数字图像处理小论文

数字图像分割技术

摘要:

数字图像分割是数字图像处理中的一项难点与重点技术,从介绍数字图像分割的基本概念出发,综述了目前数字图像分割的主要方法,评述了图像分割的质量评价,最后探讨了数字图像分割存在的问题及发展趋势。

关键词:数字图像;分割方法;质量评价;

目录

引言 (3)

1 数字图像分割的基本概念……………………………..……………………………………………………………错误！未定义书签。

2 数字图像分割的主要方法 (3)

2.1 阈值分割法 (3)

2.2基于边缘的图像分割法 (4)

2.3 基于聚类的 (4)

2.4 函数优化法 (5)

2.5 结合特定理论工具的分割法 (6)

3 数字图像分割质量评价 (7)

4 数字图像分割存在的问题及发展趋势 (8)

4.1图像分割中存在的问题 (8)

4.2 图像分割发展趋势 (8)

5 结束语 (9)

参考文献 (9)

引言

数字图像分割是数字图像处理中的一项关键技术,它通常是为了进一步对图像进行分析、识别、压缩编码等处理的图像预处理环节,其分割的准确性直接影响后续任务的有效性,因此具有十分重要的意义。自20世纪70年代起一直受到人们的高度重视,至今已提出上千种分割算法,但因尚无通用的分割理论,致使目前提出的分割算法大都是针对具体问题的,并没有一种适合所有图像的通用分割算法。另外,还没有制定出适用于分割算法的标准,这给图像分割技术的应用带来许多实际问题。最近几年又出现了许多新思路、新方法和改进算法。本文首先对数字图像分割的研究现状、一些经典分割方法和新出现的分割方法作了概述,其次探讨了数字图像分割质量评价体系标准,最后分析了数字图像分割技术中存在的问题及发展趋势。

1 数字图像分割的基本概念

数字图像分割是指将一幅数字图像分解为若干互不交叠的、有意义的、具有相同性质的区域。好的图像分割应具有以下特征：

（1）分割出来的各区域对某种性质（例如灰度，纹理）而言具有相似性，区域内部是连通的且没有过多小孔。

（2）相邻区域对分割所依据的性质有明显的差异。

（3）区域边界是明确的。

大多数图像分割方法只是部分满足上述特征。如果强调分割区域，的同性质约束则分割区域很容易产生大量小孔和不规则边缘；若强调不同区域间性质差异的显著性，则易造成不同区域的合并。具体处理时，不同的图像分割方法总是在各种约束条件之间寻找一种合理的平衡。

2 数字图像分割的主要方法

从上世纪五六十年代开始,学者一直热衷于研究图像分割技术。迄今为止,已提出上千种图像分割算法,依这些算法对图像处理的特点,将其主要可分为以下几类方法。

2.1 阈值分割法

阈值分割法作为一种常见的区域并行技术,它通过设置阀值，把像素点按灰度级分若干类，从而实现图像分割。由于是直接利用图像的灰度特性,因此计算方便简明、实用性强。

显然,阈值分割方法的关键和难点是如何取得一个合适的阈值,而实际应用中阈值设定易受噪声和光亮度影响。近年来关于阈值分割法主要有:最大相关性原则选择阈值法、基于图像拓扑稳定状态法、灰度共生矩阵法、熵法、峰值和谷值分析法等。其中,自适应阈值法、最大熵法、模糊阈值法、类间阈值法是对传统阈值法改进较成功的几种算法。更多的情况下,阈值的选择会综合运用2种或2种以上的方法,这也是图像分割发展的一个趋势。例如将图像的灰度直方图看作是高斯分布的选择法与自适应定向正交投影高斯分解法的结合,较好地拟合了直方图的多峰特性,从而得到了更为准确的分割效果。阈值法的缺陷主要在于它仅仅考虑了图像的灰度信息,而忽略了图像的空间信息。对于非此即彼的简单图像处理(如一些二值图像的处理)是有效的,但是对于图像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确的分割效果。

2.2基于边缘的图像分割法

边缘总是以强度突变的形式出现,可以定义为图像局部特性的不连续性,如灰度的突变、纹理结构的突变等。边缘常常意味着一个区域的终结和另一个区域的开始,图像的边缘包含了物体形状的重要信息,它不仅在分析图像时大幅度地减少了要处理的信息量,还保护了目标的边界结构。对于边缘的检测常常借助空间微分算子进行,通过将其模板与图像卷积完成。两个具有不同灰度值的相邻区域之间总存在灰度边缘,而这正是灰度值不连续的结果,这种不连续可以利用求一阶和二阶导数检测到。当今的局部技术边缘检测方法中,主要有一次微(Sobel 算子、Roberts算子)、二次微分(拉普拉斯算子等)和模板操作Prewitt算子、Kirsch算子和Robinson算子)等。这些边缘检测器对边缘灰度值过渡比较尖锐且噪声较小等不太复杂的图像可以取得较好的效果,但对于边缘复杂(如边缘模糊、边缘丢失、边缘不连续等)的图像效果不太理想。此外,噪声的存在使基于导数的边缘检测方法效果明显降低,在噪声较大的情况下所用的边缘检测算子通常都是先对图像进行适当的平滑,抑制噪声,然后求导数,或者对图像进行局部拟合,然后再用拟合光滑函数的导数来代替直接的数值导数,如Marr算子、Canny算子等。[5]有关学者曾给出了一种基于彩色边缘的图像分割方法,这是对传统边缘分割方法只适用于灰度图像状况的一个突破。[6]在未来的研究中,用于提取初始边缘点的自适应阈值选取、用于图像层次分割的更大区域的选取以及如何确认重要边缘去除假边缘将变得非常重要。

2.3基于聚类的分割法

对灰度图像和彩色图像中相似灰度或色度合并的方法称之为聚类,通过聚类将图像表示

为不同区域即所谓的聚类分割方法。此方法的实质是将图像分割问题转化为模式识别的聚类分析,如k均值、参数密度估计、非参数密度估计等方法都能用于图像分割。常用的聚类分割有颜色聚类分割、灰度聚类分割和像素空间聚类分割。

2.3.1颜色聚类分割

颜色聚类实际上是将相似的几种颜色合并为一色,描述颜色近似程度的指标是色差,在标准CIE匀色空间中,色差是用两个颜色的距离来表示的。但是显示器采用的RGB空间是显示器的设备空间,与CIE系统的真实三原色不同。为简单起见,一般采用RGB色空间中的距离来表示。[7]

2.3.2灰度聚类分割

如果只把图像分成目标和背景两类,而且仅考虑像素的灰度,这就是一个在一维空间中把数据分成两类的问题。通过在灰度空间完成聚类,得到两个聚类中心(用灰度值表征),聚类中心连线的中点便是阈值。显然这个概念也可以轻松地延扩至多阈值和动态阈值的情况。[8]

2.3.3像素空间聚类分割

人类视觉系统的研究表明,人眼在识别物体时总是离不开物体所在的周围环境,所以图像中灰度的局部变化对于图像处理是相当重要的信息。如果在某些特定的尺度上观察图像,比如说把图像信号通过一个带通滤波器,滤波的结果将使图像的局部信息更好地被表达。[9]

通过一个多尺度分解,轮廓信息可以在大尺度图像上保留下来,细节或者突变信息可以在中小尺度上体现,基于多尺度图像特征聚类的分割方法渐渐得到了人们的关注。[10]

2.4函数优化法

基于函数优化的分割方法是图像分割中另一大类常用的方法,其基本思路是给出一个目标函数,通过该目标函数的极大化或极小化来分割图像,G.A.Hewer等人提出了一个具有广泛意义的目标函数。统计学分割法、结合区域与边缘信息法、最小描述长度(MDL)法、基于贝叶斯公式的分割法等都是目前几种活跃的函数优化方法。

2.4.1统计学分割法

它是把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量,且观察到的实际物体是作了某种变换并加入噪声的结果。统计学分割方法包括基于马尔科夫随机场法(MRF)、标号法(Labeling)和混合分布法(Mixture)等。

2.4.2结合区域与边缘信息法

区域增长法和分裂合并法是基于区域信息的图像分割的主要方法。区域增长有两种方式:一种是先将图像分割成很多的一致性较强的小区域,再按一定的规则将小区域融合成大区域,达

到分割图像的目的;另一种是事先给定图像中要分割目标的一个种子区域,再在种子区域基础上将周围的像素点以一定的规则加入其中,最终达到目标与背景分离的目的。分裂合并法对图像的分割是按区域生长法沿相反方向进行的,无需设置种子点,其基本思想是给定相似测度和同质测度,从整幅图像开始,如果区域不满足同质测度,则分裂成任意大小的不重叠子区域;如果2个邻域的子区域满足相似测度则合并。

2.4.3最小长度描述法(MDL)

MDL法的基本思路是用一种计算机描述语言来描述图像的区域和边界信息,得到一个描述长度函数,以此作为目标函数,根据图像极小化描述长度从而得到分割结果。MDL准则主要应用于区域竞争中,即通过这种规则对比若干个种子区域,找出其中的坏种子。它常常与其它方法结合使用。

2.5结合特定理论工具的分割法

图像分割目前尚无通用的理论。近年来,随着各学科许多新理论和新方法的提出,人们也提出了许多与一些特定理论、方法和工具相结合的分割技术。

2.5.1基于数学形态学的分割技术

此技术的基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的。如基于图像最大内切圆的数学形态学形状描述图像分割算法、基于目标最小闭合结构元素的数学形态学形状描述图像分割算法、分水岭区域分割法和聚类快速分割法等。由于形态学对图像分割具有优异的特性,使其在未来的图像分割中起主导作用。但该方法的主要缺陷还是不能很好地解决耗时问题,将其与一些节约时间的措施结合起来,是图像分割的一种趋势。

2.5.2基于模糊技术的图像分割法

基于模糊集合和逻辑的分割法是以模糊数学为基础,利用隶属度决定图像中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题。该方法在医学图像分析中有广泛的应用,如基于有偏场的适配模糊聚类分割算法。薛景浩等人提出了一种新的基于图像间模糊散度的阈值化算法以及它在多阈值选择中的推广算法,采用了模糊集合分别表达分割前后的图像,通过最小模糊散度准则来实现图像分割中最优阈值的自动提取。该算法针对图像阈值化分割的要求构造了一种新的模糊隶属度函数,克服了传统S函数带宽对分割效果的影响,有很好的通用性和有效性。

2.5.3基于人工神经网络技术的图像分割法

基于神经网络分割法的基本思想是通过训练多层感知机来得到线性决策函数,然后用决

策函数对像素进行分类来达到分割的目的,如Jinsang KIM等人提出的图像序列多特征聚类分割法,即先用自组织特征映射(SOFM)神经网络聚类法将一个多特征空间转换成一维空间,然后将神经网络的输出融合,从而得到期望的分割结果。近年来,还出现了人工神经网络技术和模糊技术结合应用于图像分割中,有人曾提出一种多层神经网络,网络的第n层中的每个神经元与第n-1层中的对应神经元及其邻域神经元相链接。输出层神经元的输出状态表示为模糊参数,权值调整的规则是使得系统输出的模糊度最小,基于这样的网络结构,使得分割过程考虑了图像上下文的信息,而且由于算法结合了模糊技术的优点(不完善、不精确知识情况下的决策)和神经网络技术的优点(实时性、鲁棒性、智能性和抗噪性),因此会显著提高分割效果。目前,由于这种方法较复杂,计算量较大,还有待进一步实用化。

2.5.4基于遗传算法的图像分割法

遗传算法是基于进化论自然选择机制的、并行的、统计的、随机化搜索方法。对此,科学家们进行了大量的研究工作,并成功地将它们运用于各种类型的优化问题。在分割复杂的图像时,人们往往采用多参量进行信息融合,在多参量参与的最优值求取过程中,优化计算是最重要的,把自然进化的特征应用到计算机算法中,能解决很多困难。遗传算法的出现为解决这类问题提供了新而有效的方法,它不仅可以得到全局最优解,而且大量缩短了计算时间。一种新的图像分割自适应算法的研究,改进遗传算法的变异算子,并把单点变异算子与双点变异算子结合,能有效地改善局部收敛,该算法可保留图像的大部分信息,对一些复杂图像的处理能得到很好的处理结果,同时算法在时间上还有很大的优势;基于信息融合技术的彩色图像分割方法,该方法应用剥壳技术将问题的复杂度降低,然后将信息融合技术应用到彩色图像分割中,为彩色分割在不同领域中的应用提供了一种新的思路与解决办法。

2.5.5基于小波分析和变换的分割法

该方法是借助小波变换来分割图像的一种方法,也是非常新的一种方法。小波变换是一种多尺度多通道分析工具,比较适合对图像进行多尺度的边缘检测。例如,可利用高斯函数的一阶或二阶导数作为小波函数,利用Mallat算法分解小波,然后基于马尔算子进行多尺度边缘检测,这里小波分解的级数可以控制观察距离的“调焦”而改变高斯函数的标准差可选择所检测边缘的细节程度。小波变换的计算复杂度较低,抗噪声能力强。理论证明,以零点为对称点的对称二进小波适应检测屋顶状边缘,而以零点为反对称点的反对称二进小波适合检测阶跃状边缘。近年来多进制小波也开始用于边缘检测。另外,利用正交小波基的小波变换也可提取多尺度边缘,并可通过对图像奇异度的计算和估计来区分一些边缘的类型,把小波变换和其它方法结合起来的图像分割技术也是现在研究的热点。除此之外,还有其它许多新的混合

算法和模型,如基于视觉熵的图像分割、基于各种模型(动态轮廓模型、物理模型等)的分割算法等。由于篇幅所限,这里就不一一赘述了。

3数字图像分割质量评价

建立一个大家都能接受的对图像分割结果好坏的客观评判标准是这个问题的难点所在。一般认为对于图像分割方法的评价可以通过分析和实验2种方式来进行。因此,分割评价方法可分为分析法和实验法2大类。前者是直接分析分割算法的原理及性能而后者是通过对图像的分割结果来评价算法。尽管利用分析法的评估可以免除一些试验因素的影响,但是并不是所有的性能都能够通过分析而得到,而且仅仅从算法本身的原理及性能出发的分析,往往缺乏足够的说服力。相对而言,实验评价的方法更具有实际意义。实际中,由于目标图像的不可预知性以及手工分割差异的存在和分割专家的稀缺性,可供比较的理想分割图像样本很难得到并被统一认定,因此,这类方法在使用上有很大的局限性。实验优度法是在没有正确分割先验知识的情况下,根据分割图形计算某种优度量值来评价分割算法的好坏,常用的优度量值是区域一致性、区域对比度和区域形状参数等。现在有些学者又引入了“图像模糊度”和“综合测度”,这些模糊理论的应用是图像处理领域的一个重要方向。

4数字图像分割存在的问题及发展趋势

4.1图像分割中存在的问题

虽然近年来对数字图像处理的研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大突破性的进展,仍然存在以下几个方面的问题。

4.1.1现有的多种算法都是针对不同的数字图像,没有一种普遍适用的分割算法。

4.1.2缺乏通用的分割评价标准。

对分割效果进行评判的标准尚不统一,如何对分割结果做出量化的评价是一个值得研究的问题,该量化测度应有助于视觉系统中的自动决策及评价算法的优劣,同时应考虑到均质性、对比度、紧致性、连续性、心理视觉感知等因素。

4.1.3与人类视觉机理相脱节。

随着对人类视觉机理的研究,人们逐渐认识到,已有方法大都与人类视觉机理相脱节,难以进行更精确的分割。寻找到具有较强的鲁棒性、实时性以及可并行性的分割方法必须充分利用人类视觉特性。

4.1.4知识的利用问题。

仅利用图像中表现出来的灰度和空间信息来对图像进行分割,往往会产生和人类的视觉分割不一致的情况。人类视觉分割中应用了许多图像以外的知识,在很多视觉任务中,人们往

往对获得的图像已具有某种先验知识,这对于改善图像分割性能是非常重要的。试图寻找可以分割任何图像的算法目前是不现实,也是不可能的。人们的工作应放在那些实用的、特定图像分割算法的研究上,并且应充分利用某些特定图像的先验知识,力图在实际应用中达到和人类视觉分割更接近的水平。

4.2图像分割发展趋势

从图像分割研究的历史来看,可以看到对图像分割的研究有以下几个明显的趋势。

4.2.1对原有算法的不断改进。

4.2.2新方法、新概念的引入和多种方法的有效综合运用。

人们逐渐认识到现有的任何一种单独的图像分割算法都难以对一般图像取得令人满意的分割效果,因而很多人在把新方法和新概念不断地引入图像分割领域的同时,也更加重视把各种方法综合起来运用。

4.2.3交互式分割研究的深入。

由于很多场合需要对目标图像进行边缘分割分析(如对医学图像的分析),因此需要进行交互式分割研究。事实证明,交互式分割技术有着广泛的应用。

4.2.4特殊图像分割的研究越来越得到重视。

目前有很多针对立体图像、彩色图像、多光谱图像以及多视场图像分割的研究,也有对运动图像及视频图像中目标分割的研究,还有对深度图像、纹理图像、计算机断层扫描、磁共振图像、共聚焦激光扫描显微镜图像、合成孔雷达图像等特殊图像的分割技术研究。相信随着研究的不断深入,存在的问题会逐渐得以解决。

5结束语

图像分割作为整个数字图像处理系统的前端算法和技术,已在图像处理中占有很重要的地位,其输出结果对整个系统能否达到预期目标有着十分重要的作用。在短短的几十年发展中,研究者已提出上千种具体可行的且具有一定针对性的分割方法,对图像处理技术的发展产生了不可忽视的推动作用。虽然目前还没有一个通用的算法及其评价系统,但随着相关学科的发展及与其他学科的交叉结合应用,数字图像分割的效果必将越来越接近其理想状况,其分割方法会逐步完善,评价系统将趋于健全。

参考文献:

[1]王爱民,沈兰荪.图像分割研究综述[J].测控技术,2000,19(5):1-5,16.

[2]SAHOO P K,SOLTARNI S,WANG A K.A survery of thres-holding techniques Computer visiion[J].Graphics and ImagProcessing,1998,(41):233-377.

[3]魏弘博,吕振肃,蒋田仔,等.图像分割技术纵览[J].甘肃科学学报,2004,16(2):19-24.

[4]傅弘,颜鸿森,齐春.基于自适应定向正交投影法解的图像分割方法[J].中国图像图形学报,2003,8(3):286-291.

[5]史飞.基于PCNN的图像处理技术研究[D].兰州:兰州大学信息科学与工程学院,2003.

[6]乐宋进,武和雷,胡泳芬.图像分割方法的研究现状与展望[J].南昌水专学报,2004,23(2):15-20.

[7]柏子游,张勇,虞烈.一种彩色图像的色彩分割方法[J].模式识别与人工智能,1999,12(2):241-244.

[8]钱志柏.基于模糊聚类和PCNN的图像分割新算法研究[D].兰州:兰州大学信息科学与工程学院,2004.

图像边缘提取Matlab程序源代码

%元胞自动机边缘提取

I=imread('lena.bmp');

I=double(I);

figure;imshow(uint8(I));

im=I;

[M,N]=size(I);

im_o=zeros(M,N);

sigma=18;

for t=1:1

for i=2:M-1

for j=2:N-1

% tmp=(im(i-1,j)+im(i+1,j)+im(i,j-1)+im(i,j+1))/4;

% tmp=abs(im(i,j)-tmp);

if(abs(im(i-1,j)-im(i,j))

im_o(i,j)=0;

else

im_o(i,j)=im(i,j);

end

% im_o(i,j)=min(im(i,j),tmp);

end

end

im=im_o;

figure;imshow(uint8(im)); end

index=find(im==I);

tt=ones(256,256);

tt(index)=255;

figure;imshow(uint8(tt))

% im(im>0)=255;

% figure;imshow(uint8(im)) 试验结果如下：

图1

图2

图3

%图像边缘检测与分割处理I=imread('4-11.jpg');

I1=I(:,:,1);

I2=I(:,:,2);

I3=I(:,:,3);

[y,x,z]=size(I);

d1=zeros(y,x);

d2=d1;

myI=double(I);

I0=zeros(y,x);

for i=1:x

for j=1:y

%欧式聚类

d1(j,i)=sqrt((myI(j,i,1)-180)^2+(myI(j,i,2)-180)^2+(myI(j,i,3)-180)^2);

d2(j,i)=sqrt((myI(j,i,1)-200)^2+(myI(j,i,2)-200)^2+(myI(j,i,3)-200)^2);

if (d1(j,i)>=d2(j,i))

I0(j,i)=1;

end

end

end

figure(1);

imshow(I);

% 显示RGB空间的灰度直方图，确定两个聚类中心(180,180,180)和(200,200,200) figure(2); subplot(1,3,1);

imhist(I1);

subplot(1,3,2);

imhist(I2);

subplot(1,3,3);

imhist(I3);

figure(3);

imshow(I0);

试验结果如下：

图1

图2

图3