□王媛媛

在圖像工程中，圖像分割是圖像處理中的經(jīng)典問題，國內(nèi)外眾多學(xué)者對圖像分割涉及的各個算法技術(shù)都開展了許多研究，目前已經(jīng)被廣泛應(yīng)用于工業(yè)醫(yī)學(xué)圖像、航空航天、地理測繪等不同專業(yè)領(lǐng)域。

一、圖像分割述評

圖像分割的定義是將圖像按一定條件劃分成為若干個具有不同含義的子區(qū)域，其中分割主要依據(jù)為圖像亮度值，目前有三大類主流圖像分割算法，分別為基于區(qū)域信息的圖像分割、基于邊緣信息的圖像分割以及基于特定理論的圖像分割[2～3]。

(一)基于區(qū)域信息的圖像分割。根據(jù)亮度相似性高的像素點(diǎn)所屬為一個區(qū)域的假設(shè)所實現(xiàn)的分割算法被稱為基于區(qū)域信息的分割。其中區(qū)域生長算法是最為古老的一種方法，其他典型區(qū)域分割算法還包括基于閾值的圖像分割算法和基于聚類和分類器的圖像分割算法。

(二)基于邊緣信息的圖像分割。圖像邊緣信息作為圖像的最基本特征之一，通過找到圖像邊界線的方式來實現(xiàn)圖像分割的算法稱之為基于邊緣信息的分割算法，其中檢測邊緣信息算法的主要依據(jù)為亮度的不連續(xù)性，較為典型的算法為邊緣檢測算法[4]。

(三)基于特定理論的圖像分割。作為研究歷史較久的圖像分割算法，不同學(xué)者在研究過程中結(jié)合其他領(lǐng)域的學(xué)科知識不斷地對已有的圖像分割算法進(jìn)行豐富和完善，形成了許多基于特定理論的分割算法，較為代表性的為基于人工神經(jīng)網(wǎng)絡(luò)的分割算法、基于模糊集理論的分割算法等。

二、區(qū)域分割

(一)研究意義?，F(xiàn)今，區(qū)域分割技術(shù)發(fā)展迅猛，總體來說有三種發(fā)展趨勢[5]，一是區(qū)域分割算法的分割標(biāo)準(zhǔn)難以統(tǒng)一，有一部分研究人員傾向于采用結(jié)合不同區(qū)域分割算法以實現(xiàn)更好的分割，盡管取得了一定的成效，但對于不同分割算法組合方式的研究仍在完善當(dāng)中；二是通過引進(jìn)其他學(xué)科知識，通過注入新技術(shù)來完成區(qū)域分割算法，以實現(xiàn)區(qū)域分割的最佳效果；三是鑒于區(qū)域分割處理的應(yīng)用面越來越多，處理的數(shù)據(jù)量也與日俱增，更多學(xué)者致力于提高區(qū)域分割算法的效率，主要途徑為應(yīng)用各類架構(gòu)及其適用的各類并行算法來實現(xiàn)算法的并行優(yōu)化。

(二)算法分類。

1.基于區(qū)域生長的區(qū)域分割。區(qū)域生長算法作為發(fā)展歷史較久的區(qū)域分割算法，具有較高的應(yīng)用普遍性。種子點(diǎn)是區(qū)域生長算法中非常重要的一個概念，算法選取合適的種子點(diǎn)，通過種子點(diǎn)的不斷生長蔓延，實現(xiàn)不同區(qū)域的匯集，從而完成圖像區(qū)域的分割。

2.基于區(qū)域分裂與合并的區(qū)域分割。與區(qū)域生長算法不同，區(qū)域分裂與合并過程為區(qū)域生長過程的逆過程。區(qū)域分裂與合并算法的起點(diǎn)為圖像，明確一定的分割準(zhǔn)則，通過遞歸的方式不斷地將圖像劃分為若干具有不同含義的子區(qū)域，子區(qū)域根據(jù)準(zhǔn)則相應(yīng)的實現(xiàn)再分裂或合并，直到形成具有較高分布均勻性的子區(qū)域，即完成區(qū)域分割過程。

3.基于閾值的區(qū)域分割?；陂撝档膮^(qū)域分割算法是應(yīng)用較為廣泛，且實現(xiàn)較為簡單的區(qū)域分割算法。閾值的選擇為算法的關(guān)鍵，算法主要根據(jù)閾值來對圖像的各個像素點(diǎn)進(jìn)行劃分，通過將不同像素點(diǎn)劃分到不同集合，進(jìn)而實現(xiàn)圖像的區(qū)域分割。一般來說，閾值的多少決定了最后分割區(qū)域的個數(shù)。由于實現(xiàn)簡單，閾值分割的結(jié)果往往存在精度不高的問題。現(xiàn)有的較為代表性的閾值分割算法主要包括最大類空間分割方法、最大熵分割法等。

4.基于分類器的區(qū)域分割[7]。在模式識別領(lǐng)域，分類屬于一種較為基礎(chǔ)的統(tǒng)計分析方法。訓(xùn)練樣本集的選擇是分類器算法的關(guān)鍵，基于分類器的區(qū)域分割的原理是根據(jù)訓(xùn)練樣本集對圖像進(jìn)行分割，該算法適用于多通道圖像，且具有實現(xiàn)簡單、計算量小等優(yōu)點(diǎn)?；诜诸惼鞯膮^(qū)域分割主要可以分為無參數(shù)分類器和有參數(shù)分類器兩種，其中K近鄰和Parazen窗是兩種較為代表性的無參數(shù)分類器算法。

5.基于聚類的區(qū)域分割?；诰垲惖膮^(qū)域分割算法與基于分類器的區(qū)域分割算法在核心思想上較為類似，這兩種算法之間最大的不同是基于聚類的分割不需要訓(xùn)練樣本集。算法過程主要是通過對圖像信息的特征值進(jìn)行迭代的分類和提取，從而將圖像劃分成為不同的子集。盡管作為自我訓(xùn)練算法，聚類分割不需要訓(xùn)練樣本集，但算法仍然需要一個初始分割參數(shù)，該參數(shù)的選擇對最終的分類結(jié)果具有較大的影響，也因此聚類分割對噪聲較為敏感，這也是聚類分割算法的主要缺陷。

(三)算法評價。對于區(qū)域分割算法的評價主要從主客觀兩個角度進(jìn)行評估。其中主觀評價的評判標(biāo)準(zhǔn)主要以主觀因素為主，不容易被量化和計算，應(yīng)用型不強(qiáng)；客觀評價的評判標(biāo)準(zhǔn)一般為量化的參數(shù)指標(biāo)，對比主觀評價來說，具有較高的參考價值。由于區(qū)域分割算法種類較多，分割結(jié)果不同，目前仍然不存在一個能適用于所有區(qū)域分割算法的統(tǒng)一標(biāo)準(zhǔn)，應(yīng)用較為廣泛的評價標(biāo)準(zhǔn)主要包括以下三種。

1.根據(jù)分割得到的不同區(qū)域之間的差異性、對比度進(jìn)行算法評估。區(qū)域分割算法最終得到的是具有較大差異，且分布均勻的子區(qū)域，通過對各個子區(qū)域之間的對比度進(jìn)行分析，可以較為直觀地對區(qū)域分割算法進(jìn)行評判。

2.根據(jù)分割結(jié)果的錯誤率進(jìn)行算法評估。由于區(qū)域分割算法種類繁多，且分割依據(jù)各有不同，分割結(jié)果也會存在著不同的錯誤像素點(diǎn)數(shù)。通過統(tǒng)計不同算法的錯誤率可以較為客觀地統(tǒng)計算法的質(zhì)量。

3.根據(jù)分割子區(qū)域的內(nèi)部均勻性進(jìn)行算法評估。區(qū)域分割所得到的各個子區(qū)域內(nèi)部具有較大的相似性，因此對區(qū)域內(nèi)部的均勻度的考查也能作為對分割結(jié)果進(jìn)行評估的重要指標(biāo)。

如今，基于區(qū)域的分割算法的評價標(biāo)準(zhǔn)多種多樣，但并不存在一個通用的區(qū)域分割算法評估標(biāo)準(zhǔn)，因此，對區(qū)域分割評價標(biāo)準(zhǔn)的深入研究應(yīng)該成為未來研究的主要方向，從而保證區(qū)域分割的精度和質(zhì)量。

三、結(jié)語

縱觀近年來與圖像分割相關(guān)領(lǐng)域的文獻(xiàn)，可以得出基于區(qū)域信息的圖像分割仍是研究的熱點(diǎn)和難點(diǎn)，基于區(qū)域信息的分割從本質(zhì)上來說是一個聚類的問題，對于區(qū)域分割的評價目前也存在理論體系不完善和通用性不高等問題，因此，找到能實現(xiàn)分割成滿意的分割結(jié)果的區(qū)域分割算法以及相應(yīng)評價體系仍有很長的路要走。