影象分割技術論文

　　影象分割是影象處理與計算機視覺的基本問題之一，是影象處理影象分析的關鍵步驟。小編整理了，歡迎閱讀!

　　篇一

　　影象分割技術研究

　　摘要：影象分割是影象處理與計算機視覺的基本問題之一，是影象處理影象分析的關鍵步驟。本文介紹了基於閾值的分割方法和影象分割的影象分割效能的評價、應用現狀;最後總結出影象分割的發展趨勢。

　　關鍵詞：影象分割、閾值、邊緣檢測、區域分割

　　中圖分類號： TN957.52 文獻標識碼： A

　　1引言

　　隨著影象分割技術研究的深入，其應用日趨廣泛。凡屬需要對影象目標進行提取、測量的工作都離不開影象分割。影象分割是影象處理、模式識別和人工智慧等多個領域中一個十分重要且又十分困難的問題，是計算機視覺技術中首要的、重要的關鍵步驟。影象分割結果的好壞直接影響對計算機視覺中的影象理解。現有的方法多是為特定應用設計的，有很大的針對性和侷限性，到目前為止還不存在一個通用的方法，也不存在一個判斷分割是否成功的客觀標準。因此，對影象分割的研究目前還缺乏一個統一的理論體系，使得影象分割的研究仍然是一個極富有挑戰性的課題。

　　2影象分割方法

　　影象分割Image Segmentation，簡單地說就是將一幅數字影象分割成不同的區域，在同一區域內具有在一定的準則下可認為是相同的性質，如灰度、顏色、紋理等。而任何相鄰區域之間其性質具有明顯的區別。

　　2.1基於灰度特徵的閾值分割方法

　　閾值分割技術是經典的、流行的圖象分割方法之一，它是用一個或幾個閾值將影象的灰度級分為幾個部分，認為屬於同一個部分的畫素是同一個物體。

　　這類方法主要包括以下幾種：

　　1單閾值法，用一個全域性閾值區分背景和目標。當一幅影象的直方圖具有明顯的雙峰時，選擇兩峰之間的谷底作為閾值。

　　2雙閾值法，用兩個閾值區分背景和目標。通過設定兩個閾值，以防單閾值設定閾值過高或過低，把目標畫素誤歸為背景畫素，或把背景畫素誤歸為目標畫素。

　　3多閾值法，當存在照明不均，突發噪聲等因素或背景灰度變化較大時，整幅影象不存在合適的單一閾值，單一閾值不能兼顧影象不同區域的具體情況，這時可將影象分塊處理，對每一塊設一個閾值。

　　2.2 邊緣檢測分割法

　　基於邊緣檢測技術可以按照處理的順序分為並行邊緣檢測和序列邊緣檢測兩大類。常見的邊緣檢測方法有：差分法、模板匹配法及統計方法等。由於邊緣灰度變化規律一般體現為階梯狀或者脈衝狀。邊緣與差分值的關係可以歸納為兩種情況，其一是邊緣發生在差分最大值或者最小值處;其二是邊緣發生在過零處。

　　2.3基於區域的分割方法

　　基於區域的分割方法利用的是影象的空間性質。該方法認為分割出來的某一區域具有相似的性質。常用的方法有區域生長法和區域分裂合併法。該類方法對含有複雜場景或自然景物等先驗知識不足的影象進行分割，效果較好。

　　區域生長方法是把一幅影象分成許多小區域開始的，這些初始的小區域可能是小的鄰域甚至是單個畫素，在每個區域中，通過計算能反映一個物體內畫素一致性的特徵，作為區域合併的判斷標準。區域合併的第一步是賦給每個區域一組引數，即特徵。接下來對相鄰區域的所有邊界進行考查，如果給定邊界兩側的特徵值差異明顯，那麼這個邊界很強，反之則弱。強邊界允許繼續存在，而弱邊界被消除，相鄰區域被合併。沒有可以消除的弱邊界時，區域合併過程結束，影象分割也就完成。

　　2.4結合特定工具的影象分割技術

　　20世紀80年代末以來，隨著一些特殊理論的出現及其成熟，如數學形態學、分形理論、模糊數學、小波分析、模式識別、遺傳演算法等，大量學者致力於將新的概念、新的方法用於影象分割，有效地改善了分割效果。產生了不少新的分割演算法。下面對這些演算法做一些簡單的概括。

　　2.4.1基於數學形態學的分割演算法

　　分水嶺演算法是一種經典的借鑑了數學形態理論的分割方法。該方法中，將一幅影象比為一個具有不同高度值的地形，高灰度值處被認為是山脊，底灰度值處被認為是山谷，將一滴水從任一點流下，它會朝地勢底的地方流動，最終聚於某一區域性最底點，最後所有的水滴會分聚在不同的吸引盆地，由此，相應的影象就被分割成若干部分。分水嶺演算法具有運算簡單、效能優良，能夠較好提取運動物件輪廓、準確得到運動物體邊緣的優點。但分割時需要梯度資訊，對噪聲較敏感。

　　2.4.2基於模糊數學的分割演算法

　　目前，模糊技術在影象分割中應用的一個顯著特點就是它能和現有的許多影象分割方法相結合，形成一系列的整合模糊分割技術，例如模糊聚類、模糊閾值、模糊邊緣檢測技術等。

　　這類方法主要有廣義模糊運算元與模糊閾值法兩種分割演算法。

　　1廣義模糊運算元在廣義模糊集合的範圍內對影象處理，使真正的邊緣處於較低灰度級，但還有一些不是邊緣的畫素點的灰度也在較低灰度級中，雖然演算法的計算簡明，且邊緣細膩，但得到的邊緣圖會出現斷線問題。

　　2模糊閾值法引入灰度影象的模糊數學描述，通過計算影象的模糊熵來選取影象的分割閾值，後用閾值法處理影象得到邊界。

　　2.4.3基於遺傳演算法的分割方法

　　此演算法是受生物進化論思想提出的一種優化問題的解決方法，它使用引數編碼集而不是引數本身，通過模擬進化，以適者生存的策略搜尋函式的解空間，它是在點群中而不是在單點進行尋優。遺傳演算法在求解過程中使用隨機轉換規則而不是確定性規則來工作，它唯一需要的資訊是適應值，通過對群體進行簡單的複製、雜交、變異作用完成搜尋過程。由於此法能進行能量函式全域性最小優化搜尋，且可以降低搜尋空間維數，降低演算法對模板初始位置的敏感，計算時間也大為減少。其缺點是容易收斂於區域性最優。

　　2.4.4基於神經網路分割演算法

　　人工神經網路具有自組織、自學習、自適應的效能和非常強的非線性對映能力，適合解決背景知識不清楚、推理規則不明確和比較複雜的分類問題，因而也適合解決比較複雜的影象分割問題。原則上講，大部分分割方法都可用 ANNattificial neural network實現。ANN 用於分割的研究起步較晚，只有多層前饋NN，多層誤差反傳BPNN，自組織NN，Hopfield NN以及滿足約束的NNCSNN-Const raint Satisfaction Neurat Network等得到了應用。使用一個多層前向神經網路用於圖象分割，輸入層神經元的數目取決於輸入特徵數，而輸出層神經元的數目等同於分類的數目。

　　2.5影象分割中的其他方法

　　前面介紹了4大類影象分割較常用的方法，有關影象分割方法和文獻很多，新方法不斷產生，這些方法有的只對特定的情形有效，有的綜合了幾種方法，放在一起統稱為第5類。

　　1標號法labeling是一種基於統計學的方法，這種方法將影象欲分割成的幾個區域各以一個不同的標號來表示，用一定的方式對影象中的每一個畫素賦以標號，標號相同的畫素就合併成該標號所代表的區域。

　　2基於Snak模型的分割方法，基於Snake模型的分割是通過對能量函式的動態優化來逼近影象目標的真實輪廓的

　　3紋理分割，由於新的數學工具的引入，紋理分割技術取得了一些進展，張蓬等人將小波分析應用於紋理基元提取。

　　4基於知識的影象分割方法，直接建立在先驗知識的基礎上，使分割更符合實際影象的特點。該方法的難度在於知識的正確合理的表示與利用。

　　3影象分割效能的評價

　　影象分割評價主要有兩個方面的內容：一是研究各分割演算法在不同情況下的表現，掌握如何選擇和控制其引數設定，以適應不同需要。二是分析多個分割演算法在分割同一影象時的效能，比較優劣，以便在實際應用中選取合適的演算法。分割評價方法分為分析法和實驗法兩大類。分析法是直接分析分割演算法本身的原理及效能，而實驗法是通過對測試影象的分割結果來評價演算法的。兩種方法各有優劣，由於缺乏可靠理論依據，並非所有分割演算法都能夠通過分析法分析其效能。每種評價方法都是出於某種考慮而提出來的，不同的評價方法只能反映分割演算法效能的某一效能。另一方面，每一種分割演算法的效能是由多種因素決定的，因此，有可能需要多種準則來綜合評價。

　　4影象分割技術的發展趨勢

　　隨著神經網路、遺傳演算法、統計學理論、小波理論以及分形理論等在影象分割中的廣泛應用，影象分割技術呈現出以下的發展趨勢：1多種特徵的融合。2多種分割方法的結合。3新理論與新方法。

　　參考文獻

　　[1] [美]RC岡薩雷斯.數字影象處理第二版[M].阮秋琦，等譯.北京：電子工業出版社，2003

　　[2] 章毓晉.影象分割[M].北京：科學出版社，2001.

　　[3] 李弼程，彭天強，彭波等.智慧影象處理技術[M].北京：電子工業出版社，2004.

　　[4] 楊暉，曲秀傑.影象分割方法綜述[J].電腦開發與應用。2005，183：21-23.

點選下頁還有更多>>>