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.