常见图像分割技术分析与比较

常见图像分割的技术分析与比较摘要：本文从图像分割的基本概念出发，介绍了图像分割的一些方法，并对这些方法的原理及其优缺点进行了对比。分析了目前现有分割方法的优缺点，总结了图像分割方法以后发展的方向。关键词：图像分割；分割方法；优缺点中图分类号：tp391.41文献标识码：a文章编号：1007-9599(2013)06-0000-021引言图像分割是指将一幅图像分成彼此不连接的区域，每个区域内的象素都有相似或相同的性质，相邻区域之间则不能有相似的性质。目前，各种图像处理技术层出不穷，人们也提出了各种类型的图像分割算法，并且对于这方面的研究也正在进行中[1]。目前对图像分割的方法有很多种。例如从分割的策略来说，有并行分割技术和串行分割技术两大类，而串行或并行的分割又包含基于边界的分割方法和基于区域的分割方法。并行边界分割技术主要是采用并行的方法通过对目标边界进行检测来实现，这种分割方法已经有很悠久的历史，早在1965年就有人提出了相应的检测算子。并行边界的分割技术是一种基于边缘检测的分割方法，这种方法是假设目标与背景之间的灰度值有差异，即两个具有不同灰度值的相邻区域总存在灰度差异，这种不连续的结果可以通过求导进行检测。2图像分割方法2.1阈值化方法阈值分割是一种简单的基于区域的分割技术，也是一种基本的图像分割方法。这种分割方法是假定每个区域中的灰度级是均匀的，但是相邻区域之间的灰度级不同。此方法的主要思想是选取一个值，也称为阈值，通过图像中每一个象素与这个门限值进行比较来进行分割，如果图像中象素的灰度值大于这个门限值就为目标，否则为背景。由于阈值分割方法只是考虑了目标和背景的像素值，而对于目标的其他特征，比如空间特征、颜色和纹理特征均未考虑在内，所以这种方法对噪声很敏感。而空间特征聚类方法就考虑了目标和背景的空间特征，它将一组目标的相关特征值，包含颜色信息、纹理信息和其他的统计参数划分到各类技术中。这种聚类方法没有用到图像的空间信息，因此对噪声比较敏感。liew等人在此基础上提出了一种新的特征空间聚类方法，这种方法是利用新的相异指数对模糊c均值的目标聚类函数进行改进，并加入了局部空间纹理特征，最终的目的是使聚类原型能够适应平滑的聚类亮度变化[2]。2.2区域提取方法基于区域的提取方法主要有两种[3]，一种是以一个像素点为基础进行合并，逐渐形成需要的分割区域，即区域生长法；另一种方法是在原图上分裂来形成所需要的分割区域，即分裂合并法。但是在实际应用中，通常将这两种方法结合使用。区域生长法的基本思想是在原图中选择具有相似性质的像素点，并将它们合并以构成区域。因此在合并前通常要给定原图像中需要分割的目标物体的起始区域，或者说种子区域，然后再根据一定的规则将这些种子区域周围的像素点加入进来，最终具有这些相同性质的所有像素点就构成了一个区域。相似准则通常可以是区域的灰度差、区域的灰度分布统计或基于形状的准则。分裂合并的分割方法的思想则和区域生长法的思想相反，通过将图像分成任意大小并且不重叠的区域，并对这些区域不断的分裂来得到各个区域。2.3基于边缘检测的分割方法边缘是图像中的重要的特征之一，图像的边缘通常对应图像中灰度变化强烈的地方。根据灰度的变化情况，可以将边缘划分为阶梯型和屋脊型两种类型。其中，阶梯型边缘其两边的灰度值变化比较明显，即从一个灰度慢慢过渡到另一个高灰度，而屋脊型边缘则位于图像中灰度值增加与减少的交界处，即先从一个灰度增加到另一个高灰度，然后再减小[4]。在进行边缘检测时通常采用空域微分算子进行，即通过图像与模板卷积来完成。例如经典的边缘检测算子。串行的边界技术主要是采用串行的方法对边界进行检测，这种方法通过顺序搜索边缘点来完成对边界的检测和确定。2.4结合特定理论的分割方法目前人们在进行图像边缘检测时不仅要求检测出边缘，还有其他的要求，例如对精度，或者在强噪声下也能进行检测，或者是将二维图像扩展成更高维的图像等等。当这些要求不能使用传统的检测方法或者某一种单独的算法达到时，人们将边缘检测算法与一些最新的理论与相结合，或者在原有的图像分割方法中引入新方法，并将各种方法综合起来，并且有较好的效果。目前图像分割算法研究的发展趋势是：(1)对原有的算法不断改进；(2)将一些新方法引入，并将多种方法进行组合。而结合特定理论的分割方法则是现在人们研究的热点问题。而现在提出的一些结合特定理论的分割方法主要有基于小波变换的图像分割技术、基于遗传算法的图像分割技术[5]、基于水平集的图像分割技术、基于markov随机场的方法、基于神经网络的方法、基于数学形态学的分割技术等。3图像分割方法优缺点表1图像分割方法优缺点优点缺点阈值化方法原理较为简单，适合对包含有不同类的物体灰度值或图像的特征值相差较大的图像进行分割。数据压缩率高，而且能对后续的分析处理步骤进行简化。当图像灰度不均匀或者灰度值范围有较大的重叠部分时，分割效果不好；对噪声很敏感区域提取方法区域合并原理比较简单，对于灰度均匀的连通目标通常有较好的分割效果分裂合并方法适合对复杂的图像进行分割区域合并方法需要人为事先确定种子区域，对噪声较敏感分裂的算法较为复杂，计算量大，分裂时可能破坏区域的边界基于边缘检测的分割方法适合对边缘灰度值过渡比较尖锐且噪声较小的不太复杂的图像进行分割不适合边缘复杂或采光不均匀的图像，例如提取的边缘较为模糊，或者当边缘不是很强时会出现丢失的情况，或者求得的边缘不连续等等结合特定理论的分割方法能根据具体图像选择合适的分割方法，并能取得较好的效果算法复杂4总结本文对图像分割及其方法进行了综述，并对几种经典的图像分割方法的优缺点做了比较。图像分割的方法和种类有很多，但目前还没有一种普遍适用于各种图像的有效方法，或者说没有一种标准的分割方法对于所有类型的图像都能进行很好的分割。从总的发展趋势为以下两点：4.1如何寻找在保证准确率高的情况下速度更快的算法。由于数字图像处理的应用越来越广泛，速度也应该是一个需要考虑的问题。4.2如何将一些新的理论相结合，应用在图像分割上。由于只用一种方法进行图像分割，往往达不到要求和令人满意的效果，因此将一种或多种理论结合运用在图像分割上，应该是图像分割方法的一个趋势。参考文献：[1]韩思奇,王蕾.图像分割的阈值法综述[j].系统工程与电子技术,2002,24(6):91-94,102.[2]otsun.athresholdselectionmethodfromgraylevelhistogram[j].ieeetransonsystems.manandcybemetics,1979,9(1):62-66.[3]许新征.图像分割的新理论和新方法[j].电子学报,2010(2a):76-82.[4]陈宇云.灰度图像的边缘检测研究[d].成都:电子科技大学,2009.[5]虞伟,张小刚.遗传算法优化的形态学边缘检测算子[j].微计算机信息,2008,24(9):168-170.[作者简介]汪梅（1981-）女，硕士，梧州学院，讲师，主要研究方向：数字图像处理；何高明（1980-），男，硕士，梧州学院，讲师，主要研究方向：嵌入式系统；贺杰（1982-），男，硕士，梧州学院，副教授，主要研究方向：图像处理。[基金项目]广西自然科学基金项目，基于正方形nam的图像表示及操作算法研究（项目编号：2013gxnsfba019275）。