圖像分割技術(shù)論文

圖像分割技術(shù)論文

　　圖像分割是圖像處理與計算機視覺的基本問題之一，是圖像處理圖像分析的關(guān)鍵步驟。小編整理了圖像分割技術(shù)論文，歡迎閱讀!

　　圖像分割技術(shù)論文篇一

　　圖像分割技術(shù)研究

　　摘要：圖像分割是圖像處理與計算機視覺的基本問題之一，是圖像處理圖像分析的關(guān)鍵步驟。本文介紹了基于閾值的分割方法和圖像分割的圖像分割性能的評價、應(yīng)用現(xiàn)狀;最后總結(jié)出圖像分割的發(fā)展趨勢。

　　關(guān)鍵詞：圖像分割、閾值、邊緣檢測、區(qū)域分割

　　中圖分類號： TN957.52 文獻標識碼： A

　　1引言

　　隨著圖像分割技術(shù)研究的深入，其應(yīng)用日趨廣泛。凡屬需要對圖像目標進行提取、測量的工作都離不開圖像分割。圖像分割是圖像處理、模式識別和人工智能等多個領(lǐng)域中一個十分重要且又十分困難的問題，是計算機視覺技術(shù)中首要的、重要的關(guān)鍵步驟。圖像分割結(jié)果的好壞直接影響對計算機視覺中的圖像理解?，F(xiàn)有的方法多是為特定應(yīng)用設(shè)計的，有很大的針對性和局限性，到目前為止還不存在一個通用的方法，也不存在一個判斷分割是否成功的客觀標準。因此，對圖像分割的研究目前還缺乏一個統(tǒng)一的理論體系，使得圖像分割的研究仍然是一個極富有挑戰(zhàn)性的課題。

　　2圖像分割方法

　　圖像分割(Image Segmentation)，簡單地說就是將一幅數(shù)字圖像分割成不同的區(qū)域，在同一區(qū)域內(nèi)具有在一定的準則下可認為是相同的性質(zhì)，如灰度、顏色、紋理等。而任何相鄰區(qū)域之間其性質(zhì)具有明顯的區(qū)別。

　　2.1基于灰度特征的閾值分割方法

　　閾值分割技術(shù)是經(jīng)典的、流行的圖象分割方法之一，它是用一個或幾個閾值將圖像的灰度級分為幾個部分，認為屬于同一個部分的像素是同一個物體。

　　這類方法主要包括以下幾種：

　　(1)單閾值法，用一個全局閾值區(qū)分背景和目標。當一幅圖像的直方圖具有明顯的雙峰時，選擇兩峰之間的谷底作為閾值。

　　(2)雙閾值法，用兩個閾值區(qū)分背景和目標。通過設(shè)置兩個閾值，以防單閾值設(shè)置閾值過高或過低，把目標像素誤歸為背景像素，或把背景像素誤歸為目標像素。

　　(3)多閾值法，當存在照明不均，突發(fā)噪聲等因素或背景灰度變化較大時，整幅圖像不存在合適的單一閾值，單一閾值不能兼顧圖像不同區(qū)域的具體情況，這時可將圖像分塊處理，對每一塊設(shè)一個閾值。

　　2.2 邊緣檢測分割法

　　基于邊緣檢測技術(shù)可以按照處理的順序分為并行邊緣檢測和串行邊緣檢測兩大類。常見的邊緣檢測方法有：差分法、模板匹配法及統(tǒng)計方法等。由于邊緣灰度變化規(guī)律一般體現(xiàn)為階梯狀或者脈沖狀。邊緣與差分值的關(guān)系可以歸納為兩種情況，其一是邊緣發(fā)生在差分最大值或者最小值處;其二是邊緣發(fā)生在過零處。

　　2.3基于區(qū)域的分割方法

　　基于區(qū)域的分割方法利用的是圖像的空間性質(zhì)。該方法認為分割出來的某一區(qū)域具有相似的性質(zhì)。常用的方法有區(qū)域生長法和區(qū)域分裂合并法。該類方法對含有復(fù)雜場景或自然景物等先驗知識不足的圖像進行分割，效果較好。

　　區(qū)域生長方法是把一幅圖像分成許多小區(qū)域開始的，這些初始的小區(qū)域可能是小的鄰域甚至是單個像素，在每個區(qū)域中，通過計算能反映一個物體內(nèi)像素一致性的特征，作為區(qū)域合并的判斷標準。區(qū)域合并的第一步是賦給每個區(qū)域一組參數(shù)，即特征。接下來對相鄰區(qū)域的所有邊界進行考查，如果給定邊界兩側(cè)的特征值差異明顯，那么這個邊界很強，反之則弱。強邊界允許繼續(xù)存在，而弱邊界被消除，相鄰區(qū)域被合并。沒有可以消除的弱邊界時，區(qū)域合并過程結(jié)束，圖像分割也就完成。

　　2.4結(jié)合特定工具的圖像分割技術(shù)

　　20世紀80年代末以來，隨著一些特殊理論的出現(xiàn)及其成熟，如數(shù)學(xué)形態(tài)學(xué)、分形理論、模糊數(shù)學(xué)、小波分析、模式識別、遺傳算法等，大量學(xué)者致力于將新的概念、新的方法用于圖像分割，有效地改善了分割效果。產(chǎn)生了不少新的分割算法。下面對這些算法做一些簡單的概括。

　　2.4.1基于數(shù)學(xué)形態(tài)學(xué)的分割算法

　　分水嶺算法是一種經(jīng)典的借鑒了數(shù)學(xué)形態(tài)理論的分割方法。該方法中，將一幅圖像比為一個具有不同高度值的地形，高灰度值處被認為是山脊，底灰度值處被認為是山谷，將一滴水從任一點流下，它會朝地勢底的地方流動，最終聚于某一局部最底點，最后所有的水滴會分聚在不同的吸引盆地，由此，相應(yīng)的圖像就被分割成若干部分。分水嶺算法具有運算簡單、性能優(yōu)良，能夠較好提取運動對象輪廓、準確得到運動物體邊緣的優(yōu)點。但分割時需要梯度信息，對噪聲較敏感。

　　2.4.2基于模糊數(shù)學(xué)的分割算法

　　目前，模糊技術(shù)在圖像分割中應(yīng)用的一個顯著特點就是它能和現(xiàn)有的許多圖像分割方法相結(jié)合，形成一系列的集成模糊分割技術(shù)，例如模糊聚類、模糊閾值、模糊邊緣檢測技術(shù)等。

　　這類方法主要有廣義模糊算子與模糊閾值法兩種分割算法。

　　(1)廣義模糊算子在廣義模糊集合的范圍內(nèi)對圖像處理，使真正的邊緣處于較低灰度級，但還有一些不是邊緣的像素點的灰度也在較低灰度級中，雖然算法的計算簡明，且邊緣細膩，但得到的邊緣圖會出現(xiàn)斷線問題。

　　(2)模糊閾值法引入灰度圖像的模糊數(shù)學(xué)描述，通過計算圖像的模糊熵來選取圖像的分割閾值，后用閾值法處理圖像得到邊界。

　　2.4.3基于遺傳算法的分割方法

　　此算法是受生物進化論思想提出的一種優(yōu)化問題的解決方法，它使用參數(shù)編碼集而不是參數(shù)本身，通過模擬進化，以適者生存的策略搜索函數(shù)的解空間，它是在點群中而不是在單點進行尋優(yōu)。遺傳算法在求解過程中使用隨機轉(zhuǎn)換規(guī)則而不是確定性規(guī)則來工作，它唯一需要的信息是適應(yīng)值，通過對群體進行簡單的復(fù)制、雜交、變異作用完成搜索過程。由于此法能進行能量函數(shù)全局最小優(yōu)化搜索，且可以降低搜索空間維數(shù)，降低算法對模板初始位置的敏感，計算時間也大為減少。其缺點是容易收斂于局部最優(yōu)。

　　2.4.4基于神經(jīng)網(wǎng)絡(luò)分割算法

　　人工神經(jīng)網(wǎng)絡(luò)具有自組織、自學(xué)習(xí)、自適應(yīng)的性能和非常強的非線性映射能力，適合解決背景知識不清楚、推理規(guī)則不明確和比較復(fù)雜的分類問題，因而也適合解決比較復(fù)雜的圖像分割問題。原則上講，大部分分割方法都可用 ANN(attificial neural network)實現(xiàn)。ANN 用于分割的研究起步較晚，只有多層前饋NN，多層誤差反傳(BP)NN，自組織NN，Hopfield NN以及滿足約束的NN(CSNN-Const raint Satisfaction Neurat Network)等得到了應(yīng)用。使用一個多層前向神經(jīng)網(wǎng)絡(luò)用于圖象分割，輸入層神經(jīng)元的數(shù)目取決于輸入特征數(shù)，而輸出層神經(jīng)元的數(shù)目等同于分類的數(shù)目。

　　2.5圖像分割中的其他方法

　　前面介紹了4大類圖像分割較常用的方法，有關(guān)圖像分割方法和文獻很多，新方法不斷產(chǎn)生，這些方法有的只對特定的情形有效，有的綜合了幾種方法，放在一起統(tǒng)稱為第5類。

　　(1)標號法(labeling)是一種基于統(tǒng)計學(xué)的方法，這種方法將圖像欲分割成的幾個區(qū)域各以一個不同的標號來表示，用一定的方式對圖像中的每一個像素賦以標號，標號相同的像素就合并成該標號所代表的區(qū)域。

　　(2)基于Snak模型的分割方法，基于Snake模型的分割是通過對能量函數(shù)的動態(tài)優(yōu)化來逼近圖像目標的真實輪廓的

　　(3)紋理分割，由于新的數(shù)學(xué)工具的引入，紋理分割技術(shù)取得了一些進展，張蓬等人將小波分析應(yīng)用于紋理基元提取。

　　(4)基于知識的圖像分割方法，直接建立在先驗知識的基礎(chǔ)上，使分割更符合實際圖像的特點。該方法的難度在于知識的正確合理的表示與利用。

　　3圖像分割性能的評價

　　圖像分割評價主要有兩個方面的內(nèi)容：一是研究各分割算法在不同情況下的表現(xiàn)，掌握如何選擇和控制其參數(shù)設(shè)置，以適應(yīng)不同需要。二是分析多個分割算法在分割同一圖像時的性能，比較優(yōu)劣，以便在實際應(yīng)用中選取合適的算法。分割評價方法分為分析法和實驗法兩大類。分析法是直接分析分割算法本身的原理及性能，而實驗法是通過對測試圖像的分割結(jié)果來評價算法的。兩種方法各有優(yōu)劣，由于缺乏可靠理論依據(jù)，并非所有分割算法都能夠通過分析法分析其性能。每種評價方法都是出于某種考慮而提出來的，不同的評價方法只能反映分割算法性能的某一性能。另一方面，每一種分割算法的性能是由多種因素決定的，因此，有可能需要多種準則來綜合評價。

　　4圖像分割技術(shù)的發(fā)展趨勢

　　隨著神經(jīng)網(wǎng)絡(luò)、遺傳算法、統(tǒng)計學(xué)理論、小波理論以及分形理論等在圖像分割中的廣泛應(yīng)用，圖像分割技術(shù)呈現(xiàn)出以下的發(fā)展趨勢：(1)多種特征的融合。(2)多種分割方法的結(jié)合。(3)新理論與新方法。

　　參考文獻

　　[1] [美]RC岡薩雷斯.數(shù)字圖像處理(第二版)[M].阮秋琦，等譯.北京：電子工業(yè)出版社，2003

　　[2] 章毓晉.圖像分割[M].北京：科學(xué)出版社，2001.

　　[3] 李弼程，彭天強，彭波等.智能圖像處理技術(shù)[M].北京：電子工業(yè)出版社，2004.

　　[4] 楊暉，曲秀杰.圖像分割方法綜述[J].電腦開發(fā)與應(yīng)用。2005，18(3)：21-23.

點擊下頁還有更多>>>圖像分割技術(shù)論文