圖像分割方法研究綜述

圖像分割方法研究綜述

1圖像分割特征在計算視覺理論中，圖像分割、資源提取和目標識別構成了三個級別的任務。目標識別和資源提取基于圖像分割。圖像分割結果的質量直接影響后續(xù)資源提取和目標識別。圖像分割是將圖像中有意義的特征或區(qū)域提取出來的過程.這些特征可以是圖像的原始特征,如像素的灰度值、物體輪廓、顏色、反射特征和紋理等,也可以是空間頻譜等,如直方圖特征.圖像分割的目的是把圖像劃分成若干互不相交的區(qū)域,使各區(qū)域具有一致性,而相鄰區(qū)域間的屬性特征有明顯的差別.圖像分割的應用非常廣泛,幾乎出現(xiàn)在有關圖像處理的所有領域,并涉及各種類型.圖像分割作為前沿學科充滿了挑戰(zhàn),吸引了眾多學者從事這一領域研究.本文在查閱國內外大量參考文獻的基礎上,將圖像分割方法分為傳統(tǒng)的和結合特定理論的方法,主要介紹了與特定理論結合的圖像分割方法.本文結構安排如下:第1節(jié)簡單介紹了三種傳統(tǒng)的圖像分割方法;第2節(jié)重點闡述7個與特定理論結合的圖像分割方法;第3節(jié)對圖像分割方法的發(fā)展趨勢進行了討論;第4節(jié)對本文進行了總結,并展望了下一步的研究方向.2圖像塊分割方法傳統(tǒng)傳統(tǒng)的圖像分割方法包括基于區(qū)域的,基于邊緣的和兩者結合的圖像分割方法.2.1區(qū)域提取方法的提取機理基于區(qū)域的分割方法是以直接尋找區(qū)域為基礎的分割技術,具體算法有區(qū)域生長和區(qū)域分離與合并算法.基于區(qū)域提取方法有兩種基本形式:一種是區(qū)域生長,從單個像素出發(fā),逐步合并以形成所需要的分割區(qū)域;另一種是從全局出發(fā),逐步切割至所需的分割區(qū)域.在實際中使用的通常是這兩種基本形式的結合.該類算法對某些復雜物體定義的復雜場景的分割或者對某些自然景物的分割等類似先驗知識不足的圖像分割,效果較理想.2.2邊緣檢測的基礎基于邊緣檢測的分割方法試圖通過檢測不同區(qū)域的邊緣來解決問題,通常不同的區(qū)域之間的邊緣上灰度值的變化往往比較大,這是邊緣檢測方法得以實現(xiàn)的主要假設之一.它的基本思想是先檢測圖像中的邊緣點,再按一定策略連接成輪廓,從而構成分割區(qū)域.其難點在于邊緣檢測時抗噪性和檢測精度的矛盾,若提高檢測精度則噪聲產生的偽邊緣會導致不合理的輪廓;若提高抗噪性則會產生輪廓漏檢和位置偏差.2.3邊緣與區(qū)域相結合分割.邊緣檢測能夠獲得灰度值的局部變化強度,而區(qū)域分割能夠檢測特征的相似性與均勻性.邊緣與區(qū)域相結合分割的主要思想是結合二者的優(yōu)點,通過邊緣點的限制,避免區(qū)域的過分割;同時,通過區(qū)域分割補充漏檢的邊緣,使輪廓更加完整.3圖像分割算法近年來,隨著各學科許多新理論和新方法的提出,人們也提出了許多結合一些特定理論、方法和工具的圖像分割技術.由于圖像分割技術至今尚無通用的自身理論,所以每當有新的數(shù)學工具或方法提出來,人們就嘗試著將其用于圖像分割,因而提出了不少特殊的算法.3.1經典海洋分析方法數(shù)學形態(tài)學是由法國數(shù)學家MathernG.和SerraJ.于1964年創(chuàng)立并在此后多年里得到不斷豐富和完善.1982年SerraJ.的專著的問世標志著數(shù)學形態(tài)學開始在圖像處理、模式識別和計算機視覺等領域得到長足的發(fā)展.數(shù)學形態(tài)學以圖像的形態(tài)特征為研究對象,用具有一定形態(tài)的結構元素描述圖像中元素與元素、部分與部分之間的關系,以達到對圖像分析和識別的目的.數(shù)學形態(tài)學用于圖像分割,既可以與基于邊緣的方法結合,也可以和基于區(qū)域的方法結合.數(shù)學形態(tài)學用于基于區(qū)域的圖像分割最典型的例子就是分水嶺(Watershed)方法.經典分水嶺方法主要由兩個步驟組成:“排序”和“淹沒”.在“排序”步驟中,主要完成圖像灰度級的頻率分布計算,根據計算結果對灰度級進行排序,然后將圖像中的每一個像素分配到與灰度相對應的存儲陣列中去;在“淹沒”過程中,使用“先進先出(FirstInFirstOut)”的隊列計算地理影響區(qū)域,通過遞歸運算實現(xiàn)積水盆地的不斷膨脹,最終完成圖像的分割.2007年,VíctorO.R.等提出了一種改進的分水嶺算法.該算法通過模擬下雨過程,以像素代替雨滴,來計算灰度數(shù)字圖像的分水嶺變換.它盡可能減少了在分水嶺變換中最耗時的鄰域操作,以及在原始圖像上執(zhí)行的掃描次數(shù).該算法僅用了4個簡化的隊列和一個簡單的與輸入圖像規(guī)模一致的輸出矩陣,來存儲中間計算結果.實驗結果表明,針對不同規(guī)模的各類數(shù)字圖像,該算法較同類其他算法可以減少大約31%的運行時間;在保證算法運行效率相同的前提下,該算法無論是在執(zhí)行時間還是占用內存空間方面,都比其它算法有效.2008年,ParvatiK.等提出了一種使用灰度形態(tài)學和控制標記符的分水嶺變換算法,用來對彩色圖像、灰度醫(yī)學圖像和航空圖像等進行分割.該算法基于灰度形態(tài)學理論,分水嶺通過區(qū)域增長來完成,并利用前景標記符來避免過度分割.具有前景標記符的分水嶺分割算法可以分割包含嚴重噪聲的實時圖像,優(yōu)于標準的分水嶺分割算法.該算法的完成基于標記符和簡單形態(tài)學理論,分水嶺容易規(guī)則化.同時,算法比較靈活,方便進一步的參數(shù)調整.該算法只能對灰度圖像分割或提取感興趣的部分,但是可以結合先進理論,如小波變換等,來提高算法在處理高分辨率圖像時的執(zhí)行效果.3.2模糊模糊技術.在整個圖像的拉格朗日乘子中,區(qū)模糊集與系統(tǒng)理論是近年來在工程技術領域中十分活躍的數(shù)學分支之一,可以有效地解決模式識別中不同層次的由于信息不全面、不準確、含糊、矛盾等造成的內在不確定性問題,己經成為圖像分割的重要數(shù)學工具.應用模糊技術進行圖像分割的指導思想和出發(fā)點是:圖像分割的結果應該是定義在像素空間上的模糊子集,而不是分明子集.這是因為,在許多情況下,特別是采用3×3或5×5尺寸的窗口時,同質性的特征在區(qū)域邊界處可能沒有急劇的變化,很難確定一個像素是否應該隸屬于一個區(qū)域.此時,對于每一個像素、每一個區(qū)域,都指派一個像素隸屬于區(qū)域的隸屬度值,當用隸屬程度考慮區(qū)域的性質時,就會獲得區(qū)域性質的更精確的估計.應用模糊技術進行圖像分割的基本步驟是,將圖像及其相關特征表示成相應的模糊集或模糊概念;經過模糊技術的處理,獲得圖像的模糊分割;反模糊化后得到圖像的分割結果.2008年,Masooleh等提出一種的改進模糊算法,使用粒子群優(yōu)化方法來優(yōu)化模糊系統(tǒng),并用于彩色圖像分類和分割,具有最少的規(guī)則和最小的錯誤識別率.在該方法中,群中的每一個粒子都被編碼成一個模糊規(guī)則集,適應度函數(shù)則由分類正確率的高低和規(guī)則的多少共同決定.在進化階段,每個粒子不斷調整各自的適應值.最后,適應值最高的粒子對應的規(guī)則集被選擇作為用于圖像分割的模糊規(guī)則集.該模糊集由HSL顏色空間中的H、S和L三個元素來定義,并以此來建立模仿人類感知顏色能力的模糊模型.該算法用于機器人視覺時表現(xiàn)出良好的特性,機器人在參數(shù)只需設定一次的情況下,能適應外界環(huán)境的變化.在機器人世界杯大賽上的實驗表明該算法對噪音和光線變化有較強的魯棒性.同年,王彥春等提出一種基于圖像模糊熵鄰域非一致性的過渡區(qū)直接提取算法.該算法利用過渡區(qū)和目標區(qū)/背景區(qū)性質上的差異,能夠有效地消除椒鹽噪聲和高斯噪聲對過渡區(qū)提取的影響,對同時存在椒鹽噪聲和高斯噪聲的過渡區(qū)的提取是非常有效的.該算法擺脫了對灰度剪切值的依賴,從而使過渡區(qū)能夠很好地分布在目標周圍.理論分析和實驗結果表明,該算法能夠有效地提取含有混合噪聲圖像中的過渡區(qū),從而得到正確的分割閾值和良好的圖像分割質量.3.3基于脈沖耦合神經網絡的圖像分割算法20世紀80年代后期,受到人工智能發(fā)展的影響,出現(xiàn)了基于神經網絡的的圖像分割技術.利用神經網絡進行圖像分割,其基本思想是用訓練樣本集對神經網絡進行訓練以確定節(jié)點間的連接權值,再用訓練好的神經網絡對新輸入的圖像數(shù)據進行分割.由于神經網絡具有可并行計算、自學習等和便于硬件實現(xiàn)等特性,所以它比傳統(tǒng)方法有更大的潛力,其理論及應用探討引起了學術界學者的重視,并提出了基于各種神經網絡模型的圖像分割方法.根據相應類型的圖像,可以選用Hopfield神經網絡、BP神經網絡、振子神經網絡、細胞神經網絡、概率自適應神經網絡、自組織神經網絡、脈沖耦合神經網絡、徑向基神經網絡和Kohonen神經網絡等.其中,基于脈沖耦合神經網絡(PulseCoupledNeuralNetwork,PCNN)的圖像分割方法成為近年來的關注熱點.2007年,Zhang等結合人類視覺系統(tǒng)(HumanVisualSystem,HVS)對圖像信息含量區(qū)域敏感度不同這一特性,以神經元接近點火程度的一致性描述圖像空間鄰域所含的信息量,對通常的PCNN進行了改進,提出了一種基于改進PCNN的圖像自適應分割算法.該算法根據象素及其周邊區(qū)域的信息量大小發(fā)放不同值的脈沖,從而自適應地將圖像分為多個不同等級的高低信息區(qū)域,較好地仿真了人類視覺系統(tǒng)特性.最后對用這種方法進行圖像分割的結果進行基于信息量的圖像壓縮,在壓縮比和重建圖像主觀視覺感知質量上均達到了良好的性能,表明了算法的可行性和有效性都優(yōu)于傳統(tǒng)的PCNN.2008年,BergH.等提出了一種脈沖耦合神經元的自動設計方法.首先將PCNN的神經元作為ADATE(AutomaticDesignofAlgorithmsthroughEvolution)系統(tǒng)的遞歸函數(shù),然后使用ADATE自動演變產生更好的神經元并用于圖像分割.該方法適用于多數(shù)圖像處理方法和神經計算方法的自動改進,也可以面向特定問題改進或裁剪原有的工具.3.4支持向量機多尺度sar圖像分割方法近年來,建立在統(tǒng)計學習理論的VC維理論和結構風險最小化原理基礎上的支持向量機(SupportVectorMachine,SVM)方法表現(xiàn)出很多優(yōu)于已有方法的性能,基于支持向量機的圖像分割方法引起研究人員的注意和研究興趣.支持向量機方法已經被看作是對傳統(tǒng)學習方法的一個好的替代,特別在小樣本、高維非線性情況下,具有較好的泛化性能.應用SVM分割圖像時,由于輸入向量通過非線性映射映射到高維特征空間的分布結構由核函數(shù)決定,同時,最優(yōu)超平面與最近的訓練樣本之間的最大距離和最小分類誤差通過懲罰因子C進行折衷,因此,核函數(shù)設計與懲罰因子C的選擇將直接影響到圖像分割效果.目前常用的核函數(shù)有:線性核、多項式核以及高斯徑向核等.2007年,魏鴻磊等提出了一種采用支持向量機分類的指紋圖像分割方法.該方法將指紋圖像分塊,并根據圖像塊的對比度特征進行初分割,以去除灰度變化較小的白背景塊,對剩下的圖像塊提取方向偏差和頻率偏差,并根據對比度、方向偏差和頻率偏差三個特征分割出特征明顯的前景塊和背景塊,采用支持向量機將經前兩次分割不能判決的圖像塊分為前景和前景兩類,采用形態(tài)學方法進行后處理以減少分割錯誤.2008年,Liu等提出了一種使用支持向量機的多尺度SAR圖像分割方法.該方法集成了多尺度技術、混合模型和支持向量機等方法.首先,采用多尺度自回歸模型提取SAR圖像中的多尺度特征;然后,將該特征作為支持向量機輸入,并對支持向量機進行訓練;最后將訓練后的支持向量機應用于圖像分割.該模型充分利用了SAR圖像中多尺度序列方面的統(tǒng)計信息和支持向量機的分類能力.實驗結果表明,該方法用于圖像分割時,具有較好地計算能3.5節(jié)點顯著性圖基于圖論的圖像分割技術是近年來國際上圖像分割領域的一個新的研究熱點.該方法將圖像映射為帶權無向圖,把像素視作節(jié)點,利用最小剪切準則得到圖像的最佳分割.該方法本質上將圖像分割問題轉化為最優(yōu)化問題,是一種點對聚類方法,對數(shù)據聚類也具有很好的應用前景.目前,基于圖論的圖像分割方法的研究主要集中在以下幾個方面:(1)最優(yōu)剪切準則的設計;(2)譜方法用于分割;(3)快速算法的設計等.基于圖論的圖像分割方法的基本原理如下:令G=(V,E)表示一個無向圖,其中節(jié)點vi∈V表示圖像像素,邊(vi,vj)∈E連接節(jié)點vi和vj.每條邊有一個相應的非負權重w(vi,vj),表示相鄰節(jié)點vi和vj的不相似度.在圖像分割中,邊的權重表示兩個像素間的不相似性度量,如灰度、顏色、運動、位置或其它局部分布的差別.2003年,Pavan等提出一種新的用于圖像分割的圖論聚類理論框架.該方法源自聚類直覺觀念與節(jié)點顯性集之間的類比關系.節(jié)點顯性集將最大完全子圖推廣到邊緣帶權圖文中建立了顯性集與標準單形(standardsimplex)的二次極值之間的關系,使得算法可以使用連續(xù)最優(yōu)技術并用于局部交互計算單元的并行網絡,顯示出某些生物學優(yōu)勢.2006年,BilodeauG.A.等提出一種基于多段圖的圖像分割方法.在該方法中,首先選擇遞歸最短生成樹的有效參數(shù),完成對圖像進行初始的粗分割;然后,根據灰度級相似、區(qū)域大小和普通邊長度等特征,使用多段圖按照類似的方法對已經分割出的區(qū)域進一步合并成更有意義的結構或物體.通過對胸腔圖像的分割實驗表明,該方法可以從多種復雜的胸腔圖像中將空腔從其它組織中分割出來.相對于采用單一標準的基于圖的分割方法,該方法在空間相關性、邊緣準確性和感興趣區(qū)域分割等方面具有較好地效果.2008年,劉丙濤等提出一種新的基于圖論的SAR圖像分割方法,證明了算法具有最優(yōu)解,分析了算法的復雜度,驗證了算法具有實時性.該算法通過構造多尺度結構快速找到收縮圖以及初始圖的子圖集合,然后對其分別應用Gomory-Hu算法得到對應的等價樹,最后根據規(guī)則得到初始圖的等價樹,按照割值由小到大依次去邊后,可得到對原圖的最優(yōu)劃分,映射回圖像則可得分割結果.同年,馮林等人提出了一種融合分水嶺變換和圖論的圖像分割方法.利用圖像的局部灰度信息進行分水嶺變換后,將圖像分割成多個小區(qū)域,再結合各小區(qū)域的灰度和空間信息從全局角度用NormalizedCut方法在區(qū)域之間進行分割,產生最終的分割結果.實驗結果表明,該方法可以消除分水嶺變換后所產生的過分割現(xiàn)象,是一種有效的圖像自動分割方法.3.6基于遺傳算法和免疫克隆選擇算法的圖像分割實驗仿真實驗人工免疫系統(tǒng)(ArtificialImmuneSystem,AIS)是模仿自然免疫系統(tǒng)功能的一種智能方法,它實現(xiàn)一種受生物免疫系統(tǒng)啟發(fā),通過學習外界物質的自然防御機理的學習技術,提供噪聲忍耐、無教師學習、自組織、記憶等進化學習機理,結合了分類器、神經網絡和機器推理等系統(tǒng)的一些優(yōu)點,因此具有提供新穎的解決問題的潛力.2006年,叢琳等在圖像閾值分割方法基礎上,將免疫克隆選擇優(yōu)化算法應用到圖像分割中,提出了一種新的圖像分割算法.該算法根據適應度函數(shù)的大小,不斷更新種群克隆的規(guī)模,來求得最優(yōu)的圖像分割閾值,達到了較好的圖像分割效果.在仿真實驗中,將遺傳算法和免疫克隆選擇算法分別獨立運行10次,對10次得到的閾值以及均值、方差進行了比較,并將函數(shù)評價次數(shù)作為算法復雜度的評價指標.該算法不僅能夠對圖像進行準確的分割,而且在同樣的種群規(guī)模下能夠以較少的迭代代數(shù)和較低的函數(shù)評價次數(shù)得到最優(yōu)閾值.2007年,薄華等人基于SAR圖像中不同類別的區(qū)域呈現(xiàn)不同的灰度信息,且區(qū)域間同類像素的相鄰概率大于異類像素的相鄰概率這一特點,應用空間矩陣的概念和免疫算法,提出了一種結合灰度信息和空間信息的分割算法.該方法不需要對圖像模型進行假設,也不需要先驗知識.該算法將SAR圖像的空間矩陣特征作為免疫算法中的疫苗,用免疫算法搜索分割結果,并收斂到最優(yōu).2008年,Huang等提出一種用于非監(jiān)督圖像分割的核聚類人工免疫網絡,該網絡的設計受啟發(fā)于人工免疫網絡和支持向量域描述的思想.在該網絡中,借鑒大腦皮層的長期記憶模式,提出了新的免疫抗體鄰域和自適應學習系數(shù)的概念.從核聚類人工免疫網絡算法執(zhí)行開始,通過抗體將圖像特征集劃分為子集,并使用Mercer核將每一個子集映射到高維特征空間.此時,每一個免疫抗體鄰域由一個支持向量超球面來表示.在不需要給定聚類數(shù)目的情況下,局部的支持向量超球面通過最小生成樹算法結合產生全局的聚類結果.通過對人工合成數(shù)據集和SAR圖像數(shù)據集的仿真實驗,并和傳統(tǒng)的聚類算法比較(FCM和RABNET),表明該網絡可以減少異常數(shù)據的影響,是運行效果和執(zhí)行時間之間一種很好的折中.3.7多光譜圖像分割方法粒度計算(GranularComputing,GrC)是信息處理的一種新的概念和計算范式,覆蓋了所有有關粒度的理論、方法、技術和工具的研究,主要用于處理不精確的、模糊的、不完整的及海量的信息,業(yè)已成為人工智能、軟計算和控制科學等領域的研究熱點之一.它的理論基礎主要有:Zadeh提出的詞計算理論、Pawlak提出的粗糙集理論和我國學者張玲和張鈸提出的商空間理論.根據粒度計算理論,圖像分割就是圖像由粗粒度空間轉變成細粒度空間的過程.在對復雜圖像進行分割時,經常采用分層方法,先對圖像進行粗分割,再向更高層次分析,即粒度由粗到細,逐步細化.圖像粗分割后,可以得到圖像的一些重要區(qū)域特征,如可以獲得原圖像中區(qū)域的個數(shù)、區(qū)域中心的位置等信息.然后,在細粒度空間上進一步對圖像局部進行細化.2002年,PalS.K.等提出了一種多光譜圖像分割方法.該方法集成了基于粗糙集理論的知識提取方法,EM算法和最小生成樹聚類方法等.其中,EM算法提供了數(shù)據的統(tǒng)計模型,處理數(shù)據的關聯(lián)措施和不確定性表示;粗糙集理論有助于快速收斂和避免局部極小,從而提高了EM算法的性能;最小生成樹完成非凸聚類.2005年,劉仁金等從商空間粒度理論角度分析圖像分割概念,研究已有的圖像分割方法,提出了圖像分割的商空間粒度原理.用商空間的三元組(X,f,τ)?([X],[f],[τ])來描述圖像分割過程,闡述基于商空間粒度計算理論的圖像分割原理及基于粒度分層、合成及其綜合技術下圖像分割的方法,并提出了基于粒度合成原理的復雜紋理圖像的分割算法.該算法通過分別提取多紋理圖像中紋理區(qū)域的方向性及粗細度特征,形成圖像的不同粒度,然后根據粒度合成原則,對所形成的粒度進行合成,從而實現(xiàn)對紋理圖像的分割,實驗表明該算法對復雜紋理圖像分割是有效的.2007年,張向榮等將商空間粒度計算引入SAR圖像的分類中,結合SAR圖像特性,提出了一種基于粒度合成理論的SAR圖像分類方法.該方法首先利用具有良好推廣能力的支撐矢量機基于不同紋理特征獲得SAR圖像的不同分類結果,并認為這些分類結果構成不同的商空間,再根據粒度合成理論將這些商空間組織起來得到SAR圖像的最終分類結果.實驗結果驗證了這種方法的有效性和正確性以及商空間的粒度計算在SAR圖像分析中的應用潛力.2008年,史忠植等提出了面向相容粒度空間模型的圖像分割方法.相容粒度空間模型的基本思想來源于模擬人在特定任務下對資源進行粒度化生成粒度空間從而輔助問題求解的能力.該模型是基于相容關系構建的粒度計算模型,它由四個部分組成:對象集系統(tǒng),相容關系系統(tǒng),轉換函數(shù)和嵌套覆蓋系統(tǒng),主要特點在于對粒的定義以及通過粒度空間的層次嵌套結構進行問題求解的方法.將該模型應用于圖像分割時,需要先構建一個嵌套相容覆蓋系統(tǒng),用來定義了不同層次的粒和基于對象系統(tǒng)和相容關系系統(tǒng)的粒度化過程.除了上述提到的結合特定的理論工具的圖象分割技術之外,一些研究者還將分形幾何、動態(tài)規(guī)劃、組合優(yōu)化、Markov隨機場、小波分析理論、遺傳算法和偏微分方程等