【《图像分割算法概述》6100字】

图像分割算法概述目录TOC\o"1-3"\h\u16351图像分割算法概述 1311871.1基于阈值的分割方法 1303471.2基于区域的分割方法 2260071.3基于边缘的图像分割 3312451.4基于分水岭变换的分割算法 5图像分割是图像处理领域的关键一步，一般是基于图像中有不同的灰度、颜色以及纹理等特征将图像划分成互不相交的几个区域。不同的区域间特征不同，每个区域是若干个像素的集合，并包含一定的信息量。图像分割技术在图像分析与处理、目标识别等领域均有应用且必不可少，也可作为图像识别、场景解析、对象检测等任务的预处理过程，图像的分割主要有：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法、基于聚类的分割方法，基于深度学习的分割方法。1.1基于阈值的分割方法阈值的图像分割方法的基本思想是利用图像灰度特征来计算阈值，每一个像素都有其灰度值，将图像中不同像素的灰度值用阈值进行比较，找到使得图像背景和目标分离的灰度值，作为图像分割的阈值，使图像去掉冗余呈现出重要的信息。往往阈值分割后的输出图像只有两种灰度值：255和0，所以阈值分割处理又常称为图像的二值化处理，这是一种传统的图像分割方法，而它的优势就在于方法简单，运算速度快，是图像分割算法中比较经典的方法，也得到广泛的应用。该方法适用于图像中目标元素灰度和背景元素灰度差距较大的，图像中像素属于不同灰度级范围，所以对前景物体与背景有较强对比度的图像的分割特别有用。对于对比度很弱的图像进行阈值分割，需要先进行图像的对比度增强，然后再进行阈值处理。阈值分割法的核心是对阈值的选取，如果图像中只需要提取单个目标，则使用单阈值的方法即可，若要分离出图像中的多个目标，则需要用到多阈值分割法。比较常用的阈值图像分割技术有：最大间类方差法，也叫做Otsu算法、最大熵阈值分割算法、最小交叉熵阈值分割算法。最大类间方差法是在灰度图的基础上采用最小二乘法的原理推到出来的，该算法当前研究表明对阈值选择较好的。该算法将聚类思想结合进阈值分割里面，其分割理论为：假设一幅图像中只有两类像素，就是目标像素和背景像素，经过计算得到阈值，该阈值使得两类像素的的差异最大，即具有最大的分离性。这是统计鉴别分析中所用的测度。就其灰度值而言给出最好的类间分离的阈值就是最佳的阈值。这就是类间方差法。但是在传统的Otsu算法的计算相对复杂，要遍历到图像的所有灰度值，取其中使得适应度函数最大的阈值作为最佳阈值对图像进行分割，因为该算法没有考虑到图像的灰度级分布，只考虑像素对应的灰度值，导致了图像中灰度级较多时分割效果不好。后续的研究中对该算法进行了优化，利用了二维灰度直方图，考虑到了各个像素点邻近像素，可以看到同一灰度级中像素的个数。最大间类方差法分割原理是：设图像大小为，图像灰度级范围为,为图像灰度级的像素点数，灰度级出现的概率为：(2-1)设图像中像素分为两类，背景类和目标类。背景类像素用表示，目标类的像素用类表示，设灰度级为的像素点作为类，灰度级为的像素为类，则，表示类和类分别出现的概率，,表示类和类的平均灰度级，其表达是为：(2-2)(2-3)当类间方差达到最大时该灰度级为最优阈值，即阈值：(2-4)Otsu阈值分割方法更加适合于图像直方图呈现双峰的图像。对图像而言，一幅图像中包含最多灰度集合就是背景和目标两大类，双峰表示的就是两类差距较大的灰度集群，即背景和目标差距较大。可以采用两峰值之间的波谷部分取一个阈值，将两峰分离开，就可以使得图像中的目标和背景分离，得到需要的目标图像。就算法而言是在寻找到最佳阈值之后，以该阈值为分界点，将图像中的像素大于该阈值的部分设为255，小于该阈值的像素设为0，使得目标和背景图像分离，达到阈值分割的目的。1.2基于区域的分割方法基于区域的分割方法是以直接寻找区域为基础的分割技术，基于区域提取方法有两种基本形式：一种是单个像素考虑的区域生长，一步步合并成所需分割结果；另一种是从全局出发，逐步逐渐分裂或合并至所需分割结果。此法与阈值方法不同，这类方法不仅能考虑到图片中像素的相似性，并且在考虑到图片中临近像素之间在空间上具有临近性，所以可以消除单个噪声的影响，有很好的鲁棒性，而且在分裂合并的同时可以深入到图像的像素级别，使其分割精度大大提高。区域生长法1976年，Zucker提出了区域生长算法，该算法的核心思想是将某些具有相同特性的区域集合在一起构成新区域的算法，该算法更适合于图像中的目标区域具有连通性。区域生长算法会找一个种子像素作为生长的起点，对当前的搜索区域按照一定的策略进行扩展形成更大的区域集合，寻找邻域内与种子像素相像的像素合并到种子像素的集合，一直合并直到所有相似的种子像素合并完毕，就形成一个区域，由这个区域生长算法的特性可知该算法有三个重点组成，分别为：选择或确定一组能代表所需区域的种子像素、确定在生长过程中可以将相邻像素包含进来的准则、指定让生长过程停止的条件或规则。种子点的位置和生长准则对该算法的性能至关重要，若种子点选择较好，但是生长准则的范围过大，会造成过分割的现象，使得目标区域之外的部分被合并到目标区域，造成分割结果不准确，若种子位置选择较差，那么不管生长准则的阈值如设定也很难得到好的分割结果。区域生长算法的步骤：第一步：对图像的所有像素进行扫描，设发现的第一个没有归属的像素为；第二步：将找到的这个作为中心，检测以为中心的四个临近的像素，如果满足生长的准则，则将此像素与合并；第三步：从合并后的区域中再选择一个，回到第二步继续搜索；第四步：直到合并的区域为空时，回到第一步；第五步：不存在没有归属感的像素时结束。区域生长算法使得分割的结果具有空间上的紧密型，且算法计算简单、分割速度快更为适合于连通性强的医学图像的分割，该算法存在的种子位置难选取、对含有噪声图像分割效果较差、分割厚的图像出现连通性差的问题。分裂合并算法分裂合并算法是先从整个图像开始，经过不断的分裂无用信息最后得到各个所需区域，再将相邻、具有相似性的区域合并起来，得到分割效果图。这种方法没有选择种子点的步骤，但也有自身的缺陷。一方面，算法计算量大，程度复杂，分裂时可能会对边界造成破坏，另一方面该算法对于复杂图像的效果更好，对于简单图像并不适用。分裂阶段分裂是从整个图像开始，从图像的第0层开始分裂，若一个图像的规格是，则对该图像进行分解到第n层时得到的图像为单个像素，多次验证表明，从中间开始可以节约时间，但这种方式需要加入合并操作，分裂的过程先后与合并的先后并不是固定，也可以同时进行。区域邻接图形成为了完成相邻区域的合并，需要在分裂阶段完成后按照四叉树的结构，将图像区域转换成邻接图表示，区域邻接图应一个带权值的边将各个区域连接起来。若和分别表示图像中的最大灰度值和最小灰度值，则图像中相邻两个区域和的权值g为：(2-5)相邻区域合并相邻区域的合并准则是看连接边的权重，当任意区域可以相连的区域有多个的时候，就要选择出最优的区域进行合并，最优区域的选择标准至关重要，Willebeek-LeMair提出了一个最佳和并准则（BMC），该准则步骤如下：第一步：一个图像区域智能选择一个相邻的区域合并，该相邻的合并区域满足最优一致性测度准则，选取相邻区域中权重最小的区域，当满足条件的区域不止一个时，选则区域标志性最小的区域；第二步：合并区域的选择时相互的，只有两个区域都认为对方是最优合并区域的同时，这两个区域才能合并；第三步：在选择出区域最小的合区域之后，修改区域相邻关系，更新其区域连接图。1.3基于边缘的图像分割边缘提取和分割是图像分割的经典研究课题之一，边缘检测分割法是图像分割的重要途径，直到现在仍然在不断改进和发展。检测的图像中灰度变化大的地方，该地区并表示的是图像的边界区域，表示当前区域的结束以及下一个区域的开始，出现这种不连续的地方也成为图像的边缘，边缘检测就是根据不同的边界确定出不同区域，并对其进行分割。边缘出现的时候伴随着强烈变化，可以看出图像区域的不连续性，这种突变有很多，例如灰度的突变或者纹理的突变等。在图像边缘处可以检测出目标的形状轮廓，这些信息在图像分割是十分重要的信息，在检测出图像目标边界的时候，可以有效的提取出有用的信息，对于目标的边界结构起到了保留作用。对于图像来说，其在直方图中有峰值高窄、峰谷分明的特征，这类图像使用全局阈值分割的效果较好，但图像不可能都是此类，若图像中灰度分布混乱时，使用边缘算子对图像进行处理，可以增强边缘的特性，使得图像边缘突出，易于分割。对于一幅图像我们首先观察到的就是图像的边缘信息如图2-1所示：（a）理想边缘模型（b）斜坡边缘模型图2-1灰度级跳跃的边缘模型图2-1（a）理想的边缘模型可以看出有一个直角的梯度，图像中灰度的变化是由一个灰度跳变到另一个灰度，这样的图像边缘明显，可以使用全局阈值分割方法。图2-1（b）灰度变化中间经过了一段过度区间，所以图像灰度的呈现出斜坡的变化，对其边缘进行分析可知，图像的模糊边缘变宽，使得分割增加了难度，因此对于图2-1（b）可以采用边缘算子对其进行处理，突出边缘特性。常用于边缘处理算子包括以下几种：一阶导数的边缘算子常用的一阶导数的边缘算子有Roberts、Prewitt和Sobel。Roberts利用局部差分来寻找边缘信息，对于边缘陡峭的图像处理结果更好，但是对噪声敏感，因此更加适合用来分割边缘显著且没有噪声的图片；Prewitt算子是利用像素上下、左右的灰度差值，在边缘的地方采用极值进行检测，具有平滑噪声的作用，其原理是图像利用两个空间方向的模板与待处理图像做卷积获得，缺点是Prewitt算子的精度不如Roberts算子，但是其抗噪性能更好；Sobel算子是在Prewitt算子的基础熵改进得来的，其作用机理与Prewitt算子相差不大，但是该算子可以提供更为精确的边缘方向信息，但是存在定位精度不高的现象，因此根据具体的应用场景以及需求来选择合适的算子。二阶导数的边缘算子常用的二阶导数的边缘算子有Laplace和Kirsh算子等。Laplace算子是对图像及你想过二阶运算，建立的窗口，利用Laplace算子与窗口做卷积，求出与该算子相结合的影像，得到图像的边缘部分，该算子对于边缘定位问题熵能力较好，获得的图像具有更好的锐化效果，但是该算子对噪声敏感；Kirsh算子采用的是8个模板对图像及逆行卷积，用于确定图像中边缘位置的梯度值合幅度，其中8个模板中，每个模板代表特定的方向，对应着不同的方向上梯度变化，用以确定边缘的位置。其他边缘算子Canny算子是综合了几种不同方法的一个功能强大的算子，该算子的功能有滤波、增强、检测等几种功能，但是该方法处理起来计算复杂，该算子对噪声也较为有敏感，需要对图像进行去噪的操作，该算子有如下的实现步骤：第一步：对图像进行高斯滤波，用高斯函数与待处理的图像进行卷积操作用来消除噪声对分割的影响。第二步：利用Sobel算子的3x3的模板，对待分割图像进行进行边缘提取；第三步：在图像边缘的梯度方向上采用非极大值抑制的方式，来寻找局部梯度的最大值点，使用的具体方法是在像素p与沿着梯度方向上的两个像素的梯度进行比较，如果像素p的帝都幅度值大于另外两个像素值，则保留，否则令其为零；第四步：设置两个阈值来定位图像的边缘，Canny算子采用双阈值的形式进行分割，选取高、低不同的两个阈值，一般是采用编列的形式对所有的像素进行测定，最后得出所需的高、低阈值，采用选取的高、低阈值对图像进行分割，分割的依据是大于高阈值的部分算作图像的边缘，在高阈值和低阈值之间的部分要看其邻域像素中是否大于高于阈值，对于邻域像素中大于高阈值的部分将其看作为图像边缘，邻域部分像素低于高阈值则不是边缘，对于像素中低于低阈值的部分一定不是边缘。1.4基于分水岭变换的分割算法分水岭算法是C.Digabel和H.Lantuejoul引入到图像分割中，是基于拓扑理论的数学形态学的一种图像分割方法，它将图像中的灰度值看作拓扑地貌，图像中的像素值代表该像素点的海拔高度，像素中的极小值以及其临近区域成为集水盆，在集水盆的边界地区成为分水岭，分水岭通过浸透的过程来形成，在极小值表面刺出一个孔洞，将整个拓扑模型浸入水中，浸透加深的情况下极小值的影响逐渐扩展，在两个集水盆处慢慢形成一个堤坝，形成分水岭。分水岭算法是一种图像区域分割法，临近像素的相似性对这个算法来说是非常重要的因素，将在空间位置上相近的像素连接起来，使其构成一个封闭的轮廓，分水岭算法的重要特征是封闭性，该算法分为排序过程和淹没过程，首先对图像中所有的像素进行排序，然后从低到高来进行淹没。分水岭算法是找到图像的极大值点，为了将图像的边缘信息计算在内，通常先求处输入图像的梯度图像。分水岭算法对于边缘微弱的图像分割效果良好，对于噪声以及物体表面的灰度变化较为敏感，容易造成过度分割的现象。后来Maheron和Serra将数学形态学技术应用于二值图像分割，图像中的灰度值对应了山体的海拔高度，使得分水岭算法的复杂性提高，分割效果也得到改善，Meyer和Beucher提出了将标记值作为算法初始值，试得这一算法被用作图像处理领域，后来Vincent和Soille提出通过模拟浸没实现了分水岭算法，随着发展，通过改变原来分水岭算法的结构提高了算法的灵活性。使用梯度的分水岭图像分割先用梯度对图像进行预处理得到梯度幅度图像，该图像沿着物体的边缘部分有较高的像素值，梯度图像可以更好反应下像素的变化形式，而其他的地方像素值相对较低，较为力想的情况就是分水岭算法得到沿着物体边缘的曲线。梯度变换和分水岭变换的图像分割过程为：第一步：使用rgb2gray将图像变为灰度图像；第二步：对该灰度图像进行腐蚀、膨胀的操作，然后将其变为梯度图像,计算其形态学梯度；第三步:对其进行分水岭分割。控制标记符的分水岭分割第一步：形态学重构。基于开运算和闭运算重构的组合