1、數(shù)字圖像處理報(bào)告溫林 141607020025 計(jì)算機(jī)技術(shù)一、研究問題數(shù)字圖像分割的方法2、 文獻(xiàn)閱讀1、結(jié)合相似擬合與空間約束的圖像分割（中國圖形圖像學(xué)報(bào)）2、一種基于標(biāo)記的分水嶺圖像分割新算法（中國圖形圖像學(xué)報(bào)）3、基于主動(dòng)輪廓模型和水平集方法的圖像分割（中國圖形圖像學(xué)報(bào)）4、圖像分割方法研究（中國圖形圖像學(xué)報(bào)）三、主流方法和技術(shù) （1）、圖像分割根據(jù)圖像的灰度，顏色，紋理和形狀等不同的特征把整個(gè) 圖像區(qū)域分成若干個(gè)互不重疊的區(qū)域，并使這些特征在同一區(qū)域內(nèi)呈現(xiàn)出相似性，而在不同區(qū)域呈現(xiàn)出明顯的差異性。圖像分割是由圖像處理到圖像分析的關(guān)鍵步驟。 （2）、主流方法現(xiàn)有的圖像分割方法主要分以下幾

2、類：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣檢測的分割方法、基于分水嶺的分割方法、投影法、差影法、基于主動(dòng)輪廓模型和水平集的分割方法、基于模型的分割方法、基于人工智能的分割方法、結(jié)合相似擬合與空間約束項(xiàng)的分割方法以及基于特定理論的分割方法等。目前比較主流的方法有：基于閾值的分割方法、基于區(qū)域的分割方法、基于邊緣檢測的分割方法、基于分水嶺的分割方法、基于模型的分割方法、基于人工智能的分割方法以及基于特定理論的分割方法等 2.1、基于閾值的分割方法 2.1.1、閾值化閾值化是最常用的一種圖像分割方法，其特定是操作簡單，分割結(jié)果是一系列連續(xù)區(qū)域灰度圖像的閾值分割一般基于如下假設(shè)：圖像目標(biāo)或背

3、景內(nèi)部的相鄰像素間的灰度值是高度相關(guān)的，目標(biāo)與背景之間的邊界兩側(cè)像素的灰度值差別很大，圖像目標(biāo)與背景的灰度分布都是單峰的。如果圖像目標(biāo)與背景對(duì)應(yīng)的兩個(gè)單峰大小接近、方差較小且均值相差較大，則該圖像的直方圖具有雙峰性質(zhì)。閾值化?？梢杂行Х指罹哂须p峰性質(zhì)的圖像。閾值分割過程如下：首先確定一個(gè)閾值T，對(duì)于圖像中的每個(gè)像素，如果其灰度值大于T，則將其置為目標(biāo)點(diǎn)（值為1），否則置為背景點(diǎn)（值為0），或者相反，從而將圖像分為目標(biāo)區(qū)域與背景區(qū)域，用公式可以表示為： 閾值分割的關(guān)鍵是如何確定適合的閾值，不同的閾值其處理結(jié)果差異很大，會(huì)影響特征測量與分析等后續(xù)過程。閾值過大，會(huì)過多的把背景像素錯(cuò)分為目標(biāo)，而閾值

4、過小，又會(huì)把目標(biāo)像素錯(cuò)分為背景。取代閾值的方法有多種，可以分為不同的類型。如果選取的閾值僅與各個(gè)像素的灰度值有關(guān)，則稱其為全局閾值，如果選取的閾值與像素本身及其局部性質(zhì)有關(guān)，則稱其為局部閾值。如果選取的閾值不僅與局部性質(zhì)有關(guān)，還與像素的位置有關(guān)，則稱其為動(dòng)態(tài)閾值或自適應(yīng)閾值。閾值一般可以表示為：T=Tx，y，f（x，y），p(x，y)，式中f（x，y）是點(diǎn)(x，y）處的像素灰度值，p（x，y）是該像素領(lǐng)域的某種局部性質(zhì)。 2.1.2、全局閾值當(dāng)圖像目標(biāo)與背景之間的具有高對(duì)比度時(shí)，利用全局閾值可以有效的分割圖像。確定全局閾值的方法有很多，如極小點(diǎn)閾值法、迭代閾值法、最優(yōu)閾值法、Otsu閾值法、最

5、大熵法、p參數(shù)法等。當(dāng)具有明顯的雙峰性質(zhì)時(shí)，可直接從直方圖的波谷處選取一個(gè)閾值，也可以根據(jù)某個(gè)準(zhǔn)則自動(dòng)計(jì)算出閾值。 2.1.3、局部閾值當(dāng)圖像目標(biāo)與背景在直方圖上對(duì)應(yīng)的兩個(gè)波峰陡峭、對(duì)稱且雙峰之間有較深的波谷或雙峰相距很遠(yuǎn)時(shí)，利用全局閾值可以確定具有較好分割效果的閾值，但是，由于圖像噪聲等因素的影響會(huì)使得圖像直方圖雙峰之間的波谷被填充或者雙峰相距很近。另外，當(dāng)圖像目標(biāo)與與背景面積差別很大時(shí)，在直方圖上的表現(xiàn)就是較小的一方被另一方淹沒。上述兩種情況都使得本應(yīng)具有雙峰性質(zhì)的圖像基本上變成了單峰，難以檢測雙峰之間的波谷。為了解決這個(gè)問題，除了利用像素自身的性質(zhì)外，還要借助于像素領(lǐng)域的局部性質(zhì)來確定閾

6、值，這就是局部閾值。確定局部閾值常用的方法有兩種：直方圖變換法和散射圖法。 2.1.4、動(dòng)態(tài)閾值在許多情況下，由于光照不均勻等因素的影響，圖像背景的灰度值并不恒定，目標(biāo)與背景的對(duì)比度在圖像中也會(huì)有變化，圖像中還可能存在不同的陰影。如果只使用單一的全局閾值對(duì)整幅圖像進(jìn)行分割，則某些區(qū)域的分割效果好，而另外一下區(qū)域的分割效果可能很差。解決辦法之一就是使閾值隨圖像中的位置緩慢變化，可以將整幅圖像分解成一系列的子圖像，對(duì)不同的子圖像使用不同的閾值進(jìn)行分割。這種與坐標(biāo)有關(guān)的閾值稱為動(dòng)態(tài)閾值或者自適應(yīng)閾值。 2.2、基于區(qū)域的圖像分割方法2.2.1、區(qū)域生長區(qū)域生長的基本思想是把具有相似性質(zhì)的像素集合起來

7、構(gòu)成區(qū)域。首先對(duì)每個(gè)要分割的區(qū)域找出一個(gè)種子像素作為生長的起點(diǎn)，然后將種子像素領(lǐng)域中與種子像素有相同或相似性質(zhì)的像素合并到種子像素所在的區(qū)域中。將這些新像素作為新的種子像素繼續(xù)上面的過程，直到?jīng)]有可接受的領(lǐng)域像素時(shí)停止生長。區(qū)域生長法需要選擇一組能正確代表所需區(qū)域的種子像素，確實(shí)在生長過程中的相似性準(zhǔn)則，制定讓生長停止的條件或者準(zhǔn)則。相似性準(zhǔn)則可以是灰度級(jí)、彩色、紋理、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。種子像素的選取一般需要先驗(yàn)知識(shí)，若沒有則可以借助生長準(zhǔn)則對(duì)每個(gè)像素進(jìn)行相應(yīng)的計(jì)算。如果計(jì)算出現(xiàn)聚類，則接近聚類中心的像素可取為種子像素。生長準(zhǔn)則有時(shí)還需要

8、考慮像素之間的連通性，否則會(huì)出現(xiàn)無意義的分割結(jié)果。 2.2.2、區(qū)域分裂與合并區(qū)域生長法需要根據(jù)先驗(yàn)知識(shí)選取種子像素，當(dāng)沒有先驗(yàn)知識(shí)時(shí)，區(qū)域生長法就存在困難。區(qū)域分裂與合并的核心思想是將圖像分成若干個(gè)子區(qū)域，對(duì)于任意一個(gè)子區(qū)域，如果不滿足某種一致性原則（一般用灰度均值和方差來度量），則將其繼續(xù)分裂成若干個(gè)子區(qū)域，否則該子區(qū)域不再分裂。如果相鄰的兩個(gè)子區(qū)域滿足某個(gè)相似性原則，則合并為一個(gè)區(qū)域，直到?jīng)]有可分裂和合并的子區(qū)域?yàn)橹埂?2.3、基于邊緣檢測的分割方法圖像的邊緣是圖像最基本的特征，它是灰度不連續(xù)的結(jié)果。通過計(jì)算一階導(dǎo)數(shù)和二階導(dǎo)數(shù)可以方便的檢測出圖像中每個(gè)像素在其領(lǐng)域內(nèi)的灰度變化，從而檢測出

9、邊緣。圖像中具有不同灰度的相鄰區(qū)域之間總存在邊緣，常見的邊緣類型有：階躍型、斜坡型、線狀型、屋頂型。基于邊緣的圖像分割依賴于由邊緣檢測算子找到的圖像邊緣, 邊緣檢測得到的圖像結(jié)果并不能用作分割結(jié)果, 必須采用后續(xù)的處理將邊緣合并為邊緣鏈?zhǔn)顾c圖像中的邊界對(duì)應(yīng)的更好, 最終的目標(biāo)是至少達(dá)到部分分割。2.3.1、邊緣檢測算子一般常用一階導(dǎo)數(shù)和二階導(dǎo)數(shù)來描述和檢測圖像邊緣。一階導(dǎo)數(shù)算子有Roberts 、Sobel 算子 、Prewitt 算子和Canny等算子。Roberts 算子檢測精度比較高, 但對(duì)噪聲比較敏感。Sobel 算子在較好獲得邊緣效果的同時(shí), 對(duì)噪聲具有一定的平滑作用, 但精度比較

10、低。Prewitt 算子計(jì)算比Sobel 算子更為簡單。Canny 算子是一階傳統(tǒng)微分中檢測階躍型邊緣效果較好的算子, 去噪能力強(qiáng), 但它也容易平滑掉一些邊緣信息。二階微分邊緣檢測主要是利用拉普拉斯算子, 拉普拉斯算子對(duì)圖像中的噪聲比較敏感, 并且由于通常產(chǎn)生的是2 像素寬的邊緣,所以很少直接用于邊緣檢測, 通常是在已知邊緣像素后用于確定該像素是在圖像的暗區(qū)還是在明區(qū)。2.3.2、邊緣松弛法邊緣松弛法可以根據(jù)給定的邊緣上下文規(guī)則來定義,是一種迭代的方法, 其中邊緣的信度或者收斂到邊緣終結(jié)或者收斂到邊緣形成邊界。邊緣松弛方法可以容易地用并行方法實(shí)現(xiàn), 可以極大地提高速度,但經(jīng)過較大數(shù)目的迭代后常

11、常會(huì)產(chǎn)生漂移, 得到比預(yù)期差的結(jié)果。2.3.3、邊界連接由于噪聲等因素影響，各種算子的檢測結(jié)果通常是一些分散的邊緣，沒有形成分割區(qū)域所需要的閉合邊界。為此，需要將檢測出的邊緣像素按照某種準(zhǔn)則連接起來，常用的一種方法是根據(jù)鄰近的邊緣像素在梯度幅度和梯度方向上具有一定相似性而將他們連接起來，設(shè)T是幅度閾值，A是角度閾值，若像素（p，q）在像素（x，y）的領(lǐng)域內(nèi)，且他們的梯度幅度和梯度方向分別滿足以下兩個(gè)條件： 2.3.4、邊界跟蹤如果區(qū)域的邊界未知, 但區(qū)域本身在圖像中已經(jīng)定義了, 那么邊界可以唯一地被檢測出來。含有區(qū)域的圖像如果是二值的或者是區(qū)域已經(jīng)被標(biāo)注出來了,那么任務(wù)就是確定區(qū)域內(nèi)邊界和外邊

12、界。區(qū)域內(nèi)邊界是區(qū)域的一個(gè)子集, 而外邊界不是區(qū)域的一個(gè)子集。相鄰區(qū)域的單一共同邊界稱為擴(kuò)展邊界,可以用標(biāo)準(zhǔn)的像素坐標(biāo)來標(biāo)識(shí)。邊界跟蹤方法分為4鄰域跟蹤和8 鄰域跟蹤。內(nèi)邊界可以使用4鄰域或者8 鄰域方法跟蹤,外邊界使用4 鄰域方法跟蹤, 擴(kuò)展邊界是用8 鄰域定義的, 使用8 鄰域方法跟蹤,查找表法使跟蹤效率比傳統(tǒng)方法要高, 且使并行實(shí)現(xiàn)成為可能。如果在沒有定義區(qū)域的灰度圖像中跟蹤邊界的話, 就會(huì)更為困難，這種情況下,區(qū)域的邊界可以用圖像中高梯度像素的簡單路徑來表示。邊界跟蹤從作為邊界元素概率高的像素開始, 然后把在最可能方向上的下一個(gè)元素加入。為了找到后續(xù)的邊界元素, 通常要計(jì)算在可能邊界延

13、續(xù)像素處的邊界梯度的幅度和方向。 2.4、基于模型的圖像分割法 基于模型的圖像分割都是基于一定的模型, 將圖像分割問題轉(zhuǎn)換成目標(biāo)函數(shù)的求解問題, 其中目標(biāo)函數(shù)的設(shè)計(jì)和求解是問題的難點(diǎn)。基于模型的圖像分割方法中應(yīng)用廣泛的主要是馬爾可夫隨機(jī)場模型和活動(dòng)輪廓模型。 2.4.1、基于馬爾可夫隨機(jī)場模型的圖像分割馬爾可夫隨機(jī)場方法建立在馬爾可夫模型和Bayes 理論的基礎(chǔ)上, 根據(jù)統(tǒng)計(jì)決策和估計(jì)理論中的最優(yōu)準(zhǔn)則確定分割問題的目標(biāo)函數(shù), 求解滿足這些條件或消費(fèi)函數(shù)的最大可能分布, 從而將分割問題轉(zhuǎn)化為最優(yōu)化問題。 馬爾可夫隨機(jī)場方法仍有一些缺陷, 如圖像的上下文信息沒有得到充分的利用, 一種基于馬爾可夫隨

14、機(jī)場(M RF)的合成孔徑雷達(dá)(SAR)圖像分割新方法, 在傳統(tǒng)MRF 的鄰域基團(tuán)勢(shì)函數(shù)基礎(chǔ)上, 引入了圖像鄰域中各個(gè)像素的強(qiáng)度差值以及像素之間的距離因子, 使SAR 圖像中空間上下文信息得到了更加充分的利用。2.4.2、基于活動(dòng)輪廓模型的圖像分割活動(dòng)輪廓模型主要分為兩類, 一類是Kass等人提出的以能量函數(shù)極小化為基礎(chǔ)的參數(shù)活動(dòng)輪廓模, 又稱為Snake 模型;另一類是Osher 等人 提出的基于水平集(Level Set)方法和曲線演化的幾何活動(dòng)輪廓模型。一般而言, 參數(shù)活動(dòng)輪廓模型中的平滑基函數(shù)比不連續(xù)的點(diǎn)需要的參數(shù)要少, 可以產(chǎn)生更優(yōu)的算法;同時(shí)很容易對(duì)Snake 框架引入一個(gè)先驗(yàn)的形

15、狀約束, 也很容易用戶交互。但是這類模型通常只具備單目標(biāo)輪廓分割能力, 缺少應(yīng)付拓?fù)渥兓撵`活性。幾何活動(dòng)輪廓模型由于采用了水平集方法而隱含有拓?fù)渥兓哪芰? 因而使得更為復(fù)雜結(jié)構(gòu)的圖像分割成為可能, 但是計(jì)算比較復(fù)雜, 很難給框架引入一個(gè)先驗(yàn)的形狀約束, 可見兩類模型各有千秋。 2.5、基于人工智能的圖像分割在圖像分割領(lǐng)域應(yīng)用廣泛的人工智能技術(shù)主要包括模糊聚類和神經(jīng)網(wǎng)絡(luò), 主要是利用人工智能方法得到圖像分割的某一參數(shù), 然后基于這一參數(shù)采用圖像分割方法來分割圖像。 2.5.1、特征空間聚類很多圖像因?yàn)楣庹詹痪? 會(huì)使目標(biāo)具有緩變的邊界, 甚至出現(xiàn)亮度或色彩不一致的情況, 而模糊方法則能夠克服

16、這些不確定性, 并能得到可接受的分割結(jié)果。模糊聚類就是其中的重要方法之一, 其主要有模糊C均值聚類和K 均值聚類。模糊C 均值算法的基本思想就是要使價(jià)值函數(shù)或目標(biāo)函數(shù)最小, 由Bezdek 于1981 年提出, 利用初始化方法確定若干初始聚類中心, 通過多次迭代循環(huán),不斷調(diào)整和優(yōu)化聚類中心, 最終使類內(nèi)方差達(dá)到最小,從而實(shí)現(xiàn)聚類。雖然聚類方法不需要訓(xùn)練集, 但需要事先確定分類個(gè)數(shù), 且初始參數(shù)對(duì)分類結(jié)果影響較大;另一方面,由于聚類也沒有考慮空間信息,因而對(duì)噪聲敏感。2.5.2、基于神經(jīng)網(wǎng)絡(luò)的圖像分割人工神經(jīng)網(wǎng)絡(luò)因其具有并行處理能力和非線性的特點(diǎn)而特別適合于解決分類問題。神經(jīng)網(wǎng)絡(luò)方法的出發(fā)點(diǎn)是將

17、圖像分割問題轉(zhuǎn)化為諸如能量最小化、分類等問題, 即先利用訓(xùn)練樣本集對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練, 再用訓(xùn)練好的人工神經(jīng)網(wǎng)絡(luò)去分割新的圖像。人工神經(jīng)網(wǎng)絡(luò)的不足是需要大量的訓(xùn)練樣本集, 計(jì)算速度往往難以達(dá)到要求。 2.6、基于分水嶺的分割方法分水嶺分割算法把地形學(xué)和水文學(xué)的概念引入到基于區(qū)域的圖像分割中，特別適合粘連區(qū)域的分割。灰度圖像可以看做是一片地形，像素的灰度值代表改點(diǎn)的地形高度。 2.6.1、基于分水嶺算法分水嶺分割算法的主要目的就是找出集水盆地之間的分水線。降雨法和淹沒法是常用的兩種基本算法。降雨法的基本思想是：首先找出圖像中的低洼，給每個(gè)低洼賦予不同的標(biāo)記，落在未標(biāo)記的點(diǎn)上的雨水將流向更低的

18、鄰點(diǎn)，最終到達(dá)一個(gè)低洼，將低洼的標(biāo)記賦予該點(diǎn)，如果某點(diǎn)的雨水可能流向多個(gè)低洼，則標(biāo)記為分水線點(diǎn)，所有點(diǎn)處理完畢后，就形成了不同標(biāo)記的區(qū)域和區(qū)域之間的分水線。淹沒法的基本思想是：假設(shè)每個(gè)低洼都有一個(gè)洞，把整個(gè)地形逐漸沉入湖中，則在水平面一下的低洼不斷涌入水流，逐漸填滿與低洼相關(guān)的集水盆地，當(dāng)來自不同的低洼的水在某些點(diǎn)將要匯合時(shí)，即水將要從一個(gè)盆地益處時(shí)，就在這些點(diǎn)上筑壩，阻止水流益處，當(dāng)水淹沒至地形最高點(diǎn)時(shí)，筑壩過程停止，最終所有的水壩就形成了分水線，地形就被分成了不同的區(qū)域或盆地。分水嶺分割算法的主要缺點(diǎn)是會(huì)產(chǎn)生過分割，即分割出大量的細(xì)小區(qū)域，這些區(qū)域?qū)τ趫D像分析可以說是毫無意義的。這是由于噪

19、聲的影響，導(dǎo)致圖像中出現(xiàn)很多低洼。避免過分割的有效方法之一就是分割前對(duì)圖像進(jìn)行平滑，以減少局部最小點(diǎn)的數(shù)目；另一種就是對(duì)分割后的圖像按照某種準(zhǔn)則合并相鄰區(qū)域。另一種有效控制過分割現(xiàn)象的方法是基于標(biāo)記的分水嶺分割算法，它使用內(nèi)部標(biāo)記和外部標(biāo)記。一個(gè)標(biāo)記就是屬于圖像一個(gè)連通成分，內(nèi)部標(biāo)記與某個(gè)感興趣的目標(biāo)相關(guān)，外部標(biāo)記與背景相關(guān)。3、 各種方法的優(yōu)缺點(diǎn)比較 （1）基于閾值的分割算法 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，在算法上容易實(shí)現(xiàn)，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。它對(duì)目標(biāo)和背景對(duì)比度反差較大圖像這種分割很有效，而且總能用封閉、連通的邊界定義不交疊的區(qū)域

20、。但它不適用于多通道圖像和特征值相關(guān)不大的圖像，對(duì)圖像中不存在明顯灰度差異或各物體的灰度值范圍有較大重疊的圖像分割問題難以得到準(zhǔn)確結(jié)果。另外由于閾值確定主要依賴于灰度直方圖，而很少考慮圖像中像素的空間位置關(guān)系。因此當(dāng)背景復(fù)雜，特別在是同一背景上重疊出現(xiàn)若干個(gè)研究目標(biāo)時(shí)或圖像中噪聲信號(hào)較多時(shí)，目標(biāo)的灰度值與背景相差無幾等情形下，容易喪失部分邊界信息。按照固定的閾值進(jìn)行分割所得到的結(jié)果就不準(zhǔn)確，造成分割不完整需要進(jìn)一步的精確定位。 （2）基于邊緣檢測的分割算法。基于邊緣檢測方法的基本思想是先檢測圖像中邊緣點(diǎn)，再按一定策略連接成輪廓，從而構(gòu)成分割區(qū)域。其難點(diǎn)在于邊緣檢測時(shí)抗噪性和檢測精度的矛盾，若提高檢測精度，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。 （3）基于區(qū)域的分割算法區(qū)域生長算法的優(yōu)點(diǎn)是計(jì)算簡單，特別適合于分割小的結(jié)構(gòu)。缺點(diǎn)是需要人工交互以獲得種子點(diǎn)，同時(shí)對(duì)噪聲也比較敏感。當(dāng)對(duì)區(qū)域面積較大的圖像分割時(shí)，計(jì)算緩慢。分裂合并算法的優(yōu)點(diǎn)是不需要預(yù)先指定種子點(diǎn)。缺點(diǎn)是分裂合并算法可能會(huì)使分割區(qū)域的邊界被破壞。（4） 基于人工智能圖像分割算法 基于神經(jīng)網(wǎng)絡(luò)的分割方法的基本思想是通過訓(xùn)練多層感知機(jī)來得到線性決策函數(shù)，然后用決策函數(shù)對(duì)像素進(jìn)行分類來達(dá)到分割的目