摘要圖像分割就是將圖像中具有特定含義的不同區(qū)域分解，劃分為若干互不相交的有意義的小區(qū)域的過(guò)程。圖像分割技術(shù)的發(fā)展首先是從傳統(tǒng)的數(shù)值處理方法開(kāi)始的，大致可分為以下四類(lèi):閾值法、區(qū)域法、邊緣法、模式分類(lèi)法。

關(guān)鍵詞圖像分割信息數(shù)值處理法

中圖分類(lèi)號(hào):TP39文獻(xiàn)標(biāo)識(shí)碼:A

據(jù)統(tǒng)計(jì)，在人類(lèi)接受的信息中，視覺(jué)信息占到60%~70%，這個(gè)數(shù)據(jù)表明圖像在傳遞信息方面的作用十分重要。在對(duì)視覺(jué)圖像進(jìn)行處理時(shí)，一般是把復(fù)雜的景物做出分解，繼而對(duì)各個(gè)目標(biāo)物體做指定的測(cè)量和分析。圖像分割就是將圖像中具有特定含義的不同區(qū)域分解，劃分為若干互不相交的有意義的小區(qū)域的過(guò)程。

圖像分割借助集合概念定義:令集合R代表整個(gè)圖像區(qū)域，對(duì)R的分割看作將R分成若干個(gè)滿足以下5個(gè)條件的非空子集(子區(qū)域):

(1);

(2)對(duì)所有的i和j，若，有;

(3)對(duì)，有;

(4)對(duì)，有;

(5)對(duì)是連通的區(qū)域。

其中是對(duì)所有在集合中像素的二值邏輯謂詞，是一種相似性度量;如果區(qū)域內(nèi)像素滿足某種相似性，它的值為T(mén)RUE，否則為FALSE。

上述條件(1)指出分割的完整性，分割所得到的全部子區(qū)域的總和(并集)應(yīng)能包括圖像中所有像素，或者說(shuō)分割應(yīng)將圖像中的每個(gè)像素都分進(jìn)某一個(gè)子區(qū)域中。條件(2)保證各個(gè)子區(qū)域是互不重疊的，或者說(shuō)一個(gè)像素不能同時(shí)屬于兩個(gè)區(qū)域。條件(3)表明分割后得到的屬于同一個(gè)區(qū)域的像素應(yīng)該具有某些相同特性。條件(4)指出分割后得到的屬于不同區(qū)域的像素應(yīng)該具有某些不同的特性。條件(5)要求同一個(gè)子區(qū)域內(nèi)的像素應(yīng)當(dāng)是連通的。對(duì)圖像的分割總是根據(jù)一些分割準(zhǔn)則進(jìn)行，條件(1)與(2)說(shuō)明分割準(zhǔn)則應(yīng)可適用于所有區(qū)域和所有像素，而條件(3)與(4)說(shuō)明分割準(zhǔn)則應(yīng)能幫助確定各區(qū)域像素有代表性的特性。

圖像分割是圖像解析的關(guān)鍵步驟，分割質(zhì)量的好壞直接影響到圖像分析時(shí)特征提取、測(cè)量及圖像識(shí)別和理解的準(zhǔn)確性。同時(shí)，由于圖像分割的目標(biāo)表達(dá)將原始圖像轉(zhuǎn)化成更抽象更緊湊的形式，使更高層的圖像分析成為可能。

從圖像分割的定義不難看出，圖像分割是基于相鄰像素灰度值的兩個(gè)性質(zhì):相似性和不連續(xù)性。區(qū)域內(nèi)部的像素一般具有某種相似性，而在區(qū)域的邊界之間具有某種不連續(xù)性。因而，分割圖像的基本思想主要有兩種途徑:一是將各像素劃歸到相應(yīng)物體或區(qū)域的像素聚類(lèi)方法，即區(qū)域法;二是通過(guò)直接確定區(qū)域間邊界的邊緣檢測(cè)法。圖像分割技術(shù)的發(fā)展首先是從傳統(tǒng)的數(shù)值處理方法開(kāi)始的，大致可分為以下四類(lèi):閾值法、區(qū)域法、邊緣法、模式分類(lèi)法。

1 閾值法

根據(jù)灰度值閾值，把像素點(diǎn)按灰度級(jí)分為目標(biāo)點(diǎn)集和背景點(diǎn)集，實(shí)現(xiàn)圖像分割。傳統(tǒng)方法有:(1)全局閾值法:整幅圖像使用同一個(gè)閾值做分割處理。適用于背景和前景有明顯對(duì)比的圖像。但如何確定最佳閾值要根據(jù)具體問(wèn)題來(lái)確定。(2)雙閾值法:設(shè)置兩個(gè)閾值來(lái)劃分像素。優(yōu)點(diǎn)是防止單閾值設(shè)置過(guò)高，誤把目標(biāo)像素歸為背景像素，或反之。(3)自適應(yīng)閾值法:當(dāng)物體和背景的對(duì)比度有變化時(shí)，根據(jù)圖像的局部特征，將圖像分成若干子區(qū)域分別選擇閾值，或者動(dòng)態(tài)地根據(jù)一定的鄰域范圍選擇每點(diǎn)處的閾值，進(jìn)行圖像分割。

在以上三種基本思想的基礎(chǔ)上人們又發(fā)展了很多輔助方法，如基于最大熵法、模糊測(cè)度函數(shù)的模糊熵法、有理多項(xiàng)式擬合法、灰度共生矩陣法、對(duì)直方圖做Fisher線性映射法等，來(lái)更好地確定閾值。閾值分割簡(jiǎn)單有效，計(jì)算量小，可實(shí)時(shí)操作，對(duì)目標(biāo)和背景對(duì)比度反差較大圖像分割很有效。缺點(diǎn)是主要依賴于灰度直方圖，很少考慮像素的空間位置關(guān)系，對(duì)噪聲很敏感，當(dāng)背景復(fù)雜時(shí)容易喪失部分邊界信息，造成分割的不完整。對(duì)目標(biāo)與背景反差較小的圖像(如細(xì)胞與背景區(qū)分度小的圖像)很難得到精確的目標(biāo)邊界。

2 區(qū)域法

根據(jù)同一物體區(qū)域內(nèi)像素的相似性質(zhì)來(lái)聚集或區(qū)分像素點(diǎn)，根據(jù)區(qū)域生成方式不同可分為:區(qū)域增長(zhǎng)、區(qū)域分裂、區(qū)域合并。區(qū)域內(nèi)像素的相似性度量可以采用平均灰度值、紋理、顏色等信息。該算法對(duì)有復(fù)雜物體的圖像分割效果較理想。區(qū)域增長(zhǎng)技術(shù)在有噪聲的圖像中一般會(huì)更好些，其中的邊緣非常難以檢測(cè)。

基于區(qū)域的分割方法可以借助圖論的結(jié)構(gòu)和算法進(jìn)行歸并。還可引入分層數(shù)據(jù)結(jié)構(gòu)方法，如金字塔和四叉樹(shù)分解算法。但是，存儲(chǔ)空間和計(jì)算時(shí)間開(kāi)銷(xiāo)比較大;容易受到目標(biāo)內(nèi)部組織之間的重疊干擾影響;難以確定生長(zhǎng)、分裂的終止條件，常得到不規(guī)則的邊界、不連續(xù)的區(qū)域和孔洞。

3 邊緣法

邊緣檢測(cè)法認(rèn)為目標(biāo)邊界處灰度不連續(xù)，邊緣點(diǎn)為灰度值突變點(diǎn)。利用像素灰度一階導(dǎo)數(shù)極值點(diǎn)或二階導(dǎo)數(shù)過(guò)零點(diǎn)來(lái)檢測(cè)邊緣點(diǎn)，經(jīng)典算法是采用卷積模板計(jì)算導(dǎo)數(shù)。常見(jiàn)的一階模板有Roberts算子、Sobel算子、Prewitt算子等，二階模板有Log算子。Canny提出邊緣檢測(cè)的三大(下轉(zhuǎn)第167頁(yè))(上接第135頁(yè))準(zhǔn)則:精確定位準(zhǔn)則、良好的檢測(cè)準(zhǔn)則和邊緣點(diǎn)的一對(duì)一響應(yīng)準(zhǔn)則，已成為很多邊緣檢測(cè)器設(shè)計(jì)的比較標(biāo)準(zhǔn)。Canny算子滿足Canny準(zhǔn)則，但計(jì)算量較大，過(guò)程復(fù)雜。邊緣算子檢測(cè)法優(yōu)點(diǎn)是輪廓位置準(zhǔn)確;缺點(diǎn)是對(duì)噪聲敏感，不能保證輪廓是封閉連續(xù)和單像素寬的，處理結(jié)果還需要邊緣連接和跟蹤等才能得到輪廓邊界。

邊界擬合法(參數(shù)模型匹配算法)用平面曲線來(lái)表示目標(biāo)邊界，先利用先驗(yàn)知識(shí)設(shè)定邊緣參數(shù)模型，然后根據(jù)梯度信息進(jìn)行參數(shù)擬合，再在擬合的參數(shù)模型上進(jìn)行邊緣檢測(cè)，得到的是連續(xù)的曲線而不是離散的邊緣點(diǎn)。即使一般方法找到的邊緣點(diǎn)也可以用曲線來(lái)描述，以利于高層處理。 因此擬合算子是一種很有效的形式，比較適合于醫(yī)學(xué)圖像的分割。但參數(shù)模型記錄很多的邊緣結(jié)構(gòu)信息，計(jì)算開(kāi)銷(xiāo)很大，算法復(fù)雜，而且分割結(jié)果受到邊緣模型的制約。

4 模式分類(lèi)法

采用模式識(shí)別方法進(jìn)行圖像分割，可分為聚類(lèi)法和訓(xùn)練分類(lèi)法。聚類(lèi)法是無(wú)監(jiān)督的模式識(shí)別方法，通過(guò)對(duì)目標(biāo)函數(shù)的迭代優(yōu)化使數(shù)據(jù)訓(xùn)練自身，提取每個(gè)類(lèi)的特征來(lái)實(shí)現(xiàn)集合劃分。最常用的聚類(lèi)方法是模糊C均值算法。聚類(lèi)法需要一個(gè)初始的分割，對(duì)噪聲和非同質(zhì)的灰度很敏感。

訓(xùn)練分類(lèi)法是有監(jiān)督模式識(shí)別方法，首先用人工分割結(jié)果作為樣本訓(xùn)練分類(lèi)器，用以區(qū)分從已知標(biāo)記的圖像數(shù)據(jù)衍生而來(lái)的特征空間，然后用分類(lèi)器判斷像素類(lèi)別實(shí)現(xiàn)分割。參數(shù)分類(lèi)器中使用得最多的是貝葉斯分類(lèi)器(Bayes Classifier)。分類(lèi)器要求被分割的結(jié)構(gòu)具有明顯的定量特征，在區(qū)分多區(qū)域圖像時(shí)有較高的計(jì)算效率。但是需要人工交互方式獲得訓(xùn)練數(shù)據(jù)，工作量大，而且樣本的數(shù)量及代表性對(duì)分類(lèi)結(jié)果影響大;對(duì)于復(fù)雜圖像和噪聲干擾圖像使用相同的訓(xùn)練樣本會(huì)導(dǎo)致不準(zhǔn)確的結(jié)果。

從上述分析中可以看到，針對(duì)于不同特性的圖像和不同的處理目的，需要選用不同的方法。