湖北工業(yè)大學(xué) 向凡

基于邊緣檢測的圖像分割技術(shù)的研究

湖北工業(yè)大學(xué) 向凡

本文主要介紹了基于邊緣檢測的圖像分割的相關(guān)技術(shù)，首先分析了研究目的和研究意義，然后綜合國內(nèi)外的研究近況，分析了當前對于圖像分割技術(shù)的前景和不足。

邊緣檢測；圖像分割技術(shù)；研究

目前，圖像是人類最重要的常用信息之一，視覺信息是人類最重要的感知手段之一，視覺信息是人類從自然界獲得信息的主要來源，可以說人類的視距的基本組成部分來源于圖像，它客觀地反映了自然界景物，同樣也可以說圖像是人們用于對自身以及世界認知的非常重要的源頭。其中可以這樣定義圖的概念，圖是物體通過反射或者透視形成的光的分布情況，對于像的定義，可以這樣描述：像是人的視覺接收的圖在人的大腦中形成的認識與印象。常見的圖像有：照片、地圖、手寫漢字、衛(wèi)星云圖、X光片、心電圖等。

邊緣是圖像最基本的特征，對圖像進行邊緣檢測，在計算機視覺、圖像分析等領(lǐng)域起到至關(guān)重要的作用，同樣也是圖像分析和識別匹配的關(guān)鍵環(huán)節(jié)，這是因為在圖像的邊緣中，包含了圖像用于識別的有用信息，所以，我們可以說，圖像分析和圖像特征提取中最重要的手段是對圖像進行邊緣檢測操作。

圖像邊緣指的是圖像的周圍像素灰度變化或者屋頂狀變化的那些像素的集合，圖像的邊緣信息存在于目標與背景之間，目標與目標之間，區(qū)域和區(qū)域之間，基元同基元之間，所以說圖像的邊緣是圖像分割所依賴的重要的特征，同樣可以說圖像的邊緣信息是形狀特征的基礎(chǔ)部分以及紋理特征的重要信息來源，圖像分割質(zhì)量的好壞直接決定了圖像紋理信息特征的提取過程。圖像匹配的基礎(chǔ)是圖像的邊緣提取，因為圖像的邊緣提取對于圖像的灰度變化不會產(chǎn)生很大的影響，所以可以將圖像的邊緣信息來描述為圖像匹配的特征信息。

邊緣檢測的實質(zhì)是采用某種算法來提取出圖像中對象與背景間的交界線。我們將邊緣定義為圖像中灰度發(fā)生急劇變化的區(qū)域邊界。圖像灰度的變化情況可以用圖像灰度分布的梯度來反映，因此我們可以用局部圖像微分技術(shù)來獲得邊緣檢測算子。經(jīng)典的邊緣檢測方法，是對原始圖像中像素的某小鄰域來構(gòu)造邊緣檢測算子。

圖像分割的具體含義，在前面已經(jīng)提到了，一個好的圖像分割應(yīng)該具備3個重要特征，下面我們用數(shù)學(xué)模型去描述這個3個重要的特征：

McCulloch和Pitts最先建立了人工神經(jīng)網(wǎng)絡(luò)的模型，這個數(shù)學(xué)模型的基本思想可以這樣描述：在生物學(xué)的角度上看，神經(jīng)細胞存在2種工作形態(tài)，興奮或者是受抑制的。在這個思想的基礎(chǔ)上，McCulloch和Pitts將硬極限函數(shù)引入到了神經(jīng)元的數(shù)學(xué)模型當中，后期的多種其它形式的神經(jīng)網(wǎng)絡(luò)模型均采用了這個硬極限函數(shù)，比如多層感知器，離散的 Hopfield網(wǎng)絡(luò)。因為突觸狀態(tài)直接決定了神經(jīng)元之間信號的強度，所以在神經(jīng)網(wǎng)絡(luò)模型當中，采用一個固定的數(shù)值來表示神經(jīng)元的每個突觸的強度，這個固定的數(shù)值稱作權(quán)值。每一個神經(jīng)元模型在理論上都能夠從其它的上10個或者數(shù)百個神經(jīng)元中去獲取信息，從而導(dǎo)致神經(jīng)興奮甚至沖動。任何刺激，如果超過了閾值，那么就會產(chǎn)生一個動作電位。相反，如果低于閾值，就不會產(chǎn)生任何能夠看得見的反應(yīng)。

圖像是人類最重要的常用信息之一，數(shù)字圖像處理技術(shù)就是將圖像信號轉(zhuǎn)變成數(shù)字形式，并使用計算機進行處理的過程，這其中涉及到光學(xué)，信息學(xué)，統(tǒng)計學(xué)，數(shù)學(xué)，計算機科學(xué)等領(lǐng)域，是一門綜合性很強的交叉性學(xué)科，隨著科學(xué)技術(shù)的發(fā)展和數(shù)字化時代的到來，數(shù)字圖像處理技術(shù)得到了極大的重視和發(fā)展，在科學(xué)研究、工業(yè)生產(chǎn)、醫(yī)療診斷、宇宙空間、交通、天文、氣象、地質(zhì)等眾多領(lǐng)域得到了廣泛的應(yīng)用，并且取得了巨大的社會和經(jīng)濟效益。

[1]朱俊杰,杜小平,范湘濤,等.三種圖像分割算法的對比及圖像分割方法的改進[J].計算機應(yīng)用與軟件,2014,31(1):194-196.

[2]遲大釗,剛鐵.基于數(shù)字化圖像處理的超聲TOFD法D掃描圖像中缺陷自動識別[J].2014.

[3]吳明.數(shù)字化圖像的采集與加工教學(xué)設(shè)計[J].成才之路,2014(3):63-64.

[4]李海濱,杜益福,劉彬.基于圖割和分水嶺變換的圖像分割方法[J].燕山大學(xué)學(xué)報.

2017-09-10）