畢業(yè)設計外文資料翻譯-圖像分割方法的簡要綜述

1、畢業(yè)設計外文資料翻譯學 院： 專業(yè)班級： 學生姓名： 學 號： 指導教師： 外文出處：(外文) Foundation of Computer Science 2015，DISP 2015(1):1-5 附 件：1.外文資料翻譯譯文； 2.外文原文 指導教師評語：簽名： 2015年10月14日1外文資料翻譯譯文圖像分割方法的簡要綜述摘要圖像分割是將整個圖像拆分成多個部分。在圖像分析的情況下，圖像處理的關鍵步驟之一是圖像分割。分割的圖像關注的可能是類似或不相似的子部分的特征。圖像分割的輸出結果是對圖像的分析，更是對圖像的進一步處理。圖像的分析包括對圖像的描述、對圖像的表示以及特征的度量。因此，圖像

2、中的特性描述、某些部分的形象化描述在分割的圖像中有著重要的作用。這項調查說明了一些圖像分割的方法。關鍵詞 分割 圖像分割 圖像分析1.介紹我們必須要有圖像去做分割。圖像可能是黑色圖像，白色圖像或者彩色顏色的圖像。圖像的顏色是由灰度的水平決定的1。在彩色圖像的情況下，圖像的顏色隨灰度的變化而變化。圖像分割是圖像分析的一個難點之一，其目標是通過圖像分割、特征提取、對象表示等方法提取圖像數(shù)據(jù)相對應的信息。圖像分割的結果很大程度上依賴于特征測量的精度2。圖像分割過程是分裂整個圖像的構成成分并獲取感興趣的對象。圖像分割的自動化可以提取，但分割結果的可能是剩余圖像分析階段的麻煩3。根據(jù)圖像分割方法2，它可

3、能已被分組為2種進行特征描述和比較。特征描述可能被視為內技術程序，作為比較程序可能被視為技術幀。根據(jù)不同的方法，圖像分割2技術被歸類為不連續(xù)性檢測和相似性檢測，這取決于兩個圖像屬性。不連續(xù)性檢測：邊緣的尋找需要這個屬性包含圖像分割算法。圖像強度5改變并分割圖像。邊緣檢測只不過是基于邊界區(qū)域的像素67分割。邊緣可以說明所涉及的圖像8的相鄰組件的邊界。相似性檢測：根據(jù)預先設定的標準4對圖像進行劃分，看起來像是一樣的區(qū)域，它包含圖像分割的算法，例如區(qū)域分割和區(qū)域合并，區(qū)域增長，閾值分割等。閾值9是一般根據(jù)區(qū)域中的圖像被符號化為像素的值小于閾值，大于或等于閾值來進行分割。閾值可以用來處理一幅圖像10中

4、需要消除不想要的部分。聚類111213也是一種區(qū)域分割的方法，根據(jù)整個圖像的像素集群或包含在67特征空間中的相似性。2.分割方法的分類圖像分割的方法主要有2種，局部分割和全局分割。全局分割關系到整個圖像分割。通常情況下，它與分割部分包括相對大量的像素67，全局分割的構造部分所包含的估計值的參數(shù)是魯棒的。從3個不同的角度來看待一個圖像的分割，即區(qū)域法、邊界法、邊緣法。當任何像素都適合于目標，該像素代表一個值，否則代表零值。閾值分割是處于圖像分析和底層圖像處理過程之中414。隨后的整個分割之中，像素67對應一個目標。結構方法對分割區(qū)域的結構進行一些信息的練習。隨機方法處理那些不知道或不考慮任何結構

5、知識的地區(qū)的孤立的像素。統(tǒng)計分析是隨機方法4所依賴的方法之一?；旌戏椒?包括那些具有結構的特征以及隨機的方法。3. 邊緣檢測技術圖像的強度的事實，關于邊緣的位置，只是簡單地給出不完整的，初步的數(shù)據(jù)。邊緣檢測方法6發(fā)現(xiàn)區(qū)域邊界上的像素。邊緣檢測方法通過注意到不同的區(qū)域之間的像素或邊緣有快速過渡的強度提取215和耦合，試圖確定圖像分割并且創(chuàng)建封閉的對象的邊界。輸出結果是一個二進制值圖像5。從成像過程到之后的傳輸過程中，采樣噪點的存在是不確定性出現(xiàn)的原因之一。不確定性出現(xiàn)的另一個原因的是任何測量的設備都是有缺陷的，其結果僅僅是部分檢查。這意味著邊緣檢測方法由于被限制通常是不適定的，因此可能沒有單一的

6、解決方案。圖像中的那個位置的強度迅速改變是最簡單的方法去尋找圖像的邊緣，它有以下兩個條件：一是哪個位置的強度衍生的幅度超過某個閾值，二是某個位置的強度具有零值。邊緣檢測方法13是圖像分割方法中的一種結構方法。依據(jù)理論，有2種基于基本邊緣分割的方法：基于梯度的方法，灰度直方圖1。在一種邊緣的方法中，邊緣首先被確認，然后將它們連接在一起以創(chuàng)建所需的邊界。邊緣探測器具有不同邊緣檢測算子，例如 canny 算子，Laplace算子，Sobel 算子，LoG (Laplacian of Gaussian) 運算符等。邊緣檢測技術需要優(yōu)質的圖像因此它想要消除噪點或減少噪點。4. 閾值技術圖像分割的一個最簡

7、單的進展是根據(jù)像素的值。該方法是使用取決于閾值的分割，這可能幫到簡單的區(qū)域生長。根據(jù)提前理解的圖像信息，可能自身當選閾值算法。閾值算法另外分離區(qū)域的基礎，要么基于邊緣的要么基于混合的?；谶吘壍乃惴ㄍǔＥc邊緣數(shù)據(jù)相關聯(lián)。對象的組成可以通過邊緣點來說明。常規(guī)的邊緣檢測算法如Laplacian邊緣檢測算子、Canny邊緣檢測器可以劃分這樣的地區(qū)。這些算法被用來搜索邊緣像素，同時去除噪點的影響。閾值是比較老的，簡單的，公認的圖像分割方法16。圖像通過閾值分割是容易的，但在陰沉的環(huán)境中2，指揮的圖像分割方法包括輕目標。閾值法是取決于在圖像特征1的圖像空間領域。行動閾值將多級圖像轉化為二進制值之一，它選

8、擇一個合適的閾值T，將圖像的像素劃分在在眾多領域，然后將對象去除背景。閾值操作用以確定強度的值稱為閾值，這就是劃分的類。分割是通過像素強度大于閾值的劃分在一個類中，剩余的劃分在另一個類中。根據(jù)閾值的選擇，存在132種閾值技術，分別是局部閾值，全局閾值。根據(jù) Sankar K PAL，PAL Nikhil R Pal15所做的圖像閾值分割方法研究。閾值也可以分為雙閾值，多閾值16。如果T是穩(wěn)定的值，則該技術被稱為全局閾值，否則它被稱為局部閾值。如果背景啟示是不規(guī)則的，全局閾值技術可能是不成功的。在局部閾值的情況下，幾個閾值被用來補償不規(guī)則的啟示17。閾值的選擇通常發(fā)生在交互方式，它可能獲得自動閾

9、值選擇算法。閾值技術的缺點是僅有2個分類，它不能是有用的多通道圖像。5. 區(qū)域分割技術R表示圖像的區(qū)域，并表示為一個圖像相對于紋理或灰度級的標準的連通的均勻子集。圖像區(qū)域是具有類似的特征的連接的像素的集群。在這種方法中，每個像素被分配到特定的區(qū)域或對象中。與邊緣檢測技術相比較，對區(qū)域相關的分割算法進行評價是相當費力的并且更不受噪點影響118。邊緣相關技術是以邊緣附近的強度迅速變化為基礎的，而區(qū)域為基礎的技術，根據(jù)一組預先指定的標準58劃分圖像到類似的區(qū)域。對于依賴于區(qū)域的分割，與目標相對應的像素被裝配在一起并標記。此外，以區(qū)域為基礎的分割，需要利用合適的閾值方法。重要的原則是值相似，包括灰度值

10、的方差、灰度值和空間接近的差異，包括歐氏距離，區(qū)域緊湊的差異。區(qū)域分割算法主要包含以下幾個方面：區(qū)域生長、區(qū)域分裂和合并。區(qū)域生長3是在加入一些預先指定的標準的基礎上，挖掘出一個圖像區(qū)域過程。這個標準取決于強度的信息。區(qū)域生長是圖像檢查相鄰像素并插入到沒有被發(fā)現(xiàn)的無邊緣區(qū)域類的分割方法。這個過程在每一個邊界像素的區(qū)域內重復執(zhí)行。如果相鄰區(qū)域被檢測到，則利用區(qū)域合并算法，在該區(qū)域中，脆弱的邊緣被熔化，并且邊緣保持完好。分裂和合并方法是區(qū)域增長的矛盾。此方法作用于整個圖像。區(qū)域分裂是一種自上而下的方式。它從一個完整的圖像開始，并將它拆分出來，使孤立的元素比整個圖像更均勻。只有分裂是不足夠，因為它嚴

11、格限制了段形狀。因此，合并階段晚于分裂所有的時間是有利的，這是表示為分裂和合并算法。每個區(qū)域都可以分為子區(qū)域，合適的區(qū)域可以合并為一個區(qū)域。不選擇種子點的，可以將圖像分成一組隨機未連接的區(qū)域，使合并后的區(qū)域12適應圖像的合理分割的情況。一般采用依賴于四叉樹的數(shù)據(jù)的區(qū)域分裂和合并理論。區(qū)域分割與合并是一種獲取空間信息轉化為思維的方法。在區(qū)域分裂技術中，選擇R代表整個圖像。選擇一個謂詞P，連續(xù)將圖像分割成較小的和次要的象限區(qū)域。分裂方法有一個合適的描述形式的結構被稱為四叉樹。在四叉樹中，樹的根表示整體形象，每一個節(jié)點代表部分。在區(qū)域合并技術中，合并類似的任何相鄰的區(qū)域。重申上述步驟，直到沒有進一步

12、的分裂或合并發(fā)生。該方法將輸入的數(shù)據(jù)布置成一個金字塔形的網(wǎng)格排列的區(qū)域，每一個區(qū)域的組織在4組二維的情況下，8組三維的情況下的物理交易將不需要在這個方法。但缺點是，它需要輸入的數(shù)據(jù)被組織成一個金字塔形的安排，這可能是棘手的19。6. 集群技術在圖像處理中聚類是一項重要任務。聚類1112是一種無監(jiān)督的學習工作，同時還設有要求看到一組有限的類稱為集群識別像素13。不是沒有訓練階段就用于聚類分析;而是自己利用現(xiàn)有的信息進行訓練。當類中事先被承認則主要利用聚類。一個對應的標準是描述像素之間2，后來人們將類似像素組裝共同創(chuàng)建集群。像素分組是取決于開發(fā)內部相類像素并削減跨類相似的規(guī)律。聚類方法試圖使用一套

13、由生物模式之間的隸屬關系在群集或群體的模式，以便集群內部的圖案是類似于外彼此作為比較不同的集群模式。聚類結果質量依賴于相似性度量方法和其執(zhí)行。聚類技術20的將創(chuàng)建優(yōu)質集群具有高類內相似和低類間相似。聚類技術的卓越還審議了由其發(fā)現(xiàn)的能力。聚類根據(jù)這些對象的某些物品是什么，對對象分類成組。在聚類方法，努力開展挖出一個向量圖像局部地區(qū)。聚類分析的一般過程是將每個像素分配給附近的群集均值。聚類算法分為k-均值聚類、模糊聚類、硬聚類等。一個著名的硬聚類算法21是 k-均值聚類算法。在硬聚類中，一個成員值 0 或 1 是給每個模式數(shù)據(jù)。工作很簡單，提供早期硬 c-分區(qū)，它計算中心，并將每個對象分配給其附近

14、的中心以減少群集內變化。它進行了實驗比較當前和先例的分區(qū)，每次迭代后如果成果的多樣性較小比帶前綴的閾值，它會停止否則它繼續(xù)下去。統(tǒng)計聚類算法只不過是 k-均值算法。數(shù)據(jù)聚類是產生對象組的技術。K-均值算法是取決于索引的肖像或組件的數(shù)據(jù)中，夫妻雙方似是而非。K-均值算法是無監(jiān)督、迭代、數(shù)值、非數(shù)值和技術。這種形式的算法欽佩率真、成就和它普遍用于分組圖像中的像素?？臻g聚類技術，越來越多的形狀信息。模糊聚類技術可以被認為是較好，表現(xiàn)為硬等價類的比較因為他們可以顯示之間的輸入的模式的信息，加入集群更毫不奇怪。模糊c-均值22是一種深受人們喜歡的軟聚類的技術，其有用性是大多限于球形的聚集體。在許多情況下

15、，它是非常靈活的屁股比較等效硬聚類算法。聚類技術可以分為 2 種類型;分層、分塊。在每個類別中，存在許多種類的搜索聚類算法。層次聚類方法是取決于對接近利用矩陣顯示之間的數(shù)據(jù)點，是每一對夫婦肖像聚集的最終結果是簇樹顯示嵌套的模式組和相似性程度分組會發(fā)生變化。由此產生的集群通常會產生作為內部的樹節(jié)點，作為根節(jié)點存放整個數(shù)據(jù)庫和節(jié)點在葉為單獨的數(shù)據(jù)樣本。取決于聚類分區(qū)利用旨在減少目標函數(shù) f 的迭代優(yōu)化生產，確定聚類的好意。這種聚類是包含 2 學習步驟;每個模式對其關閉的群集和群集的質心計算分區(qū)。7. 人工神經網(wǎng)絡技術神經網(wǎng)絡是人類大腦的人工模擬，它試圖模仿它的學習過程。人工神經網(wǎng)絡2425通常被稱

16、為神經網(wǎng)絡或僅僅是神經網(wǎng)絡。迄今為止，神經網(wǎng)絡被廣泛應用于醫(yī)學流圖像分割。它是依賴于生命的模仿，特別是人類大腦的學習過程，包含了大量的并行節(jié)點。每個節(jié)點都可以進行一些基本的計算。學習過程可以通過移動節(jié)點連接和連接權值26來實現(xiàn)。其主要的顯著好處是不依賴于稱為概率密度分布函數(shù)的函數(shù)。它也可以從通常情況下的數(shù)據(jù)發(fā)散，驗證分割的結果。在圖像分割的過程中，神經網(wǎng)絡也可以減少專家的干預需求。這種危機在很多時代都很常見，這是一種很常見的問題。最初，圖像分割的問題是變?yōu)槟芰孔钚』蚍诸悊栴}，隨后的問題是根據(jù)神經網(wǎng)絡在這項技術中的回答。訓練樣本的目的是確定節(jié)點之間的連接和節(jié)點之間的權重。之后，經過訓練的神經網(wǎng)

17、絡進行新的圖像分割。神經網(wǎng)絡分割技術包括2個重要步驟：特征提取和依賴于圖像分割的神經網(wǎng)絡。表1摘要表作者分割方法的名字方法的描述方法的優(yōu)點方法的局限性W. X. Kang et.al.1 Zhang et.al.2 Rastgarpour M. et.al.5 Jesmin F. Khan et.al.6 V. K. Dehariya et.al.13 Nikhil R Pal et.al.15邊緣檢測法取決于不連續(xù)性檢測，一般是適合點少或變化很大的灰度變化。-人類可感知對象的方法。-工作精細的圖像具有良好的地區(qū)差距。-不利于圖像邊緣不清晰-不利于有許多邊緣的圖像-不是很容易創(chuàng)建邊界或封閉的曲

18、線。-與其他方法相比較有噪點W. X. Kang et.al.1 Zhang et.al.2 V. K. Dehariya et.al.13 Nikhil R Pal et.al.15 Y. Zhang et.al.16 T. Lindeberg et.al.17閾值法想要圖像有一個明顯的峰，每一個對應于一個區(qū)域。- 不要求原圖像的知識。- 最小計算的復雜性。-不利于沒有明顯峰的圖像-不利于廣闊平坦的圖像-不相信空間事實，因此不能保證連續(xù)分割區(qū)域W. X. Kang et.al.1 Zhang et.al.2 D.L. Pham et.al.3 Rastgarpour M. et.al.5 H

19、. G. Kaganami et.al.8 H. Zhang et.al.18 S.Lakare et.al.19區(qū)域相關法均勻區(qū)域內的像素集。計算區(qū)域生長、分裂、合并或置換。-有利于區(qū)域均勻的無痛性規(guī)范-與邊緣檢測方法相比較有額外的抗噪點效果-花費比較多的內存，以及計算時間-區(qū)域生長依賴于種子區(qū)域的選擇和排序(像素被檢查)-輸出段的區(qū)域由于分裂格式而太方Zhang et.al.2 Yang Yang et.al.11 J. Senthilnath et.al.12 V. K. Dehariya et.al.13 R.Xu et.al.20 F .Z. Kettaf et.al.21 S. N

20、az et.al.22 S.Tatiraju et.al.23模糊方法使用模糊運算，數(shù)學，性質和推理規(guī)則，得到一種模式來處理不確定性固有的麻煩，因為歧義代替隨機性。-模糊隸屬度函數(shù)顯示的屬性或者語言短語描述，如果模糊-規(guī)則可以用于做近似推理-模糊隸屬度不是容易的工作-模糊方法的計算可能是密集的T.F. Wang et.al.24 Y.L.Huang et.al.25 T.Kohonen 26神經網(wǎng)絡方法使用神經網(wǎng)絡做聚類，分類-不需要編寫繁瑣的程序。-可以完全利用神經網(wǎng)絡的并行性質。-延長訓練期-初始化可能會影響結果-必須保持額外訓練8.總結本文調查研究了各種圖像分割的方法，不同分割技術在數(shù)字

21、圖像處理中的應用是很開明的。本文還評價了各種研究技術在圖像分割中的應用。通過使用邊緣、圖像、點等技術，這些技術是最重要的模式檢測與識別。調查本文所述的圖像分割技術被利用于人臉識別、圖像識別、模式識別等眾多現(xiàn)代化的機器中。圖像分割有一個充滿希望和要求苛刻的機會，作為普遍的分割算法，已成為當前研究的關注中心。這里是沒有孤立的技術，可以被認為優(yōu)于所有形式的圖像。不是每個均勻細為一種特定的圖像的技術。由于所有這些問題，圖像分割的問題，在圖像處理中的一個要求苛刻的危機，仍然是等待問題。靜止圖像分割提供更多的技術應用到不同領域。或許能在即將到來的日子里，很多新穎的圖像分割方法的設計將被提出。圖像分割是研究

22、人員今后工作的一個很廣泛的領域。9.參考文獻1 W. X. Kang, Q. Q. Yang, R. R. Liang, “圖像風格算法的比較”, ETCS IEEE 會議, pp. 703-707, 2009. 2 Zhang, Y. J, 在過去的40年里的圖像和視頻分割的概述, 第六屆信號處理與應用國際研討會會議記錄, pp. 144-151, 2001. 3 D.L. Pham, Ch. Xu and J.L. Princo, 當前在生物醫(yī)學工程年度審查的醫(yī)學圖像分割方法綜述, vol. 2, 2000. 4 Wahba Marian, 自動修改區(qū)域生長的應用在前列腺經直腸超聲圖像中的

23、分割技術,碩士論文，電動和計算機系，滑鐵盧大學，滑鐵盧, 安大略, 加拿大, 2008. 5 Rastgarpour M., and Shanbehzadeh J., 人工智能技術在醫(yī)學圖像分割和可用的方法和工具分類中的應用, 工程師和計算機國際研討會 2011 Vol I, IMECS 2011, 3月 16-18, 2011, 香港. 6 Jesmin F. Khan, Sharif M. A. Bhuiyan, and Reza R. Adhami, 道路標志檢測的圖像分割和形狀分析, 智能交通系統(tǒng)匯刊, VOL. 12, NO. 1, 3月 2011. 7 Andrew Janowcz

24、yk, Sharat Chandran, Rajendra Singh, Dimitra Sasaroli, George Coukos, Michael D. Feldman, and Anant Madabhushi, 高通量生物標志物在卵巢癌組織微陣列通過分層的歸一化分割, 生物醫(yī)學工程匯刊, VOL. 59, NO. 5, 5月 2012. 8 H. G. Kaganami, Z. Beij, 基于區(qū)域的邊緣檢測, 智能信息隱藏和多媒體信號處理匯刊, pp. 1217-1221, 2009. 9 Panagiotis Sidiropoulos, Vasileios Mezaris, I

25、oannis (Yiannis) Kompatsiaris and Josef Kittler,微分的編輯距離: 場景分割評價指標, 電路與系統(tǒng)視頻技術匯刊, VOL. 22, NO. 6, 6月 2012. 10 Alasdair McAndraw, 維多利亞科技大學計算機科學和數(shù)學，介紹應用MATLAB進行數(shù)字圖像處理, 9月 2004. 11 Yang Yang, Yi Yang, Heng Tao Shen, Yanchun Zhang, Xiaoyong Du, Xiaofang Zhou,有識別能力的非負譜聚類的示例擴展插件, 數(shù)字對象標識 10.1109/TKDE.2012.11

26、8 1041-4347/12/$31.00 2012 IEEE. 12 J. Senthilnath, S.N.Omkar, V.Mani, TejovanthN,P.G . Diwakar, and Archana Shenoy B,土地覆蓋映射使用衛(wèi)星圖像分層聚類算法, IEEE 雜志所選主題中應用的地球觀測和遙感, VOL. 5, NO. 3, 6月 2012. 13 V. K. Dehariya, S. K. Shrivastava, R. C. Jain, 圖像數(shù)據(jù)集使用 K-均值和模糊 K-均值算法的聚類, CICN國際會議, pp. 386- 391, 2010. 14 K. K

27、. Singh, A. Singh, 不同類型的圖像分割算法的研究, 計算機科學問題國際雜志, Vol. 7, Issue 5, 2010. 15 Nikhil R Pal and Sankar K Pal, 圖像分割技術，印度統(tǒng)計研究所述評, 模式識別, Vol 26, No.9, pp.1277, 1993. 16 Y. Zhang, H. Qu, Y. Wang, 基于快速閾值分割和圖像融合的自適應圖像分割, 人工現(xiàn)實與Telexistence工作坊, pp. 308-311, 1994. 17 T. Lindeberg and M.-X. Li，使用最小描述長度近似和互補交界處線索進行

28、邊緣的分割和分類,計算機視覺和圖像理解, vol. 67, no. 1, pp. 88-98, 1997. 18 H. Zhang, J. E. Fritts, S. A. Goldman, 圖像分割評價: 無監(jiān)督方法綜述，計算機視覺和圖像理解, pp. 260-280, 2008. 19 S.Lakare and A.Kaufman,3D分割技術在醫(yī)學的應用, 視覺計算中心, 計算機科學系, 紐約州立大學, dec.2000. 20 R.Xu, D.Wunsch A.Jain, M.Murty, P.Flynn,數(shù)據(jù)聚類:審查, ACM計算調查, 31, 1999, pp-264. 21 F

29、 .Z. Kettaf, D. BI, J. P.,聚類技術的圖像分割方法的比較研究, ICSP, pp. 1280-1282, 1996. 22 S. Naz, H. Majeed, H. Irshad, “利用模糊聚類圖像分割的圖像: 一個綜述”, ICET國際會議, pp.181-186, 2010. 23 S.Tatiraju, A. Mehta, 基于k-均值聚類，EM和歸一化削減的圖像分割, EECS系, pp. 1-7. 24 T.F. Wang, D.Y. Li et al. 使用自產生和自組織神經網(wǎng)絡的超聲醫(yī)學圖像的自動分割. 電子學雜志.1999,21(1),pp.124-

30、127. 25 Y.L.Huang, D.R.Chen. 二維超聲在乳腺腫瘤的分水嶺分割. 超聲醫(yī)學與生物學. 2004, 30(5), pp.625632. 26 T.Kohonen. 自組織和聯(lián)想記憶. 紐約入門教材, Inc.紐約, NY, 美國, 1989. 2.外文原文A Brief Survey on Image Segmentation Methods M.S. Sonawane Research Scholar, SGBAU, Amravati (M.S.)C.A. Dhawale, Ph.D. P.R. Pote College of Engineering & Manage

31、ment, Amravati (M.S.), IndiaABSTRACTTerm segmentation is about splitting the whole image into segments. In case of image analysis, image processing one of the crucial steps is segmentation of image. Segmentation of image concern about dividing entire image in sub parts that may be similar or dissimi

32、lar with respect to features. Output of image segmentation has consequence on analysis of image, further processing of image. Analysis of image comprises depiction of object and object representation, measurement of feature. Therefore characterization, area of interests visualization in the image, d

33、escription have crucial job in segmentation of image. This survey explains some methods of image segmentation.Keywords Segmentation, Image Segmentation, Image Analysis.1. INTRODUCTION In order to do the segmentation we must have an image. Images might be black images, white images or color images. I

34、mages with color are because of grey level 1. In case of color image, color in image varies as gray level contrast varies. Segmentation of image is one of the difficult steps of image analysis, with the aim of information extraction which corresponds to image data through image segmentation, measure

35、ment of feature, representation of object. The outcome of image segmentation very much relies upon precision of feature measurement 2. Image segmentation procedure which splits entire image in its ingredients and take out object of interest. Image segmentation automation can be made but segmentation

36、 outcome may distresses remaining image analysis phases 3. Depending on image segmentation methods 2, it might be grouped in 2 kinds, Characterization and Comparison.Characterization might be treated as intra-technique procedure where as comparison procedure might be treated as inter-technique. Depe

37、nding on diverse methodologies, image segmentation 2 techniques are categorized as Discontinuities Detection and Similarities Detection, depending on two image properties. Discontinuities Detection:-The finding of edge needs this property this contains image segmentation algorithm. Image intensity 5

38、 is changed and split the image. Detection of edge is nothing but segmentation by locating pixels 6, 7 on boundary region. The edge might be illustrated by boundary involving adjoining components of an image 8. Similarities Detection; It seems division of image in areas which are same according to p

39、re-specified criterion 4, it contains algorithms for image segmentation for example region splitting and region merging, region growing, thresholding etc. Thresholding9 is general thing utilized to do segmentation depends on region in which the image is symbolized as pixels cluster with values less

40、to threshold, greater or equal to the threshold. Thresholding might be utilized in circumstances where client needs to eliminate unwanted portion of an image 10. Also Clustering 11, 12, 13 is an approach for segmentation of area in which entire image is divided in pixels clusters or sets 6, 7 encomp

41、assing likeness in feature space. 2. CLASSIFICATION OF SEGMENTATION METHODS Methods of Image segmentation can be mostly categorized in 2 kinds; Local segmentation and Global segmentation. Global segmentation is related with segmentation of entire image. Typically it is related with segment parts com

42、prising comparatively huge number of pixels 6, 7.This constructs estimated values of parameter for global segment parts mainly robust. Segmentation of an image could be and approach from 3 diverse viewpoint. Namely Region approach, Boundary approach, Edge approach. When any pixel fits in object, tha

43、t pixel represents one value else represents zero value. Segmentation 4, 14 is the working in threshold between image analysis and low level image processing. Subsequent to the whole segmentation, pixel 6, 7 feel right to an object. Structural methods 4 exercise a few information about the structure

44、 of the region for segmentation. Stochastic methods are applied on isolated pixels without knowing or bearing in mind any structural knowledge of area. Statistical analysis is one of the methods on which stochastic method 4 depends. Hybrid method 4 comprises those methods which have the features of

45、structural as well as stochastic methods.3. EDGE DETECTION TECHNIQUES Images intensity facts simply give incomplete, tentative data regarding position of edges. Edge detection method 6 is discovering pixel on the region boundary. Edge detection method tries to determine image segmentation by noticin

46、g the pixels or edges between diverse regions that have quick transition in intensity are extracted 2, 15 and coupled to create closed boundaries of object. The outcome is a binary image 5. One cause of uncertainly appears from the presence of noise established in imaging process and afterwards in t

47、ransmission, process of sampling. Another cause of uncertainly appears from the fact that any measurement piece of equipment is defective and their outcomes are merely partial inspection. It says that methods of edge detection are normally ill-posed, that is they are under-constrained and therefore

48、might not have single solutions. The simplest approach to find edges in image is to watch for locations in an image where intensity alters speedily using one of two conditions; Locations at which earliest intensity derivative bigger in magnitude than some threshold, Locations at which second intensi

49、ty derivative has a zero crossing. Edge detection 13 method is one of structural method of the image segmentation method. Depends on theory there are 2 chief edge based segmentation methods; gradient based method, gray histogram1.In an edge approach, edges are acknowledged first, then they are joine

50、d together to create required boundaries. Edge detectors have diverse operator for edge detection like canny operator, Laplace operator, Sobel operator, LoG (Laplacian of Gaussian) operator etc. Edge detection technique needs a superior quality of an image therefore it wants to eliminate the noise o

51、r diminish the noise.4. THRESHOLD TECHNIQUE One easiest advance of image segmentation is depends upon values of pixels. The method is to use segmentation depends on thresholding which may assist to simple region growing steps. Thresholding algorithms could be elected physically as per an advance com

52、prehension or robotically by image information. Thresholding algorithms additionally separated to region based, edge based, or hybrid. Edge based algorithms are associated with edge data. The object composition could be illustrated by edge points. Regular edge detection algorithms like Laplacian edg

53、e detector, canny edge detector could be categorized to this sort of regions. These algorithms are utilized to search edge pixels while removing influence of noise. Thresholding is elderly, straightforward, well accepted method for segmentation of image 16. Segmentation of image by thresholding is a

54、n easy but commanding approach for image segmentation comprising light objects on gloomy surroundings 2. Thresholding method is depends upon image space areas that is on image characteristics 1. Action thresholding translates multilevel image into a binary one that is, it selects an appropriate thre

55、shold T, to split pixels of an image in numerous areas then detaches objects apart from background. Thresholding operation utilized to decide intensity value known as threshold, which disconnects the desire classes. Segmentation is achieved by combining the entire pixels with intensity greater than

56、threshold in one class, remaining pixels in another class. Depending on threshold value selection, 2 kinds of thresholding techniques are existed 13 that are local thresholding, global thresholding. Sankar k Pal, Nikhil R Pal 15 made survey on image thresholding methods. Also thresholding could be c

57、ategorized in bi-level thresholding, multi-thresholding 16. If value of T is steady, then the technique is known as global thresholding else it is known as local thresholding. Global thresholding techniques might be unsuccessful if background enlightenment is irregular. In case of local thresholding

58、, several threshold values are utilized to compensate for irregular enlightenment 17. Choice of threshold usually happens interactively though; it is probable to obtain automatic threshold selection algorithms. Drawback of thresholding technique is merely 2 classes are produced, and it cant be usefu

59、l to multichannel images.5. REGION SEGMENTATION TECHNIQUES R indicates region of image and is stated as a connected homogenous subset of an image with respect to some criterion like texture or gray level. Image regions are cluster of connected pixels with analogous belongings. In this approach, ever

60、y pixel is assigned to specific area or an object. As evaluated with edge detection technique, region dependent segmentation algorithms are quite effortless and more unaffected with noise 1, 18. Edge dependent techniques divide an image based on speedy alterations in intensity near edges while regio