劉印 遼寧師范大學(xué)計(jì)算機(jī)與信息技術(shù)學(xué)院

圖像分割就是將圖像分成不同的、若干個(gè)特定的且具有獨(dú)特性質(zhì)的區(qū)域，提出目標(biāo)以及技術(shù)的過程。其是通過圖像處理在圖像分析關(guān)鍵步驟構(gòu)成?，F(xiàn)階段主要應(yīng)用的圖像分割方法主要有基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等。而基于數(shù)學(xué)角度分析來說，圖形分割就是將數(shù)字圖像劃分不想交的區(qū)域過程。圖像分割的過程就是標(biāo)記的過程，也就是對(duì)相同區(qū)域的像素進(jìn)行相同的編號(hào)處理。

1.對(duì)圖像分割方法的認(rèn)識(shí)

1.1 初識(shí)圖像分割的基本概念及其重要性

圖像分割就是將圖形中具有意義的特征以及區(qū)域進(jìn)行提取的過程，這些具有意義的特征主要就是圖像的原始特征、例如像素的灰度數(shù)值、顏色以及紋理等空間頻譜等等。

在計(jì)算機(jī)視覺理論中，其右下至上可以分為三個(gè)任務(wù)，分別就是圖像分割、特征提取以及目標(biāo)識(shí)別分析。圖像分割的主要目的就是將圖像劃分為不同的、若干個(gè)不相交的區(qū)域氛圍，保障各個(gè)區(qū)域的一致性，而臨近區(qū)域之間的豎向特征則具有較為顯著的差別性，對(duì)此，圖像分割的質(zhì)量對(duì)于其今后的特征提取以及目標(biāo)識(shí)別有著直接的影響。

1.2 傳統(tǒng)圖像分割方法

在傳統(tǒng)圖像分割中，其主要應(yīng)用的方法主要有基于區(qū)域、基于邊緣和二者的結(jié)合的方式手段，其具體如下：

1.2.1 基于區(qū)域的分割方法

就是直接的進(jìn)行區(qū)域?qū)ふ?，將其作為區(qū)域基礎(chǔ)進(jìn)行的分割技術(shù)手段，逐漸衍生出兩種不同形式的區(qū)域提取方法，第一種就是由點(diǎn)及面的方式，也就是在單個(gè)元素開展，逐漸的拓展合成其需求分割區(qū)域之中；而另一種則就是由面到點(diǎn)的形式，也就是通過逐步分割的方式到達(dá)其需要的分割區(qū)域范圍。

1.2.2 基于邊緣檢測的分割方法

在此種方法中架設(shè)在不同區(qū)域之間邊緣數(shù)值上的灰度值變化相對(duì)較大，要對(duì)圖像中的邊緣點(diǎn)進(jìn)行檢測分析，基于特定的策略鏈接形成輪廓，最終形成分割區(qū)域范圍。

1.2.3 區(qū)域與邊緣相結(jié)合的分割方法

邊緣檢測方式可以獲得灰度值的具備變化強(qiáng)度信息，區(qū)域分割可以對(duì)檢測特征的相似性以及均勻性進(jìn)行檢測分析，綜合惹著的特性可以有效的避免區(qū)域過分切割等問題，可以保障切割輪廓的整體完整性。

1.3 對(duì)部分結(jié)合特定理論的圖像分割方法的認(rèn)知

現(xiàn)階段主要應(yīng)用的就是七大類分割方法，其主要就是基于數(shù)學(xué)形態(tài)學(xué)理論、模糊理論分割方法、神經(jīng)網(wǎng)絡(luò)理論分割方法、支持向量機(jī)分割方法、圖論分割方法、免疫算法以及粒度計(jì)算理論等等，筆者重點(diǎn)論述了基于數(shù)學(xué)形態(tài)學(xué)的圖像分割方法、基于神經(jīng)網(wǎng)絡(luò)的圖像分割方法以及基于粒度計(jì)算理論的圖像分割方法。

1.3.1 基于數(shù)學(xué)形態(tài)學(xué)的圖像分割方法

數(shù)學(xué)形態(tài)學(xué)的基本思想就是具有特定結(jié)構(gòu)的元素對(duì)圖像中的相關(guān)形狀進(jìn)行度量以及圖像提取分析，進(jìn)而達(dá)到圖像分析以及識(shí)別的主要目的。而此種方法中最為經(jīng)典的就是分水嶺方法，其具體如下：

分水嶺方法的主要思想就是將圖像作為測地學(xué)領(lǐng)域中的拓?fù)涞孛?，在圖像中的像素灰度值就表示其具體的海拔高度，不同的局部極小值以及其主要影響區(qū)域就是集水盆，集水盆的邊界就是分水嶺。分水嶺的概念形成可以通過模擬侵入過程進(jìn)行分析說明，在每一個(gè)局部中極小值表面中刺穿小孔，在將整個(gè)模型浸入到水中，在加深的過程中每一個(gè)極小值的影響就會(huì)拓展，這樣在兩個(gè)集水盆的匯合位置中構(gòu)筑大壩，這樣就會(huì)形成分水嶺。分水嶺的主要計(jì)算方式可以分為排序以及淹沒兩個(gè)過程。在實(shí)踐中，要對(duì)像素的灰度級(jí)由低到高的排序，然后在從低到高的淹沒中，對(duì)局部極小數(shù)值在n階高度中產(chǎn)生的影響域進(jìn)行分析，通過先進(jìn)先出(FIFO)結(jié)構(gòu)對(duì)其進(jìn)行判斷以及標(biāo)注處理。

對(duì)其進(jìn)行分析可以發(fā)現(xiàn)，此種方式的本質(zhì)就是區(qū)域增長的圖像分割方法。相對(duì)于傳統(tǒng)的方法來說，此種方式可以獲得邊界持續(xù)、封閉性良好、閉合的目標(biāo)圖像，也因?yàn)槠浯朔N特征導(dǎo)致圖像的噪聲、物體表面上存在細(xì)微的灰度變化特征都會(huì)誘發(fā)較為嚴(yán)重的過度分割問題。

而要想解決此種問題，現(xiàn)階段可以通過以下幾種方式開展：

第一，分割預(yù)處理。通過圖像去噪等方式，進(jìn)行形態(tài)學(xué)的重新構(gòu)建，其主要的原則就是減少小的積水盆，降低過分分割數(shù)量；第二，分割后處理，在分割之后會(huì)產(chǎn)生多個(gè)小區(qū)域范圍，要綜合實(shí)際狀況選擇合適的算法，整合處理，此種方法相對(duì)較為復(fù)雜。第三，要加強(qiáng)對(duì)分割在預(yù)處理以及后處理結(jié)合的重視，綜合死機(jī)需求對(duì)圖形進(jìn)行適度的分割與處理以及控制分析。

1.3.2 基于神經(jīng)網(wǎng)絡(luò)的圖像分割方法

隨著人工智能化的發(fā)展，基于神經(jīng)網(wǎng)絡(luò)的圖像分割技術(shù)逐漸成熟。此種方法的主要思想就是通過訓(xùn)練樣本的方式對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定具體的節(jié)點(diǎn)之間的連接權(quán)值，在利用處理好的神經(jīng)網(wǎng)絡(luò)對(duì)新輸入的圖像進(jìn)行分割處理。

1.3.3 基于粒度計(jì)算理論的圖像分割方法

粒度是通過對(duì)不同大小對(duì)象進(jìn)行分析。要將傳統(tǒng)的“粗粒度”的大對(duì)象分割形成不同的“細(xì)粒度”的小對(duì)象模式，然后將若干個(gè)小對(duì)象進(jìn)行整合，形成較大的粗粒度對(duì)象進(jìn)行研究分析。所謂的粗度計(jì)算就是信息處理一種全新的概念以及方式，其主要就是不精確、模糊以及不完整的海量信息。綜合粒度計(jì)算理論分析，圖像分割就是圖像在粗粒度空間轉(zhuǎn)變形成細(xì)粒度空間的整個(gè)過程。應(yīng)用分層的方式對(duì)圖像進(jìn)行處理，先進(jìn)行粗分割處理，在細(xì)化處理，獲得重要的區(qū)域特征之后，在進(jìn)行局部細(xì)化處理，在對(duì)其進(jìn)行區(qū)域分割處理。

2.圖像分割技術(shù)發(fā)展趨勢

在今后的發(fā)展中，要對(duì)原有的算法進(jìn)行改進(jìn)，要對(duì)新方法、新概念進(jìn)行引入，合理應(yīng)用各種有效的方法，一些學(xué)生在研究過程中將新方法以及新概念引入到圖形分割算法過程中，無法獲得良好的效果，對(duì)此人們?cè)趹?yīng)用的過程中也整合了各個(gè)方法與手段。通過對(duì)現(xiàn)階段出現(xiàn)的各種分割方法分析發(fā)現(xiàn)，在今后的發(fā)展中基于小波變換的方式進(jìn)行圖像分割處理是一種有效的方式。

而隨著交互式分割方法的逐漸深入，在各個(gè)場合中要對(duì)目標(biāo)圖像進(jìn)行邊緣分割分析，此種方法在時(shí)間中應(yīng)用越來越廣泛。同時(shí)，現(xiàn)階段對(duì)于立體圖像、彩色圖像、多光譜圖像以及多視圖圖像進(jìn)行分割研究，運(yùn)動(dòng)圖像以及視頻圖像的目標(biāo)分割研究逐漸深入，特殊人格圖像分割研究逐漸深入，在今后的發(fā)展中此種問題勢必會(huì)有效解決。

3 結(jié)束語

通過研究分析可以發(fā)現(xiàn)，圖像分割與人工智能發(fā)展之間有著密切的關(guān)系。而神經(jīng)網(wǎng)絡(luò)、免疫算法等方式手段逐漸成熟，在計(jì)算機(jī)研究領(lǐng)域中要想做到深度分割，是研究的重點(diǎn)內(nèi)容。