【文章內容簡介】 的制作上作了很大的改善，對這方面有特殊要求的用戶也可以得到滿足。 3 圖像分割 技術概述 西安石油大學 本科 畢業(yè)設計 （論文） 6 圖像分割是一種重要的圖像處理技術，它不僅得到人們的廣泛重視和研究，也在實際中得到大量的應用。圖像分割在不同領域中有時也用其他名稱，如目標輪廓技術、閾值化技術、圖像 區(qū)分或求差技術、目標檢測技術、目標識別技術、目標眼跟蹤技術等，這些技術的核心實際上就是圖像分割技術。 本章主要介紹了圖像分割的定義以及閾值分割，門限分割邊緣分割等常用的圖像分割方法的介紹以及分析。 圖像分割的定義 圖像分割就是指把圖像分成各具特性的區(qū)域并提取出自己感興趣區(qū)域的技術過程。這里所說的特性可以是灰度、顏色、紋理等，而目標可以對應 單個區(qū)域，當然也可以是多個區(qū)域。 多年來人們對圖像分割提出了不同的解釋和闡述，借助集合的概念對圖像分割可以給出以下定義：令集合 R 代表整個圖像區(qū)域，對 R 的圖像分割可以看做是將 R 分成 N 個滿足以下條件的非空子集 ??1， ??2， ...， ???? 。 (1) ????=1?? ????=R； (2) 對于所有的 i 和 j， i≠j。有 ???? ?????=?。 (3) 對于 i=1,2,…,N, 有 P(????)=TRUE。 (4) 對于 i≠j，有 P(???? ?????)=FASLE； (5) 對于 i=1,2,…,N, ????是連通的區(qū)域。 其中 P(????)是對所有在集合 ????中元素的邏輯謂詞 ， ?表示空集。 ????=1?? ????=R 代表分割的所有 子區(qū)域的并集即為原來的圖像，它是圖像處理中的每個像素都被處明在分割理的保證。 ???? ?????=?指出分割結果中的各個區(qū)域是互不重疊的。 P(????)=TRUE 表 結果中，每個區(qū)域都有其獨特的特性。 P(???? ?????)=FASLE 表明在分割結果中同一個子區(qū)域的像素應當是連通的，也就是說同一個子區(qū)域的任意的兩個像素在該子區(qū)域內飾互相連通的。 這些條件對分割具有一定的指導作用。但是，實際中的圖像分析和處理 都是針對某種特定的應用，所以條 件中的各種關系也需要同實際需求相結合來設定。人們在多年的研究中積累了很多圖像分割方法。圖像分割是一個將像素分類的過程，分類的依據(jù)可建立在像素間的相似性、灰度的不連續(xù)性的基礎上的。對于相似性的檢測方法（即基于區(qū)域的分割方法）主要有：雙峰法，區(qū)域分裂與合并和自適應閾值分割等；對于灰度不連續(xù)性檢測方法（即基于邊緣的分割方法）主要有：邊緣檢測、邊緣跟蹤和霍夫變換等。此外，還有綜合特定理論工具的分割方法，這些方法包括基于形態(tài)學分水嶺的分割、基于統(tǒng)計模式識別的分割、基于神經網絡的分割、基于小波變換的分割。 圖像分割的幾種方法 閾值分割 西安石油大學 本科 畢業(yè)設計 （論文） 7 灰度 閾值分割 法是一種最常用的并行區(qū)域技術，它是圖像分割中應用數(shù)量最多的一類。閾值分割方法實際上是輸入圖像 f 到輸出圖像 g 的如下變換： g(?,j) = {1 ??(??,??) ≥ ??0 ??(??,??) ?? 其中， T 為閾值，對于物體的圖像元素 g(i,j)=1，對于背景的圖像元素 g(i,j)=0。由此可見，閾值分割算法的關鍵是確定閾值，如果能確定一個合適的閾值就可準確地將圖像分割開來。閾值確定后，將閾值與像素點的灰度值逐個進行比較，而且像素分割可對各像素并行地進行，分割的結果直接給出圖像區(qū)域。 閾值分割的優(yōu)點是計算簡單、運算效率較高、速度快。在重視運算效率的應用場合 (如用于硬件實現(xiàn) )，它得到了廣泛應用。 人們發(fā)展了各種各樣的閾值處理技術，包括全局閾值、自適應閾值、最佳閾值等等。全局閾值是指整幅圖像使用同一個閾值做分割處理，適用于背景和前景有明顯對比的圖像。它是根據(jù)整幅圖像確定的： T=T(f)。但是 這種方法只考慮像素本身的 灰度值 ，一般不考慮空間特征，因而對噪聲很敏感。常用的全局閾值選取方法有利用圖像灰度直方圖的峰谷法、最小誤差法、 最大類間方差法 、最大熵自動閾值法以及其它一些方法。 在許多情況下，物體和背景的對比度在圖像中的各處不是一樣 的，這時很難用 一個統(tǒng)一的閾值將物體與背景分開。這時可以根據(jù)圖像的局部特征分別采用不同的閾值進行分割。實際處理時，需要按照具體問題將圖像分成若干子區(qū)域分別選擇閾值，或者動態(tài)地根據(jù)一定的鄰域范圍選擇每點處的閾值，進行圖像分割。這時的閾值為自適應閾值。 閾值的選擇需要根據(jù)具體問題來確定，一般通過實驗來確定。對于給定的圖像，可以通過分析直方圖的方法確定最佳的閾值，例如當直方圖明顯呈現(xiàn)雙峰情況時，可以選擇兩個峰值的中點作為最佳閾值。 區(qū)域分割 區(qū)域生長和分裂合并法是兩種典型的串行區(qū)域技術，其分割過程后續(xù)步驟的處理要根據(jù)前面步驟的結果進行判斷而確定。 區(qū)域生長的基本思想是將具有相似性質的像素集合起來構成區(qū)域。具體先對每 個需要分割的區(qū)域找一個種子像素作為生長的起點，然后將種子像素周圍鄰域中與種子像素有相同或相似性質的像素 (根據(jù)某種事先確定的生長或相似準則來判定 ) 合并到種子像素所在的區(qū)域中。將這些新像素當作新的種子像素繼續(xù)進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這樣一個區(qū)域就長成了。 區(qū)域生長需要選擇一組能正確代表所需區(qū)域的種子像素， 確定在生長過程中的相似性準則，制定讓生長停止的條件或準則。相似性準則可以是灰度級、 彩色 、紋理、 西安石油大學 本科 畢業(yè)設計 （論文） 8 梯度等特性。選取的種子像素可以是單個像素，也可以是包含若干個像素的小區(qū)域。大部分 區(qū)域生長 準則使用圖像的局部性質。生長準則可根據(jù)不同原則制定，而使用不同的生長準則會影響 區(qū)域生長 的過程。 區(qū)域生長法的優(yōu)點是計算簡單，對于較均勻的連通目標有較好的分割效果。它的缺點是需要人為確定種子點，對噪聲敏感，可能導致區(qū)域內有空洞。另外，它是一種串行 算法 ，當目標較大時，分割速度較慢，因此在設計算法時，要盡量提高 效率。 區(qū)域生長是從某個或者某些像素點出發(fā)，最后得到整個區(qū)域，進而實現(xiàn)目標提取。分裂合并差不多是 區(qū)域生長 的逆過程：從整個圖像出發(fā)，不斷分裂得到各個子區(qū)域，然后再把前景區(qū)域合并，實現(xiàn) 目標提取 。分裂合并的假設是對于一幅圖像，前景區(qū)域由一些相互連通的像素組成的，因此，如果把一幅圖像分裂到像素級，那么就可以判定該像素是否為前景像素。當所有像素點或者子區(qū)域完成判斷以后，把前景區(qū)域或者像素合并就可得到前景目標。 在這類方法中，最常用的方法是四叉樹分解法 (如圖 所示 )。設 R 代表整個正方形圖像區(qū)域， P 代表邏輯謂詞?；痉至押喜⑺惴ú襟E如下： (1)對任一個區(qū)域，如果 H(Ri)=FALSE 就將其分裂成不重疊的四等份； (2)對相鄰的兩個區(qū)域 Ri 和 Rj，它們也可以大小不同（即不在同一層），如果條件 H(Ri∪ Rj)=TRUE 滿足，就將它們合并起來。 (3)如果進一步的分裂或合并都不可能，則結束。 分裂合并法的關鍵是分裂合并準則的設計。這種方法對復雜圖像的分割效果較好，但算法較復雜，計算量大，分裂還可能破壞區(qū)域的邊界。 圖 31 四叉樹分割后的圖像 邊緣分割 圖像分割的一種重要途徑是通過 邊緣檢測 ，即檢測灰度級或者結構具有突變的地方，表明一個區(qū)域的終結，也是另一個區(qū)域開始的地方。這種 不連續(xù)性 稱為邊緣。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特征可以分割圖像。 圖像中邊緣處像素的灰度值不連續(xù)，這種不連續(xù)性可通過求導數(shù)來檢測到。對 西安石油大學 本科 畢業(yè)設計 （論文） 9 于階躍狀邊緣，其位置對應 一階導數(shù) 的 極值點 ，對應 二階導數(shù) 的過零點 (零交叉點 )。因此常用 微分算子 進行邊緣檢測。常用的一階 微分算子 有 Roberts 算子、 Prewitt 算子和 Sobel 算子，二階微分算子有 Laplace 算子和 Kirsh 算子等。在實際中各種微分算子常用小區(qū)域模板來表示，微分運算是利用模板和圖像 卷積 來實現(xiàn)。這些算子對噪聲敏感，只 適合于噪聲較小不太復雜的圖像。 由于邊緣和噪聲都是灰度不連續(xù)點，在頻域均為高頻分量，直接采用微分運算難以克服噪聲的影響。因此用 微分算子 檢測邊緣前要對圖像進行 平滑濾波 。 Log 算子和 Canny 算子是具有平滑功能的二階和一階微分算子， 邊緣檢測 效果較好，如圖 所示。其中 log 算子是采用 Laplacian 算子 求 高斯函數(shù) 的 二階導數(shù) ， Canny 算子是高斯函數(shù)的 一階導數(shù) ，它在噪聲抑制和 邊緣檢測 之間取得了較好的平衡。 圖 32 邊緣檢測結果 (a)Log 算子 (b)Canny 算子 直方圖法 與其他圖像分割方法相比，基于直方圖的方法是非常有效的圖像分割方法，因為他們通常只需要一個通過像素。在這種方法中，直方圖是從圖像中的像素的計算，并在直方圖的波峰和波谷是用于定位圖像中的簇。顏色和強度可以作為衡量。 這種技術的一種改進是遞歸應用直方圖求法的集群中的形象以分成更小的簇。重復此操作，使用更小的簇直到沒有更多的集群的形成。 基于直方圖的方法也能很快適應于多個幀，同時保持他們的單通效率。直方圖 可以在多個幀被 同時 考慮的時候采取多種方式。同樣的方法是采取一個框架可以應用到多個，和之后的結果合并，山峰和山谷在以前很難識別，但現(xiàn)在更容易區(qū)分。直方 圖也可以應用于每一個像素的基礎上，將得到的信息被用來確定的像素點的位置最常見的顏色。這種方法部分基于主動對象和一個靜態(tài)的環(huán)境，導致在不同類型的視 頻分割提供跟蹤。 圖像分割函數(shù)及算法的分析比較 數(shù)字圖像處理常用的圖像分割算法有：基于閥值的分割方法、基于邊緣的分割方法、基于區(qū)域的分割方法、基于聚類分析的圖像分割方法、基于小波變換的分割方法、基于數(shù)學形態(tài)學方法、基于人工神經網絡的方法、基于遺傳算法的方法。 閾值分割方法作為一種常見的區(qū)域并行技術，就是用一個或幾個閾值將圖像的灰度直方圖分成幾個類，認為圖像中灰度值在同一類中的像素屬于同一物體。由于是 西安石油大學 本科 畢業(yè)設計 （論文） 10 直接利用圖像的灰度特性，因此計算方便簡明、實用性強。顯然， 閾值分割方法的關鍵和難點是如何取得一個合適的閾值。 而實際應用中，閾值設定易受噪聲和光亮度影響 。 近年來的方法有：用最大相關性原則選擇閾值的方法、基于圖像拓撲穩(wěn)定狀態(tài)的方法、 Yager 測度極小化方法、灰度共生矩陣方法、方差法、熵法、峰值和谷值分析法等， 其中，自適應閾值法、最大熵法、模糊閾值法、類間閾值法是對傳統(tǒng)閾值法改進較成功的幾種算法。更多的情況下，閾值的選擇會綜合運用 2 種或 2 種以上的方法，這也是圖像分割發(fā)展的一個趨勢。 閾值分割的優(yōu)點是計算簡單、運算效率較高、速度快。全局閾值對于灰度相差很大的不同目標和背景能進行有效的分割。當圖像的灰度差異不明顯或不同目標的灰度值范圍有重疊時，應采用局部 閾值或動態(tài)閾值分割法。另一方面，這種方法只考慮像素本身的灰度值，一般不考慮空間特征，因而對噪聲很敏感。在實際應用中，閾值法通常與其他方法結合使用。 基于基于邊緣檢測的分割方法試圖通過檢測包含不同區(qū)域的邊緣來解決分割問題，它可以說是人們研究的最多的方法之一。通常不同的區(qū)域之間的邊緣上像素灰度值的變化往往比較劇烈，這是邊緣檢測方法得以實現(xiàn)的主要假設之一。 常用灰度的一階或二階微分算子進行邊緣檢測。常用的微分算子有一次微分(Sobel 算子、 Roberts 算子等 )、二次微分 (拉普拉斯算子等 )和模板操作 (Prewit 算子、Kirsch 算子等 )，它是一種并行邊界技術。而串行邊界查找法是先檢測到邊緣再串行連接成閉合邊界的方法，這種方法在很大程度上受起始點的影響。 基于邊緣檢測的圖像分割方法可分成兩大類，即串行邊緣分割技術和并行邊緣分割技術。串行邊緣分割方法，首先要確定邊緣的起始點，然后根據(jù)某種相似性搜索準則尋找下一個邊緣點，這種確定后續(xù)相似點的方法稱為邊緣跟蹤。根據(jù)跟蹤方法不同又可分為輪廓跟蹤、光棚跟蹤和全向跟蹤三種方法。并行邊緣檢測方法，對圖像上每一點的處理不依賴 其他點的處理結果，算法可以并行處理，大大加快搜索檢 測的速度。當分割的圖像含有強噪聲干擾或者區(qū)域之間的性質差別很小時，分割出來的邊緣可能是不連續(xù)的，此時可考慮用邊緣連接技術把斷開處連接起來。常用的邊緣連接方法有曲線擬合技術經典的曲線擬合技術有貝葉斯曲線擬合技術和樣條曲線擬合技術 。 基于 Hough變換的邊緣連接技術 。 啟發(fā)式邊緣連接技術。 基于邊緣的分割方法其難點就在于邊緣檢測時抗噪性和檢測精度之間的矛盾。若提高檢測精度，則噪聲產生的偽邊緣會導致不合理的輪廓；若提高抗噪性，則會產生輪廓漏檢和位置偏差。為此，人們提出各種多尺度邊緣檢測方法，根據(jù)實際問題設計多尺度 邊緣信息的結合方案，以較好地兼顧抗噪性和檢測精度。 西安石油大學 本科 畢業(yè)設計 （論文） 11 區(qū)域分割的實質就是把具有某種相似性質的像索連通，從而構成最終的分割區(qū)域。 它利用了圖像的局部空間信息，可有效地克服其他方法存在的圖像分割空間小連續(xù)的缺點。在此類方法中，如果