【《传统的图像分割技术概述综述》3700字】

传统的图像分割技术概述目录TOC\o"1-3"\h\u16538传统的图像分割技术概述 1275411.1阈值的分割方法 1221491.2基于区域的分割方法 2129951.3基于边缘检测的分割方法 3258041.4基于聚类的分割方法 4247261.5基于图论的分割方法 5176561.6基于活动轮廓模型的分割方法 6图像分割具有基于阈值的分割方法、基于区域的分割方法、基于边缘检测的分割方法、基于聚类的分割方法、基于图论的分割方法等众多传统的基本算法，以下将详细介绍几种传统方法。1.1阈值的分割方法阈值分割的基本思想是基于一幅灰度图像的灰度特征来计算一个或者多个灰度阈值，并将图像中每个像素的灰度值阈值作比较，最后将像素根据比较结果分到合适的类别中。因此，该方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。此方法特别适用于目标和背景占据不同灰度级范围的图。图像若只有目标和背景两大类，则只需要选取一个阈值进行分割，此方法为单阈值分割；但是如果图像中有多个需要提取的目标，则需要选取多个阈值将每个目标分割开来，这种分割方法为多阈值分割。阈值法是图像分割中一种比较简单的图像分割方法，有全局、局部两种分割方法。全局阈值是对整幅图像进行阈值选取，所以只适合于噪声小，像素分布也均匀的图像。而局部阈值的实质是将图像划分为不同的子图，再分别对子图进行阈值选取，因此适用于像素分布不均匀的图像，但同时会导致速度慢，不能满足实时性需求[16]。阈值分割方法的优缺点：阈值分割方法具有计算简单，更容易实现且效率较高的优点，但是同时阈值分割方法只考虑像素点本身灰度值的特征，不考虑整体的空间特征，因此相应具有易受噪声干扰的影响，鲁棒性不高的缺点，阈值分割算法能否实现高质量的分割效果，关键在于阈值的选择，若将智能遗传算法应用于阈值筛选的过程中，找到最优的分割阈值，能够大大提升阈值分割算法的分割精度。基于阈值分割算法的分割效果图如图2-1所示。(a)原图(b)全局迭代阈值分割(c)全局阈值Otsu分割(d)局部阈值分割图2-1基于阈值算法的分割结果1.2基于区域的分割方法基于区域的图像分割方法是一种以寻找区域为基础的分割技术，具有单像素出发与全局像素出发的两种形式，单像素出发是将多个区域合并得到所需区域，全局像素出发是逐步进行切割，得到所需的区域。基于区域的图像分割方法分为区域生长、区域合并分裂以及分水岭算法三种分割方法[17]。(1)种子的区域生长法种子的区域生长法是以种子像素点开始，向邻近区域不断扩展并将邻域内相似的种子像素进行合并，将合并后的像素作为新的种子像素，继续向其他邻域进行扩展，直到找不到相似的种子像素，则扩展停止。实现这个方法的关键为首先要确定一组所需区域的种子像素，确定种子如何向附近区域扩展的方式，并且指定好扩展停止的条件和规则。区域生长的方法原理简单，并且能很好的获取一幅图像的边缘信息，但是同时也具有计算代价大，噪声和灰度不均匀，对图像中的阴影效果往往不是很好，也很容易过分割的缺点。(2)区域合并分裂区域合并分裂的方法，与种子的区域生长法相反，区域生长是一个从单个像素出发，但是区域合并分裂的方法是整个图像进行出发，根据不同的像素大小将图像分裂成为各个子区域，再通过给定原则将各个相似的子区域进行合并，最终得到所需区域。四叉树就是区域合并分裂方法的一个实例，将一个区域按照设定条件划为互不干涉的四个区域，将每两个相邻的区域进行条件分析，达到合并条件则合并，反之则不合并，直到每两个相邻的区域都不可进行合并，且各自都不符合分裂条件，则终止。区域合并分裂的方法更加适用于一幅复杂的图像，具有很好的分割效果，但是同时由于它的算法复杂，计算时间更长且每次分裂可能导致区域信息的损坏与丢失。(3)分水岭算法分水岭算法，又称为基于拓扑理论的数学形态分割方法，Vincent和Soille[18]于1991年提出了此算法，此算法把一幅图像看作是地理中的地势地貌，图像中每一个点的灰度值则对应地势地貌途中的海拔高度，将每一个布局中的最凹点作为局部极小值，对其区域进行注水，注水过程中将此区域不断增大，在增大至极小值时，继续注水，水将漫过此区域，将溢出此区域的边界称为分水岭，不同区域的此过程将形成全图的分水岭。此算法计算速度快，并且对于边缘较为微弱的图像有很好的分割效果，但是此算法易受噪声的影响，且图像表面的变化非常容易产生过分割的现象。总体来说，每一种基于区域的图像分割算法，都存在易受噪声干扰的缺点，并且容易产生过分割的现象。基于区域的图像分割效果图如图2-2所示。(a)原图(b)区域生长法结果(c)分裂合并算法结果(d)分水岭算法分割结果图2-2基于区域算法的分割结果1.3基于边缘检测的分割方法基于边缘检测的算法，实际就是通过比较像素点的灰度值来进行分割，如果一个区域的像素点的灰度值与相邻区域内像素点的灰度值差异较大，则这个区域中的点就被认定为图像的边缘点，将这些检测出来的边缘点进行连接，则就形成了一个边缘检测的区域，图像也因此被分成了不同的区域。通常的边缘检测分割方法可以分为串行边缘检测方法与并行边缘检测方法[19]。串行边缘检测法可以检测出相应边缘，将寻找到的边缘点进行连接，完成图像边缘的检测。并行边缘检测中，可以根据单个像素点对单个图像进行检测，可以借助空域微分算子，用其模板与图像进行卷积，实现分割。有几种常用的微分检测算子，如Sobel算子、Roberts算子、Prewitt算子、Log算子及Canny算子等，根据不同微分检测算子对一幅图像进行分割。边缘检测算法定位准确并且运行速度快，但是在其使用过程中，相对复杂的图像会出现灰度不连贯等现象，边缘检测算法是将检测到的点连接起来形成边缘区域，分割意义并不完整，需要配合很多其他的算法才能更好的将边缘区域分割出来。引入几种微分检测算子的并行边缘检测算法分割效果如图2-3所示。(a)原图(b)roberts算子(c)prewitt算子(d)sobel算子(e)log算子(e)canny算子图2-3微分检测算子的并行边缘检测分割结果1.4基于聚类的分割方法基于聚类的图像分割方法，顾名思义就是将图像中的像素分为不同的等级，不同的类别和区域[18]。聚类分割技术在图像分割领域内也有很多研究，包括Mean-Shift聚类、基于密度的聚类方法DBSCAN、EM聚类、层次聚类及K-means聚类等等，在图像分割领域，更多使用K-means聚类方法进行研究，此处将以K-means聚类方法为例，对聚类的图像分割方法进行研究。K-means聚类方法的具体步骤如下[20]：(1)确定整个算法的簇的个数，通过个数将图像分为几个聚类，并且随机选取每个聚类的质心，但是这些随机选择的质心并不是真正意义上的质心。(2)采用欧氏距离计算其他数据点与选取质心的相异度，通过计算出的相异度，与所选择质心的相异度进行比较，将相异度较低的数据点归类于此质心所在的聚类，初期聚类完成。(3)根据初期聚类的结果，重新计算每个聚类的质心。(4)对于重新计算后的质心，再进行第二步的处理，重新进行聚类。(5)重复聚类步骤，直到每个聚类中的质心基本不再发生变化时，最终的聚类结束。K-means聚类方法速度较快，且计算复杂度较低，但是由于K-means算法的第一步是随机选取一个点作为质心，这种选择太过随机，很可能选出差异较大的点，不利于后续步骤的进行。利用k-means聚类方法的图像分割结果如图2-4所示。(a)原图(b)k-means聚类结果图图2-4基于k-means聚类方法的分割结果1.5基于图论的分割方法图像由众多像素点共同组成，与图之间具有良好的对应关系，基于图论的分割方法也因此将问题转化为了对图的划分，将图像输入后，映射为一幅完整的图，对具体的分割目的设计出一个分割准则，并通过构造求解相应的目标函数最终归类划分出的图，输出分割结果。基于图论的分割方法有GraphCut、GrabCut、OneCut及Randomwalk等，以下将对GraphCut算法为例，描述基于图论的分割方法。GraphCut算法引入了最小割问题，GraphCut与普通图不同，它有两种顶点与两种边，在由一种顶点和一种边共同组成的普通图的基础上，新增了两个终端顶点，这两个终端顶点分别用符号“S”和“T”表示，其余的顶点都需要和这两个终端顶点进行连接，形成集合中的一部分，其中的两种顶点分别为普通顶点和终端顶点，两种边分别为普通顶点之间的边n-links与普通顶点连接终端顶点的边t-links。一个原始图像及其对应的S-T图如图2-5所示，其中，实线表示连接普通顶点之间的边n-links，虚线表示普通顶点连接终端顶点的边t-links。图2-5一幅原始图像对应的S-T图若对图像中的边进行断开，则S-T图也会随之分开，这就称为割的过程，将最小割的问题引入GraphCut算法，是为了找到一个所有边的权值最小的结果，这种结果便是最小割，最小割可以令整个算法的能量损失函数最小，于是寻求最小割分割图的过程也可转为寻求最小能量损失函数的求最小值问题[21]。1.6基于活动轮廓模型的分割方法基于活动轮廓模型的分割方法，是一种更加灵活且创新的图像分割方法，其原理是设定一个曲线并通过图像数据得出的能量函数来进行变化，慢慢逼近目标区域，最终将所需的目标边缘包围，实现图像的分割[22]。一些经典的活动轮廓模型包括GAC模型、M-S模型、C-V模型、LBF模型以及Snake模型，其中的Snake模型是一个可成功用于图像分割的经典模型，它对应的是一个能量极小化函数的求解问题，同时存在两个因素控制着曲线的转变，曲线自身的因素控制曲线的形状，曲线以外图像的因素控制曲线寻找目标区域的路径，这种模型无需复杂的预处理，并且无需大量采点