【文章內(nèi)容簡(jiǎn)介】 件3說明區(qū)域之間不相同。即分割后的各個(gè)區(qū)域中的像素點(diǎn)是沒有重復(fù)的。條件4說明在分割后的區(qū)域中，所有像素點(diǎn)都是具有相同的灰度級(jí)。條件5指出分割出來的子區(qū)域里面的像素都是聯(lián)通的。滿足以上所有條件下的圖像分割可以說是非常理想的，但是到目前為止，大多數(shù)方法都是針對(duì)以上某一種類型的圖像，還沒有找到一種能夠兼顧所有條件的分割方法，所以說還需要更多的努力來解決圖像分割技術(shù)領(lǐng)域的問題。從20世紀(jì)50年代開始，相對(duì)來說國(guó)內(nèi)外專家在他們不懈的努力下也取得了很大的成功，從不同的角度分析，關(guān)于圖像分割的分類繁多。根據(jù)圖像的屬性分類，灰度圖像分割與彩色圖像分割；根據(jù)圖像的狀態(tài)分類，靜態(tài)圖像分割和動(dòng)態(tài)圖像分割；根據(jù)圖像的應(yīng)用臨區(qū)域分類，醫(yī)學(xué)圖像分割、安全圖像分割、交通圖像分割、軍事圖像分割等；根據(jù)應(yīng)用目的分類，可分為粗分割和細(xì)分割兩大類；根據(jù)分割方法的不同分類，圖像分割可大致分為3類：基于鄰域的分割技術(shù)(如邊緣檢測(cè)、區(qū)域增長(zhǎng))，基于直方圖的分割技術(shù)(如閾值分割、聚類分割等)、基于物理性質(zhì)的分割技術(shù)。下面介紹幾種常用的分割方法：閾值處理是一種區(qū)域分割技術(shù),把閾值作為一個(gè)分界點(diǎn)，將灰度分為兩個(gè)或者幾個(gè)灰度區(qū)間。他的原理是要分割的區(qū)域和背景存在灰度上的差異,選擇一個(gè)合適的閾值,判斷所要研究的圖像中所有像素點(diǎn)與閾值進(jìn)行比較，得到兩類像素點(diǎn)，確定哪個(gè)是背景區(qū)域，哪個(gè)是目標(biāo)區(qū)域。接著產(chǎn)生一個(gè)二值圖像，而且，閾值分割的計(jì)算簡(jiǎn)單，對(duì)一些圖像的物體與背景具有明顯對(duì)比度的分割十分有用。用閾值法進(jìn)行圖像處理時(shí)，閾值選取的恰當(dāng)與否是這個(gè)方法能否得到準(zhǔn)確結(jié)果的重點(diǎn)所在，如果確定了一個(gè)合適的閾值，把圖像中所有灰度值大小和閾值比較，將大于它的歸為一類，作為物體。同理把所有像素點(diǎn)高于閾值的點(diǎn)集合在一起作為物體以外。如果閾值過高，或者過低會(huì)導(dǎo)致結(jié)果不準(zhǔn)確。就一般的圖像而言，背景和物體的灰度級(jí)差距明顯。在圖像的灰度直方圖中可以看到會(huì)出現(xiàn)明顯的峰值，這時(shí)候把可以谷底作為門限，來進(jìn)行圖像處理。從中可以看出，此方法簡(jiǎn)單實(shí)用，用途廣泛。一個(gè)圖像的閾值也不僅僅只有一個(gè)，它也可以是一個(gè)或者是多個(gè)，如此分類的話，我們稱之為全局閾值和局部閾值。全局閾值的意思是根據(jù)圖像中所有像素點(diǎn)的所有信息，得到一個(gè)最優(yōu)的閾值。與之不同的是局部閾值，它是把圖像分割為幾個(gè)子區(qū)域，把每個(gè)區(qū)域應(yīng)用全局閾值法單獨(dú)獲得最佳的分割閾值，從而進(jìn)行處理。不僅如此，其中全局閾值還可以分為基于點(diǎn)的和區(qū)域的閾值。此外，按照個(gè)數(shù)的區(qū)別，又可分為多閾值法和單閾值法。閾值分割方法的基本原理是根據(jù)閾值把圖像劃分為兩部分，目標(biāo)和背景，即判斷圖像中的每個(gè)像素點(diǎn)屬于目標(biāo)區(qū)域還是屬于背景區(qū)域，從而得到相應(yīng)的二值化圖像。假設(shè)一幅原始灰度圖像，其選取的閾值為T，分割后的圖像定義如下： (28）式中表示分割后的二值圖像。閾值分割方法的本質(zhì)其實(shí)就是按某個(gè)準(zhǔn)則函數(shù)尋求最佳閾值的過程，假設(shè)原始圖像的灰度級(jí)為，灰度級(jí)為的像素點(diǎn)數(shù)為，圖像總的像素點(diǎn)個(gè)數(shù)為即 (29)灰度級(jí)為i 的像素點(diǎn)數(shù)出現(xiàn)的概率為 （210）之后再按照某一準(zhǔn)則選取最佳閾值，根據(jù)選取準(zhǔn)則的不同，常用的閾值分割方法有以下幾種： 雙峰法選擇閾值的原理是：根據(jù)圖像的灰度直方圖中目標(biāo)和背景灰度級(jí)的差異，它的一維灰度直方圖的分布呈現(xiàn)雙峰狀的樣子，并代表著目標(biāo)和背景，波谷則是邊緣，直方圖中峰與峰之間的谷底所所對(duì)應(yīng)的閾值就是圖像的最佳閾值。當(dāng)閾值選取為谷底所對(duì)應(yīng)的值時(shí)，分割可效果最佳。雙峰法的使用前最好對(duì)它進(jìn)行噪聲消除，然后再繪制圖像直方圖，并進(jìn)行波谷檢測(cè)，這樣的做法可以更加準(zhǔn)確的確定最佳閾值，但是也有不足之處，那就是對(duì)于波谷太寬或者波峰不明顯的圖像，不能使用該方法。另外，如果峰與峰之間的差別過大，或者是單峰直方圖也不適用與此方法。 Ptile法的基本思想是：如果在灰度級(jí)別很高的背景中存在一個(gè)灰度級(jí)別較低的目標(biāo)時(shí)，即在亮背景中存在一個(gè)暗目標(biāo)，暗目標(biāo)在這個(gè)圖像中所占比例為P。這個(gè)方法自動(dòng)選擇閾值的準(zhǔn)則是：通過累計(jì)灰度直方圖，當(dāng)累計(jì)值大于或等于目標(biāo)所占面積比，那么這時(shí)候灰度級(jí)就是所求的閾值。它具有自動(dòng)獲取的特點(diǎn)，在提出時(shí)間上可以說是最早的。該方法的優(yōu)點(diǎn)是抗干擾性能好，運(yùn)算量較小，缺點(diǎn)是必須提前給出目標(biāo)在整幅圖像所占的面積比例，如果不確定面積比，此方法也無(wú)能為力。 （最大類間方差法） Otsu方法一直是自動(dòng)閾值選取方法中的最佳的方法。這種方法是基于圖像的灰度特征，把圖像區(qū)分為目標(biāo)和背景這兩種區(qū)域。如果類間方差越大，表示圖像的目標(biāo)和背景區(qū)別越大。當(dāng)背景類信息被錯(cuò)誤的分給目標(biāo)類信息時(shí)，這樣將會(huì)影響到目標(biāo)與背景的方差差別變小，反之亦然。就是因?yàn)檫@個(gè)特征，只要使類間方差最大或內(nèi)間方差最小，這樣的分割就意味著最小的誤差，而且基于該準(zhǔn)則選取最佳閾值的原理，結(jié)果是目標(biāo)和背景之間的分離性最好。該方法的優(yōu)點(diǎn)是運(yùn)算量不大，不僅對(duì)于圖形亮度變化影響較小，而且還可以使用與多種不同的圖形對(duì)比度中，在圖像處理方面應(yīng)用廣泛。而不足之處是一些圖像的其他信息并沒有得到開發(fā)，如臨域信息，僅僅利用了圖像灰度特性，加之外部干擾的存在，從灰度直方圖中可以觀察出來圖像對(duì)應(yīng)的波谷與波峰并不明顯，與制度選取也就存在問題，所以得不到想要的結(jié)果。 最小錯(cuò)誤法的原理是首先將圖像的灰度直方圖看成是一個(gè)由背景和目標(biāo)的像素點(diǎn)構(gòu)成的混合集合，其次對(duì)該集合的概率密度函數(shù)進(jìn)行估計(jì)，設(shè)混合集合的每個(gè)分量服從正態(tài)分布，其均值為，標(biāo)準(zhǔn)差為，先驗(yàn)概率為即 （211） （212）計(jì)算下列二次方程可得到最優(yōu)的閾值： （213） 因?yàn)椋鸵话闱闆r下，對(duì)于這一問題，可以這么做： (214)式中 （215） （216） （217）當(dāng)準(zhǔn)則函數(shù)取的最小值時(shí)，就是最優(yōu)的閾值： 這里提一下最大熵法也是基于閾值的方法，它最結(jié)合了信息理論中的最大Shannon熵概念和最小交叉熵概念。獲取最優(yōu)閾值的方法首先是把圖像中目標(biāo)或者背景的灰度值進(jìn)行均勻的分布。這種方法的優(yōu)勢(shì)是對(duì)于信噪比大小不同圖像的分割，但是它計(jì)算量過于繁重導(dǎo)致計(jì)算速度比較慢。 數(shù)字圖像的邊緣檢測(cè)分割方法對(duì)于圖像分割、區(qū)域形狀提取、區(qū)域識(shí)別等圖像分析臨區(qū)域具有非常重要的作用，也是圖像識(shí)別研究中用來提取圖像特征的一個(gè)重要屬性[4]。圖像中局部灰度值區(qū)別最明顯的部分就是目標(biāo)物體的邊緣，它的出現(xiàn)往往是不連續(xù)的，而且目標(biāo)物體中不同區(qū)域的分界處就是邊緣?；谶吘墮z測(cè)的分割方法，它的原理就是先檢測(cè)其的邊緣點(diǎn)信息，之后將這些檢測(cè)到的邊緣點(diǎn)按照一定的規(guī)則策略連接起來形成的區(qū)域。圖像在邊緣上的像素點(diǎn)的灰度級(jí)是不斷變化的，灰度的變化方向和變化率分別作為衡量灰度級(jí)變化的兩個(gè)特征值，我們把灰度變化方向用梯度向量來表示，把灰度變化率用幅值來表示[6]。假設(shè)一個(gè)連續(xù)圖像，它的方向?qū)?shù)在邊緣方向上有局部最大值，因此，它的本質(zhì)就是求梯度的局部最大值和方向。在方向沿γ的梯度： （218）得到梯度最大值，叫做梯度模，各向同性和位移不變的特性是梯度模算子的基本屬性，可用于邊緣檢測(cè)，邊界的方向可由計(jì)算得到。邊緣的檢測(cè)常見的方法有：邊緣圖像閾值化、邊界跟蹤法等。同時(shí)邊緣的檢測(cè)要借助邊緣檢測(cè)算子，常用的邊緣檢測(cè)算子有Roberts算子、Laplace算子等。基于區(qū)域分割可分為區(qū)域生長(zhǎng)法與分離合并法兩種組成方法。區(qū)域生長(zhǎng)法的基本原理是選擇一些種子像素為生長(zhǎng)點(diǎn)，然后按某種生長(zhǎng)準(zhǔn)則或策略，在種子像素周圍之間尋找與它們特性相近的像素點(diǎn)，并將其劃分到種子像素所在的區(qū)域，同時(shí)反復(fù)執(zhí)行這個(gè)過程，直到所有像素都參與了合并。這種方法需解決問題有三個(gè)：一是怎樣選取能夠代表所需結(jié)果區(qū)域的種子像素。二是怎樣制定選取周圍特性相似像素點(diǎn)的準(zhǔn)則。三是制定停止生長(zhǎng)的條件。由于生長(zhǎng)準(zhǔn)則的選取不僅與具體問題本身有關(guān)，而且還與所研究的圖像信息有關(guān)，所以說，像素間的連通性和鄰近性必須加以考慮。如果應(yīng)用不當(dāng)，分割出來的結(jié)果也沒有什么研究意義。該方法的優(yōu)點(diǎn)是對(duì)于圖像中較均勻目標(biāo)會(huì)有較好的分割效果，并且運(yùn)算量??；缺點(diǎn)是對(duì)噪聲敏感，需要預(yù)確定種子像素，可能導(dǎo)致區(qū)域內(nèi)有空洞。區(qū)域分離合并法的原理是首先是制定一個(gè)分離準(zhǔn)則，即區(qū)域一致性的測(cè)度，根據(jù)這個(gè)準(zhǔn)則把圖像中某個(gè)不符合次準(zhǔn)則的區(qū)域分割為4個(gè)子區(qū)域，把圖像中滿足這個(gè)準(zhǔn)則的區(qū)域組合成一個(gè)大的區(qū)域，直到所有圖像分離到不能在分的時(shí)候，挑選具有相似的區(qū)域特征區(qū)域合并在一起，留下的子區(qū)域即就是獲得了分割的效果。區(qū)域生長(zhǎng)和區(qū)域分列合并在一定意義上具有著相同的思想，區(qū)域分裂合并智能光把圖像中的像素點(diǎn)分裂到極致就是單一的。接著再根據(jù)準(zhǔn)則進(jìn)行區(qū)域合并，在一定意義上就是單一像素點(diǎn)的區(qū)域生長(zhǎng)的方法。與區(qū)域分離合并的方法相比，區(qū)域生長(zhǎng)減少了分裂的次數(shù)，但是區(qū)域分離合并可以在一幅相似度大的區(qū)域圖像中進(jìn)行相似合并，而區(qū)域生長(zhǎng)就不能這么做。 本章首先討論了數(shù)字圖像技術(shù)的定義與描述圖像分割技術(shù)的名詞，其次闡述了圖像分割的基本分類與分割方法，主要可分為基于閾值的分割方法、基于邊緣的分割方法和基于區(qū)域的分割方法。重點(diǎn)介紹了基于閾值的分割中的幾個(gè)方法。第三章 基于Otsu算法的圖像分割原理 Otsu算法簡(jiǎn)介有一種對(duì)灰度圖像進(jìn)行分割的方法即最大類間方差法（最小類內(nèi)方差法）被日本學(xué)者大津展之提出。這篇文章稱它為一維Otsu法。這種方法的特點(diǎn)是：自動(dòng)、無(wú)監(jiān)督、無(wú)參數(shù)，并且這種閾值分割方法的理論基礎(chǔ)是最小二乘法。一維Otsu法的流行趨勢(shì)已經(jīng)勢(shì)不可擋，因?yàn)樗斜姸嗥渌椒ú辉械膬?yōu)勢(shì)，理論基礎(chǔ)簡(jiǎn)單，分割結(jié)果優(yōu)良。在諸多閾值自動(dòng)選取方法理論中，Otsu算法在最佳閾值的獲取方面表現(xiàn)最好。最大類間方差原理就是當(dāng)目標(biāo)和背景之間的分離性最好的時(shí)候就是獲得的最佳閾值的時(shí)候，類內(nèi)差別最小，圖像分割結(jié)果具有客觀性。傳統(tǒng)Otsu法是依賴于圖像中像素點(diǎn)的灰度特征的區(qū)別，可以把圖像劃分為目標(biāo)與背景兩種類型。目標(biāo)類和背景類之間的類間越大，說明圖像的目標(biāo)和背景之間的區(qū)別性越大。假如背景類信息被誤以為目標(biāo)類信息，反之會(huì)使得目標(biāo)與背景之間的區(qū)別性降低。正是由于這一特性，只要使類間方差最大