淺析圖像分割的原理及方法

本文格式為Word版，下載可任意編輯——淺析圖像分割的原理及方法淺析圖像分割的原理及方法

一．研究背景及意義

研究背景：

隨著人工智能的發(fā)展，機器人技術(shù)不斷地應(yīng)用到各個領(lǐng)域。信息技術(shù)的參與是智能機器人出現(xiàn)的必要前提。信息技術(shù)泛指包括通信技術(shù)、電子技術(shù)、信號處理技術(shù)等相關(guān)信息化技術(shù)的一大類技術(shù)。它的應(yīng)用使得人們今天的生活發(fā)生了巨大變化。從手機到高清電視等家用電器設(shè)備出現(xiàn)使我們的生活越來越豐富多彩。在一些軍用及民用領(lǐng)域近幾年出現(xiàn)了一些諸如:圖像制導(dǎo)、無人飛機、無人巡邏車、人臉識別、指紋識別、語音識別、車輛牌照識別、漢字識別、醫(yī)學(xué)圖像識別等高新技術(shù)。實現(xiàn)它們的核心就是圖像處理、機器視覺、模式識別、智能控制、及機器人學(xué)等相關(guān)知識。其中圖像處理具有重要地位。而圖像分割技術(shù)是圖像分析環(huán)節(jié)的關(guān)鍵技術(shù)。

研究圖像分割技術(shù)的意義：

人類感知外部世界的兩大途徑是聽覺和視覺，特別是視覺，同時視覺信息是人類從自然界中獲得信息的主要來源，約占人類獲得外部世界信息量的80%以上。圖像以視覺為基礎(chǔ)通過觀測系統(tǒng)直接獲得客觀世界的狀態(tài)，它直接或間接地作用于人眼，反映的信息與人眼獲得的信息一致，這決定了它和客觀外界都是人類最主要的信息來源，圖像處理也因此成為了人們研究的熱點之一。人眼獲得的信息是連續(xù)的圖像，在實際應(yīng)用中，為便于計算機等對圖像進行處理，人們對連續(xù)圖像進行采樣和量化等處理，得到了計算機能夠識別的數(shù)字圖像。數(shù)字圖像具有信息量大、精度高、內(nèi)容豐富、可進行繁雜的非線性處理等優(yōu)點，成為計算機視覺和圖像處理的重要研究對象。在一幅圖像中，人們往往只對其中的某些區(qū)域感興趣，稱之為前景，這些區(qū)域內(nèi)的某些空間信息特性(如灰度、顏色、輪廓、紋理等)尋常與周邊背景之間存在區(qū)別。圖像分割就是根據(jù)這些差異把圖像分成若干個特定的、具有獨特性質(zhì)的區(qū)域并提取感興趣目標的技術(shù)和過程。在數(shù)字圖像處理中，圖像分割作為早期處理是一個十分重要的步驟。為便于研究圖像分割，使其在實

際的圖像處理中得到有效的應(yīng)用，嚴格定義圖像分割的概念是十分必要的。圖像分割的數(shù)學(xué)描述尋常為:對圖像I的整個圖像域R根據(jù)相像性測量規(guī)律準則P劃分為N個不相交的子其中:條件1保證所有分割區(qū)域的總和與整幅圖像區(qū)域相等;條件2保證不同區(qū)域之間不重疊;條件3保證在同一區(qū)域的圖像特征具有一致性;條件4保證不同分割區(qū)域的圖像特征不同。

到目前為止，研究者們在圖像分割領(lǐng)域取得了大量的研究成果，這些成果源于對圖像中不同特征的利用，宛如一區(qū)域內(nèi)的特征具有相像性和像素點之間具有連通性、目標與背景之間存在不連續(xù)性等，但是至今沒有一種分割算法能用于所有的圖像分割，這也促進了研究者們對圖像分割進行不斷地研究。早期經(jīng)典的圖像分割方法大多只利用到圖像的低層信息，如邊緣、紋理、灰度等，其中較為經(jīng)典的算法有基于閡值的圖像分割、基于邊緣檢測的圖像分割基于圖論的圖像分割等。近年來，研究者們將研究的重點轉(zhuǎn)移到圖像中的高層知識，并將先驗知識引入圖像分割算法中，得到了一些新的圖像分割理念，如小波變換模糊集[fgl數(shù)學(xué)形態(tài)學(xué)、神經(jīng)網(wǎng)絡(luò)活動輪廓模型等，豐富了圖像分割方法，很大程度上改善了分割效果。

圖像分割是圖像處理和計算機視覺中重要的一環(huán)，近年來它不僅一直是計算機視覺領(lǐng)域的熱門話題，在實際生活中也得到廣泛的應(yīng)用。例如，在醫(yī)學(xué)上，用于測量醫(yī)學(xué)圖像中組織體積、三維重建、手術(shù)模擬等;在遙感圖像中，分割合成孔徑雷達圖像中的目標、提取遙感云圖中不同云系與背景等、定位衛(wèi)星圖像中的道路和森林等。圖像分割也可作為預(yù)處理將最初的圖像轉(zhuǎn)化為若干個更加抽象、更便于計算機處理的形式，既保存了圖像中的重要特征信息，又有效減少了圖像中的無用數(shù)據(jù)、提高了后續(xù)圖像處理的確鑿率和效率。例如，在通信方面，可事先提取目標的輪廓結(jié)構(gòu)、區(qū)域內(nèi)容等，保證不失有用信息的同時，有針對性地壓縮圖像，以提高網(wǎng)絡(luò)傳輸效率;在交通領(lǐng)域可用來對車輛進行輪廓提取、識別或跟蹤，行人檢測等?？偟膩碚f，凡是與目標的檢測、提取和識別等相關(guān)的內(nèi)容，都需要利用到圖像分割技術(shù)。因此，無論是從圖像分割的技術(shù)和算法，還是從對圖像處理、計算機視覺的影響以及實際應(yīng)用等各個方面來深入研究和探討圖像分割，都具有十分重要的意義。

二．圖像分割常用技術(shù)

1.圖像分割基本概念

圖像分割定義：圖像分割是依照一定的規(guī)則把圖像劃分成若干個互不相交、具有一定性質(zhì)的區(qū)域，把人們關(guān)注的部分從圖像中提取出來，進一步加以研究分析和處理。圖像分割的結(jié)果是圖像特征提取和識別等圖像理解的基礎(chǔ)，對圖像分割的研究一直是數(shù)字圖像處理技術(shù)研究中的熱點和焦點。圖像分割使得其后的圖像分析，識別等高級處理階段所要處理的數(shù)據(jù)量大大減少，同時又保存有關(guān)圖像結(jié)構(gòu)特征的信息。圖像分割在不同的領(lǐng)域也有其它名稱，如目標輪廓技術(shù)、目標檢測技術(shù)、閾值化技術(shù)、目標跟蹤技術(shù)等，這些技術(shù)本身或其核心實際上也就是圖像分割技術(shù)。

圖像分割目的：把圖像空間分成一些有意義的區(qū)域，與圖像中各種物體

目標相對應(yīng)。通過對分割結(jié)果的描述，可以理解圖像中包含的信息。

圖像分割的分類依據(jù)：圖像分割是將像素分類的過程，分類的依據(jù)可建立在：像素間的相像性、非連續(xù)性。

2.基于邊緣的圖像分割方法

邊緣總是以強度突變的形式出現(xiàn)，可以定義為圖像局部特性的不連續(xù)性，如灰度的突變、紋理結(jié)構(gòu)的突變等。邊緣往往意味著一個區(qū)域的終結(jié)和另一個區(qū)域的開始。對于邊緣的檢測往往借助空間微分算子進行，通過將其模板與圖像卷積完成。兩個具有不同灰度值的相鄰區(qū)域之間總存在灰度邊緣，而這正是灰度值不連續(xù)的結(jié)果，這種不連續(xù)可以利用求一階和二階導(dǎo)數(shù)檢測到。當今的邊緣檢測方法中，主要有一次微分、二次微分和模板操作等。這些邊緣檢測器對邊緣灰度值過渡比較尖銳且噪聲較小等不太繁雜的圖像可以取得較好的效果。但對于邊緣繁雜的圖像效果不太理想，如邊緣模糊、邊緣丟失、邊緣不連續(xù)等。噪聲的存在使基于導(dǎo)數(shù)的邊緣檢測方法效果明顯降低，在噪聲較大的狀況下所用的邊緣檢測算子尋常都是先對圖像進行適當?shù)钠交种圃肼?，然后求?dǎo)數(shù)，或者對圖像進行局部擬合，再用擬合光滑函數(shù)的導(dǎo)數(shù)來代替直接的數(shù)值導(dǎo)數(shù)，如Canny算子等。在

未來的研究中，用于提取初始邊緣點的自適應(yīng)閾值選取、用于圖像層次分割的更大區(qū)域的選取以及如何確認重要邊緣以去除假邊緣將變的十分重要。根據(jù)灰度變化的特點，常見的邊緣可分為階躍型、房頂型和凸緣型邊緣檢測的方法好多，主要有以下幾種:

1、空域微分算子，也就是傳統(tǒng)的邊緣檢測方法。如Roberts算子、Prewitt算子和Sobel算子等。

2、擬合曲面。該方法利用當前像素鄰域中的一些像素值擬合一個曲面，然后求這個連續(xù)曲面在當前像素處的梯度。3、小波多尺度邊緣檢測。4、基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測。

最終通過圖像的輪廓（邊界）跟蹤來確定目標區(qū)域：

圖像的輪廓（邊界）跟蹤與邊緣檢測是密切相關(guān)的，由于輪廓跟蹤實質(zhì)上就是沿著圖像的外部邊緣“走〞一圈然后分割出目標區(qū)域。

下圖是分別用Roberts、Sobel、Prewitt、LOG、Canny算子對灰度Lena圖像分割的結(jié)果：

3.閾值分割方法

閾值分割是常見的直接對圖像進行分割的算法，根據(jù)圖像像素的灰度值的不同而定。對應(yīng)單一目標圖像，只需選取一個閾值，即可將圖像分為目標和背景兩大類，這個稱為單閾值分割；假使目標圖像繁雜，選取多個閾值，才能將圖像中

的目標區(qū)域和背景被分割成多個，這個稱為多閾值分割，此時還需要區(qū)分檢測結(jié)果中的圖像目標，對各個圖像目標區(qū)域進行唯一的標識進行區(qū)分。閾值分割的顯著優(yōu)點，成本低廉，實現(xiàn)簡單。當目標和背景區(qū)域的像素灰度值或其它特征存在明顯差異的狀況下，該算法能十分有效地實現(xiàn)對圖像的分割。閾值分割方法的關(guān)鍵是如何取得一個適合的閾值，近年來的方法有：用最大相關(guān)性原則選擇閾值的方法、基于圖像拓撲穩(wěn)定狀態(tài)的方法、灰度共生矩陣方法、最大熵法和峰谷值分析法等，更多的狀況下，閾值的選擇會綜合運用兩種或兩種以上的方法，這也是圖像分割發(fā)展的一個趨勢。

閾值法是一種較傳統(tǒng)的圖像分割算法。該算法以感興趣的目標區(qū)域與背景之間的灰度值存在差異，同時區(qū)域內(nèi)具有均勻的灰度值為基礎(chǔ)，通過設(shè)置一個或多個閡值將圖像分割成多個區(qū)域。

閾值法主要包括選取閡值和作比較兩個步驟，它是通過比較圖像中每一個像素的灰度值與閡值來確定像素所屬的區(qū)域。因而，閡值的選取是該算法的關(guān)鍵。根據(jù)閡值的確定方式不同可將該算法分為兩類:全局閡值分割和局部閡值分割。全局閡值分割方法是通過直方圖選取一個最利于分割目標邊緣的閡值來對圖像中像素進行分類。常見的全局閾值分割有雙峰法、Otsu、最小誤差法等;局部閾值分割方法則是先將整幅圖像域分解成若干個小區(qū)域，在每一個小區(qū)域內(nèi)部選取適合本區(qū)域的閡值對其進行分割，再將小區(qū)域合并。常見的局部閾值分割包括Niblaek方法和Bernsen方法等。近年來，研究者們也提出了一些改良的閾值算法。如龍建武等提出了一種基于高斯尺度空間的自適應(yīng)閾值算法該算法借助高斯函數(shù)對圖像卷積得到高斯尺度空間，再利用背景差分法消除灰度不均勻的影響，最終采用最大類間方差獲取閾值。WenJiangtao提出了一種結(jié)合Curvelet變換和Otsu方法的改進算法，該算法首先通過非線性函數(shù)加強曲波系數(shù)以消除圖像中邊緣不均勻問題，再采