图像分割方法综述
开篇：润墨网以专业的文秘视角，为您筛选了一篇图像分割方法综述范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
【摘要】本文简要介绍了几种典型的图像分割方法，主要有阈值分割算法、边缘检测算法、区域分割算法。它们均是基于不同的理论，十分具有代表性，且在计算机上易于实现，实验效果比较好。
【关键词】图像分割；算法
图像分割是一种基本的计算机视觉技术，是图像分割的需要解决的首要和基础问题，是图像处理到图像分析的关键步骤。图像分割及目标表达和参数测量为图像分析和理解提供基本的信息。
1.图像分割的定义
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。图像分割可以用数学描述如下：
令集合R代表整幅图像，对R的划分可以看成满足五个条件的非空子集R1,R2,…，Rn。
（1）Ri=R;
（2）对于所有的i和j，i≠j，RiRj=?；
（3）对i=1,2，…，n，有P(Ri)=TRUE;
（4）对i≠j，有P(RiRj)=TRUE；
（5）对i=1,2，…，n，Ri是连通的区域。
上述的五个条件：（1）指出分割应将图像中的每个像素都分进某个子区域，也就是说分割结果中得到的全部子区域的总和要包括图像中的所有的像素点。（2）指出分割结果得到的各个子区域之间是互不相交的。（3）指出分割结果中每个子区域都有各自的特性。（4）指出同一个区域的像素应该具有一些不同的特性。（5）是指同一个子区域的任两个像素是连通的。
2.阈值分割算法
灰度阈值分割法是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。阈值分割方法实际上是输入图像 到输出图像 的如下变换：
g（i，j）=1，f（i,j）≥T
0，f（i,j）≥T
其中，T为阈值，对于物体的图像元素g（i，j），对于背景的图像元素g（i，j）=0。由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度值比较和像素分割可对各像素并行地进行，分割的结果直接给出图像区域。阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算效率的应用场合(如用于硬件实现)，它得到了广泛应用。人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。全局阈值是指整幅图像使用同一个阈值做分割处理，适用于背景和前景有明显对比的图像。它是根据整幅图像确定的：T=T（f）。但是这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差法、最大熵自动阈值法以及其它一些方法。在许多情况下，物体和背景的对比度在图像中的各处不是一样的，这时很难用一个统一的阈值将物体与背景分开。这时可以根据图像的局部特征分别采用不同的阚值进行分割。实际处理时，需要按照具体问题将图像分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图像分割。这时的阈值为自适应阈值。阈值的选择需要根据具体问题来确定，一般通过实验来确定。对于给定的图像，可以通过分析直方图的方法确定最佳的阈值，例如当直方图明显呈现双峰情况时，可以选择两个峰值的中点作为最佳阈值。
3.边缘检测算法
图像分割的一种重要途径是通过边缘检测[4]，即检测灰度级或者结构具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方。这种不连续性称为边缘。不同的图像灰度不同，边界处一般有明显的边缘，利用此特征可以分割图像。图像中边缘处像素的灰度值不连续，这种不连续性可通过求导数来检测到。对于阶跃状边缘，其位置对应一阶导数的极值点，对应二阶导数的过零点(零交叉点)。因此常用微分算子进行边缘检测。常用的一阶微分算子有Roberts算子、Prewitt算子和Sobel算子，二阶微分算子有Laplace算子和Kirsh算子等。在实际中各种微分算子常用小区域模板来表示，微分运算是利用模板和图像卷积来实现。这些算子对噪声敏感，只适合于噪声较小不太复杂的图像。由于边缘和噪声都是灰度不连续点，在频域均为高频分量，直接采用微分运算难以克服噪声的影响。因此用微分算子检测边缘前要对图像进行平滑滤波。LoG算子和Canny算子是具有平滑功能的二阶和一阶微分算子，边缘检测效果较好。其中LoG算子是采用Laplacian 算子求高斯函数的二阶导数，Canny算子是高斯函数的一阶导数，它在噪声抑制和边缘检测之间取得了较好的平衡。
4.区域分割算法
区域生长算法的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。这样一个区域就长成了。区域生长需要选择一组能正确代表所需区域的种子像素，确定在生长过程中的相似性准则，制定让生长停止的条件或准则。相似性准则可以是灰度级、彩色、纹理、梯度等特性。选取的种子像素可以是单个像素，也可以是包含若干个像素的小区域。大部分区域生长准则使用图像的局部性质。生长准则可根据不同原则制定，而使用不同的生长准则会影响区域生长的过程。区域生长法的优点是计算简单，对于较均匀的连通目标有较好的分割效果。它的缺点是需要人为确定种子点，对噪声敏感，可能导致区域内有空洞。另外，它是一种串行算法，当目标较大时，分割速度较慢，因此在设计算法时，要尽量提高效率。
区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标提取。分裂合并算法是区域生长的逆过程：从整个图像出发，不断分裂得到各个子区域，然后再把前景区域合并，实现目标提取。分裂合并的假设是对于一幅图像，前景区域由一些相互连通的像素组成的，因此，如果把一幅图像分裂到像素级，那么就可以判定该像素是否为前景像素。当所有像素点或者子区域完成判断以后，把前景区域或者像素合并就可得到前景目标。这种方法虽然没有选择种子点的麻烦，但也有自身的不足。一方面，分裂如果不能深达像素级就会降低分割精度；另一方面，深达像素级的分裂会增加合并的工作量，从而大大提高其时间复杂度。实际中，经常把图像分成任意大小且不重叠的区域，然后再合并或分裂这些区域以满足分割的要求。分裂的基础是四叉树数据表示方法，如果图像的分割特性不均匀，就可以用四叉树把矩形图像分成四个正方形，若这四个邻近的正方形被认为是均匀的，它们则被由四个毗邻正方形组成的单个正方形合并。
图像分割是图像处理中一个经典的研究课题，是图像处理中不可或缺的一部分。随着显著图模型的应用越来越广泛，我们应针对相应的应用背景，建立适合的显著性分析算法，这也是今后进一步研究工作的方向之一。 [科]
【参考文献】
［１］Toet putational versus psychophysical bottom-up image saliency:a comparative evaluation study.IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,33(11):2131-2146
［２］Hou D H,Wiesel T N.Receptive fields,binocular interaction and function architecture in the cat’s visual cortex.The Journal of Physiology,1962,160:106-154.
［３］S. Avidan and A.Shamir.Seam carving for content-aware image resizing.ACM Transactions on Graphics,26(3):10,July，2007.
［４］楚瀛,田淞，张桂林等.基于图像边缘特征的前景背景分割方法[J].华中科技大学学报,自然科学版,2008,36（5）:20-24.
［５］王艳娟,陈晓红,黄晓欣.图像感兴趣区域检测技术[J].计算机与数字工程,2007,35(5):138-139.