基于区域的图像分割算法综述资料下载.pdf

基于区域的图像分割算法综述资料下载.pdf

《基于区域的图像分割算法综述资料下载.pdf》由会员分享，可在线阅读，更多相关《基于区域的图像分割算法综述资料下载.pdf（4页珍藏版）》请在冰点文库上搜索。

根据图像分割的处理方式不同，可以将基于区域的图像分割算法分为以下三大类：

（1）阈值法

（2）区域生长和分裂合并（3）基于统计学的算法。

1阈值法本论文由863计划（编号：

2005AA420240）；

国家自然科学基金资助课题（编号：

39870482）资助。

阈值法是一种简单有效的图像分割方法。

阈值是用于区分目标和背景的灰度门限。

如果图像只有目标和背景两大类，那么只选取一个阈值称为单阈值分割。

如果图像中有多个目标，就需要选取多个阈值将目标及背景分开，这种方法称为多阈值分割1。

阈值法的数学描述2如下：

设（x，y）是二维数字图像的平面坐标，图像灰度级的取值范围是G=0，1，2，L1（习惯0代表最暗的像素点，L1代表最亮的像素点），位于坐标点（x，y）上的像素点的灰度级表示为f（x，y）。

设tG为分割阈值，B=b0，b1代表一个二值灰度级，并且b0，b1G。

于是图像函数f（x，y）在阈值t上的分割结果可以表示为（）=tyxfbtyxfbyxft）,（,）,（,10阈值分割法实际就是按某个准则函数求最优阈值t的过程。

常用的阈值选取方法有：

灰度直方图峰谷法3、最小误差法4、最大类间方差法5、最大熵自动阈值法6等。

278电子测量与仪器学报2007年增刊阈值法的优点是计算简单，速度快，易于实现。

尤其是对于不同类的物体灰度值或其他特征值相差很大时，能很有效地对图像进行分割。

阈值法的缺点是当图像中不存在明显的灰度差异或灰度值范围有较大的重叠时，分割效果不理想。

并且阈值法仅仅考虑图像的灰度信息而没有考虑图像的空间信息，致使阈值法对噪声和灰度不均匀十分地敏感。

2区域生长和分裂合并区域生长和分裂合并是两种典型的串行区域分割算法。

其特点是将分割过程分解为顺序的多个步骤，其中后续步骤要根据前面步骤的结果进行判断而确定。

区域生长的基本思想是将具有相似性质的像素集合起来构成区域，该方法需要先选取一个种子点，然后依次将种子像素周围的相似像素合并到种子像素所在的区域中。

区域合并的基本思想是将输入图像分成多个相似的区域，然后类似的相邻区根据某种判断准则迭代地进行合并。

在区域分裂技术中，整个图像先被看成一个区域，然后区域不断被分裂为四个矩形区域，直到每个区域内部都是相似的。

分裂合并算法中，区域先从整幅图像开始分裂，然后将相邻的区域进行合并。

区域生长算法的优点是计算简单，特别适合于分割小的结构。

缺点是需要人工交互以获得种子点，同时对噪声也比较敏感。

当对区域面积较大的图像分割时，计算缓慢7。

分裂合并算法的优点是不需要预先指定种子点。

缺点是分裂合并算法可能会使分割区域的边界被破坏。

3基于统计学的算法统计学方法的实质是从统计学的角度出发对数字图像进行建模，把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量。

从观察到的图像中恢复实际物体或正确分割观察的图像。

从统计学的角度来看就是要找出最有可能，即以最大的概率得到该图像的物体组合来。

从贝叶斯定理的角度看，就是求出具有最大后验概率的分布8。

常用的统计学方法包括分类器和聚类、基于随机场的方法、混合分布法和隐含马尔科夫模型HMM（Hiddenmarkovmodels）等等。

3.1分类器和聚类3.1分类器和聚类9分类是模式识别领域中一种基本的统计分析方法。

分类的目的是利用己知的训练样本集在图像的特征空间找到点（1D）、曲线（2D）、曲面（3D）或超曲面（多维），从而实现对图像的划分。

用分类器进行分割是一种有监督的统计方法，它需要用手工分割所得到的样本集作为对新的图像进行自动分割的参考。

分类器分为非参数（nonparametric）分类器和参数（parametric）分类器两种。

典型的非参数分类器包括K近邻（KNN）以及Parzen窗（一种投票分类器），它们对图像数据的统计结构没有要求。

参数分类器的代表是Bayes分类器，它是假定图像的概率密度函数要符合高斯独立分布。

聚类算法10与分类器算法极为类似，只是它不需要训练样本，因此聚类是一种无监督的（unsupervised）统计方法。

因为没有训练样本集，聚类算法迭代地执行图像分类和提取各类的特征值。

从某种意义上说，聚类是一种自我训练的分类。

其中，K均值、模糊C均值（FuzzyC-Means）,EM（Expectation-Maximization）和分层聚类方法是常用的聚类算法。

K均值算法先对当前的每一类求均值，然后按均值对像素进行重新分类（将像素归入均值最近的类），对新生成的类再迭代执行前面的步骤。

模糊C均值算法从模糊集合理论的角度对K均值进行了推广。

EM算法把图像中每一个像素的灰度值看作是几个概率分布（一般用Gaussian分布）按一定比例的混合，通过优化基于最大后验概率的目标函数来估计这几个概率分布的参数和它们之间的混合比例。

分层聚类方法通过一系列连续合并和分裂完成，聚类过程可以用一个类似树的结构来表示。

分类的优点是不需要迭代运算，计算量相对较小，并且分类能应用于多通道图像。

缺点是分类没有考虑空间信息，因此对灰度不均匀的图像分割效果不理想。

并且分类器还要求由手工分类生成训练集，但是手工分类的工作量巨大，同时用小量的训练集训练的分类器对大量的样本空间进行分类时会产生误差。

聚类算法的优点是聚类分析不需要训练集。

缺点是聚类时需要一个初始分割提供初始参数，279电子测量与仪器学报2007年增刊即聚类的数目，初始参数对最终分类结果影响很大。

同时，聚类算法也没有考虑空间关联信息，因此也对噪声和灰度不均匀很敏感。

3.2基于随机场的方法3.2基于随机场的方法将图像看作一个马尔科夫随机场11MRF（MarkovRandomField）是一种常用的统计学方法。

MRF本身是一个条件概率模型，其中每个像素的概率只与相邻点相关。

直观的理解是，在MRF假设下大多数像素和其邻近的像素属于同一类。

以L=（i，j）|1iN1，1jN2表示一个N1xN2的图像网络。

以X=Xij表示一个离散取值的随机场，随机变量Xij可取图像可能的灰度值集合G=g1,g2,gm中的一个，以xij表示Xij的一个特定值。

定义一个图像中的邻域系统Ljiij=）,（|满足条件:

对任意两个像素点x,y若yx则xy，如通常所说的四邻域、八邻域等。

用C表示一个基于的像素点小集合（称为聚集，Clique），其中的任何两个像素点每一个都相互属于另一个的邻域，以c表示C中的元素即C中的一个像素点。

在这些定义下，MRF为满足下式的随机场:

（）（）（）（）yyijijklklijijxX|xXPjilkxX|xXP=，（）Lji，该随机场中的变量符合下式所示的Gibbs分布12:

（）（）xUZxXP=exp1（）=GxxUZ（）（）=CccxVxU其中U（x）是能量函数，可以采用各种形式。

邻域系统的定义和能量函数的参数决定了MRF的性质。

因此，使用MRF模型进行图像分割的问题包括：

邻域系统的定义，能量函数的选择及其参数的估计，极小化能量函数从而获得最大后验概率的策略等三个问题。

MRF模型的优点13是它能够区分不同的纹理分布，特别适合于纹理图像的分割。

MRF模型的缺点是MRF模型的分割性能取决于参数估计14的准确程度。

如果存在足够的先验知识或训练图像集，就能够比较准确地估计参数，否则就面临着参数估计与分割相互制约的矛盾。

3.3混合分布法和隐含马尔科夫模型HMM（Hiddenmarkovmodels）3.3混合分布法和隐含马尔科夫模型HMM（Hiddenmarkovmodels）混合分布法9是另一种常用的统计学方法，它把图像中每一个像素的灰度值看作是几个概率分布（一般用Gaussian分布）按一定的比例混合，通过优化基于最大后验概率的目标函数来估计这几个概率分布的参数和它们之间的混合比例。

L.Gupta等人给出了利用Gaussian混合分布模型的方法15，讨论了Gaussian混合分布的参数估计算法。

基本的HMM理论是由Baum等人提出的，经过多年的发展，HMM成为描述语音信号最有效的一种统计模型。

随后，研究人员开始将HMM用于小波域图像分割。

由于小波域中的HMM模型非常适合于对具有奇异值的图像进行描述，因此，小波域的HMM模型主要用于纹理图像分割16。

考虑到传统的实小波变换在平移不变特性和小波系数方向特性等方面的缺陷，Kingsburg首次将复小波变换引人图象处理领域17。

和实小波变换相比，复小波变换具有良好的平移不变性和方向选择特性。

此后，研究人员提出了很多基于复小波分析和变换的图像处理算法，在文献18中，Justin等人讨论了复小波域中的HMM模型，并将该模型用于图像去噪和纹理分割。

4总结图像分割是图像处理和分析的关键技术，也是图像理论发展的瓶颈之一。

本文对近年来国内外基于区域的图像分割算法进行了介绍，并分析了各算法在实际应用中的优缺点。

从中可以看出，仅仅使用一种算法实现对图像的分割，越来越难以满足实际应用中对图像分割的要求。

但是随着280电子测量与仪器学报2007年增刊图像分割理论的研究，将会有更多的图像分割算法被提出。

图像分割算法也将向更快速，更精确的方向发展。

参考文献1杨晖，图像分割的阈值法研究J，辽宁大学学报，Vol.33No.22006。

2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，Vol.24No.62002。

3章毓晋，图像工程（上册）-图像处理和分析M，清华大学出版社，1999。

4KittilerJ，IllingworthJ，MinimumerrorthresholdingJ，Patternecognition，1986，19

（1）：

41-47。

5OtsuN，Athresholdselectionmethodfromgrey-levelhistogramsJ，IEEETransSystem，ManCybernet，1979，SMC-9：

62-66。

6PunT，Entropythresholding：

Anewapproach，ComputeGraphicsJ，ImageProcess，1981，16：

210-239。

7杨加，吴祈耀，田捷，杨骅，几种图像分割算法在CT图像分割上的实现和比较J，北京理工大学学报，Vol.20No.6Dec.2000。

8王孝国，王景玉，张雄伟，基于特定理论工具的图像分割方法综述J，第九届全国青年通信学术会议论文集，2004。

9刘红霞，图像分割算法的研究与实现D，华东师范大学硕士学位论文，2004。

10杨晖，曲秀杰，图像分割方法综述J，电脑开发与应用，Vol.18No.32005。

11BoumanC.A，ShapironMSegmentation，IEEETransactionsAMultiscaleRandomFieldModelforBayesianImageonImageProcessing，1994，3

（2）：

10-16。

12管慧娟，基于区域的图像分割方法D，大连理工大学硕士学位论文，2005。

13王爱民，沈兰荪，图像分割研究综述J，测控技术，Vol.19No.52000。

14FabienSalzenstein，andWojciechPieczynski，ParameterEstimationinHiddenFuzzyMarkovRandomFieldsandImageSegmentation，GraphicalModelsandImageProcessing，1997，59（4）：

205220。

15GuptaL，SocuakulT，AGraussian-Mixture-BasedImageSegmentationAlgorithm，PatternRecognition，1998，31（3）：

315-326。

16ChoiH，BaraniukRG，Multi-scaleImageSegmentationUsingWavelet-DomainHiddenMarkovModels，IEEETransonImageProc，l999，46（4）：

886902。

17KingsburgNG，ImageProcessingwithComplexwavelets，PhilTtansRoyalSocietyLondonA，1999，357（9）：

2543-2560。

18RombagKR，ChoiH，BaraniukRG.AHiddenMarkavTreeModelfortheComplexWaveletTransform，IEEETransonSignalProc，2002。

281