图像分割技术的原理及应用

　　图像分割至今尚无通用的自身理论。随着各学科许多新理论和新方法的提出，出现了许多与一些特定理论、方法相结合的图像分割方法。

　　聚类分析

　　特征空间聚类法进行图像分割是将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割结果。其中，K均值、模糊C均值聚类（FCM）算法是最常用的聚类算法。K均值算法先选K个初始类均值，然后将每个像素归入均值离它最近的类并计算新的类均值。迭代执行前面的步骤直到新旧类均值之差小于某一阈值。模糊C均值算法是在模糊数学基础上对K均值算法的推广，是通过最优化一个模糊目标函数实现聚类，它不像K均值聚类那样认为每个点只能属于某一类，而是赋予每个点一个对各类的隶属度，用隶属度更好地描述边缘像素亦此亦彼的特点，适合处理事物内在的不确定性。利用模糊C均值（FCM）非监督模糊聚类标定的特点进行图像分割，可以减少人为的干预，且较适合图像中存在不确定性和模糊性的特点。

　　FCM算法对初始参数极为敏感，有时需要人工干预参数的初始化以接近全局最优解，提高分割速度。另外，传统FCM算法没有考虑空间信息，对噪声和灰度不均匀敏感。

　　模糊集理论

　　模糊集理论具有描述事物不确定性的能力，适合于图像分割问题。1998年以来，出现了许多模糊分割技术，在图像分割中的应用日益广泛。模糊技术在图像分割中应用的一个显著特点就是它能和现有的许多图像分割方法相结合，形成一系列的集成模糊分割技术，例如模糊聚类、模糊阈值、模糊边缘检测技术等。

　　模糊阈值技术利用不同的S型隶属函数来定义模糊目标，通过优化过程最后选择一个具有最小不确定性的S函数。用该函数增强目标及属于该目标的像素之间的关系，这样得到的S型函数的交叉点为阈值分割需要的阈值，这种方法的困难在于隶属函数的选择。基于模糊集合和逻辑的分割方法是以模糊数学为基础，利用隶属图像中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题。该方法在医学图像分析中有广泛的应用，如薛景浩等人提出的一种新的基于图像间模糊散度的阈值化算法以及它在多阈值选择中的推广算法，采用了模糊集合分别表达分割前后的图像，通过最小模糊散度准则来实现图像分割中最优阈值的自动提取。该算法针对图像阈值化分割的要求构造了一种新的模糊隶属度函数，克服了传统S函数带宽对分割效果的影响，有很好的通用性和有效性，方案能够快速正确地实现分割，且不需事先认定分割类数。实验结果令人满意。

　　浅析图像分割的原理及方法

　　一．研究背景及意义

　　研究背景：

　　随着人工智能的发展，机器人技术不断地应用到各个领域。信息技术的加入是智能机器人出现的必要前提。信息技术泛指包括通信技术、电子技术、信号处理技术等相关信息化技术的一大类技术。它的应用使得人们今天的生活发生了巨大变化。从手机到高清电视等家用电器设备出现使我们的生活越来越丰富多彩。在一些军用及民用领域近几年出现了一些诸如：图像制导、无人飞机、无人巡逻车、人脸识别、指纹识别、语音识别、车辆牌照识别、汉字识别、医学图像识别等高新技术。实现它们的核心就是图像处理、机器视觉、模式识别、智能控制、及机器人学等相关知识。其中图像处理具有重要地位。而图像分割技术是图像分析环节的关键技术。

　　研究图像分割技术的意义：

　　人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，同时视觉信息是人类从自然界中获得信息的主要来源，约占人类获得外部世界信息量的80%以上。图像以视觉为基础通过观测系统直接获得客观世界的状态，它直接或间接地作用于人眼，反映的信息与人眼获得的信息一致，这决定了它和客观外界都是人类最主要的信息来源，图像处理也因此成为了人们研究的热点之一。人眼获得的信息是连续的图像，在实际应用中，为便于计算机等对图像进行处理，人们对连续图像进行采样和量化等处理，得到了计算机能够识别的数字图像。数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点，成为计算机视觉和图像处理的重要研究对象。在一幅图像中，人们往往只对其中的某些区域感兴趣，称之为前景，这些区域内的某些空间信息特性（如灰度、颜色、轮廓、纹理等）通常与周围背景之间存在差别。图像分割就是根据这些差异把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。在数字图像处理中，图像分割作为早期处理是一个非常重要的步骤。为便于研究图像分割，使其在实际的图像处理中得到有效的应用，严格定义图像分割的概念是十分必要的。图像分割的数学描述通常为：对图像I的整个图像域R根据相似性测量逻辑准则P划分为N个不相交的子其中：条件1保证所有分割区域的总和与整幅图像区域相等;条件2保证不同区域之间不重叠;条件3保证在同一区域的图像特征具有一致性;条件4保证不同分割区域的图像特征不同。

　　到目前为止，研究者们在图像分割领域取得了大量的研究成果，这些成果源于对图像中不同特征的利用，如同一区域内的特征具有相似性和像素点之间具有连通性、目标与背景之间存在不连续性等，但是至今没有一种分割算法能用于所有的图像分割，这也促进了研究者们对图像分割进行不断地研究。早期经典的图像分割方法大多只利用到图像的低层信息，如边缘、纹理、灰度等，其中较为经典的算法有基于阂值的图像分割、基于边缘检测的图像分割基于图论的图像 分割等。近年来，研究者们将研究的重点转移到图像中的高层知识，并将先验知 识引入图像分割算法中，得到了一些新的图像分割理念，如小波变换模糊集［fgl 数学形态学、神经网络活动轮廓模型等，丰富了图像分割方法，很大程度上改善了分割效果。

　　图像分割是图像处理和计算机视觉中重要的一环，近年来它不仅一直是计算 机视觉领域的热门话题，在实际生活中也得到广泛的应用。例如，在医学上，用 于测量医学图像中组织体积、三维重建、手术模拟等;在遥感图像中，分割合 成孔径雷达图像中的目标、提取遥感云图中不同云系与背景等、定位卫星图像 中的道路和森林等。图像分割也可作为预处理将最初的图像转化为若干个更加抽 象、更便于计算机处理的形式，既保留了图像中的重要特征信息，又有效减少了 图像中的无用数据、提高了后续图像处理的准确率和效率。例如，在通信方面， 可事先提取目标的轮廓结构、区域内容等，保证不失有用信息的同时，有针对性 地压缩图像，以提高网络传输效率;在交通领域可用来对车辆进行轮廓提取、 识别或跟踪，行人检测等。总的来说，凡是与目标的检测、提取和识别等相关的 内容，都需要利用到图像分割技术。因此，无论是从图像分割的技术和算法，还 是从对图像处理、计算机视觉的影响以及实际应用等各个方面来深入研究和探讨 图像分割，都具有十分重要的意义。

　　二．图像分割常用技术

　　1.图像分割基本概念

　　图像分割定义：图像分割是按照一定的规则把图像划分成若干个互不相交、具有一定性质的区域，把人们关注的部分从图像中提取出来，进一步加以研究分析和处理。图像分割的结果是图像特征提取和识别等图像理解的基础，对图像分割的研究一直是数字图像处理技术研究中的热点和焦点。图像分割使得其后的图像分析，识别等高级处理阶段所要处理的数据量大大减少，同时又保留有关图像结构特征的信息。图像分割在不同的领域也有其它名称，如目标轮廓技术、目标检测技术、阈值化技术、目标跟踪技术等，这些技术本身或其核心实际上也就是图像分割技术。

　　图像分割目的：把图像空间分成一些有意义的区域，与图像中各种物体

　　目标相对应。通过对分割结果的描述，可以理解图像中包含的信息。

　　图像分割的分类依据：图像分割是将像素分类的过程，分类的依据可建立在：像素间的相似性、非连续性。

　　2. 基于边缘的图像分割方法

　　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。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。当今的边缘检测方法中，主要有一次微分、二次微分和模板操作等。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。但对于边缘复杂的图像效果不太理想，如边缘模糊、边缘丢失、边缘不连续等。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，再用拟合光滑函数的导数来代替直接的数值导数，如Canny算子等。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以去除假边缘将变的非常重要。

　　根据灰度变化的特点，常见的边缘可分为阶跃型、房顶型和凸缘型 边缘检测的方法很多，主要有以下几种：

　　1、空域微分算子，也就是传统的边缘检测方法。如Roberts算子、Prewitt算子和Sobel算子等。

　　2、拟合曲面。该方法利用当前像素邻域中的一些像素值拟合一个曲面，然后求这个连续曲面在当前像素处的梯度。 3、小波多尺度边缘检测。 4、基于数学形态学的边缘检测。

　　最后通过图像的轮廓（边界）跟踪来确定目标区域：

　　图像的轮廓（边界）跟踪与边缘检测是密切相关的，因为轮廓跟踪实质上就是沿着图像的外部边缘“走”一圈然后分割出目标区域。

　　下图是分别用Roberts、Sobel、Prewitt、LOG、Canny算子对灰度Lena图像分割的结果：

　　3. 阈值分割方法

　　阈值分割是常见的直接对图像进行分割的算法，根据图像像素的灰度值的不同而定。对应单一目标图像，只需选取一个阈值，即可将图像分为目标和背景两大类，这个称为单阈值分割；如果目标图像复杂，选取多个阈值，才能将图像中的目标区域和背景被分割成多个，这个称为多阈值分割，此时还需要区分检测结果中的图像目标，对各个图像目标区域进行唯一的标识进行区分。阈值分割的显著优点，成本低廉，实现简单。当目标和背景区域的像素灰度值或其它特征存在明显差异的情况下，该算法能非常有效地实现对图像的分割。阈值分割方法的关键是如何取得一个合适的阈值，近年来的方法有：用最大相关性原则选择阈值的方法、基于图像拓扑稳定状态的方法、灰度共生矩阵方法、最大熵法和峰谷值分析法等，更多的情况下，阈值的选择会综合运用两种或两种以上的方法，这也是图像分割发展的一个趋势。

　　阈值法是一种较传统的图像分割算法。该算法以感兴趣的目标区域与背景之 间的灰度值存在差异，同时区域内具有均匀的灰度值为基础，通过设置一个或多 个阂值将图像分割成多个区域。

　　阈值法主要包括选取阂值和作比较两个步骤，它是通过比较图像中每一个像 素的灰度值与阂值来确定像素所属的区域。因而，阂值的选取是该算法的关键。 根据阂值的确定方式不同可将该算法分为两类：全局阂值分割和局部阂值分割。 全局阂值分割方法是通过直方图选取一个最利于分割目标边缘的阂值来对图像中 像素进行分类。常见的全局阈值分割有双峰法、Otsu、最小误差法等;局部阈值分割方法则是先将整幅图像域分解成若干个小区域，在每一个小区域内部选取适合本区域的阂值对其进行分割，再将小区域合并。常见的局部阈值分割包括Niblaek方法和Bernsen方法等。近年来，研究者们也提出了一些改良的阈值算法。如龙建武等提出了一种基于高斯尺度空间的自适应阈值算法该算法借助高斯函数对图像卷积得到高斯尺度空间，再利用背景差分法消除灰度不均匀的影响，最后采用最大类间方差获取阈值。Wen Jiangtao提出了一种结合Curvelet变换和Otsu方法的改进算法，该算法首先通过非线性函数增强曲波系数以消除图像中边缘不均匀问题，再采用Otsu算法对图像进行分割。基于阈值的图像分割算法简单易实现，效率高。但是，在实际图像中目标或背景的灰度往往分布不均匀，目标与背景之间存在重叠的灰度，使得阂值法的分割结果中出现过分割或欠分割现象。

　　仅使用一个阈值分割的方法称为单阈值分割方法 。

　　如果图像中有多个灰度值不同的区域，那么可以选择一系列的阈值以将每个像素分到合适的类别中去，这种用多个阈值分割的方法称为多阈值分割方法。

　　阈值选取依据：

　　1、仅取决于图像灰度值，仅与各个图像像素本身性质相关的阈值选取——全局阈值。

　　2、取决于图像灰度值和该点邻域的某种局部特性，即与局部区域特性相关的的阈值选取——局部阈值。

　　3、除取决于图像灰度值和该点邻域的某种局部特性之外，还取决于空间坐标，即得到的阈值与坐标相关——动态阈值或者自适应阈值。 全局阈值

　　原理：假定物体和背景分别处于不同灰度级，图像被零均值高斯噪声污染，图像的灰度分布曲线近似用两个正态分布概率密度函数分别代表目标和背景的直方图，利用这两个函数的合成曲线拟合整体图像的直方图，图像的直方图将会出现两个分离的峰值，如下图然后依据最小误差理论针对直方图的两个峰间的波谷所对应的灰度值求出分割的阈值。

　　该方法适用于具有良好双峰性质的图像，但需要用到数值逼近等计算，算法十分复杂，而且多数图像的直方图是离散、不规则的。

　　在实际阈值分割过程中，往往需要能够自动获取阈值，下面的算法可以自动获得全局阈值：

　　1）选取一个的初始估计值T；

　　2）用T分割图像。这样便会生成两组像素集合：G1由所有灰度值大于T的像素组成，而G2由所有灰度值小于或等于T的像素组成。

　　3）对G1和G2中所有像素计算平均灰度值u1和u2。 4）计算新的阈值：T=1/2（u1 + u2）。

　　重复步骤（2）到（4），直到得到的T值之差小于一个事先定义的参数T。 下图是迭代阈值选择法图像分割的结果与Otsu（即最大相关性原则选择阈值的方法）阈值选择法图像分割的结果比较 两种方法效果相差不大。

　　4.区域分割方法

　　区域增长法和分裂合并法是基于区域信息的图像分割的主要方法。区域增长有两种方式，一种是先将图像分割成很多的一致性较强的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的。另一种实现是给定图像中要分割目标的一个种子区域，再在种子区域基础上将周围的像素点以一定的规则加入其中，最终达到目标与背景分离的目的；分裂合并法对图像的分割是按区域生长法沿相反方向进行的，无需设置种子点。其基本思想是给定相似测度和同质测度。从整幅图像开始，如果区域不满足同质测度，则分裂成任意大小的不重叠子区域，如果两个邻域的子区域满足相似测度则合并。

　　区域生长是区域分割最基本的方法。所谓区域生长就是一种根据事先定义的准则将像素或者子区域聚合成更大区域的过程。

　　基本思想：

　　以一组生长点（可以是单个像素，也可以是某个小区域）开始，搜索其邻域，把图像分割成特征相似的若干区域，比较相邻区域与生长点特征的相似性，若它们足够相似，则作为同一区域合并，形成新的生长点。以此方式将特征相似的区域不断合并、直到不能合并为止，最后形成特征不同的各区域。这种分割方式也称区域扩张法。

　　在实际应用时，要解决三个问题： 1）确定区域的数目，也就是选择一组能正确代表所需区域的生长点像素；

　　2）选择有意义的特征，也就是确定在生长过程中将相邻区域像素包括进来的

　　方式；

　　3）确定相似性准则，即获取生长过程停止的准则。

　　特征相似性是构成与合并区域的基本准则，相邻性是指所取的邻域方式。根据所用的邻域方式和相似性准则的不同，产生各种不同的区域生长法。

　　将灰度相关的值作为区域生长准则，区域生长可分为单一型（像素与像素）、质心型（像素与区域）和混合型（区域与区域）三种。 单一型区域生长法原理：

　　以图像的某个像素为生长点，将特征相似的相邻像素合并为同一区域；然后以合并的像素为生长点，重复以上的操作，最终形成具有相似特征的像素的最大连通集合。

　　下面给出以像素灰度为特征进行简单区域生长的步骤。

　　（1）对图像进行光栅扫描，找出尚没有归属的像素。当寻找不到这样的像素时结束操作。

　　（2）把这个像素灰度同其周围（4-邻域或8-邻域）不属于任何一个区域的像素进行比较，若灰度差值小于某一阈值，则将它们合并为同一个区域，并对合并的像素赋予标记。

　　（3）从新合并的像素开始，反复进行（2）的操作，直到区域不能再合并为止。 （4）返回（1）操作，寻找能作为新区域出发点的像素。 优缺点：

　　这种方法简单，但如果区域之间的边缘灰度变化很平缓或边缘交于一点时，两个区域会合并起来。 解决方法：

　　为消除这一点，在步骤（2）中不是比较相邻像素灰度，而是比较已存在区域的像素灰度平均值与该区域邻接的像素灰度值。

　　下图是选择三个生长点的区域生长法图像分割的结果与选择另外三个不同生长点的区域生长法图像分割的结果比较

　　第一副图的生长点为 横坐标 ［30， 40， 82］ 纵坐标［56， 30， 35］。 第二副图的生长点为 横坐标 ［63， 10， 85］ 纵坐标［30， 56， 60］。 生长点在第一幅图像中用绿色方块表示

　　从对比可以看出，区域生长法的缺点就是分割结果决定于生长点的选择。

　　三．图像分割方法研究的趋势

　　虽然近年来图像分割的研究成果越来越多，但由于图像分割本身所具有的难度，使研究仍然存在一些问题，现有的许多种算法都是针对不同的图像，并没有一种普遍适用的分割算法。迄今为止，没有一个好的通用的分割评价标准，如何对分割结果作出量化的评价是一个值得研究的问题，该量化测度应有助于视觉系统中的自动决策及评价算法的优劣，该测度应考虑到均质性、对比度、紧致性、连续性、心理一视觉感知等因素，伴随着数字图像处理的应用领域不断扩大，实时处理技术已成研究的热点，在实时图像处理系统中，算法的运行时间也成为今后研究的方向和目标。

　　虽然图像分割目前尚无通用的理论，但是近年来大量学者致力于将新概念、新方法应用于图像分割，结合特定理论的图像分割方法在图像分割方面取得了较好的应用效果。如小波分析和小波变换、神经网络、遗传算法等数学工具的利用，有效地改善了分割效果用。

　　图像分割方法是将相邻的像素连接起来形成一个区域，且同一个区域内的像素必须具有某种相似性。这类分割方法往往根据像素点的灰度值、纹理、统计特征和颜色等来建立联系，保证同一区域内具有相似性和连续性，但分割效果的优劣表现出对相似性条件具有强烈的依赖性，且分割结果极易出现过分割。基于区域的图像分割方法主要包括分裂合并和区域生长。分裂合并法首先分裂整幅图像，然后通过某种准则判断分裂区域的相似性，合并相邻的相似分裂区域，得到分割结果。区域生长法需事先设定相似性原则和生长种子，从生长种子出发将满足相似性原则的相邻像素不断合并，构成一个区域，达到划分区域完成图像分割的目的，其中最关键的是相似性原则的设定和生长种子的选取。ZhuSong等提出了一种结合Snake模型的几何特征与区域增长的统计特征的分割方法，该算法首先利用区域生长将图像分割层若干区域，再利用贝叶斯和最小描述长度进行区域竞争，合并坏种子所在的区域，从而得到正确的分割图像。张馄等提出了一种自适应分裂合并的聚类算法，通过定义空间连通率，并利用中垂线分割来对聚类进行自适应地分裂合并。

　　基于区域的图像分割技术主要用来识别图像中具有特性相似的区域，要求同 一区域的像素具有相似的特征且连通，正因为这样，它具有消除孤立噪声点的能力。但是，区域生长法对种子点的选取要求很高，选取的结果将直接影响图像分 割的效果。分裂合并法虽然不需要选择生长种子点，但是其分割效果与分裂程度 之间存在一个很大的矛盾，即当分裂相对充分时，具有较好的分割效果，但分割 的时间和工作量将增大;若要提高效率只能减少分裂工作，这将影响分割的质量

　　1. 基于遗传算法的图像分割

　　遗传算法是模拟自然界生物进化过程与机制求解问题的一类自组织与自适应的人工智能技术。对此，科学家们进行了大量的研究工作，并成功地运用于各种类型的优化问题，在分割复杂的图像时，人们往往采用多参量进行信息融合，在多参量参与的最优值求取过程中，优化计算是最重要的，把自然进化的特征应用到计算机算法中，将能解决很多问题。遗传算法的出现为解决这类问题提供了新而有效的方法，不仅可以得到全局最优解，而且大量缩短了计算时间。王月兰等人提出的基于信息融合技术的彩色图像分割方法，该方法应用剥壳技术将问题的复杂度降低，然后将信息融合技术应用到彩色图像分割中，为彩色分割在不同领域中的应用提供了一种新的思路与解决办法。

　　2. 基于人工神经网络技术的图像分割

　　基于神经网络的分割方法的基本思想是先通过训练多层感知器来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。近年来，随着神经学的研究和进展，第三代脉冲耦合神经网络（PCNN）作为一种新型人工神经网络模型，其独特处理方式为图像分割提供了新的思路。脉冲耦合神经网络具有捕获特性，会产生点火脉冲传播，对输入图像具有时空整合作用，相邻的具有相似输入的神经元倾向于同时点火。因此对于灰度图像，PCNN具有天然的分割能力，与输入图像中不同目标区域对应的神经元在不同的时刻点火，从而将不同区域分割开来。如果目标区域灰度分布有重叠，由于PCNN的时空整合作用，如果灰度分布符合某种规律，PCNN也能克服灰度分布重叠所带来的不利影响，从而实现较完美的分割 。这是其一个突出的优点，而这恰恰是其他的分割方法所欠缺的，其在未来的图像分割中将起主导作用。

　　3. 基于小波分析和变换的图像分割 性和多分辨率分析能力，在图像处理等领域得到了广泛的应用。小波变换是一种多尺度多通道分析工具，比较适合对图像进行多尺度的边缘检测。从图像

　　处理角度看，小波变换具有“变焦”特性，在低频段可用高频率分辨率和低时间分辨率，在高频段可用低频率分辨率和高时间分辨率，小波交换在实现上有快速算法具有多分辨率，也叫多尺度的特点，可以由粗及精地逐步观察信号等优点。近年来多进制小波也开始用于边缘检测。另外，把小波变换和其它方法结合起来的图像分割技术也是现在研究的热点。

　　近年来，小波理论得到了迅速的发展，而且由于其具有良好的时频局部化特