浅析图像分割的原理及方法

浅析图像分割的原理及方法一．研究背景及意义研究背景：随着人工智能的发展，机器人技术不断地应用到各个领域。信息技术的加入是智能机器人出现的必要前提。信息技术泛指包括通信技术、电子技术、信号处理技术等相关信息化技术的一大类技术。它的应用使得人们今天的生活发生了巨大变化。从手机到高清电视等家用电器设备出现使我们的生活越来越丰富多彩。在一些军用及民用领域近几年出现了一些诸如:图像制导、无人飞机、无人巡逻车、人脸识别、指纹识别、语音识别、车辆牌照识别、汉字识别、医学图像识别等高新技术。实现它们的核心就是图像处理、机器视觉、模式识别、智能控制、及机器人学等相关知识。其中图像处理具有重要地位。而图像分割技术是图像分析环节的关键技术。研究图像分割技术的意义：人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，人从视觉获得的信息大概占到人获取信息总量的80%，由此可见图像信息是非常重要的一类信息。在一副图像中，人们往往只对其中的某些目标感兴趣，这些目标通常在图像中占据一定的区域，并且在某些特性(如灰度、轮廓、颜色、纹理等)上和周围的图像有差别。这些特性差别可能非常明显，也可能很细微，以致人眼觉察不出来。图像分割是图像识别和图像理解的基本前提步骤，图像分割质量的好坏直接影响后续图像处理的效果，甚至决定其成败，因此，分割的方法和精确程度是至关重要的。由此可见，图像分割在图像工程中占据非常重要的位置。二．图像分割常用技术1.图像分割基本概念图像分割定义：图像分割是按照一定的规则把图像划分成若干个互不相交、具有一定性质的区域，把人们关注的部分从图像中提取出来，进一步加以研究分析和处理。图像分割的结果是图像特征提取和识别等图像理解的基础，对图像分割的研究一直是数字图像处理技术研究中的热点和焦点。图像分割使得其后的图像分析，识别等高级处理阶段所要处理的数据量大大减少，同时又保留有关图像结构特征的信息。图像分割在不同的领域也有其它名称，如目标轮廓技术、目标检测技术、阈值化技术、目标跟踪技术等，这些技术本身或其核心实际上也就是图像分割技术。图像分割目的：把图像空间分成一些有意义的区域，与图像中各种物体目标相对应。通过对分割结果的描述，可以理解图像中包含的信息。图像分割的分类依据：图像分割是将像素分类的过程，分类的依据可建立在：像素间的相似性、非连续性。2.基于边缘的图像分割方法边缘总是以强度突变的形式出现，可以定义为图像局部特性的不连续性，如灰度的突变、纹理结构的突变等。边缘常常意味着一个区域的终结和另一个区域的开始。对于边缘的检测常常借助空间微分算子进行，通过将其模板与图像卷积完成。两个具有不同灰度值的相邻区域之间总存在灰度边缘，而这正是灰度值不连续的结果，这种不连续可以利用求一阶和二阶导数检测到。当今的边缘检测方法中，主要有一次微分、二次微分和模板操作等。这些边缘检测器对边缘灰度值过渡比较尖锐且噪声较小等不太复杂的图像可以取得较好的效果。但对于边缘复杂的图像效果不太理想，如边缘模糊、边缘丢失、边缘不连续等。噪声的存在使基于导数的边缘检测方法效果明显降低，在噪声较大的情况下所用的边缘检测算子通常都是先对图像进行适当的平滑，抑制噪声，然后求导数，或者对图像进行局部拟合，再用拟合光滑函数的导数来代替直接的数值导数，如Canny算子等。在未来的研究中，用于提取初始边缘点的自适应阈值选取、用于图像层次分割的更大区域的选取以及如何确认重要边缘以去除假边缘将变的非常重要。根据灰度变化的特点，常见的边缘可分为阶跃型、房顶型和凸缘型边缘检测的方法很多，主要有以下几种:1、空域微分算子，也就是传统的边缘检测方法。如Roberts算子、Prewitt算子和Sobel算子等。2、拟合曲面。该方法利用当前像素邻域中的一些像素值拟合一个曲面，然后求这个连续曲面在当前像素处的梯度。3、小波多尺度边缘检测。4、基于数学形态学的边缘检测。最后通过图像的轮廓（边界）跟踪来确定目标区域：图像的轮廓（边界）跟踪与边缘检测是密切相关的，因为轮廓跟踪实质上就是沿着图像的外部边缘“走”一圈然后分割出目标区域。下图是分别用Roberts、Sobel、Prewitt、LOG、Canny算子对灰度Lena图像分割的结果：3.阈值分割方法阈值分割是常见的直接对图像进行分割的算法，根据图像像素的灰度值的不同而定。对应单一目标图像，只需选取一个阈值，即可将图像分为目标和背景两大类，这个称为单阈值分割；如果目标图像复杂，选取多个阈值，才能将图像中的目标区域和背景被分割成多个，这个称为多阈值分割，此时还需要区分检测结果中的图像目标，对各个图像目标区域进行唯一的标识进行区分。阈值分割的显著优点，成本低廉，实现简单。当目标和背景区域的像素灰度值或其它特征存在明显差异的情况下，该算法能非常有效地实现对图像的分割。阈值分割方法的关键是如何取得一个合适的阈值，近年来的方法有：用最大相关性原则选择阈值的方法、基于图像拓扑稳定状态的方法、灰度共生矩阵方法、最大熵法和峰谷值分析法等，更多的情况下，阈值的选择会综合运用两种或两种以上的方法，这也是图像分割发展的一个趋势。阈值分割算以一定的图像模型为依托，通过取阈值后得到的图像，各个区域可以分离开。最常用的图像模型是假设图由具有单峰灰度分布的目标和背景组成。分类：单阈值分割、多阈值分割仅使用一个阈值分割的方法称为单阈值分割方法。如果图像中有多个灰度值不同的区域，那么可以选择一系列的阈值以将每个像素分到合适的类别中去，这种用多个阈值分割的方法称为多阈值分割方法。单一阈值的灰度直方图多阈值的灰度直方图阈值选取依据:1、仅取决于图像灰度值，仅与各个图像像素本身性质相关的阈值选取——全局阈值。T2T12、取决于图像灰度值和该点邻域的某种局部特性，即与局部区域特性相关的的阈值选取——局部阈值。3、除取决于图像灰度值和该点邻域的某种局部特性之外，还取决于空间坐标，即得到的阈值与坐标相关——动态阈值或者自适应阈值。全局阈值原理：假定物体和背景分别处于不同灰度级，图像被零均值高斯噪声污染，图像的灰度分布曲线近似用两个正态分布概率密度函数分别代表目标和背景的直方图，利用这两个函数的合成曲线拟合整体图像的直方图，图像的直方图将会出现两个分离的峰值，如下图然后依据最小误差理论针对直方图的两个峰间的波谷所对应的灰度值求出分割的阈值。双峰直方图该方法适用于具有良好双峰性质的图像，但需要用到数值逼近等计算，算法十分复杂，而且多数图像的直方图是离散、不规则的。在实际阈值分割过程中，往往需要能够自动获取阈值，下面的算法可以自动获得全局阈值：1）选取一个的初始估计值T；2）用T分割图像。这样便会生成两组像素集合：G1由所有灰度值大于T的像素组成，而G2由所有灰度值小于或等于T的像素组成。3）对G1和G2中所有像素计算平均灰度值u1和u2。4）计算新的阈值：T=1/2(u1+u2)。阈值T重复步骤（2）到（4），直到得到的T值之差小于一个事先定义的参数T。下图是迭代阈值选择法图像分割的结果与Otsu（即最大相关性原则选择阈值的方法）阈值选择法图像分割的结果比较两种方法效果相差不大。4.区域分割方法区域增长法和分裂合并法是基于区域信息的图像分割的主要方法。区域增长有两种方式，一种是先将图像分割成很多的一致性较强的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的。另一种实现是给定图像中要分割目标的一个种子区域，再在种子区域基础上将周围的像素点以一定的规则加入其中，最终达到目标与背景分离的目的；分裂合并法对图像的分割是按区域生长法沿相反方向进行的，无需设置种子点。其基本思想是给定相似测度和同质测度。从整幅图像开始，如果区域不满足同质测度，则分裂成任意大小的不重叠子区域，如果两个邻域的子区域满足相似测度则合并。区域生长是区域分割最基本的方法。所谓区域生长就是一种根据事先定义的准则将像素或者子区域聚合成更大区域的过程。基本思想：以一组生长点（可以是单个像素，也可以是某个小区域）开始，搜索其邻域，把图像分割成特征相似的若干区域，比较相邻区域与生长点特征的相似性，若它们足够相似，则作为同一区域合并，形成新的生长点。以此方式将特征相似的区域不断合并、直到不能合并为止，最后形成特征不同的各区域。这种分割方式也称区域扩张法。在实际应用时，要解决三个问题：1）确定区域的数目，也就是选择一组能正确代表所需区域的生长点像素；2）选择有意义的特征，也就是确定在生长过程中将相邻区域像素包括进来的方式；3）确定相似性准则，即获取生长过程停止的准则。特征相似性是构成与合并区域的基本准则，相邻性是指所取的邻域方式。根据所用的邻域方式和相似性准则的不同，产生各种不同的区域生长法。将灰度相关的值作为区域生长准则，区域生长可分为单一型(像素与像素)、质心型(像素与区域)和混合型(区域与区域)三种。单一型区域生长法原理：以图像的某个像素为生长点，将特征相似的相邻像素合并为同一区域；然后以合并的像素为生长点，重复以上的操作，最终形成具有相似特征的像素的最大连通集合。下面给出以像素灰度为特征进行简单区域生长的步骤。(1)对图像进行光栅扫描，找出尚没有归属的像素。当寻找不到这样的像素时结束操作。(2)把这个像素灰度同其周围(4-邻域或8-邻域)不属于任何一个区域的像素进行比较，若灰度差值小于某一阈值，则将它们合并为同一个区域，并对合并的像素赋予标记。(3)从新合并的像素开始，反复进行(2)的操作，直到区域不能再合并为止。(4)返回(1)操作，寻找能作为新区域出发点的像素。优缺点：这种方法简单，但如果区域之间的边缘灰度变化很平缓或边缘交于一点时，两个区域会合并起来。解决方法：为消除这一点，在步骤(2)中不是比较相邻像素灰度，而是比较已存在区域的像素灰度平均值与该区域邻接的像素灰度值。下图是选择三个生长点的区域生长法图像分割的结果与选择另外三个不同生长点的区域生长法图像分割的结果比较第一副图的生长点为横坐标[30,40,82]纵坐标[56,30,35]。第二副图的生长点为横坐标[63,10,85]纵坐标[30,56,60]。生长点在第一幅图像中用绿色方块表示从对比可以看出，区域生长法的缺点就是分割结果决定于生长点的选择。三．图像分割方法研究的趋势虽然近年来图像分割的研究成果越来越多，但由于图像分割本身所具有的难度，使研究仍然存在一些问题，现有的许多种算法都是针对不同的图像，并没有一种普遍适用的分割算法。迄今为止，没有一个好的通用的分割评价标准，如何对分割结果作出量化的评价是一个值得研究的问题，该量化测度应有助于视觉系统中的自动决策及评价算法的优劣，该测度应考虑到均质性、对比度、紧致性、连续性、心理一视觉感知等因素，伴随着数字图像处理的应用领域不断扩大，实时处理技术已成研究的热点，在实时图像处理系统中，算法的运行时间也成为今后研究的方向和目标。虽然图像分割目前尚无通用的理论，但是近年来大量学者致力于将新概念、新方法应用于图像分割，结合特定理论的图像分割方法在图像分割方面取得了较好的应用效果。如小波分析和小波变换、神经网络、遗传算法等数学工具的利用，有效地改善了分割效果用。1.基于遗传算法的图像分割遗传算法是模拟自然界生物进化过程与机制求解问题的一类自组织与自适应的人工智能技术。对此，科学家们进行了大量的研究工作，并成功地运用于各种类型的优化问题，在分割复杂的图像时，人们往往采用多参量进行信息融合，在多参量参与的最优值求取过程中，优化计算是最重要的，把自然进化的特征应用到计算机算法中，将能解决很多问题。遗传算法的出现为解决这类问题提供了新而有效的方法，不仅可以得到全局最优解，而且大量缩短了计算时间。王月兰等人提出的基于信息融合技术的彩色图像分割方法，该方法应用剥壳技术将问题的复杂度降低，然后将信息融合技术应用到彩色图像分割中，为彩色分割在不同领域中的应用提供了一种新的思路与解决办法。2.基于人工神经网络技术的图像分割基于神经网络的分割方法的基本思想是先通过训练多层感知器来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。近年来，随着神