（运筹学与控制论专业论文）图像分割与合成方法的研究.pdf

中文摘要 在对图像的研究与应用中，人们往往只对图像中的某些部分( 常称为物体) 感兴趣，对其它部分则不甚关心。为了辨识和分析图像中的物体，更好的了解它 的特征并进一步利用它，需要将它从图像中分离提取出来，其中所用到的提取方 法与过程就是图像分割。图像分割在实际生活中有着非常广泛的应用，一直是图 像图形学研究的一个重要领域，至今已有很多图像分割的方法。本文对常用的图 像分割方法进行了简单的介绍和评价，并提出了一种新的图像分割法，这个方法 首先需要人工把一些明显属于物体和明显属于背景的象素分割出来，然后根据分 割出来的这些象素自动建立物体与背景的颜色模型，最后求出能量函数取最小值 时的分割结果，即得到图像中感兴趣的物体。通过图像分割得到感兴趣的物体后， 一个很重要的应用是把这个物体合成到另一个背景中，得到新的图像，如制作科 幻电影与动画片等。这是因为很多科幻图像中的场景实际中不存在，或者虽然可 以人工构造，但成本太高，所以使用通常的方法来得到它的图像就不现实了，而 图像合成正好可以突破这两方面的限制，以很小的成本得到很多有用的图像。但 是合成图像要想有实用价值的话，前提条件是它必须看起来真实，也就是说合成 图象中不能有明显的拼接痕迹。本文提出了梯度模拟图像合成法，它在保留物体 基本颜色特征的同时，改变了物体的光亮度，使其与新背景的光亮度一致，实验 证明采用此方法得到的合成图像光照效果更真实。 关键词：图像分割图像合成切割图法梯度模拟法 a b s t r a c t i n 姐i m a g e w ea r eo f t e ni n t e r e s t e di ns o m ep a r t , a l s oc a l l e do b j e c t , w h i c hh a s s p e c i f i cs t a t i s t i c s t oa n a l y s i sa n du n d e r s t a n dt h eo b j e c t , i ti sn e c e s s a r yt os e g m e n ti t f t o mi t si m a g e b e c a u s eo ft h ei m p o r t a n c eo fi m g es e g m e n t a t i o ni np r a c t i c e ，i ti sa n i m p o r t a n tr e s e a r c hf i e l di nc o m p u t e rg r a p h i c sa n dt h e r ea r em a n ym e t h o d sf o ri t i n t h i sp a p e rw ep r o p o s eah e wi m a g es e g e m a n t a t i o nm e t h o d t h em e t h o df i r s ts e p a r a t e s t h e s ep i x e t sw h i c ho b v i o u s l yb e l o n gt oo b j e c to rb a c k g r o u n d , t h e ng e t st h ec u t o u t w h o s ec o r r e s p o n d i n gv a l u eo ft h en e we n e r g yf u n c t i o ni st h em i n i n l u n l a f t e r s e g m e n t i n gt h eo b j e c tw a n t e d , o n eo ft h ea p p l i c a t i o n si sf i l s i n g i ti n t oa n o t h e r b a c k g r o u n dt og e tan e wi m a g e , l i k es c i e n c ef i l ma n dc 锄m 规b e c a u s et h es c e n e si n t h e s ei m a g e sd o n te x i s ta c t u a l l yo ra r et o oc o s t l yt oc o n s t r u c t , w ec a n n o tg e tt h e s e i m a g e sb ys h o o t i n g f o r t u n a t e l yw ec a no b t a i n t h e s ei m a g e st h r o u g hi m g e c o m p o s i t i o nw h i c hm e r g e ss e v e r a lp a r t sf r o ms e v e r a li l n a g e si n t oa ni m g e , h o w e v e ri f t h ec o m p o s i t ei m a g ei sv a l u a b l e ，i tm u s ta p p e a ri n t e g r a t i v ea n dc a n n o th a v ev i s i b l e m o n t a g em a r k s t h i sp a p e rp u t sf o r w a r dt oag r a d i e n ts i m u l a t i n gm e t h o d t h e g r a d i e n ts i m u l a t i n gm e t h o de n s u r e st h ec o m p l i a n c eo fi l i m n i n a t i o ni nt h ec o m p o s i t e i m a g em e a n w h i l ep r e s e r v e st h ec o l o rc h a r a c t e r i s t i c so ft h eo b j e c t t h ee x p e r i m e n t s s h o w e dt h a tt h en e wc o m p o s i t i o nm e t h o dh a se x t e n d e d a p p l i c a t i o n s a n dt h e c o m p o s i t ei m a g eh a sab e t t e rl i g h t i n gt h a nt h o s ep r o d u c e db yo t h e rm e t h o d s k e y w o r d s ：i m a g es e g m e n t a t i o n , i m a g ec o m p o s i t i o n , g r a p hc u tm e t h o d , g r a d i e n ts i m u l a t i n gm e t h o d 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的 研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他入已经发表 或撰写过的研究成果，也不包含为获得丕垄盘堂或其他教育机构的学位或证 书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中 作了明确的说明并表示了谢意。 学位论文作者签名：f i 高夸签字日期：一占年月7 日 学位论文版权使用授权书 本学位论文作者完全了解盘壅盘堂有关保留、使用学位论文的规定。 特授权苤洼盘堂可以将学位论文的全部或部分内容编入有关数据库进行检 索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校 向国家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者盘名：f ：莩i 毛昼 签字日期：加# 年月，日 导师签名剖锄7 磐 签字日期：加6 年1 月加e t 天津大学硕士学位论文 第一章绪论 第一章绪论 从一幅图像中把感兴趣的物体分割提取出来，合成到另一幅图像中，这在图 像编辑及图像处理中有十分广泛而重要的应用，特别是对于一些现实中很困难或 根本不可能实现的场景图像尤为重要，因为这种场景实际不存在，它的图像无法 通过实地拍摄获得，只能通过图像的分割与合成来实现，如科幻电影与动画片的 制作等。可见对图像的分割与合成进行研究有着十分重要的现实意义。 1 1 图像分割的概念和意义 1 1 1 图像分割的概念 在对图像的研究与应用中，人们往往只对图像中的某些部分感兴趣。这些部 分常称为目标或前景( 其它部分称为背景) ，它们一般对应图像中特定的、具有独 特性质的区域。为了辨识和分析图像中的目标，需要将这些有关区域分离提取出 来，在此基础上才有可能对目标进一步利用，如进行特征提取和测量。所以图像 分割是指根据灰度、色彩、空间纹理、几何形状等特征把图像划分成若干个互不 相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区 域间表现出明显的不同 1 】。简单的讲，就是在一幅图像中，把目标从背景中分 离出来，以便于进一步处理。 1 1 2 图像分割的意义 图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领 域之一，它是对图像进行视觉分析和模式识别的基本前提。在图像工程( 一个对 整个图像领域进行研究与应用的新科学) 中占据重要的位置( 见图1 - 1 ) 。 天津大学硕士学位论文 第一章绪论 图1 - 1 图像分割在图像工程中的位置 图像工程可分为三个层次，图像处理，图像分析和图像理解。图像分割是从 图像处理进到图像分析的关键步骤，也是进一步图像理解的基础，一方面，它是 目标表达的基础，对特征测量有重要的影响；另一方面，因为图像分割及其基于 分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形 式，使得更高层的图像分析和图像理解成为可能。图像分割前，对图像的加工主 要处于图像处理的层次，图像分割后，对图像的分析才成为可能。 图像分割在现实中的应用非常广泛，例如在汽车车型自动识别系统中，从 c c d 摄像头获取的图像中除了汽车之外还有许多其他的物体和背景，为了进一 步提取汽车特征，辨识车型，图像分割是必须的；在医学领域里，要把拍摄到的 图像中属于某个器官的部分提取出来进行详细的分析研究从而确定病情，也必须 进行图像分割；在对卫星拍摄到的太空中星体的地形地貌照片进行分析研究之 前，也必须对其进行分割；影视中很多科幻效果也是通过把一幅真实照片中的人 物分割出来合成到一个虚拟的背景中而得到的。从检查癌细胞、精密零件表面缺 陷检测到处理卫星拍摄的地形地貌照片，从实际生活中与人类利益密切相关的领 域到影视娱乐界特殊效果的创作，图像分割都起着很重要的作用。因此自2 0 世 纪7 0 年代图像分割出现以来，它就一直受到人们的高度重视，至今己有许多种 分割方法，但是由于不同种类的图像，不同的应用场合，需要提取的图像特征是 不同的，所要求的精度也不同，现有的众多分割方法无论在通用性方面还是在精 度方面都还有很大的提高余地，所以寻找更好的分割方法一直都是图像图形学的 一个重要研究领域。 固 天津大学硕士学位论文 第一章绪论 1 2 图像合成的概念和意义 1 2 1 图像合成的概念 所谓图像合成是指把一幅图像中的物体合成到另一幅图像的背景中得到一 幅新的图像，并使新图像看起来真实自然 2 。当然如果仅仅实现把二者合成为 幅图像那很简单，直接把幅图像中的物体复制到第二幅图像的背景中即可， 但问题是如何使合成得到的图像效果逼真，也就是说使得合成图像看起来与其它 真实拍摄的图像一样，光照致，过渡自然，恧不会在物体与新背景的衔接处出 现明显的拼接痕迹，这也是图像合成的关键所在。 1 2 2 图像合成的意义 图像合成在现实中有着很重要的应用。最明显的莫过于电影电视的制作，其 中很多图像无法通过实地拍摄获得，只能通过图像合成来实现，如很多科幻效果， 还有很多图像虽然可以通过实地拍摄来获得，但那样的成本太高，不实际也没必 要，为此也只好借助图像合成。在科学研究中，图像合成也大有用武之地，如太 空探索，它进行一次成本可能非常高，为了提高成功的机率，减少不必要的损失， 之前要进行模拟实验，这其中就要用到图像合成；还有为了形象地反映科学实验 如化学反应，燃烧等的进行过程，让人更容易对其进行把握，需要进行电脑模拟， 这也要用到图像合成。此外图像合成还在虚拟漫游，虚拟博物馆中有着重要的作 用。所有这些应用无疑都要求图像合成的效果准确逼真，所以说寻找更好的图像 合成方法，使得图像合成的效果更真实形象，有着十分重要的现实意义。 1 3 本文的工作简介 1 3 1 切割图图像分割法 本文提出了一种新的切割图图像分割法，它首先需要把图像中许多明显属于 物体和明显属于背景的象素手工分割出来，然后根据这些象素的颜色用 3 的方 法分别建立起物体与背景的颜色模型，并构造一个新的能量函数 e ( z ) = 与( 办) + 五艺最( 易9 ，x p ，) ( 1 1 ) p e p，q ) e n 最后在剩余的待确定的象素上求得此能量函数取最小值时的分割结果，即分 天津大学硕士学位论文第一章绪论 割出感兴趣的的物体。 1 3 2 梯度模拟图像合成法 要把物体合成到新的背景中得到合成图像，也就是要求物体中每个象素在合 成图像中的颜色值，使得合成图像的物体既保留了其原来的颜色特征，又与新背 景的光照相一致。本文的梯度模拟法首先计算合成图像中物体各象素与新背景光 照一致时的灰度值，然后令原图像中物体各象素的r g b 向量随着该象素在合成 图像中的灰度值进行相应的改变，从而得到合成图像中物体各象素的r g b 向量， 也就得到合成图像。 1 4 本文章节的组织结构 本文各章节的组织结构如下： 第一章指出了图像分割与图像合成的概念和意义，并简单介绍了本文提出的 图像分割与合成方法。 第二章介绍了各种常用图像分割与合成方法以及它们的优缺点。 第三章给出了目前流行的切割图图像分割法中能量函数最小值的求法。 第四章详细描述了本文提出的图像分割与图像合成方法，并通过实例对其特 点进行了直观深入的分析。 第五章对本文进行总结，并指出了以后改进的方向。 天津大学硕士学位论文第二章图像分割与合成研究现状 第二章图像分割与合成研究现状 本章简单地介绍了各种常用图像分割与合成方法的原理，适用情况以及它们 各自的优缺点，并对其中的切割图图像分割法进行了较为详细地描述。 2 1 图像分割方法综述 2 1 1 经典的图像分割方法 边缘检测方法是人们研究得比较多的一种方法，它通过检测图像中不同区域 的边缘来达到分割图像的目的。很多的边缘检测算法是基于图像的灰度函数求导 和在图像中匹配特定的边缘模型这两种方法，在具体做法上，表现为空域算子与 图像模板求卷积和用迭代等方法求匹配函数的系数等 4 。 1 基于灰度特征的阈值分割方法 5 此类方法主要根据图像灰度分布直方图，通过设置闽值把所有象素点按灰度 级别分为两部分：内部点集和外部点集，实现分割。具体方法有全局单阈值法、 双阈值法、自适应阈值法。这些方法计算量小，算法上易于实现，对目标和背景 对比度反差较大的图像分割很有效，而且总能用封闭、连续的边界定义不交叠的 区域。但阈值确定主要依赖于灰度直方图，而很少考虑图像中象素的空间位置关 系。因此当背景复杂，特别是在同一背景上重叠出现若干研究目标时，容易丧失 部分边界信息，造成分割的不完整。 2 基干边界提取的分割技术 1 这类方法的基本思想是边界一般由图像中象素灰度的反差或不连续产生，于 是利用边界的梯度变化性质直接提取边界。具体有边界跟踪法、k i t s c h 算法等。 边界跟踪( b o u n d a r yt r a c k i n g ) 法也称边缘点链接( e d g ep o i n tl i n k i n g ) 法，它是由 图像梯度图中一个边缘点出发，依次搜索并连接相邻边缘点从而逐步检测出边界 的方法。这一类方法的缺点是对噪声比较敏感，而且容易受到伪轮廓线或边界空 白的干扰，不能保证总是得到闭合连通的边界。 3 基于边缘检测和边缘连接的分割技术 以各种微分算子为基础，结合用模板及门限、平滑等手段提取边缘。这类算 法认为图像中边界由灰度的不连续性引起，边缘象素点为分割图像灰度的突变 天津大学硕士学位论文第二章图像分割与合成研究现状 点，其思路是先通过邻域象素之间的运算求取边缘点，再把他们连接起来得到一 条闭合的连通边界。主要是梯度算子边缘检测算法 6 ，常见的有g o b e r o g 子、 p r 讯算子、s o b e l 算子、c a n n y 算子、l a p l a c i a n 差分算子、l o g 算法( l a p l a c i a no f c , a u s s h a g 子) 等。 r o b e r t 算子：r o b e r t 算子是2 x 2 算子，利用局部差分算子寻找边缘，计算 沿4 5 。方向的一阶差分，图像的梯度为两个4 5 。方向的梯度矢量和，直接计算图 像差分，不包含平滑，故不能抑制噪声，对具有陡峭的低噪声图像响应最好。 s o b e l 算子和p r e w i t 算子：都是对图像进行差分和滤波，只是平滑部分的 权值有些差异，对灰度渐变和噪声较多的图像处理较好。 k i t s c h 算子：有8 个卷积核，图像中每个点都用8 个卷积核进行卷积，每 个卷积核对某个特定边缘方向作出最大响应，所有8 个方向中的最大值作为边缘 图像的输出。 l a p l a c i a n 算子：二阶微分算子，其零交叉点也可作为图像的阶跃型边缘 点，而其极小值点可作为图像的屋顶型边缘点。l a p l a c i a n 算子极小值算法用于检 测屋顶型边缘的效果不错，但对噪声敏感性较大，而其过零点算法若直接用于检 测阶跃型边缘，则不仅过零点的门限难于选择，而且检测精度一般较低。 c a n n y 算子：是一阶算子，其方法的实质是用一个准高斯函数作平滑运算， 然后以带方向的一阶微分算子定位导数最大值，它可用高斯函数的梯度来近似， 在理论上很接近4 个指数函数的线性组合形成的最佳边缘算子，在实际工作应用 中编程较为复杂，且运算偏慢。它是一阶传统微分中检测阶跃型边缘效果最好的 算予之一，它比p r c w i t 算子、s o b e l 算子、l a p l a c i a n 算子极小值算法的去噪能力都 要强，但它也容易平滑掉一些边缘信息。 l o g 算子：m a r r - h i l d r e t h 首先使用高斯函数对原始图像作平滑，这是由 于高斯滤波器具有空间平稳性，空间位置误差小。然后采用无方向的l a p l a c i a n 算子运算后，再用提取零交叉点的算法作边缘检测，其精度明显提高。优点是过 滤了噪声，缺点是可能将原有的边缘也给平滑了，高斯函数的方差直接影响到边 缘检测的结果。占较小时用于检测细节，占较大时用于检测轮廓。但是m a x r 希l h i l d r e t h 没有解决如何组合不同尺度滤波器使输出的边缘图为单一的、正确的边 缘图的具体方法。 这里g o b e r d g 子有利于对具有陡峭边缘的低噪声图像的分割；l a p l a c i a n 差分 算子具有各向同性的特点，它与p r e w i t 算子、s o b e l 算子、c a n n y 算子等有利于对 具有较多噪声且灰度渐变图像的分割；而l o g 算法对具有较多噪声的图像具有平 滑作用，且其边缘检测效果优于以上几种算子，但l o g 算法在平滑的同时导致图 像对比度下降；而r o b e r t 算子、l a p l a c i a n 差分算子在实施过程中大大增强了噪声， 天津大学硕士学位论文第二章图像分割与合成研究现状 恶化了信噪比；其他几种算子涉及方向性，且各向异性；总之，对于灰度变化复 杂和细节较丰富图像，以上算法均很难完全检测出边缘，而且一旦有噪声干扰时， 上述算子直接处理效果更不理想。沈俊等人又做了改进，提出了 s h e n j 算子 7 。 另一算法为拟合算子( 即参数模型匹配算法) ，此类算子在检测边缘的同时，还平 滑了噪声，对有较大噪声和高纹理图像处理效果较好，但由于参数模型记录着更 多的边缘结构信息，计算开销很大，算法复杂，而且对边缘类型要求较高。 4 以传统微分算子为基础的改进算法 基于左右导数算子类的边缘提取 8 】 对于阶跃型边缘，左右导数同号，左右导数差别大，则边缘明显。，o ，力为 检测点 ，力的灰度。简单左右导数算子： 水平方向左右导数： 石( z ，力= f o ，y d f 瓴力( 2 1 ) 石+ 似力= f “力一f ( x ，y + 1 ) ( 2 2 ) 垂直方向左右导数： 五y ) = f o 一1 ，y ) 一f ( x ，力( 2 3 ) 疗力= f o ，力一b + l ，力( 2 4 ) 4 5 。方向左右导数： 正( 毛j ，) = f ( x 一1 ，y 一1 ) 一f ( x ，) ，) ( 2 5 ) 瓴力= f 力一f ( x + l ，y + 1 )( 2 6 ) 1 3 5 0 方向左右导数： 五o ，力= f ( x 一1 ，y + 1 ) - f ( x ，力( 2 7 ) 片似力= f ( x ，力一f ( x + l ，y - 1 )( 2 8 ) 阶跃型边缘检测： 以力= p 加0 麒枷l觏露菇_ 1 2 3 4 l共已 g b ，办= m a x ( g i q ，珐9 2 唾，协，9 3 堪，协，9 4 缸，y 秘2 1 设定- - n 限值r ，当g ( 墨力 t ，( 毛力为边缘点 对于屋顶型边缘，两边灰度发生激变，左右导数异号，导数和的绝对值决定 边缘的清晰度。检测为： 缸= p 咖0 肫训，觏露菇乩2 3 4 l头e h ( x ，) ，) = m a x ( h , 瓴力，o ，) ，) ，鸭( x ，y ) ，啊( 五力)( 2 1 2 ) 设定- - f 3 限值r ，当h ( x ，力 t ， ，力为边缘点。 广义左右导数算子：即把象素点的一个子集合看作一个整体来求它与被检测 天津大学硕士学位论文 第二章图像分割与合成研究现状 点的“平均”左右导数。 水平： 石似力= ( 工一1 ，) ，一1 ) + ，( 五y 1 ) + ，( x + 1 ，) ，1 ) 一3 f o ，力 斤( 局力= 3 ( 而力一f ( j l ，y + 1 ) 一厂( 毛y + 1 ) 一f ( 善+ l ，y + 1 ) 垂直： 五o ，) ，) = f ( x 一1 , y 一1 ) + ，( 工一1 ，力+ ，( x 一1 ，y + 1 ) 一3 f ( 毛力 疗( 马y ) = 3 f ( x , 力一f ( x + l ，y 一1 ) 一f ( x + l ，力一，( 工+ l ，y + 1 ) 4 5 。： 五( 力= f ( x , y 一1 ) + ，u 一1 ，y 一1 ) + 厂o 一1 , y ) - 3 f ( x ，力 疗力= 3 f ( x ，力一厂( 工，y + 1 ) 一，u + l ，y + 1 ) 一f o + 1 ，y ) 1 3 5 0 ： 正( 墨j ，) = ，( 毛y 一1 ) + 厂i 一+ l ，力十f ( x + l ，y 一1 ) - 3 f ( x ，y ) 疗o ，力= 3 f ( x , 力一f ( x , y + 1 ) - f ( x - 1 ，力一厂0 1 ，y + 1 ) 基于梯度极值的边缘检测算法 梯度定义为空间一点在各个方向上的微分最大值，在视觉边界线处灰度应具 有跃变，也就是梯度应具有极大值，而且具有极大值的梯度方向应该与边界的法 线方向一致。如果某一象素刚好处于边界上，则在与边界线垂直的方向上，在一 个小的直线邻域内，该象素的梯度将具有极大值。设计一个5 x 5 边界检测算子窗 口，在窗口内直接提取边界特征象素，其特征象素点集将包括全部边界象素 9 。 基于样条修匀公式的边缘检测 用最佳拟合曲面代替原始图像，再在拟合曲面上作边缘检测，要求拟合曲面 既具有足够的光滑性，又与原图像曲面具有相同的凸凹性。召样条函数具备这一 特性，基于样条修匀公式的边缘检测先用等距b 样条函数来构造图像曲面的修匀 公式，再通过求一阶方向导数的极值或二阶方向导数的零交叉来检测边缘 1 0 。 5 基于区域的分割方法 具体有区域增长分割方法和区域分裂、聚合分割算法，该算法对有复杂物体 定义的复杂场景的分割或者对自然景物的分割等类似先验知识不足的图像分割， 效果均较理想。w uhs 等 1 1 提出利用肺部癌细胞图像的均值、标准偏差构成 的矢量作为细胞分割的特征，提出的区域增长分割算法分割肺部癌细胞纹理图 像，取得较好结果。基于区域生长的分割方法抗噪性能优于边缘分割和直方图分 割，另外相比其他算法其计算开销较大，而且在计算过程中引入的预定误差p 值 选取不当时，还会引入误判，容易受到分析目标内部组织之间的重叠干扰影响。 m 柳 坳蝓 研坳 协柳 g g q q q q q q 天津大学硕士学位论文 第二章图像分割与合成研究现状 2 1 2 研究中的图像分割新算法 1 多尺度边缘检测 多尺度边缘检测思想最初是r o s e n f e l e 提出的，以后经过m a r t ，h i l d r e t c h ， w i n d n 等人的逐步完善形成了一套理论。小尺度滤波可以得到较准确的边缘定 位，同时反映更多的边缘细节，但对噪声较为敏感；大尺度滤波在边缘定位上会 有一定的偏差，同时只能反映大的边缘轮廓，但对噪声具有较强的抑制。多尺度 方法实际上是用不同尺度的滤波算子对图像进行卷积，并考察由此得到的边缘点 随尺度的变化而具有的性质，结合多种不同尺度的信息来最终决定边缘点。对其 图像进行边缘检测，如何同时满足边缘定位的精度，又有效抑制噪声，其关键在 于滤波尺度的自适应选取。自适应调整滤波尺度就是在平滑区内进行大尺度的滤 波，在边缘区进行小尺度滤波，这样既可以抑制噪声，同时又较好地保留了有效 边缘 1 2 。 2 基于小波变换的分割算法 在不同的分辨率层次上对图像进行分割。虽然小波变换有许多优良属性，但 如果直接用于边晃提取可能出现孤立象素点和不连续，还会检测到多余的伪边缘 点。而且由于在小波变换离散化过程中，只能以一定精度记录和处理各分辨率上 的分析结果，不可避免地引入了频率分量的截断误差，造成部分边缘信息的丢失， 另外若图像中存在噪声也会对准确识别边缘位置产生很大影响。因而常常将小波 变换和其他方法结合起来应用，如小波变换与数学形态学结合算法 1 3 ，先用多 分辨率小波变换对图像进行分解，提取原图在不同尺寸、不同方向上的模糊分量 和细节分量，接着用数学形态学的特点对小波分解后的细节图像进行一系列的膨 胀、腐蚀等形态学运算。其中膨胀运算可填补小波分解后目标区内部空洞，增强 目标的连通性；腐蚀运算则可消除噪声和其他无用细节信号。把小波变换与快速 o t s u 阈值法结合形成改进快速o t s u 阈值法 1 4 ，此法在速度和精度上都有优势， 但只适合对细小目标的分割，对大目标效果不明显。另外近年来有人把多进制小 波变换引入图像分割的应用中，由于二进制小波变换及其正交小波变换可以得到 缩小2 倍的图像，但对于非2 倍边缘无法检测。利用多进制小波变换，可以得 到任意非整数倍的边缘图。 3 基于模糊数学的分割算法 主要有广义模糊算子与模糊阈值法两种分割算法 1 5 。广义模糊算子在广义 模糊集合的范围内对图像处理，使真正的边缘处于较低灰度级中，虽然算法的计 算简明，且边缘细腻，但得到的边缘会出现断线现象。基于广义模糊集合的邻域 加权预处理算法，自适应模糊算子，改进广义模糊算子，基本上克服了广义模糊 天津大学硕士学位论文 第二章图像分割与合成研究现状 算子在边缘检测时出现的断线问题。模糊阈值法引入灰度图像的模糊数学描述， 通过计算图像的模糊率或模糊熵来选取图像的分割阙值，最后用阈值法处理图像 得到边界。利用目标与背景之间对比度自动选取隶属函数窗宽的算法，对模糊阈 值法进行改进，解决了当图像改变从而使直方图分布改变时，预选窗宽可能失效 的问题，但此法根据目标与摄像机的相对距离估计目标背景之间的对比度，显然 其局限性比较大。 4 基于遗传算法的分割方法 遗传算法在求解过程中使用随机转换规则而不是确定性规则来工作，它唯一 需要的信息是适应值，通过对群体进行简单的复制、杂交、变异作用完成搜索过 程。此算法主要用在某些阈值法、基于参数模型匹配算法及区域生长法中，以改 进它们的性能。由于此法能进行能量函数全局最小优化搜索，且可以降低搜索空 间维数，降低算法对模板初始位置的敏感，减少了上述算法中需花费的大量计算 时间 1 6 。因为标准遗传算法( s g a ) 需用固定的交叉概率和变异概率，本身容易 收敛于局部最优，而自适应遗传算法( a g a ) 根据解群中所有个体的最大适应度和 平均适应度，以及交叉和变异个体的适应度来确定交叉概率和变异概率，效果比 标准遗传算法好，但是把它用在寻找二值化图像分割阈值时，往往会收敛于局部 最优，导致在算法中产生不良后果，使算法无法达到预定的效果。为此提出了对 自适应遗传算法的改进方法 1 7 ，引入窗口法增强指导性，以便容易选择阈值， 且用单点变异算子和双点变异算子结合的自适应遗传算法来增强遗传算法的随 机性，有效防止了遗传算法收敛于局部最优的缺点。此算法对处理复杂背景或有 重叠目标的图像时有明显的优势，而且比穷举算法速度有明显优势。但是同一图 像可能有两组最大的熵值，选取时无法判断哪一组更优。 5 状态空间搜索与动态规划法 状态空间搜索法也称图( g r a p h ) 搜索法或启发式( h e u r i s t i c ) 搜索法，该方法用 图结构表示边界点和边界段，通过在图中搜索对应最小代价的通道找到闭合边 界，它把边缘检测和边界连接有机地结合起来，在图像受噪声影响较大时仍能取 得较好的效果。动态规划( d y n a m i cp r o 毗) 法是一个多步决策的过程，它通 过把一个步过程转化为个单步过程的方法使算法复杂度降低，根据动态规 划的原理，可将全局最优化成局部最优之和 1 。要使此方法的结果令人满意， 决策过程必须是一个马尔可夫过程。 6 基于神经网络分割算法 近年来，用神经网络提取图像边缘又成为一个新的研究分支，人工神经网络 本身具有的分类属性是实现边缘检测、区域分割的基础，例如s p r e e u w e r s 提出了 两层前向神经网络边界检测法、d h a w a n 提出自组织神经网络边界检测法，x u e 天津大学硕士学位论文第二章图像分割与合成研究现状 提出y h o p f i e l d 神经网络边缘检测法，v i j i a k s 等提出了模糊逻辑神经网络检测法。 这类方法与传统方法完全不同，因为它们是首先将图像映射为一个神经网络，每 个象素点是一个神经元，然后通过动态方程引导神经元的状态向神经网络所定义 的最低能量方向变化，来提取边缘。由于神经网络具有可并行计算，便于硬件实 现等特性，故它比传统方法有更大的潜力 1 8 ，其理论及应用探讨正在逐步深入。 7 其他方法 根据检测边缘采用方式的不同，边缘检测方法还有其他几种：基于局部图像 函数的方法、图像滤波法、基于反应一扩散方程的方法、基于边界曲线拟合方 法，哈夫变换法等。 基于局部图像函数方法的基本思想是将灰度看成高度，用一个曲面来拟合一 个小窗口内的数据，然后根据该曲面来决定边缘点。图像滤波法是基于对平滑滤 波后的图像求其一阶导数的极大值或二阶导数的过零点来决定边缘的，它的核心 问题是要设计一个合适的滤波器，通常使用的滤波器有l o g 滤波器、可控滤波器、 丑一样条滤波器等。基于反应一扩散方程的方法借助反应扩散方程的观点来 看待多尺度滤波，从而达到边缘检测的目的。基于边界曲线拟合方法是用平面曲 线来表示不同区域之间图像的边界线，试图根据图像梯度等信息找出能正确表示 边界的曲线来达到分割图像的目的。哈夫变换法是利用图像全局特性而直接检测 目标轮廓的一种常见的方法，该方法的主要优点是受噪声和曲线间断的影响较 小。 最近，提出了基于语法、语义信息的多滤波集成边缘检测方法 1 9 ，该方法 把图像灰度分布的形式所包含的边界信息看成是语义信息，把不同滤波器所提取 出的灰度分布形式的信息看成是语法信息，然后从语法信息出发，按一定的逻辑 推出不同种类的边界，最后用模糊逻辑得出符合实际需要的边缘检测结果。提出 的多尺度脊边缘方法 2 0 利用m a l l a t 算法，对图像进行二进制小波分解，然后计 算出在二进制尺度空间的多尺度脊边缘及强度，最后通过脊边缘跟踪、滤波和小 波反变换，得到分割结果。提出的行扫描空间带通滤波法e 2 1 是在总结前人理论 和实验结果的基础上提出的_ 种边缘提取新方法，对电视图像的自动跟踪识别有 很好的效果。提出的基于多分辨分析的多模板边缘提取方法 2 2 ，根据图像边缘 灰度阶跃噪声在不同分辨率层次上表现出来的相关性质，合理地确定检测规划并 推断出边缘，此方法适用于复杂噪声环境和宽分割阈值下的边缘定位。提出的基 于积分变换的边缘检测算法 2 3 引入了灰度尺度和空间尺度，将图像变为表示象 素点相互吸引的矢量场，从而将边缘检测问题转化为在矢量场中寻找相分离矢量 的问题。用b d 模型检测边缘的方法 2 4 证明了b d 模型是g d 模型的快速算法， 并且取得的效果和用g d 模型取得的效果是一样的。提出的基于图像信息测度 天津大学硕士学位论文第二章图像分割与合成研究现状 的多尺度边缘检测方法 2 5 ，该方法利用e i m 能自适应地调整多尺度边缘 检测中的滤波度参数，克服了传统图像信息定义的缺陷，使该方法具有较好的抗 噪声和检测结果。提出的结合信噪比与定位精度的新的边缘检测准则 2 6 1 导出了 满足最佳性质的算子，利用该算子进行边缘检测，取得了较好的效果。哈夫变换 的改进算法 2 7 3 利用角度信息来控制选择和分配像在同一直线上的过程，使分割 效果优于标准哈夫变换的同时，大大减少了计算量。 边缘检测方法在很多领域得到了应用，如在医学图像处理中的主要应用有： 医学匹配定位，肿瘤位置及大小精确定位、心室轮廓提取、血管边缘抽取、细胞 图像的分割与量化分析、彩色眼科图像病灶分割等。 从前面对图像分割及边缘检测技术的综述来看，无论是从梯度分析，经典的 边缘检测算子，还是到在拟合的曲面上检测不连续性，到多分辨分析，再到较新 的小波分析，以及神经网络分析，边缘检测技术的研究不外乎针对存在的2 个问 题进行的，既要保持边缘的定位精度，保持细节，又要抑制噪声。围绕着这些问 题，针对不同的图像，不同的处理目的，所用的边缘检测方法也就不同，对于遇 到的新的问题，则需要研究新的技术方法来解决新的问题，这也反映了图像边缘 检测技术今后的一种发展趋势。也使越来越多的学者加入到边缘检测理论和方法 的研究中来，并且在很多方面取得了较好的效果。但是若想同时满足边缘检测算 法的要求，即检测精度高，抗噪能力强，计算简单( 计算速度快) ，便于并行实现， 还是有一定难度的，也都或多或少地在某些方面进行了一定的取舍，这也成为很 多学者研究的动力之一。 数学形态学是一门新兴科学。它建立在严格的数学理论基础之上，其基本思 想和方法对图像处理的理论和技术产生了重大的影响，数学形态学已经构成一种 新兴的图像处理方法和理论。近年来，数学形态学得到了广泛的重视。边缘中含 有大量的有价值的信息，它对于目标识别、图像分析和图像滤波有着重要的意义。 但是边缘和噪声都属于高频范围，很难用频带区分。噪声平滑能力与边缘定位能 力常常是矛盾的，本文采用数学形态学的方法试图寻求到边缘定位和抑制噪声的 最佳折中，并且能综合满足上述4 方面的要求。 2 1 3 彩色图像分割综述 彩色图像由于具有比灰度图像更多的视觉信息，受到了越来越多的重视。图 像分割就是将图像表示为物理上有意义的连通区域的集合，是图像分析的第一 步，也是图像处理中最困难的问题之一。而图像分割接下来的任务如特征提取、 目标识别等好坏都取决于图像分割的质量如何。 天津大学硕士学位论文第二章图像分割与合成研究现状 人们一般是通过对图像的不同特征如边缘、纹理、颜色、亮度等的分析达到 图像分割的目的。图像分割常用于模式识别与图像理解以及新一代的图像压缩与 编码两大类不同的应用目的。 实际中，人们往往考虑对单色图像的分割即从单色图像中提取出感兴趣的目 标。当灰度图像有变化灰度的背景或本身有较大灰度范围的区域时进行视觉图像 的分割会非常困难，这是因为对于单色图像的分割来说亮度( 1 i g h m e s s ) 是唯一的 可用信息，故这种问题是灰度图像本身固有的。人的视觉中对亮度的感觉一般只 有2 0 级左右，而彩色图像除了提供明亮度外，还有色调和彩色的深浅，而人眼对 色调或彩色的深浅可区分1 1 3 0 级左右，即人眼可区分的颜色可达到3 5 万多，人眼 对颜色的感觉是入的视觉中一个重要部分。彩色图像分割算法的关键在于如何利 用丰富的颜色信息来达到分割的目的。 颜色空间是描述色彩的一种方法，用它来制定、产生、可视化一种色彩。不 同的颜色空间适用于不同的应用场合，因此需要有不同的颜色空间。一些设备因 为硬件上的限制决定了它使用的颜色空间类型。大部分颜色空间特别是计算机图 形学上使用的颜色空间是非线性的，即颜色空间中的相同颜色差在不同的位置有 着不同的视觉差别，有些颜色空间用起来直观，有些颜色空间是依赖于设备的， 有些颜色空间则与设备无关。要分割一幅彩色图像，首先要选择好合适的颜色空 间；其次要采用适合于此空间的分割策略和方法。最常见的颜色空间是红绿篮 ( r e d , g r e e n , b l u e ，r o b ) 空间，用3 个基本分量的值来表示颜色，是彩色图像的一种 基本的色彩描述方法，但由于3 分量之间常有很高的相关性，直接利用这些分量 常常不能得到所需的效果。为了降低颜色特征空间中的各个特征分量之间的相关 性，以及为了使所选的特征空间更方便于彩色图像分割方法的具体应用，实际中 人们常将r g b 图像转换到其他的颜色特征空间中去。 已有的大多数图像分割算法主要是针对灰度图像。从人类视觉特性来说彩色 图像包含了更多的可分辨信息，彩色图像的使用也越来越多，所以近年来彩色图 像分割越来越得到重视。彩色图像分割与灰度图像分割的算法相比，大部分算法 在分割思想上是一致的。但彩色图像包括着更丰富的信息，并有多种颜色空间的 表达方式，因而彩色图像分割算法又有所不同 2 8 。现已提出许多彩色图像分割 方法，主要包括聚类法，熵闽值与博弈论标记结合法，区域分裂合并区域生长、 松弛以及边缘检测等。将基于种子点的区域生长法和基于主动轮廓模型的方法结 合也可以分割彩色图像。利用神经元网络的方法也有报道。 虽然图像分割己经有了很长的研究历史，针对各种具体要求建立了许多算 法，然而至今尚无统一的理论。利用算法分割出的区域图与正确存在的分割之间 可能出现误差。误差有3 种类型，一是分割后的图像增添了新的区域；二是应有 天津大学硕士学位论文 第二章图像分割与合成研究现状 的区域未被分割出：三是所用的分割算法没有正确给出边界定位。现有的彩色图 像分割技术主要有6 种类型：基于象素的技术、基于边缘的技术、基于区域的技 术、基于模型的技术、基于物理的技术和混合技术。下面简单讲述一下现有的彩 色图像分割技术分类。 1 基于象素的技术 基于像素的技术并不考虑空间因素而是只取决于该点的颜色特征。这使得算 法简单，无需图像的先验知识；但没有考虑与邻近象素之间的联系，容易将噪声 引入图像，而且分割结果很容易产生原图像中不存在的、孤立的、小块的区域。 典型方法是直方图门限法和聚类法。 、 最简单而且应用最广的基于象素的技术就是直方图门限法1 2 9 1 。这种方法用 彩色直方图中相邻两个峰之间的谷作为门限来进行图像分割。直方图门限法是图 像分割中最简单的方法，故常应用于粗糙的图像分割中。目前一些图像和视频数 据库系统使用直方图门限法来进行图像和视频的复原。直方图门限法最主要的缺 点就是对自然景物的彩色图像进行分割的结果不能令人满意。 图像分割中另一种基于象素的技术是应用很广泛的聚类方法。基于聚类技术 的基本原理是将一幅彩色图像聚为直方图中的几簇，每一簇都对应着图像中的目 标。在进行聚类时，首先应得到图像中各点的颜色值，然后被分配到与之颜色最 相近的簇中去。通过聚类方法来进行图像分割存在以下问题：颜色空间中相邻 的簇类常常相互重叠引起象素的错误分类；当簇的总数量预先不知，采用聚类 的分割方法比一般方法更困难。另外也有可能景物中单一物体的表面因观察的几 何条件不同，而使得同一物体表面被分割成颜色空间中的不同种类。 也有把聚类和直方图门限法综合在一起的算法 3 0 l ，具体分为两步：第一步 是修改直方图门限法中的算法，修改内容包括对图像要被分割的区域计算c i e l a b 空间的主要分量轴，第二步是在彩色距离的基础上对象素进行再分类。 2 基于区域的技术 基于区域的分割技术能够直接将图像分割，使得它成为目前最流行的分割技 术之一。基于区域的技术主要依赖于图像中区域的连续性，一般包括区域生长、 分裂和聚合等技术。区域生长就是组合邻近的象素或者收集具有相似特征的象素 到一个更大的区域中去。分裂和聚合技术的思想是将整个图像分成若干个互不交 叠的图像块，对每块进行分割，然后根据块与块分割特征进行聚合，甚至可以一 开始把每一个象素看成一块即一簇，然后再不断聚合。基于区域的技术既考虑到 颜色空间中颜色的贡献，又考虑到与邻近象素之间的联系。 尽管区域生长技术一般是通过计算欧几里得空间距离来比较两个象素颜色 之间的差别，但是实验表明 3 1 ：在l a b 颜色空间中采用这种方法不比在其他颜 天津大学硕士学位论文第二章图像分割与合成研究现状 色空间中有明显的优势。在区域