图像分割综述

图像分割方法综述图像分割是图像处理中的一项关键技术,自20世纪70年代起一直受到人们的高度重视,至今已提出上千种分割算法。主要分类：基于边缘的算法、阈值分割法、基于区域的分割算法、结合特定理论工具的分割方法。一、基于边缘的算法：通过检测出不同区域边界来进行分割。边缘点往往是图像某些特征变化剧烈的点，这些点往往是一阶导数极大的点或者二阶过零的点，基于此提出了一系列边缘检测的算法.图像的边缘是图像最基本的特征之一，基于边缘的分割方法可以说是人们最早研究的方法。1959年，Julez在“一种基于边缘检测的电视信号编码方法”一文中首次提及边缘检测技术，开创了边缘检测的先河。边缘检测方法试图通过检测不同区域间的边缘来解决图像分割问题。边缘检测技术可以按照处理的顺序分为串行边缘检测以及并行边缘检测。边缘检测主要包括以下几种方法：基于灰度直方图的边缘检测分割技术、梯度最大值的检测方法、二阶导数的零交叉点检测方法以及小波多尺度边缘检测的方法基于灰度直方图的边缘检测分割技术：1962年，Doyle提出的基于灰度直方图的边缘检测分割技术，计算量小，有一定的抗噪声性能，能够较理想的得到图像的边缘分割效果代表文章：基于灰度与边缘的图像分割方法AGrouping-FeatureandNesting-KernelSceneImageSegmentationAlgorithm优点：边缘定位准确缺点：对噪声敏感,检测到的边缘经常不能闭合。二、阈值分割法：是灰度图像分割的一个比较常用的方法,通过阈值,把图像中灰度级大于阈值的像素和小于阈的像素分类,从而实现图像分割。比较经典的算法有Otsu阈值分割法、最大熵阈值法、迭代阈值法、基于直方图的阈值分割算法。1、最大类间方差法是在判决分析最小二乘法原理的基础上推导得出的求最佳阈值的方法。发展：大津：1979年基于最大类间方差的阈值分割算法，刘健庄：1993年推广到二维，增加了其抗噪性，达到了较好的分割效果；景晓军：2003年发展到三维，范九伦：2007年进行了修正，给出了新的递推公式。2、最大熵阈值分割法最早是由Pun提出，将信息论中的”熵”应用到图像分割领域中，其后又由Kapur等人对其进行改进。熵是平均信息量的表征,根据信息论,熵定义为:H=p(x)lgp(x)dx，其中P(x)是随机变量x的概率密度函数。3、迭代阈值分割算法是由Ohanlder等人在1978年提出的基于迭代原理的阈值分割方法，法基本过程是通过迭代的方法找到特征空间中各类的中心并以此来进行聚类4、基于直方图的分割算法：直方图算法的基本思想是直接依据图像的原始直方图确定阈值.是灰度图像分割的一个比较常用的方法,通过阈值,把图像中灰度级大于阈值的像素和小于阈的像素分类,从而实现图像分割。代表文章：ANewMedicalImageSegmentationMethodCombiningImprovedClusteringAlgorithmandThresholdSegmentation优点：阈值算法对于被检测物体和背景反差较大的图像,阈值分割法是一种简单、有效、可靠的分割方法,缺点：对噪声敏感三、基于区域的分割算法该方法利用的是图像的空间性质，认为分割出来的属于同一区域的像素应具有相似的性质，其概念是相当直观的.主要的分割算法有：区域生长和分裂合并.1、区域生长法,通过从一系列像素的种子点开始,根据事先确定的某种生长或相似准则来判定将种子像素邻近的与其性质相似的像素合并到种子像素上从而生成区域。区域生长法实现简单,但是依赖于种子点的选取,并且需要遍历图像中的每个像素,计算复杂2、分裂合并算法的基本思想是将待分割的图像先分成多个不重叠的区域，分后的区域的大小是任意的，然后按照某分裂合并规则合并或者分裂这些分后的区域达到我们分割的要求2010年JifengNing等人提出了一种新的、基于区域合并的交互式图像分割方法.代表文章：ARegion-basedColorImageSegmentationMethodunderPSystems优点分割图像时图像的空间信息得到了很好的利用，分割后连续性较好，并且不受图像的分支数影响缺点在于图像特征有很多，不易找到最优聚类特征，且聚类对于噪声也是非常敏感的。四、结合特定理论工具的分割方法：近年来随着各学科新理论和新方法的提出,许多交叉领域的理论、方法和工具相结合的分割技术也随之诞生。1基于数学形态学的分割算法数学形态学是研究区域形状特征的数学工具,它的基本思想是用一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析处理的目的。最突出、最传统的方法就是分水岭分割方法,L.Vincent首先提出了经典的分水岭计算方法。分水岭的分割方法是对图像的梯度分割,该方法具有较好的鲁棒性,但由于梯度算子受噪声或量化误差的影响通常产生很多局部最小值,从而导致过度分割现象,并且该算法比较费时代表文章：改进的分水岭分割算法在图像分割中的应用ApplicationofSoftMathematicalMorphologyinImageSegmentationofIRShipImage鲁棒性也叫健壮性。图像鲁棒性是指图像在经历了各种信号处理或者各种攻击后，依然具有一定的保真度。图像还是可以辨别，失真不是很严重，抗攻击能力强。2基于特征空间聚类的算法1969年RusPini在自己的文章中阐述了模糊划分这一概念。聚类就是按某种相似性度量准则将样本划分成多组具有同类性质的子类,使得同一子类尽可能的相似,实际中应用最为广泛的是模糊C-均值算法（FuzzyC-Means），简称FCM。FCM算法最先由Dunn提出，后经Bezdek改进，并给出FCM算法采用迭代法优化目标函数来获得对数据集的模糊分类，算法具有很好的收敛性代表文章：MedicalimagesegmentationusingimprovedFCMNewtwo-dimensionalfuzzyC-meansclusteringalgorithmforimagesegmentation虽然聚类分析不需要训练集,但需要事先确定分类个数,且初始参数对分类结果影响较大,需要借助其他方法对数据集进行预处理;另一方面,由于聚类也没有考虑空间信息,因而对噪声敏感。3基于小波变换的分割技术小波分析是在傅里叶分析的基础上发展起来的,与传统的Fourier变换相比,小波变换是一种在空间域和频率域同时拥有分辨性的多尺度的分析方法,是近年来得到广泛应用的数学工具,属于时频分析的一种。同时,小波变换具有良好的时频局部化特征、尺度变化特征和方向性特征,解决了傅里叶变换不能解决的许多难题。从图像分割的角度来看,小波分解提供了一个数学上完备的描述:通过小波变换将目标图像进行二维小波分解,分解为不同频带的子图,得到相应的小波系数,这些小波系数即是对图像总体和细节特征的表征;小波变换通过选取合适的滤波器,可以极大地减少或去除所提取的不同特征之间的相关性;在实现上有快速算法可以实现。代表文章：基于小波域的模糊化区域竞争模型的图像分割方法4利用神经网络的分割技术神经网络方法是将图像分割问题作为一个函数最小化问题来处理。在众多神经网络算法中,BP学习算法是最著名的多层前向反馈式神经网络训练算法之一。其主要思想是利用已知确定结果的样本模式对网络进行训练,然后利用训练好的网络进行图像的处理或识别,该算法在图像处理和图像识别领域已经取得令人瞩目的成就。由于神经网络是由许多神经处理单元互相连接组成的庞大网络,其巨大的连接结构和分布的处理单元,使得系统具有鲁棒性、并行性及实时性。由于尚无通用的分割理论,现提出的分割算法大都是针对具体问题的,并没有一种适合所有图像的通用分割算法.另外,还没有制定出选择合用分割算法的标准,这给图像分割技术的应用带来许多实际问题.1977年，Yansnoff等首次提出针对二值图像分割提出相应的评价方法和指标后，才开创了客观评价分割算法的先河.一个好的图像分割应该具备以下几个特征：（1）分割完整，没有漏分割和重复分割的情况，每个区域都有自身的特征相似性（2）可以从分割特征上区分出各个区域的不同（3）区域边界明确且是封闭的，即有连续的轮廓（4）分割算法的执行时间短发展趋势：一是对原有算法的不断改进;二是新方法、新概念的引入和多种方法的有效综合运用.人们逐渐认识到现有的任何一种单独的图像分割算法都难以对一般图像取得令人满意的分割效果,因而很多人在把新方法和新概念不断的引入图像分割领域的同时,也更加重视把各种方法综合起来运用.