李月月 李宗賀 王思雨
摘 要:不同算法在實(shí)際運(yùn)用中往往遇到一些問(wèn)題,都有著各自的局限性和缺陷,提取效果往往不盡人意。本文從圖像分割技術(shù)的基本原理出發(fā),比較 全面地總結(jié)了有代表性的圖像分割方法,以期為數(shù)字圖像處理提供幫助。
關(guān)鍵詞:數(shù)字圖像;基本原理;分割方法
1引言
圖像分割是圖像處理中的關(guān)鍵問(wèn)題,近年來(lái)已經(jīng)提出了新的圖像分割算法。隨著計(jì)算機(jī)技術(shù)的快速發(fā)展,以及經(jīng)過(guò)國(guó)內(nèi)外學(xué)者長(zhǎng)時(shí)間的研究 和發(fā)展,目前已經(jīng)成功提出了很多種不同功能的數(shù)字圖像邊緣檢測(cè)算法, 這些算法在圖像處理領(lǐng)域占據(jù)不可替代的地位,在圖像處理問(wèn)題中,邊緣 作為圖像的一種基本特征,為人們描述或識(shí)別目標(biāo)以及解釋圖像提供了 一個(gè)重要的特征參數(shù)。圖像邊緣檢測(cè)最終的需求是獲得精確的邊緣定位, 并且能夠有效的進(jìn)行噪聲抑制。但是,目前沒(méi)有針對(duì)每個(gè)圖像處理任務(wù)的 最佳算法。通常,通過(guò)測(cè)試每種可能的算法或使用先前問(wèn)題的知識(shí)來(lái)選擇 最合適的算法,這些過(guò)程可能具有很高的計(jì)算成本。
2 圖像邊緣提取新算法
2.1 SAR 圖像分割方法
多尺度SAR 圖像分割方法。首先,使用Curvelet 變換來(lái)獲取多個(gè)尺度上分解的SAR 圖像的集合。通過(guò)規(guī)則的細(xì)分將它們的域劃分為一組塊, 其中塊的數(shù)量假定為具有Poisson 分布的隨機(jī)變量。在分區(qū)域上,遵循貝葉斯范式建立具有未知類(lèi)數(shù)的基于區(qū)域和多尺度的圖像分割模型。此外, 設(shè)計(jì)了通用多次嘗試可逆跳轉(zhuǎn)(GMTRJ)算法來(lái)模擬分割模型。在分割模型的迭代仿真過(guò)程中,當(dāng)前尺度的分割結(jié)果被視為下一尺度的初始分割。 對(duì)應(yīng)于最佳比例的分割結(jié)果被認(rèn)為是最佳圖像分割。SAR 圖像驗(yàn)證了 該方法的有效性。測(cè)試的模擬SAR 圖像的Kappa 系數(shù)最高為0.998,測(cè)試 的真實(shí)SAR 圖像的Kappa 系數(shù)最高為0.903。從定量和定性評(píng)估的測(cè)試結(jié)果可以發(fā)現(xiàn),該方法不僅可以確定分類(lèi)的數(shù)量,而且可以很好地分割均勻 區(qū)域。
2.2 差分進(jìn)化算法
圖像分割是基于地理對(duì)象的圖像分析中的關(guān)鍵問(wèn)題,因此確定適當(dāng)?shù)姆指顓?shù)是允許獲得準(zhǔn)確分割的前提。最新的的利用局部空間統(tǒng)計(jì)量 的差分進(jìn)化分割參數(shù)選擇方法,以實(shí)現(xiàn)圖像分割的自動(dòng)參數(shù)優(yōu)化。使用局 部空間統(tǒng)計(jì)方法計(jì)算段內(nèi)同質(zhì)性(WSH)和段間異質(zhì)性(BSH)的兩種度 量,然后將其集成到用于指示整體分割質(zhì)量的全局值中。另外,在BSH 計(jì)算中考慮了每個(gè)段與其相鄰段之一之間的公共邊界的貢獻(xiàn),以獲得更客 觀的評(píng)估。對(duì)于此實(shí)驗(yàn),使用多分辨率分割(MRS)方法作為分割算法,并 使用GF-1 圖像作為測(cè)試數(shù)據(jù)。所提方法的度量分析實(shí)驗(yàn)表明,BSH 對(duì)分段不足更為敏感。與其他四種方法相比,該方法的視覺(jué)和差異測(cè)量結(jié)果表 明,該方法更有可能識(shí)別適當(dāng)?shù)姆指顓?shù),從而可以實(shí)現(xiàn)高質(zhì)量的分割。
2.3 Otsu 算法
Otsu 算法作為一種根據(jù)于閾值的圖像分割方法被提出,也被稱之為最大類(lèi)間方差算法,屬于全局閾值化方法。Otsu 算法作為圖像分割界的一種算法在電子技術(shù)領(lǐng)域得到了較為普遍的推行,它是實(shí)現(xiàn)閾值分割的經(jīng) 典算法之一,Otsu 算法的最為關(guān)鍵之處是分割閾值t 需要使得目標(biāo)和背景兩類(lèi)的類(lèi)間方差達(dá)到最大。方差能夠較為全面映射出一個(gè)隨機(jī)變量對(duì)應(yīng) 的一組數(shù)值的離散程度,也就是均衡性的大小,在同一個(gè)情況之下,方差 值越大也就在一定程度上表明此組數(shù)據(jù)的波動(dòng)情況也在增大,其均衡性 就差,相反的方差越小,表這組數(shù)據(jù)越趨向穩(wěn)定,均衡性也就很高[1]。圖像一般包含目標(biāo)物體、背景和噪聲,基于一幅圖像的統(tǒng)計(jì)學(xué)特性,將人為假 定的某一的灰度值將原始圖像的灰度設(shè)置成兩類(lèi),包含背景和目標(biāo)。當(dāng)這 兩類(lèi)本身內(nèi)部像素的灰度值的均衡性越高,所對(duì)應(yīng)的方差就越小,反之,當(dāng)兩類(lèi)之間的均衡性越小時(shí),那么與此同時(shí)所對(duì)應(yīng)的方差能夠達(dá)到最大, 此時(shí)的灰度值能代表的就是最為合適的分割閾值。
3 圖像分割技術(shù)的應(yīng)用 3.1 在醫(yī)學(xué)上的應(yīng)用
隨著醫(yī)學(xué)圖像采集系統(tǒng)的發(fā)展,已經(jīng)廣泛研究了使用多模式的分割。
圖像融合的不同策略,例如概率論、模糊概念、信度函數(shù)和機(jī)器學(xué)習(xí)已經(jīng) 成功開(kāi)發(fā)[2]。醫(yī)學(xué)圖像分割在許多臨床應(yīng)用中發(fā)揮重要作用,例如疾病診斷,手術(shù)計(jì)劃和計(jì)算機(jī)輔助治療。但是,由于圖像質(zhì)量不同,物體形狀復(fù)雜 以及離群值的存在,這是一項(xiàng)非常具有挑戰(zhàn)性的任務(wù)。多模態(tài)被廣泛用于 醫(yī)學(xué)成像中,因?yàn)樗梢蕴峁┯嘘P(guān)目標(biāo)(腫瘤,器官或組織)的多種信息。
使用多模態(tài)的細(xì)分包括融合多種信息以改善細(xì)分。最近,基于深度學(xué)習(xí)的 方法在圖像分類(lèi),分割,對(duì)象檢測(cè)和跟蹤任務(wù)中展現(xiàn)了最先進(jìn)的性能。由 于其對(duì)大量數(shù)據(jù)的自學(xué)習(xí)和泛化能力,最近也引起了人們對(duì)多模式醫(yī)學(xué) 圖像分割的極大興趣。
3.2 圖像分割在遙感中的應(yīng)用
圖像分割是基于地理對(duì)象圖像分析中至關(guān)重要的基礎(chǔ)步驟。許多多 尺度分割算法已廣泛用于高分辨率(HR)遙感圖像中。這些分割算法需要 一個(gè)預(yù)設(shè)參數(shù)(稱為scale 參數(shù))來(lái)控制每個(gè)對(duì)象的平均大小。但是,由于空
間變化,單一尺度參數(shù)很難描述具有不同土地覆被的區(qū)域的邊界。為了克 服這一局限性,可采用一種用于多尺度分割的自適應(yīng)參數(shù)優(yōu)化方法。為了 找到物體的最佳比例,通過(guò)計(jì)算物體間和物體內(nèi)的光譜角來(lái)應(yīng)用局部光 譜異質(zhì)性度量。
4 結(jié)語(yǔ)
圖像的分割是圖像處理中最困難的任務(wù)之一,圖像分割技術(shù)能借助數(shù)字處理的底層技術(shù)來(lái)實(shí)現(xiàn)模式的識(shí)別功能,因此得到廣泛應(yīng)用。今后要加 強(qiáng)圖像分割技術(shù)的基本原理的研究。
參考文獻(xiàn)
[1] 姜維. 淺析數(shù)字圖像處理技術(shù)及其應(yīng)用[J]. 信息與電腦(理論版)(3):136-137.
[2] 張晶,王黎,高曉蓉,王澤勇,周小紅,彭建平. 數(shù)字圖像處理中的圖像分割技術(shù)及其應(yīng)用[J]. 信息技術(shù)(11):36-39,43.