(xiàn)有的圖像分割方法主要分以下幾類：基于圖像局部特征的圖像分割方法、基于模型的圖像分割方法?；趫D像局部特征的圖像分割方法基于圖像局部特征的圖像分割方法 基于圖像局部特征的圖像分割方法是根據(jù)圖像局部區(qū)域中像元的特征來實(shí)現(xiàn)圖像分割的方法。下面主要介紹下閾值分割法、邊緣檢測法、區(qū)域生長和特征空間聚類法。 閾值分割法閾值分割法 閾值分割是最古老的分割技術(shù)，也是最簡單實(shí)用的。許多情況下，圖像中目標(biāo)區(qū)域與背景區(qū)域或者說不同區(qū)域之間其灰度值存

2、在差異，此時可以將灰度的均一性作為依據(jù)進(jìn)行分割。閾值分割即通過一個或幾個閾值將圖像分割成不同的區(qū)域。閾值分割方法的核心在于如何尋找適當(dāng)?shù)拈撝怠Ｗ畛Ｓ玫拈撝捣椒ㄊ腔诨叶戎狈綀D的方法，如最大類間方差法(OTSU)、最小誤差法、最大熵法等。此類方法通常對整幅圖像使用固定的全局閾值，如果圖像中有陰影或亮度分布不均等現(xiàn)象，分割效果會受到影響?；诰植块撝档姆指罘椒▽D像中的不同區(qū)域采用不同的閾值，相對于全局閾值方法具有更好的分割效果，該方法又稱為自適應(yīng)閾值方法。其中閾值的選取一般是基于圖像的局部統(tǒng)計信息，如局部方差、局部對比度以及曲面擬合閾值等。無論是基于全局閾值還是局部閾值，閾值方法通常受噪聲影響較

3、大。為了得到較好的分割結(jié)果，通常還需要與其他圖像處理技術(shù)，如圖像去噪等相結(jié)合?；趫D像局部特征的圖像分割方法基于圖像局部特征的圖像分割方法邊緣檢測法邊緣檢測法 基于邊緣檢測的方法主要是通過檢測出區(qū)域的邊緣來進(jìn)行分割，利用區(qū)域之間特征的不一致性，首先檢測圖像中的邊緣點(diǎn)，然后按一定策略連接成閉合的曲線，從而構(gòu)成分割區(qū)域。圖像中的邊緣通常是灰度、顏色或紋理等性質(zhì)不連續(xù)的地方。對于邊緣的檢測，經(jīng)常需要借助邊緣檢測算子來進(jìn)行，其中常用的邊緣檢測算子包括：Roberts 算子、Laplace 算子、Prewitt 算子、Sobel 算子、Rosonfeld算子、Kirsch 算子以及Canny 算子等。邊

4、緣檢測算法比較適合邊緣灰度值過渡比較顯著且噪聲較小的簡單圖像的分割。對于邊緣比較復(fù)雜以及存在較強(qiáng)噪聲的圖像，則面臨抗噪性和檢測精度的矛盾。若提高檢測精度，則噪聲產(chǎn)生的偽邊緣會導(dǎo)致不合理的輪廓：若提高抗噪性，則會產(chǎn)生輪廓漏檢和位置偏差。基于圖像局部特征的圖像分割方法基于圖像局部特征的圖像分割方法區(qū)域生長區(qū)域生長 區(qū)域生長方法也是一種常用的區(qū)域分割技術(shù)，其基本思路是首先定義一個生長準(zhǔn)則，然后在每個分割區(qū)域內(nèi)尋找一個種子像素，通過對圖像進(jìn)行掃描，依次在種子點(diǎn)周圍鄰域內(nèi)尋找滿足生長準(zhǔn)則的像素并將其合并到種子所在的區(qū)域，然后再檢查該區(qū)域的全部相鄰點(diǎn)，并把滿足生長準(zhǔn)則的點(diǎn)合并到該區(qū)域，不斷重復(fù)該過程直到找

5、不到滿足條件的像素為止。該方法的關(guān)鍵在于種子點(diǎn)的位置、生長準(zhǔn)則和生長順序?；趫D像局部特征的圖像分割方法基于圖像局部特征的圖像分割方法特征空間聚類法特征空間聚類法 特征空間聚類法是通過聚類的方法對圖像特征空間進(jìn)行相似性劃分。用聚類方法做分割應(yīng)用較為廣泛，其基本原理是把圖像空間中的元素映射到某個特征空間中，通過將特征空間的點(diǎn)聚集成團(tuán)，然后再映射回原圖像空間以得到分割的結(jié)果。特征聚類方法眾多，特征聚類可以是單特征聚類(比如基于顏色特征的K均值聚類)，也可以是多特征聚類（比如基于坐標(biāo)和顏色特征的Mean Shift 算法）。 聚類法必須解決的兩個關(guān)鍵問題就是：一是如何選定樣本之間的類似程度；二是如何

6、根據(jù)樣本之間的類似程度將給定的樣本集劃分為不同的類群。在特征空間聚類的分割中，圖像特征的提取、相似度的計算和正確的聚類方法是算法研究的關(guān)鍵。從目前的研究動向看，能自我學(xué)習(xí)自我記憶的聚類分析算法將是圖像處理中的一個研究熱點(diǎn)。 基于模型的圖像分割方法基于模型的圖像分割方法 基于模型的圖像分割方法是根據(jù)圖像的二維或多維線性模型來構(gòu)造分類的特征矢量進(jìn)而實(shí)現(xiàn)圖像分割的方法。下面主要介紹基于偏微分方程的圖像分割方法、基于神經(jīng)網(wǎng)絡(luò)的圖像分割方法和基于圖論的圖像分割方法?；谄⒎址匠痰膱D像分割方法基于偏微分方程的圖像分割方法 基于偏微分方程（PDE）的圖像分割方法通常是用曲線演化過程來完成分割。分割過程通常

7、從圖像平面上一條任意位置的閉合曲線開始。曲線在內(nèi)力（由曲線的固有屬性驅(qū)動）和外力（由圖像數(shù)據(jù)驅(qū)動）的共同作用下不斷演化，最終停止在圖像中物體的邊界，從而把圖像分割成不同的部分（曲線內(nèi)部和曲線外部）。這一類模型通常是給出包含曲線和圖像數(shù)據(jù)在內(nèi)的目標(biāo)函數(shù)，然后通過最小化目標(biāo)函數(shù)得到曲線的演化流，即描述曲線演化過程的偏微分方程。基于模型的圖像分割方法基于模型的圖像分割方法基于神經(jīng)網(wǎng)絡(luò)的圖像分割方法基于神經(jīng)網(wǎng)絡(luò)的圖像分割方法 神經(jīng)網(wǎng)絡(luò)方法將圖像分割問題作為一個函數(shù)最小化問題來處理，其主要思想是利用已知確定結(jié)果的樣本模式對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后利用訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行圖像的處理或識別。 基于神經(jīng)網(wǎng)絡(luò)的圖像分割方

8、法通過使用大量的平行的神經(jīng)網(wǎng)絡(luò)來達(dá)到對圖像進(jìn)行有效分割的目的。這些網(wǎng)絡(luò)由模擬生物學(xué)習(xí)機(jī)理的節(jié)點(diǎn)或者元素組成，網(wǎng)絡(luò)中的每個節(jié)點(diǎn)能夠執(zhí)行最基本的運(yùn)算，并通過調(diào)整節(jié)點(diǎn)之間的權(quán)值可以達(dá)到網(wǎng)絡(luò)對生物機(jī)理的學(xué)習(xí)。由于神經(jīng)網(wǎng)絡(luò)是由許多神經(jīng)處理單元互相連接組成的龐大網(wǎng)絡(luò)，其巨大的連接結(jié)構(gòu)和分布的處理單元，使得系統(tǒng)具有魯棒性、并行性及實(shí)時性?；谀Ｐ偷膱D像分割方法基于模型的圖像分割方法基于圖論的圖像分割方法基于圖論的圖像分割方法 基于圖論的圖像分割技術(shù)是近年來圖像分割領(lǐng)域的一個新的研究熱點(diǎn)。其基本思想是將圖像映射為帶權(quán)無向圖，把像素視作節(jié)點(diǎn)，節(jié)點(diǎn)之間的邊的權(quán)重對應(yīng)于兩個像素間的不相似性度量，割的容量對應(yīng)能量函數(shù)。運(yùn)用最大流最小