傳統(tǒng)的圖像分割技術(shù)概述目錄TOC\o"1-3"\h\u16538傳統(tǒng)的圖像分割技術(shù)概述 1275411.1閾值的分割方法 1221491.2基于區(qū)域的分割方法 2129951.3基于邊緣檢測的分割方法 3258041.4基于聚類的分割方法 4247261.5基于圖論的分割方法 5176561.6基于活動輪廓模型的分割方法 6圖像分割具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、基于聚類的分割方法、基于圖論的分割方法等眾多傳統(tǒng)的基本算法，以下將詳細(xì)介紹幾種傳統(tǒng)方法。1.1閾值的分割方法閾值分割的基本思想是基于一幅灰度圖像的灰度特征來計算一個或者多個灰度閾值，并將圖像中每個像素的灰度值閾值作比較，最后將像素根據(jù)比較結(jié)果分到合適的類別中。因此，該方法最為關(guān)鍵的一步就是按照某個準(zhǔn)則函數(shù)來求解最佳灰度閾值。此方法特別適用于目標(biāo)和背景占據(jù)不同灰度級范圍的圖。圖像若只有目標(biāo)和背景兩大類，則只需要選取一個閾值進(jìn)行分割，此方法為單閾值分割；但是如果圖像中有多個需要提取的目標(biāo)，則需要選取多個閾值將每個目標(biāo)分割開來，這種分割方法為多閾值分割。閾值法是圖像分割中一種比較簡單的圖像分割方法，有全局、局部兩種分割方法。全局閾值是對整幅圖像進(jìn)行閾值選取，所以只適合于噪聲小，像素分布也均勻的圖像。而局部閾值的實質(zhì)是將圖像劃分為不同的子圖，再分別對子圖進(jìn)行閾值選取，因此適用于像素分布不均勻的圖像，但同時會導(dǎo)致速度慢，不能滿足實時性需求[16]。閾值分割方法的優(yōu)缺點：閾值分割方法具有計算簡單，更容易實現(xiàn)且效率較高的優(yōu)點，但是同時閾值分割方法只考慮像素點本身灰度值的特征，不考慮整體的空間特征，因此相應(yīng)具有易受噪聲干擾的影響，魯棒性不高的缺點，閾值分割算法能否實現(xiàn)高質(zhì)量的分割效果，關(guān)鍵在于閾值的選擇，若將智能遺傳算法應(yīng)用于閾值篩選的過程中，找到最優(yōu)的分割閾值，能夠大大提升閾值分割算法的分割精度?；陂撝捣指钏惴ǖ姆指钚Ч麍D如圖2-1所示。(a)原圖(b)全局迭代閾值分割(c)全局閾值Otsu分割(d)局部閾值分割圖2-1基于閾值算法的分割結(jié)果1.2基于區(qū)域的分割方法基于區(qū)域的圖像分割方法是一種以尋找區(qū)域為基礎(chǔ)的分割技術(shù)，具有單像素出發(fā)與全局像素出發(fā)的兩種形式，單像素出發(fā)是將多個區(qū)域合并得到所需區(qū)域，全局像素出發(fā)是逐步進(jìn)行切割，得到所需的區(qū)域?；趨^(qū)域的圖像分割方法分為區(qū)域生長、區(qū)域合并分裂以及分水嶺算法三種分割方法[17]。(1)種子的區(qū)域生長法種子的區(qū)域生長法是以種子像素點開始，向鄰近區(qū)域不斷擴(kuò)展并將鄰域內(nèi)相似的種子像素進(jìn)行合并，將合并后的像素作為新的種子像素，繼續(xù)向其他鄰域進(jìn)行擴(kuò)展，直到找不到相似的種子像素，則擴(kuò)展停止。實現(xiàn)這個方法的關(guān)鍵為首先要確定一組所需區(qū)域的種子像素，確定種子如何向附近區(qū)域擴(kuò)展的方式，并且指定好擴(kuò)展停止的條件和規(guī)則。區(qū)域生長的方法原理簡單，并且能很好的獲取一幅圖像的邊緣信息，但是同時也具有計算代價大，噪聲和灰度不均勻，對圖像中的陰影效果往往不是很好，也很容易過分割的缺點。(2)區(qū)域合并分裂區(qū)域合并分裂的方法，與種子的區(qū)域生長法相反，區(qū)域生長是一個從單個像素出發(fā)，但是區(qū)域合并分裂的方法是整個圖像進(jìn)行出發(fā)，根據(jù)不同的像素大小將圖像分裂成為各個子區(qū)域，再通過給定原則將各個相似的子區(qū)域進(jìn)行合并，最終得到所需區(qū)域。四叉樹就是區(qū)域合并分裂方法的一個實例，將一個區(qū)域按照設(shè)定條件劃為互不干涉的四個區(qū)域，將每兩個相鄰的區(qū)域進(jìn)行條件分析，達(dá)到合并條件則合并，反之則不合并，直到每兩個相鄰的區(qū)域都不可進(jìn)行合并，且各自都不符合分裂條件，則終止。區(qū)域合并分裂的方法更加適用于一幅復(fù)雜的圖像，具有很好的分割效果，但是同時由于它的算法復(fù)雜，計算時間更長且每次分裂可能導(dǎo)致區(qū)域信息的損壞與丟失。(3)分水嶺算法分水嶺算法，又稱為基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)分割方法，Vincent和Soille[18]于1991年提出了此算法，此算法把一幅圖像看作是地理中的地勢地貌，圖像中每一個點的灰度值則對應(yīng)地勢地貌途中的海拔高度，將每一個布局中的最凹點作為局部極小值，對其區(qū)域進(jìn)行注水，注水過程中將此區(qū)域不斷增大，在增大至極小值時，繼續(xù)注水，水將漫過此區(qū)域，將溢出此區(qū)域的邊界稱為分水嶺，不同區(qū)域的此過程將形成全圖的分水嶺。此算法計算速度快，并且對于邊緣較為微弱的圖像有很好的分割效果，但是此算法易受噪聲的影響，且圖像表面的變化非常容易產(chǎn)生過分割的現(xiàn)象?？傮w來說，每一種基于區(qū)域的圖像分割算法，都存在易受噪聲干擾的缺點，并且容易產(chǎn)生過分割的現(xiàn)象?；趨^(qū)域的圖像分割效果圖如圖2-2所示。(a)原圖(b)區(qū)域生長法結(jié)果(c)分裂合并算法結(jié)果(d)分水嶺算法分割結(jié)果圖2-2基于區(qū)域算法的分割結(jié)果1.3基于邊緣檢測的分割方法基于邊緣檢測的算法，實際就是通過比較像素點的灰度值來進(jìn)行分割，如果一個區(qū)域的像素點的灰度值與相鄰區(qū)域內(nèi)像素點的灰度值差異較大，則這個區(qū)域中的點就被認(rèn)定為圖像的邊緣點，將這些檢測出來的邊緣點進(jìn)行連接，則就形成了一個邊緣檢測的區(qū)域，圖像也因此被分成了不同的區(qū)域。通常的邊緣檢測分割方法可以分為串行邊緣檢測方法與并行邊緣檢測方法[19]。串行邊緣檢測法可以檢測出相應(yīng)邊緣，將尋找到的邊緣點進(jìn)行連接，完成圖像邊緣的檢測。并行邊緣檢測中，可以根據(jù)單個像素點對單個圖像進(jìn)行檢測，可以借助空域微分算子，用其模板與圖像進(jìn)行卷積，實現(xiàn)分割。有幾種常用的微分檢測算子，如Sobel算子、Roberts算子、Prewitt算子、Log算子及Canny算子等，根據(jù)不同微分檢測算子對一幅圖像進(jìn)行分割。邊緣檢測算法定位準(zhǔn)確并且運(yùn)行速度快，但是在其使用過程中，相對復(fù)雜的圖像會出現(xiàn)灰度不連貫等現(xiàn)象，邊緣檢測算法是將檢測到的點連接起來形成邊緣區(qū)域，分割意義并不完整，需要配合很多其他的算法才能更好的將邊緣區(qū)域分割出來。引入幾種微分檢測算子的并行邊緣檢測算法分割效果如圖2-3所示。(a)原圖(b)roberts算子(c)prewitt算子(d)sobel算子(e)log算子(e)canny算子圖2-3微分檢測算子的并行邊緣檢測分割結(jié)果1.4基于聚類的分割方法基于聚類的圖像分割方法，顧名思義就是將圖像中的像素分為不同的等級，不同的類別和區(qū)域[18]。聚類分割技術(shù)在圖像分割領(lǐng)域內(nèi)也有很多研究，包括Mean-Shift聚類、基于密度的聚類方法DBSCAN、EM聚類、層次聚類及K-means聚類等等，在圖像分割領(lǐng)域，更多使用K-means聚類方法進(jìn)行研究，此處將以K-means聚類方法為例，對聚類的圖像分割方法進(jìn)行研究。K-means聚類方法的具體步驟如下[20]：(1)確定整個算法的簇的個數(shù)，通過個數(shù)將圖像分為幾個聚類，并且隨機(jī)選取每個聚類的質(zhì)心，但是這些隨機(jī)選擇的質(zhì)心并不是真正意義上的質(zhì)心。(2)采用歐氏距離計算其他數(shù)據(jù)點與選取質(zhì)心的相異度，通過計算出的相異度，與所選擇質(zhì)心的相異度進(jìn)行比較，將相異度較低的數(shù)據(jù)點歸類于此質(zhì)心所在的聚類，初期聚類完成。(3)根據(jù)初期聚類的結(jié)果，重新計算每個聚類的質(zhì)心。(4)對于重新計算后的質(zhì)心，再進(jìn)行第二步的處理，重新進(jìn)行聚類。(5)重復(fù)聚類步驟，直到每個聚類中的質(zhì)心基本不再發(fā)生變化時，最終的聚類結(jié)束。K-means聚類方法速度較快，且計算復(fù)雜度較低，但是由于K-means算法的第一步是隨機(jī)選取一個點作為質(zhì)心，這種選擇太過隨機(jī)，很可能選出差異較大的點，不利于后續(xù)步驟的進(jìn)行。利用k-means聚類方法的圖像分割結(jié)果如圖2-4所示。(a)原圖(b)k-means聚類結(jié)果圖圖2-4基于k-means聚類方法的分割結(jié)果1.5基于圖論的分割方法圖像由眾多像素點共同組成，與圖之間具有良好的對應(yīng)關(guān)系，基于圖論的分割方法也因此將問題轉(zhuǎn)化為了對圖的劃分，將圖像輸入后，映射為一幅完整的圖，對具體的分割目的設(shè)計出一個分割準(zhǔn)則，并通過構(gòu)造求解相應(yīng)的目標(biāo)函數(shù)最終歸類劃分出的圖，輸出分割結(jié)果?；趫D論的分割方法有GraphCut、GrabCut、OneCut及Randomwalk等，以下將對GraphCut算法為例，描述基于圖論的分割方法。GraphCut算法引入了最小割問題，GraphCut與普通圖不同，它有兩種頂點與兩種邊，在由一種頂點和一種邊共同組成的普通圖的基礎(chǔ)上，新增了兩個終端頂點，這兩個終端頂點分別用符號“S”和“T”表示，其余的頂點都需要和這兩個終端頂點進(jìn)行連接，形成集合中的一部分，其中的兩種頂點分別為普通頂點和終端頂點，兩種邊分別為普通頂點之間的邊n-links與普通頂點連接終端頂點的邊t-links。一個原始圖像及其對應(yīng)的S-T圖如圖2-5所示，其中，實線表示連接普通頂點之間的邊n-links，虛線表示普通頂點連接終端頂點的邊t-links。圖2-5一幅原始圖像對應(yīng)的S-T圖若對圖像中的邊進(jìn)行斷開，則S-T圖也會隨之分開，這就稱為割的過程，將最小割的問題引入GraphCut算法，是為了找到一個所有邊的權(quán)值最小的結(jié)果，這種結(jié)果便是最小割，最小割可以令整個算法的能量損失函數(shù)最小，于是尋求最小割分割圖的過程也可轉(zhuǎn)為尋求最小能量損失函數(shù)的求最小值問題[21]。1.6基于活動輪廓模型的分割方法基于活動輪廓模型的分割方法，是一種更加靈活且創(chuàng)新的圖像分割方法，其原理是設(shè)定一個曲線并通過圖像數(shù)據(jù)得出的能量函數(shù)來進(jìn)行變化，慢慢逼近目標(biāo)區(qū)域，最終將所需的目標(biāo)邊緣包圍，實現(xiàn)圖像的分割[22]。一些經(jīng)典的活動輪廓模型包括GAC模型、M-S模型、C-V模型、LBF模型以及Snake模型，其中的Snake模型是一個可成功用于圖像分割的經(jīng)典模型，它對應(yīng)的是一個能量極小化函數(shù)的求解問題，同時存在兩個因素控制著曲線的轉(zhuǎn)變，曲線自身的因素控制曲線的形狀，曲線以外圖像的因素控制曲線尋找目標(biāo)區(qū)域的路徑，這種模型無需復(fù)雜的預(yù)處理，并且無需大量采點