【文章內(nèi)容簡(jiǎn)介】 .......................................................................................... 61 太原理工大學(xué)畢業(yè)設(shè)計(jì) 圖像分割的方法及應(yīng)用 1 第 1章 緒 論 本章對(duì)論文涉及的研究領(lǐng)域進(jìn)行了較為詳細(xì)的綜述。簡(jiǎn)要介紹了圖像分割的研究背景和意義，給出了圖像分割的基本方法及步驟。在對(duì)圖像分割問(wèn)題的起源、發(fā)展和研究現(xiàn)狀進(jìn)行簡(jiǎn)要綜述的基礎(chǔ)上，介紹了該領(lǐng)域當(dāng)前的研究熱點(diǎn)及論文的主要研究?jī)?nèi)容 。 選題意義 圖像分割是從上世紀(jì) 60 年代開始被人們所研究的， 它是由圖像處理到圖像分析的關(guān)鍵步驟 ，多年來(lái)一直被廣泛關(guān)注。圖像分割可定義為將數(shù)字圖像分割成互不相交區(qū)域的過(guò)程。在計(jì)算機(jī)視覺理論中，圖像分割、特征提取與目標(biāo)識(shí)別構(gòu)成了有低層到高層的三大任務(wù)。圖像分割是一項(xiàng)基礎(chǔ)而長(zhǎng)久的研究領(lǐng)域，其結(jié)果好壞直接影響計(jì)算機(jī)視覺工程各環(huán)節(jié)。 圖像分割的應(yīng)用非常廣泛，幾乎出現(xiàn)在有關(guān)圖像處理的所有領(lǐng)域并涉及各種類型。圖像分割的目的是把圖像劃分成若干互不相交的區(qū)域，使各區(qū)域具有一致性，而相鄰區(qū)域間的屬性特征有明顯的差別。當(dāng)人觀察景 物時(shí)，在視覺系統(tǒng)中對(duì)景物進(jìn)行分割的過(guò)程是必不可少的。人所觀察理解的并不僅僅是一個(gè)復(fù)雜的景物，而更是由多個(gè)內(nèi)容組成的集合體。但是在由像元陣列構(gòu)成的數(shù)字圖像中，不同圖像內(nèi)容占據(jù)不同的連通像元集合，圖像分割的任務(wù)是將整個(gè)圖像分離成代表不同圖像內(nèi)容的像元集合的過(guò)程。盡管圖像分割的任務(wù)在人類視覺感受中很難找到對(duì)照，但在數(shù)字圖像處理和分析中它卻是一個(gè)非常重要且艱巨的任務(wù)。 圖像分割作為前沿學(xué)科充滿了挑戰(zhàn)，吸引了眾多學(xué)者從事這一領(lǐng)域研究。圖像處理技術(shù)在航空航天、生物醫(yī)學(xué)工程、工業(yè)檢測(cè)、機(jī)器人視覺、公安司法、軍事制導(dǎo)、文化藝術(shù)、地理測(cè)繪等領(lǐng)域受到廣泛重視，并取得了重大的開拓性成就，使圖像處理成為一門引人注目、前景遠(yuǎn)大的新型學(xué)科。 圖像分割技術(shù)的現(xiàn)狀和發(fā)展情況 圖像分割算法的研究已有幾十年的歷史，一直以來(lái)都受到人們的高度重視。關(guān)于圖像分割的原理和方法國(guó)內(nèi)外已有不少的論文發(fā)表，但一直以來(lái)沒有一種分割方法適用于所有圖像分割處理。傳統(tǒng)的圖像分割方法存在著不足，不能滿足人們的要求，為進(jìn)一步的圖像分析和理解帶來(lái)了困難。隨著計(jì)算機(jī)技術(shù)的迅猛發(fā)展，及其相關(guān)技術(shù)的發(fā)展和成熟，結(jié)合圖像增強(qiáng)等技術(shù)，能夠在計(jì)算機(jī)上實(shí)現(xiàn)圖像分割處理。 其中最主要的技 術(shù)是圖像分割技術(shù)， 從圖像中將某個(gè)特定區(qū)域與其它部分進(jìn)行分離并提取出來(lái)的處理 。圖像分割的方法有許多種，有閾值分割方法，邊界分割方法，區(qū)域提取方法，結(jié)合特定理論工具的分割方法等。早在 1965年就有人提出檢測(cè)邊緣算子，邊緣檢測(cè)已產(chǎn)生不少經(jīng)典算法。越來(lái)越多的學(xué)者開始將數(shù)學(xué)形態(tài)學(xué)、模糊理論、遺傳算法理論、分形理論和小波變換理論等研究成果運(yùn)用到圖像分割中，產(chǎn)生了結(jié)合特定數(shù)學(xué)方法和針對(duì)特殊圖像分割的先進(jìn)圖像分割技術(shù)。尤其是近年來(lái)迅速發(fā)展起來(lái)的小波理論為圖像處理帶來(lái)了新的理論和方法。小波變換具有良好局部特性，當(dāng)小波函數(shù)尺度 較大時(shí)，太原理工大學(xué)畢業(yè)設(shè)計(jì) 圖像分割的方法及應(yīng)用 2 抗噪聲的能力強(qiáng)，當(dāng)小波函數(shù)尺度較小時(shí)，提取圖像細(xì)節(jié)的能力強(qiáng)，這樣就可以很好地解決抑制噪聲和提取圖像邊緣細(xì)節(jié)之間的矛盾。 圖像分割作為前沿學(xué)科充滿了挑戰(zhàn)，吸引了眾多學(xué)者從事這一領(lǐng)域研究。傳統(tǒng)的圖像分割方法包括基于區(qū)域的，基于邊緣的和兩者結(jié)合的圖像分割方法 。 近年來(lái)，隨著各學(xué)科許多新理論和新方法的提出，人們也提出了許多結(jié)合一些特定理論、方法和工具的圖像分割技術(shù) 。 由于圖像分割技術(shù)至今尚無(wú)通用的自 身理論，所以每當(dāng)有新的數(shù)學(xué)工具或方法提出來(lái)，人們就嘗試著將其用于圖像分割，因而提出了不少特殊的算法 ： 1） 基于 數(shù)學(xué)形態(tài)學(xué)的圖像分割方法。 數(shù)學(xué)形態(tài)學(xué)是由法國(guó)數(shù)學(xué)家 Mathern Serra 1964年創(chuàng)立并在此后多年里得到不斷豐富和完善 ． 1982年 Serra 問(wèn)世標(biāo)志著數(shù)學(xué)形態(tài)學(xué)開始在圖像處理、模式識(shí)別和計(jì)算機(jī)視覺等領(lǐng)域得到長(zhǎng)足的發(fā)展 。 2022年， Parvati 法，用來(lái)對(duì)彩色圖像、灰度醫(yī)學(xué)圖像和航空?qǐng)D像等進(jìn)行分割 。 2） 基于模糊理論的圖像分割方法。 模糊集與系統(tǒng)理論是近年來(lái)在工程技術(shù)領(lǐng)域中十分活躍的數(shù)學(xué)分支之一，可以有效地解決模式識(shí)別中 不同層次的由于信息不全面、不準(zhǔn)確、含糊、矛盾等造成的內(nèi)在不確定性問(wèn)題，己經(jīng)成為圖像分割的重要數(shù)學(xué)工具 。 2022年， Masooleh等提出一種的改進(jìn)模糊算法，使用粒子群優(yōu)化方法來(lái)優(yōu)化模糊系統(tǒng)，并用于彩色圖像分類和分割，具有最少的規(guī)則和最小的錯(cuò)誤識(shí)別率 。 3） 基于神經(jīng)網(wǎng)絡(luò)的圖像分割方法。 20世紀(jì) 80年代后期，受到人工智能發(fā)展的影響，出現(xiàn)了基于神經(jīng)網(wǎng)絡(luò)的的圖像分割技術(shù) 。 2022年， Berg 。 4） 基于支持向量機(jī)的圖像分割方法。 近年來(lái)，建立在統(tǒng)計(jì)學(xué)習(xí)理論的 VC維理論 和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的支持向量機(jī)（ Support Vector Machine,SVM）方法表現(xiàn)出很多優(yōu)于已有方法的性能，基于支持向量機(jī)的圖像分割方法引起研究人員的注意和研究興趣 。 支持向量機(jī)方法已經(jīng)被看作是對(duì)傳統(tǒng)學(xué)習(xí)方法的一個(gè)好的替代，特別在小樣本、高維非線性情況下，具有較好的泛化性能。應(yīng)用 SVM分割圖像時(shí)，由于輸入向量通過(guò)非線性映射映射到高維特征空間的分布結(jié)構(gòu)由核函數(shù)決定，同時(shí)，最優(yōu)超平面與最近的訓(xùn)練樣本之間的最大距離和最小分類誤差通過(guò)懲罰因子 Ｃ 進(jìn)行折衷，因此，核函數(shù)設(shè)計(jì)與懲罰因子 Ｃ 的選擇將直接影響 到圖像分割效果。目前常用的核函數(shù)有：線性核、多項(xiàng)式核以及高斯徑向核等 。 2022年，魏鴻磊等提出了一種采用支持向量機(jī)分類的指紋圖像分割方法 。 2022年， Liu等提出了一種使用支持向量機(jī)的多尺度 SAR圖像分割方法 。 5） 基于圖論的圖像分割方法。 基于圖論的圖像分割技術(shù)是近年來(lái)國(guó)際上圖像分割領(lǐng)域的一個(gè)新的研究熱點(diǎn) 。 該方法將圖像映射為帶權(quán)無(wú)向圖，把像素視作節(jié)點(diǎn)，利用最小剪切準(zhǔn)則得到圖像的最佳分割 。 該方法本質(zhì)上將圖像分割問(wèn)題轉(zhuǎn)化為最優(yōu)化問(wèn)題，是一種點(diǎn)對(duì)聚類方法，對(duì)數(shù)據(jù)聚類也具有很好的應(yīng)用前景 。 2022年， Pavan等提出一種新的用于圖像分割的圖論聚類理論框架 。 2022年， Bilodeau 。 太原理工大學(xué)畢業(yè)設(shè)計(jì) 圖像分割的方法及應(yīng)用 3 6）基于免疫算法的圖像分割方法。 人工免疫系統(tǒng)（ Artificial Immune System,AIS）是模仿自然免疫系統(tǒng)功能的一種智能方法，它實(shí)現(xiàn)一種受生物免疫系統(tǒng)啟發(fā)，通過(guò)學(xué)習(xí)外界物質(zhì)的自然防御機(jī)理的學(xué)習(xí)技術(shù)，提供噪聲忍耐、無(wú)教師學(xué)習(xí)、自組織、記憶等進(jìn)化學(xué)習(xí)機(jī)理，結(jié)合了分類器、神經(jīng)網(wǎng)絡(luò)和機(jī)器推理等系統(tǒng)的一些優(yōu)點(diǎn)，因此具有提供新穎的解決問(wèn)題的潛力 。 2022年， Huang等提出一種用于 非監(jiān)督圖像分割的核聚類人工免疫網(wǎng)絡(luò)，該網(wǎng)絡(luò)的設(shè)計(jì)受啟發(fā)于人工免疫網(wǎng)絡(luò)和支持向量域描述的思想 。 7）基于粒度計(jì)算理論的圖像分割方法。 粒度計(jì)算（ Granular Computing,GrC）是信息處理的一種新的概念和計(jì)算范式，覆蓋了所有有關(guān)粒度的理論、方法、技術(shù)和工具的研究，主要用于處理不精確的、模糊的、不完整的及海量的信息，業(yè)已成為人工智能、軟計(jì)算和控制科學(xué)等領(lǐng)域的研究熱點(diǎn)之一。 2022年，史忠植等提出了面向相容粒度空間模型的圖像分割方法 。 相容粒度空間模型的基本思想來(lái)源于模擬人在特定任務(wù)下對(duì)資源進(jìn)行粒度化生 成粒度空間從而輔助問(wèn)題求解的能力 。 當(dāng)前，圖像分割已成為圖像理解領(lǐng)域關(guān)注的一個(gè)熱點(diǎn) 。 未來(lái)的發(fā)展需要研究者借鑒數(shù)學(xué)、統(tǒng)計(jì)學(xué)、神經(jīng)學(xué)、認(rèn)知心理學(xué)、計(jì)算機(jī)科學(xué)等領(lǐng)域的成果及其綜合運(yùn)用，不斷引入新的理論和方法 。 過(guò)去幾年，研究人員不斷將相關(guān)領(lǐng)域出現(xiàn)的新理論和新方法應(yīng)用到圖像分割中，雖然取得了一定的效果，但仍未出現(xiàn)一種令人滿意的高效的通用的方法 ． 其主要原因是人類對(duì)視覺系統(tǒng)還沒有充分的認(rèn)識(shí)，已有的模型只是從功能上來(lái)模擬，而不是從結(jié)構(gòu)上來(lái)實(shí)現(xiàn) 。 作者下一步的研究方向是進(jìn)一步研究視覺認(rèn)知的原理，結(jié)合智能科學(xué)的最新理論，對(duì)圖像分 割作更深一步的研究 。 圖像分割主要研究方法 圖像分割是圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，自 20世紀(jì) 70年代起一直受到人們的高度重視，至今已提出了上千種各種類型的分割算法，現(xiàn)提出的分割算法大都是針對(duì)具體問(wèn)題的，并沒有一種適合于所有圖像的通用分割算法，而且近年來(lái)每年都有上百篇相關(guān)研究報(bào)道發(fā)表。然而，還沒有制定出選擇合適分割算法的標(biāo)準(zhǔn)，這給圖像分割技術(shù)的應(yīng)用帶來(lái)許多實(shí)際問(wèn)題。因此，對(duì)圖像分割的研究還在不斷深入之中，是目前圖像處理中研究的熱點(diǎn)之一。 圖像分割在圖像工程中的位置它起著承上啟下的作用，可以認(rèn)為是介于低層次處理和 高層次處理的中間層間。最近幾年又出現(xiàn)了許多新思路、新方法、或改進(jìn)算法。下面對(duì)一些經(jīng)典傳統(tǒng)方法作簡(jiǎn)要的概述。 多年來(lái)人們對(duì)圖像分割提出了不同的解釋和表述，借助集合概念對(duì)圖像分割可給出如下定義： 令集合 R 代表整個(gè)圖像區(qū)域，對(duì) R 的圖像分割可以看做是將 R 分成 N 個(gè)滿足以下條件的非空子集 R1， R2， R3， ? ， RN； （ 1） 在分割結(jié)果中，每個(gè)區(qū)域的像素有著相同的特性 ； （ 2） 在分割結(jié)果中，不同子區(qū)域具有不同的特性，并且它們沒有公共 特 性 ； （ 3） 分割的所有子區(qū)域的并集就是原來(lái)的圖像 ； （ 4） 各個(gè)子集是連通的區(qū)域 ； 太原理工大學(xué)畢業(yè)設(shè)計(jì) 圖像分割的方法及應(yīng)用 4 圖像分割是 把圖像分割成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過(guò)程，這些特性可以是像素的灰度、顏色、紋理等提取的目標(biāo)可以是對(duì)應(yīng)的單個(gè)區(qū)域，也可以是對(duì)應(yīng)的多個(gè)區(qū)域。圖像分割方法有許多種分類方式，在這里將分割方法概括為四類： (1)邊緣檢測(cè)方法 (2)區(qū)域提取方法 (3)閾值分割方法 (4)結(jié)合特定理論工具的分割方法。下面就這些方法展開介紹。 邊緣檢測(cè)法 圖像分析和理解的第一步常常是邊緣檢測(cè)。邊緣檢測(cè)方法是人們研究得比較多的一種方法，它通過(guò)檢測(cè)圖像中不同區(qū)域的邊緣來(lái)達(dá)到分割圖像的目的。 邊緣檢測(cè)的實(shí)質(zhì)是采用某種算 法來(lái)提取出圖像中對(duì)象與背景問(wèn)的交界線。我們將邊緣定義為圖像中灰度發(fā)生急劇變化的區(qū)域邊界。圖像灰度的變化情況可以用圖像灰度分布的梯度來(lái)反映，因此我們可以用局部圖像微分技術(shù)來(lái)獲得邊緣檢測(cè)算子。經(jīng)典的邊緣檢測(cè)方法，是通過(guò)對(duì)原始圖像中像素的某小鄰域構(gòu)造邊緣檢測(cè)算子來(lái)達(dá)到檢測(cè)邊緣這一目的。 區(qū)域提取法 區(qū)域提取法有兩種基本形式：一種是從單個(gè)像素出發(fā)，逐漸合并以形成所需的分割區(qū)域；另一種是從全圖出發(fā)，逐漸分裂切割至所需的分割區(qū)域。在實(shí)際中使用的通常是這兩種基本形式的結(jié)合。根據(jù)以上兩種基本形式，區(qū)域提取法可以分為區(qū)域生長(zhǎng) 法和分裂合并法。區(qū)域生長(zhǎng)法的基本思想是將具有相似性質(zhì)的像素合起來(lái)構(gòu)成區(qū)域，具體做法是先給定圖像中要分割的目標(biāo)物體內(nèi)的一個(gè)小塊或者說(shuō)種子區(qū)域，再在種子區(qū)域的基礎(chǔ)上不斷將其周圍的像素點(diǎn)以一定的規(guī)則加入其中，達(dá)到最終將代表該物體的所有像素點(diǎn)結(jié)合成一個(gè)區(qū)域的目的。該方法的關(guān)鍵是要選擇合適的生長(zhǎng)或相似準(zhǔn)則。生長(zhǎng)準(zhǔn)則一般可分為三種：基于區(qū)域灰度差準(zhǔn)則、基于區(qū)域內(nèi)灰度分布統(tǒng)計(jì)性質(zhì)準(zhǔn)則和基于區(qū)域形狀準(zhǔn)則。分裂合并法是先將圖像分割成很多的一致性較強(qiáng)的小區(qū)域，再按一定的規(guī)則將小區(qū)域融合成大區(qū)域，達(dá)到分割圖像的目的。區(qū)域提取法的 缺點(diǎn)是往往會(huì)造成過(guò)度分割，即將圖像分割成過(guò)多的區(qū)域，因此近年來(lái)針對(duì)這種方法的研究較少。 閾值分割法 對(duì)灰度圖像的取閾值分割就是先確定一個(gè)處于圖像灰度取值范圍之中的灰度閾值，然后將圖像中各個(gè)像素的灰度值都與這個(gè)閾值相比較，并根據(jù)比較結(jié)果將對(duì)應(yīng)的像素分為兩類。這兩類像素一般分屬圖像的兩類區(qū)域，從而達(dá)到分割的目的。閾值分割算法主要有兩個(gè)步驟： （ 1）確定需要的閾值； （ 2）將分割閾值與像素值比較以劃分像素。 可以看出，確定一個(gè)最優(yōu)閾值是分割的關(guān)鍵?，F(xiàn)有的大部分算法都是集中在閾值確定的研究上。閾值分割方法根據(jù)圖像 本身的特點(diǎn)，可分為單閾值分割方法和多閾值分割方法：也可分為基于像素值的閾值分割方法、基于區(qū)域性質(zhì)的閾值分割方法和基于坐標(biāo)位置的閾值分割方法．若考慮分割算法所用的特征或準(zhǔn)則的特點(diǎn)，還可以分為直方圖與太原理工大學(xué)畢業(yè)設(shè)計(jì) 圖像分割的方法及應(yīng)用 5 直方圖變換法、最大類空間方差法、最小誤差法與均勻化誤差法、共生矩陣法、最大熵法、簡(jiǎn)單統(tǒng)計(jì)法與局部特性法、概率松弛法、模糊集法等。 結(jié)合特定理論工具的分割方法 近年來(lái)，隨著各學(xué)科許多新理論和方法的提出，人們也提出了許多結(jié)合特定理論工具的分割方法，例如基于數(shù)學(xué)形態(tài)學(xué)的分割方法，基于神經(jīng)網(wǎng)絡(luò)的分割方法，基于信息論的分割方 法，基于模糊集合和邏輯的分割方法，基于小波分析和變換的分割方法，基于遺傳算法的分割方法等?；谛〔ǚ治龊妥儞Q的分割方法是借助新出現(xiàn)的數(shù)學(xué)工具小波變換來(lái)分割圖像的一種方法，也是現(xiàn)在非常新的一種方法。小波變換是一種多尺度多通道分析工具，比較適合對(duì)圖像進(jìn)行多尺度的邊緣檢測(cè)，例如可利用高斯函數(shù)的一階和二階導(dǎo)數(shù)作為小波函數(shù)，利用 Matlat 算法分解小波，然后基于馬爾算子進(jìn)行多尺度邊緣檢測(cè)，這里小波分解的級(jí)數(shù)可以控制觀察距離的“調(diào)焦”。而改變高斯函數(shù)的標(biāo)準(zhǔn)差可選擇所檢測(cè)邊緣的細(xì)節(jié)程度。小波變換的計(jì)算復(fù)雜度較低，抗噪聲能 力較強(qiáng)。理論證明以零點(diǎn)為對(duì)稱點(diǎn)的對(duì)稱二進(jìn)小波適合檢測(cè)屋頂狀邊緣，而以零點(diǎn)為反對(duì)稱點(diǎn)的反對(duì)稱二進(jìn)小波適合檢測(cè)階躍狀邊