图像分割方法研究

黄芳

（厦门东海职业技术学院，福建 厦门 361100）

图像分割方法研究

黄芳

（厦门东海职业技术学院，福建 厦门 361100）

图像分割是图像处理中最重要的预处理技术，是图像高质量处理的决定性前提，分割方法研究至今已经提出很多经典的算法，却没有评价标准.本文通过对一些经典图像分割方法进行分析与比较，简要介绍经典分割方法的优缺点和适用场合，并探讨了图像分割技术的未来发展趋势.

图像分割；比较；优缺点；趋势

1 引言

图像处理是计算机、通信、军事、交通、医学、心理学等等众多领域研究的一门关键的技术，而图像分割是图像处理的最重要的预处理技术，是图像高质量处理的决定性前提，分割方法研究至今已经提出很多经典的算法，主要分成三大类，一类是基于区域的，一类是基于边缘的，还有一类是基于纹理的.基于纹理，通常等同于基于区域的，所以分割方法分成基于边缘和区域两大类.

2 基于区域的图像分割方法

基于区域的图像分割方法经典的有阈值分割法、区域生长法、分裂合并法、聚类算法等.

2.1 阈值分割法

灰度阈值检测是区域分割的最常用的方法，其基本思想是：首先，在图像灰度范围中选取一个或多个灰度阈值，将其与图像中各点灰度值进行对比，根据比较结果来划分各个像素点属于背景还是图像的某个目标区域，从而实现分割.

阈值法的数学描述如下：

针对要分割的图像，假设其灰度级的范围为G=（0，1，2，…，N-1）(0表示灰度级别最低，最暗；N-1表示灰度级别最高，亮度最亮)，而（x，y）是该二维图像的一个像素点，它的灰度级函数为f(x，y).从灰度级集合G中选取t作为分割的阈值，假设A=(b0，b1)表示一个二值灰度级，而且有b0，b1∈G.那么像素点(x，y)的灰度级别函数f（x，y）在阈值等于t时的分割结果可以表示为

其中t为阈值，对于目标的图像元素G(x,y)=1，对于背景的图像元素G(x,y)=0[1].

阈值分割方法的优点是计算简单，技术上容易实现，特别适用于各个区域的灰度对比明显或各个区域特征对比鲜明的图像分割中，采用阈值法可以进行有效分割.阈值算法的缺陷是对区域特征值不明显的图像不好用，各个子区域灰度相差不明显，各区域的灰度取值范围相近的图像，难以实现准确的分割结果.此外，由于阈值分割在灰度处理上较为常用，比较擅长，但空间处理薄弱，在噪声干扰或灰度不均匀等情况下分割效果不甚理想.

2.2 区域生长与分裂合并法

区域生长的基本思想是根据类似的特性调用汇总的像素，在图像中选一组种子作为生长点，找到类似的像素，进行收纳，使区域增长[2].

区域生长方式的优点是可以自由指定生长方式，还可以挑选多个生长方式.区域生长方法的缺陷是计算代价大，种子点选取比较困难，通常需要人工干预，智能性低，另外，区域生长方式对噪声比较敏感，若图像灰度分布不均衡，或存在噪声干扰都可能会造成空洞和过分割，区域生长方式很少单独使用，一般与其他分割方法配合使用，适合分割小的对象.

区域生长是由点发展到区域，分裂合并方法则是区域生长方法的逆过程：先确立一个分裂合并的约束条件，当图像中区域特质不同时，分裂成4个区域，若相邻子区域特质相同进行合并，重复不断分裂合并直到没有一个区域能够满足分裂的条件.

分裂合并法的关键技术是设计合理可行的分割和合并规则，适合于复杂图像分割，该方法与区域生长基本是一个原理，多了一个分裂的过程，该法计算量大，算法较为复杂，并且分裂时还会带来分割区域边界被损坏的风险.

2.3 聚类算法

目前常用的聚类方法有：划分法中的K-均值、模糊C-均值、EM和层次划分法的分层聚类方法.

K-均值聚类算法基本思想是：自由选择K个像素点作为最早的聚类原点，继而计算其他像素与各原点之间的间隔距离，把每个像素点划给离它最近的种子聚类区域，种子聚类区域与收纳到的像素就构成一个聚类，直至所有对象都被分配，在根据现有对象从头计算聚类焦点，不断重复上述步骤直到没有像素可被再分配，如果无聚类原点点再发生改变，误差平方和局部即已达到最小[3].

模糊C-均值(Fuzzy C-Means)是目前运用最广泛也最为成功的一种模糊聚类法，它的基本思想是首先确定聚类的个数和参数，然后初始化每一个聚类中心，利用聚类中心计算当前隶属度函数，再利用隶属度函数重新计算每一个聚类中心，如此反复运算直至每个取样的隶属度值稳定.FCM算法的基本思想是：把所有n个向量Ri（i=1，2，…，n）分为C个小组，然后得到各小组的聚类中心，使非相似性指数的函数值最小[4].

EM算法为期望最大化算法的英文简写，是在几率模型里找到最接近分割参数的算法，属于迭代算法领域，用通俗的方法解释该算法，我们可以想象若要用两个相同的杯子平分一杯水，可以随意地把水分到两个杯子中，然后查看是否一样的量，若哪一杯的水多就匀点到另外一杯水中，这个过程一直迭代实施，直到两杯水看起来一样多为止.EM聚类分析普遍应用于图像视觉、机器学习等方面数据聚类.

聚类方法通常用于模型分析、决策、聚集和机器学习，但聚类分析算法没有涉及训练集，但要有一个初始分割参数，此参数是影响最后分类结果的重要因素；此外，聚类没能统计空间相关信息，对噪声干扰和灰度分布都比较敏感.

3 边缘检测

边缘检测是图像分割中常用的方法之一.所谓边缘，是指图像区域中显著变化的那些象素的集合，它是图像分割中最重要的依据，使用边缘检测可以大幅减少计算数据量，可以快捷剔除不需要的信息，快速提取特征，很多方法都用到边缘检测，基于边缘的分割方法是最早开始研究的分割方法之一.

3.1 微分算子边缘检测

尽管图像边缘位置的像素的灰度不连续，但可以通过求导进行检测.许多边缘检测使用一阶导数描述像素点的亮度梯度；也有一些使用二阶导数计算像素点的亮度梯度的变化率.常用的一阶导数算子有Roberts（罗伯特）算子、Prewitt算子、Sobel算子、Kirsch算子等，二阶导数算子有拉普拉斯算子和Canny算子等等.不管一阶还是二阶梯度算子都对边缘信息和噪声相对敏感.

微分算子一般通过模板卷积对图像进行边缘检测，优点是算法简单，运算速度快.主要缺点是一阶算子检测到的边缘比较粗糙，而二阶算子对噪声很敏感，无法直接用于背景噪声丰富的图像.

3.2 基于形变模型的方法

形变模型分三个过程：首先是建立初始模型，就是在图像边界引一个起点，作一条闭曲线；然后结合本身信息和图像信息的相互指引开始运动，这过程就是模型的形变过程；最后曲线运动到边界的终点，停止，这就是模型的收敛.从物理力学方面来说，形变模型就是曲线或曲面在内、外力共同作用下产生的结果.

形变模型的主要优点是形变不规则，自由度大，使模型具备对象形状的先验性，对噪声和伪边界有较强的鲁棒性，尤其是基于几何形变模型的方法提取的边界精度高，还保证边界曲线的拓扑性.也有一些变形模型，使用先验知识的先验知识或标记点的集合，其分割结果更准确，更稳定.然而，利用先验知识要先训练样本，这一过程需要人工干预，要人工针对特定对象形状的变化信息进行统计，智能性欠缺.

4 动态边缘提取方法

除了传统的边缘检测和阈值分割方法外，目前常用的是一种通过动态过程确定目标物边缘的思想.下面介绍两种动态提取边缘的方法.

4.1 Level Set（水平集）方法

水平集方法早在1988由美国数学家Osher和Sethian合作提出，它的基本思想[21]换成高维的表示，通过曲线将平面分为内外两个区域，定义S(x,y,t)=±d为点（x，y）到曲线的距离，结果为正表示点在外区域，结果为负，表示点在内区域，t为时间，曲线上的任意一个点在任一时刻d=0，那么该曲线为距离函数S的零水平集.虽然转化会把问题复杂化，但是求解上带来不少好处，它可以适应拓扑结构变化的能力强，不需要重构界面，可以获得唯一熵解.Level Set方法的另一个优点是捕获边界能力好，能相对精确贴合图像的边缘，而且，水平集方法是利用曲率正负来收缩扩张边界曲线，具有一定去噪的能力.但在尖角位置会产生圆角化现象，需要更高阶格式来化解，而对于分界不明显的区域，使用Level Set方法会造成比较严重的误差，必须做一些预处理来避免这个问题[5].

4.2 Watershed（分水岭）变换

Watershed(分水岭)分割算法就是把图像看成一片地理区域，有山有湖的地理区域，为了分割哪是山，哪是水，就要找到区分山与水的分界线，湖与湖的间隔，就是分水岭，把图像中的每个点的灰度值就是这点的海拔，进行排序，找到每个区域的最小点，然后往里面不断灌溉，实现从低到高的淹没过程，直到淹没到趋近该区域的高点，得到比较集中的集水盆，从而实现分割.

分水岭法奠定在图像的梯度的基础上，集水位置在理论上应该为灰度变化最小的部分，分水岭就对应灰度变化最大的部分.由于噪声影响或者局部分布不均匀而引起的“过度分割”是分水岭算法的最大弊端.过分割的原因是图像中存在局部极小值.因此，分水岭算法一般不能独立使用，而要配合一些去噪和减少灰度波动的措施，如灰度重建来减少过分割.

5 总结与展望

对图像分割算法研究至今已经有上千种方法，但却无一种通用方法，前面的几种分割方法都有自己的特色，都有各自的优缺点，都有各自的适用场合.所以进行图像的分割时，要先对分割算法进行性质和数量的评估.组合分割方法技术更是近年来的研究走向，如何将基于区域信息的分割方法与别的方法进行组合，尤其是与边缘检测方法，形成结合区域与边界技术的方法.例如，可以考虑先在梯度幅值图像中检测线条和波谷点，通过确定最大梯度路径获得初始图像分割，最后采用区域合并技术获得最终结果.通过技术结合不断创新和突破，图像分割方法正朝着更精确、更快速的方向发展.

〔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）06.

〔2〕米娟芳.基于背景重构的视频分割算法设计[D].太原理工大学，2011.

〔3〕蒋帅.K均值聚类算法研究[D].陕西师范大学，2010.

〔4〕曹易，张宁.一种改进的模糊C-均值聚类算法[J].上海理工大学学报，2012（04）.

〔5〕杨长才.基于水平集方法的图像分割技术研究[D].三峡大学,2008.

TP391.41

A

1673-260X（2016）11-0020-02

2016-08-21