計算機圖像處理中圖像分割的研究

計算機圖像處理中圖像分割的研究

圖像分割是指將圖像劃分多個特征區(qū)域并提取感興趣目標的技術(shù)和過程。這是圖像處理到圖像分析的一個重要步驟。這是計算機的基本視覺技術(shù)。只有在圖像分割的基礎(chǔ)上才能對目標進行特征提取和參數(shù)測量,使得更高層的圖像分析和理解成為可能。因此對圖像分割方法的研究具有十分重要的意義。圖像分割是將整個圖像區(qū)域分割成若干個互不交疊的非空子區(qū)域的過程,每個子區(qū)域的內(nèi)部是連通的,同一區(qū)域內(nèi)部具有相同或相似的特性,這里的特性可以是灰度、顏色、紋理等。對于灰度圖像來說,區(qū)域內(nèi)部的像素一般具有灰度相似性,而在區(qū)域邊界上一般具有灰度不連續(xù)性。圖像分割的數(shù)學描述如下:設(shè)集合R代表整個圖像區(qū)域,P(·)是區(qū)域上相似性測量的邏輯準則,對R的分割就是把R分成滿足下列條件的非空子區(qū)域R1,R2,,…,Rn:①∪i=1nRi=R①∪i=1nRi=R②對于所有的i和j,i≠j,有Ri∩Rj=Φ③對于i=1,2,…,n,有P(Ri)=TRUE④對于i≠j,有P(Ri∪Rj)=FALSE⑤對于i=1,2,…,n,Ri是連通的區(qū)域根據(jù)上面的討論和定義,灰度圖像分割方法一般可分為利用區(qū)域內(nèi)灰度相似性的基于區(qū)域的方法和利用區(qū)域間灰度不連續(xù)性的基于邊界的方法。根據(jù)分割過程中處理策略的不同,分割算法又可分為并行算法和串行算法,在并行算法中,所有判斷和決定都可獨立和同時地進行,而在串行算法中,后續(xù)處理過程要用到早期處理的結(jié)果。近幾年來,研究人員不斷改進原有方法并把其他學科提出的一些新理論和新方法用于圖像分割,提出了不少新的分割方法。本文對傳統(tǒng)的圖像分割方法和近年來出現(xiàn)的新方法進行介紹。1基于區(qū)域的劃分方法基于區(qū)域的分割方法是利用區(qū)域內(nèi)特征的相似性把圖像劃分成一系列有意義區(qū)域的處理方法。1.1多閾值分割處理閾值法是一種最常用的并行區(qū)域技術(shù),閾值是用于區(qū)分不同目標的灰度值。如果圖像只有目標和背景兩大類,那么只需選取一個閾值稱為單閾值分割。這種方法是將圖像中每個像素的灰度值與閾值相比較,灰度值大于閾值的像素為一類,灰度值小于閾值的像素為另一類。如果圖像中有多個目標,就需要選取多個閾值將各個目標分開,這種方法稱為多閾值分割。閾值又可分為全局閾值、局部閾值和動態(tài)閾值。閾值法分割的結(jié)果依賴于閾值的選取,確定閾值是閾值法分割的關(guān)鍵,閾值分割實質(zhì)上就是按照某個準則求出最佳閾值的過程。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他一些方法。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(jié)合使用。1.2區(qū)域生長法區(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)果進行判斷而確定。區(qū)域生長的基本思想是將具有相似特性的像素集合起來構(gòu)成區(qū)域。首先為每個需要分割的區(qū)域確定一個種子像素作為生長起點,然后按一定的生長準則把它周圍與其特性相同或相似的像素合并到種子像素所在的區(qū)域中。把這些新像素作為種子繼續(xù)生長,直到?jīng)]有滿足條件的像素可被包括,這時生長停止,一個區(qū)域就形成了。區(qū)域生長法要解決的主要問題是區(qū)域生長準則的設(shè)計和算法的高效性。生長準則往往和具體問題有關(guān),直接影響最后形成的區(qū)域,如果選取不當,就會造成過分割和欠分割的現(xiàn)象。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(nèi)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(shè)計算法時,要盡量提高效率。分裂合并法的基本思想是從整幅圖像開始通過不斷分裂合并得到各個區(qū)域。一種利用四叉樹表達方法的分割算法如下:R代表整個正方形圖像區(qū)域,P代表檢驗準則。①對任意區(qū)域Ri,若P(Ri)=FALSE就將其分裂為不重疊的四等分。②對相鄰的兩個區(qū)域Ri和Rj,若P(Ri∪Rj)=TRUE,就將它們合并。③若進一步的分裂和合并都不可能了,則結(jié)束。分裂合并法的關(guān)健是分裂合并準則的設(shè)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。1.3fcm算法聚類圖像分割問題也可看成是對象的分類問題,所以可以使用模式識別中的模式分類技術(shù)。特征空間聚類法進行圖像分割是將圖像空間中的像素用對應的特征空間點表示,根據(jù)它們在特征空間的聚集對特征空間進行分割,然后將它們映射回原圖像空間,得到分割結(jié)果。其中,K均值、模糊C均值聚類(FCM)算法是最常用的聚類算法。K均值算法先選K個初始類均值,然后將每個像素歸入均值離它最近的類并計算新的類均值。迭代執(zhí)行前面的步驟直到新舊類均值之差小于某一閾值。模糊C均值算法是在模糊數(shù)學基礎(chǔ)上對K均值算法的推廣,是通過最優(yōu)化一個模糊目標函數(shù)實現(xiàn)聚類,它不像K均值聚類那樣認為每個點只能屬于某一類,而是賦予每個點一個對各類的類屬度,適合處理事物內(nèi)在的不確定性。FCM算法對初始參數(shù)極為敏感,有時需要人工干預參數(shù)的初始化以接近全局最優(yōu)解,提高分割速度。另外,傳統(tǒng)FCM算法沒有考慮空間信息,對噪聲和灰度不均勻敏感。FCM算法在醫(yī)學圖像分割中得到了廣泛的應用,例如利用FCM算法分割腦MRI圖像中的白質(zhì)、灰質(zhì)和腦脊液的組織結(jié)構(gòu)。MRI圖像由于成像過程中許多因素的影響,幾乎都存在不均勻的特點。為此,出現(xiàn)了二類改進方法并取得了成功。第一種方法是對不均勻圖像先校正再進行分割,第二種方法是分割的同時補償偏場效應。2邊緣檢測和分割基于邊界的分割方法是利用不同區(qū)域間象素灰度不連續(xù)的特點檢測出區(qū)域間的邊緣,從而實現(xiàn)圖像分割。邊緣檢測是所有基于邊界分割方法的第一步,根據(jù)處理的順序,邊緣檢測可分為并行邊緣檢測和串行邊緣檢測。2.1并行邊界技術(shù)圖像中相鄰的不同區(qū)域間總存在邊緣,邊緣處象素的灰度值不連續(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,它是一種并行邊界技術(shù)。常用的一階微分算子有Roberts、Prewitt和Sobel算子、二階微分算子有Laplace和Kirsh算子等。在實際中各種微分算子常用小區(qū)域模板來表求,微分運算是利用模板與圖像卷積來實現(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。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。2.2動態(tài)優(yōu)化方法串行邊界查找法是先檢測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。圖搜索是其中一種典型的方法,邊界點和邊界段可以用圖結(jié)構(gòu)表示,通過在圖中進行搜索對應最小代價的路徑可以找到閉合邊界。它是一種全局的方法,在噪聲較大時效果仍很好。但這種方法比較復雜,計算量也很大。在許多情況下,為加快運算速度常常使用動態(tài)規(guī)劃的優(yōu)化方法。它是借助有關(guān)具體問題的啟發(fā)性知識減少搜索,只求次優(yōu)解的方法3區(qū)域與邊緣檢測方法的結(jié)合在實際應用中,為發(fā)揮各種方法的優(yōu)勢,克服它們的缺陷以獲得更好的分割效果,經(jīng)常把各種方法結(jié)合起來使用。例如,基于區(qū)域的分割方法往往會造成圖像的過度分割,而單純的基于邊緣檢測方法有時不能提供較好的區(qū)域結(jié)構(gòu)。為此可將基于區(qū)域的方法和邊緣檢測的方法結(jié)合起來解決這個問題。各種方法怎樣結(jié)合便成為問題研究的重點,研究人員作了許多的研究,將多種方法相結(jié)合是圖像分割方法研究的一個方向。4基于特定理論的分割方法圖像分割至今尚無通用的自身理論。隨著各學科許多新理論和方法的提出,出現(xiàn)了許多與一些特定理論、方法相結(jié)合的圖像分割技術(shù)。4.1形態(tài)實用算子近年來,數(shù)學形態(tài)學已發(fā)展為一種新型的數(shù)字圖像處理方法和理論,在邊緣檢測和圖像分割中得到了廣泛的研究和應用。它的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中的對應形狀以達到對圖像分析和識別的目的。利用膨脹、腐蝕、開啟和閉合四個基本運算進行推導和組合,可以產(chǎn)生各種形態(tài)學實用算法,其中結(jié)構(gòu)元素的選取很重要。腐蝕和膨脹對于灰度變化較明顯的邊緣作用很大,可用來構(gòu)造基本的形態(tài)學邊緣檢測算子(形態(tài)學梯度)?；镜男螒B(tài)學邊緣檢測算子簡單,易于實現(xiàn),但對噪聲敏感,適用于噪聲較小的圖像?；谛螒B(tài)學的圖像邊緣檢測的關(guān)鍵是針對各種運算的特點,結(jié)合形態(tài)學多結(jié)構(gòu)元多尺度的特性,構(gòu)造優(yōu)良的邊緣檢測算子來較好地解決邊緣檢測精度與抗噪聲性能的協(xié)調(diào)問題。4.2模糊分割技術(shù)的應用模糊理論具有描述事物不確定性的能力,適合于圖像分割問題。近年來,出現(xiàn)了許多模糊分割技術(shù),在圖像分割中的應用日益廣泛。目前,模糊技術(shù)在圖像分割中應用的一個顯著特點就是它能和現(xiàn)有的許多圖像分割方法相結(jié)合,形成一系列的集成模糊分割技術(shù),例如模糊聚類、模糊閾值、模糊邊緣檢測技術(shù)等。4.3局部小波變換圖像邊緣檢測小波變換是近年來得到了廣泛應用的數(shù)學工具,它在時域和頻域都具有良好的局部化性質(zhì),將時域和頻域統(tǒng)一于一體來研究信號。而且小波變換具有多尺度特性,能夠在不同尺度上對信號進行分析,因此在圖像處理和分析等許多方面得到應用。二進小波變換具有檢測二元函數(shù)的局部突變能力,因此可作為圖像邊緣檢測工具。圖像的邊緣出現(xiàn)在圖像局部灰度不連續(xù)處,對應于二進小波變換的模極大值點。因此通過檢測小波變換模極大值點可以確定圖像的邊緣。小波變換位于各個尺度上,而每個尺度上的小波變換都能提供一定的邊緣信息,因此可進行多尺度邊緣檢測,得到比較理想的圖像邊緣。4.4神經(jīng)網(wǎng)絡分割法近年來,人工神經(jīng)網(wǎng)絡識別技術(shù)已經(jīng)引起廣泛的關(guān)注,并應用于圖像分割,神經(jīng)網(wǎng)絡模擬生物特別是人類大腦的學習機理,并能概括所學內(nèi)容。它由大量的并行節(jié)點構(gòu)成,每個節(jié)點都能執(zhí)行一些基本計算。神經(jīng)網(wǎng)絡方法分割圖像的思想是用訓練樣本集對神經(jīng)網(wǎng)絡進行訓練以確定節(jié)點間的連接和權(quán)值,再用訓