【文章內(nèi)容簡介】 的制作上作了很大的改善，對(duì)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(shù)概述 西安石油大學(xué) 本科 畢業(yè)設(shè)計(jì) （論文） 6 圖像分割是一種重要的圖像處理技術(shù)，它不僅得到人們的廣泛重視和研究，也在實(shí)際中得到大量的應(yīng)用。圖像分割在不同領(lǐng)域中有時(shí)也用其他名稱，如目標(biāo)輪廓技術(shù)、閾值化技術(shù)、圖像 區(qū)分或求差技術(shù)、目標(biāo)檢測(cè)技術(shù)、目標(biāo)識(shí)別技術(shù)、目標(biāo)眼跟蹤技術(shù)等，這些技術(shù)的核心實(shí)際上就是圖像分割技術(shù)。 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(shù)過程。這里所說的特性可以是灰度、顏色、紋理等，而目標(biāo)可以對(duì)應(yīng) 單個(gè)區(qū)域，當(dāng)然也可以是多個(gè)區(qū)域。 多年來人們對(duì)圖像分割提出了不同的解釋和闡述，借助集合的概念對(duì)圖像分割可以給出以下定義：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 ??1， ??2， ...， ???? 。 (1) ????=1?? ????=R； (2) 對(duì)于所有的 i 和 j， i≠j。有 ???? ?????=?。 (3) 對(duì)于 i=1,2,…,N, 有 P(????)=TRUE。 (4) 對(duì)于 i≠j，有 P(???? ?????)=FASLE； (5) 對(duì)于 i=1,2,…,N, ????是連通的區(qū)域。 其中 P(????)是對(duì)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(gè)像素都被處明在分割理的保證。 ???? ?????=?指出分割結(jié)果中的各個(gè)區(qū)域是互不重疊的。 P(????)=TRUE 表 結(jié)果中，每個(gè)區(qū)域都有其獨(dú)特的特性。 P(???? ?????)=FASLE 表明在分割結(jié)果中同一個(gè)子區(qū)域的像素應(yīng)當(dāng)是連通的，也就是說同一個(gè)子區(qū)域的任意的兩個(gè)像素在該子區(qū)域內(nèi)飾互相連通的。 這些條件對(duì)分割具有一定的指導(dǎo)作用。但是，實(shí)際中的圖像分析和處理 都是針對(duì)某種特定的應(yīng)用，所以條 件中的各種關(guān)系也需要同實(shí)際需求相結(jié)合來設(shè)定。人們?cè)诙嗄甑难芯恐蟹e累了很多圖像分割方法。圖像分割是一個(gè)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(chǔ)上的。對(duì)于相似性的檢測(cè)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(yīng)閾值分割等；對(duì)于灰度不連續(xù)性檢測(cè)方法（即基于邊緣的分割方法）主要有：邊緣檢測(cè)、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(xué)分水嶺的分割、基于統(tǒng)計(jì)模式識(shí)別的分割、基于神經(jīng)網(wǎng)絡(luò)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(xué) 本科 畢業(yè)設(shè)計(jì) （論文） 7 灰度 閾值分割 法是一種最常用的并行區(qū)域技術(shù)，它是圖像分割中應(yīng)用數(shù)量最多的一類。閾值分割方法實(shí)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(duì)于物體的圖像元素 g(i,j)=1，對(duì)于背景的圖像元素 g(i,j)=0。由此可見，閾值分割算法的關(guān)鍵是確定閾值，如果能確定一個(gè)合適的閾值就可準(zhǔn)確地將圖像分割開來。閾值確定后，將閾值與像素點(diǎn)的灰度值逐個(gè)進(jìn)行比較，而且像素分割可對(duì)各像素并行地進(jìn)行，分割的結(jié)果直接給出圖像區(qū)域。 閾值分割的優(yōu)點(diǎn)是計(jì)算簡單、運(yùn)算效率較高、速度快。在重視運(yùn)算效率的應(yīng)用場合 (如用于硬件實(shí)現(xiàn) )，它得到了廣泛應(yīng)用。 人們發(fā)展了各種各樣的閾值處理技術(shù)，包括全局閾值、自適應(yīng)閾值、最佳閾值等等。全局閾值是指整幅圖像使用同一個(gè)閾值做分割處理，適用于背景和前景有明顯對(duì)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(duì)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(dòng)閾值法以及其它一些方法。 在許多情況下，物體和背景的對(duì)比度在圖像中的各處不是一樣 的，這時(shí)很難用 一個(gè)統(tǒng)一的閾值將物體與背景分開。這時(shí)可以根據(jù)圖像的局部特征分別采用不同的閾值進(jìn)行分割。實(shí)際處理時(shí)，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(dòng)態(tài)地根據(jù)一定的鄰域范圍選擇每點(diǎn)處的閾值，進(jìn)行圖像分割。這時(shí)的閾值為自適應(yīng)閾值。 閾值的選擇需要根據(jù)具體問題來確定，一般通過實(shí)驗(yàn)來確定。對(duì)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(dāng)直方圖明顯呈現(xiàn)雙峰情況時(shí)，可以選擇兩個(gè)峰值的中點(diǎn)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(shù)，其分割過程后續(xù)步驟的處理要根據(jù)前面步驟的結(jié)果進(jìn)行判斷而確定。 區(qū)域生長的基本思想是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域。具體先對(duì)每 個(gè)需要分割的區(qū)域找一個(gè)種子像素作為生長的起點(diǎn)，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(zhì)的像素 (根據(jù)某種事先確定的生長或相似準(zhǔn)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(dāng)作新的種子像素繼續(xù)進(jìn)行上面的過程，直到再?zèng)]有滿足條件的像素可被包括進(jìn)來。這樣一個(gè)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(zhǔn)則，制定讓生長停止的條件或準(zhǔn)則。相似性準(zhǔn)則可以是灰度級(jí)、 彩色 、紋理、 西安石油大學(xué) 本科 畢業(yè)設(shè)計(jì) （論文） 8 梯度等特性。選取的種子像素可以是單個(gè)像素，也可以是包含若干個(gè)像素的小區(qū)域。大部分 區(qū)域生長 準(zhǔn)則使用圖像的局部性質(zhì)。生長準(zhǔn)則可根據(jù)不同原則制定，而使用不同的生長準(zhǔn)則會(huì)影響 區(qū)域生長 的過程。 區(qū)域生長法的優(yōu)點(diǎn)是計(jì)算簡單，對(duì)于較均勻的連通目標(biāo)有較好的分割效果。它的缺點(diǎn)是需要人為確定種子點(diǎn)，對(duì)噪聲敏感，可能導(dǎo)致區(qū)域內(nèi)有空洞。另外，它是一種串行 算法 ，當(dāng)目標(biāo)較大時(shí)，分割速度較慢，因此在設(shè)計(jì)算法時(shí)，要盡量提高 效率。 區(qū)域生長是從某個(gè)或者某些像素點(diǎn)出發(fā)，最后得到整個(gè)區(qū)域，進(jìn)而實(shí)現(xiàn)目標(biāo)提取。分裂合并差不多是 區(qū)域生長 的逆過程：從整個(gè)圖像出發(fā)，不斷分裂得到各個(gè)子區(qū)域，然后再把前景區(qū)域合并，實(shí)現(xiàn) 目標(biāo)提取 。分裂合并的假設(shè)是對(duì)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(jí)，那么就可以判定該像素是否為前景像素。當(dāng)所有像素點(diǎn)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(biāo)。 在這類方法中，最常用的方法是四叉樹分解法 (如圖 所示 )。設(shè) R 代表整個(gè)正方形圖像區(qū)域， P 代表邏輯謂詞。基本分裂合并算法步驟如下： (1)對(duì)任一個(gè)區(qū)域，如果 H(Ri)=FALSE 就將其分裂成不重疊的四等份； (2)對(duì)相鄰的兩個(gè)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(jìn)一步的分裂或合并都不可能，則結(jié)束。 分裂合并法的關(guān)鍵是分裂合并準(zhǔn)則的設(shè)計(jì)。這種方法對(duì)復(fù)雜圖像的分割效果較好，但算法較復(fù)雜，計(jì)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(cè) ，即檢測(cè)灰度級(jí)或者結(jié)構(gòu)具有突變的地方，表明一個(gè)區(qū)域的終結(jié)，也是另一個(gè)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(dǎo)數(shù)來檢測(cè)到。對(duì) 西安石油大學(xué) 本科 畢業(yè)設(shè)計(jì) （論文） 9 于階躍狀邊緣，其位置對(duì)應(yīng) 一階導(dǎo)數(shù) 的 極值點(diǎn) ，對(duì)應(yīng) 二階導(dǎo)數(shù) 的過零點(diǎn) (零交叉點(diǎn) )。因此常用 微分算子 進(jìn)行邊緣檢測(cè)。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(shí)際中各種微分算子常用小區(qū)域模板來表示，微分運(yùn)算是利用模板和圖像 卷積 來實(shí)現(xiàn)。這些算子對(duì)噪聲敏感，只 適合于噪聲較小不太復(fù)雜的圖像。 由于邊緣和噪聲都是灰度不連續(xù)點(diǎn)，在頻域均為高頻分量，直接采用微分運(yùn)算難以克服噪聲的影響。因此用 微分算子 檢測(cè)邊緣前要對(duì)圖像進(jìn)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(cè) 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(dǎo)數(shù) ， Canny 算子是高斯函數(shù)的 一階導(dǎo)數(shù) ，它在噪聲抑制和 邊緣檢測(cè) 之間取得了較好的平衡。 圖 32 邊緣檢測(cè)結(jié)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?yàn)樗麄兺ǔＶ恍枰粋€(gè)通過像素。在這種方法中，直方圖是從圖像中的像素的計(jì)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(qiáng)度可以作為衡量。 這種技術(shù)的一種改進(jìn)是遞歸應(yīng)用直方圖求法的集群中的形象以分成更小的簇。重復(fù)此操作，使用更小的簇直到?jīng)]有更多的集群的形成。 基于直方圖的方法也能很快適應(yīng)于多個(gè)幀，同時(shí)保持他們的單通效率。直方圖 可以在多個(gè)幀被 同時(shí) 考慮的時(shí)候采取多種方式。同樣的方法是采取一個(gè)框架可以應(yīng)用到多個(gè)，和之后的結(jié)果合并，山峰和山谷在以前很難識(shí)別，但現(xiàn)在更容易區(qū)分。直方 圖也可以應(yīng)用于每一個(gè)像素的基礎(chǔ)上，將得到的信息被用來確定的像素點(diǎn)的位置最常見的顏色。這種方法部分基于主動(dòng)對(duì)象和一個(gè)靜態(tài)的環(huán)境，導(dǎo)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(xué)形態(tài)學(xué)方法、基于人工神經(jīng)網(wǎng)絡(luò)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(shù)，就是用一個(gè)或幾個(gè)閾值將圖像的灰度直方圖分成幾個(gè)類，認(rèn)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(xué) 本科 畢業(yè)設(shè)計(jì) （論文） 10 直接利用圖像的灰度特性，因此計(jì)算方便簡明、實(shí)用性強(qiáng)。顯然， 閾值分割方法的關(guān)鍵和難點(diǎn)是如何取得一個(gè)合適的閾值。 而實(shí)際應(yīng)用中，閾值設(shè)定易受噪聲和光亮度影響 。 近年來的方法有：用最大相關(guān)性原則選擇閾值的方法、基于圖像拓?fù)浞€(wěn)定狀態(tài)的方法、 Yager 測(cè)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(yīng)閾值法、最大熵法、模糊閾值法、類間閾值法是對(duì)傳統(tǒng)閾值法改進(jìn)較成功的幾種算法。更多的情況下，閾值的選擇會(huì)綜合運(yùn)用 2 種或 2 種以上的方法，這也是圖像分割發(fā)展的一個(gè)趨勢(shì)。 閾值分割的優(yōu)點(diǎn)是計(jì)算簡單、運(yùn)算效率較高、速度快。全局閾值對(duì)于灰度相差很大的不同目標(biāo)和背景能進(jìn)行有效的分割。當(dāng)圖像的灰度差異不明顯或不同目標(biāo)的灰度值范圍有重疊時(shí)，應(yīng)采用局部 閾值或動(dòng)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(duì)噪聲很敏感。在實(shí)際應(yīng)用中，閾值法通常與其他方法結(jié)合使用。 基于基于邊緣檢測(cè)的分割方法試圖通過檢測(cè)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(cè)方法得以實(shí)現(xiàn)的主要假設(shè)之一。 常用灰度的一階或二階微分算子進(jìn)行邊緣檢測(cè)。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(shù)。而串行邊界查找法是先檢測(cè)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(diǎn)的影響。 基于邊緣檢測(cè)的圖像分割方法可分成兩大類，即串行邊緣分割技術(shù)和并行邊緣分割技術(shù)。串行邊緣分割方法，首先要確定邊緣的起始點(diǎn)，然后根據(jù)某種相似性搜索準(zhǔn)則尋找下一個(gè)邊緣點(diǎn)，這種確定后續(xù)相似點(diǎn)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(cè)方法，對(duì)圖像上每一點(diǎn)的處理不依賴 其他點(diǎn)的處理結(jié)果，算法可以并行處理，大大加快搜索檢 測(cè)的速度。當(dāng)分割的圖像含有強(qiáng)噪聲干擾或者區(qū)域之間的性質(zhì)差別很小時(shí)，分割出來的邊緣可能是不連續(xù)的，此時(shí)可考慮用邊緣連接技術(shù)把斷開處連接起來。常用的邊緣連接方法有曲線擬合技術(shù)經(jīng)典的曲線擬合技術(shù)有貝葉斯曲線擬合技術(shù)和樣條曲線擬合技術(shù) 。 基于 Hough變換的邊緣連接技術(shù) 。 啟發(fā)式邊緣連接技術(shù)。 基于邊緣的分割方法其難點(diǎn)就在于邊緣檢測(cè)時(shí)抗噪性和檢測(cè)精度之間的矛盾。若提高檢測(cè)精度，則噪聲產(chǎn)生的偽邊緣會(huì)導(dǎo)致不合理的輪廓；若提高抗噪性，則會(huì)產(chǎn)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(cè)方法，根據(jù)實(shí)際問題設(shè)計(jì)多尺度 邊緣信息的結(jié)合方案，以較好地兼顧抗噪性和檢測(cè)精度。 西安石油大學(xué) 本科 畢業(yè)設(shè)計(jì) （論文） 11 區(qū)域分割的實(shí)質(zhì)就是把具有某種相似性質(zhì)的像索連通，從而構(gòu)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(diǎn)。在此類方法中，如果