关于图像分割算法的研究

关于图像分割算法的研究黄斌（福州大学物理与信息工程学院福州350001）摘要：图像分割是图像处理中的一个重要问题，也是一个经典难题。因此对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视，也提山了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决。本文从图像分割的定义、应用等研究背景入手，深入介绍了目前各种经典的图像分割算法，并在此基础比较了各种算法的优缺点，总结了当前图像分割技术中所面临的挑战，最后展望了其未来值得努力的研究方向。关键词：图像分割阀值分割边缘分割区域分割一、引言图像分割是图像从处理到分析的转变关键，也是一种基本的计算机视觉技术。通过图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能，因此它被称为连接低级视觉和高级视觉的桥梁和纽带。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其它伪目标中分离出来[1]。图像分割可以形式化定义如下[2]：令有序集合表示图像区域(像素点集)，H表示为具有相同性质的谓词，图像分割是把I分割成为n个区域记为Ri，i=1，2，…，n，满足：(1)1,,,,niijiRIRRijij(2),1,2,,iiinHRTrue(3),,,ijijijHRRFalse条件(1)表明分割区域要覆盖整个图像且各区域互不重叠，条件(2)表明每个区域都具有相同性质，条件(3)表明相邻的两个区域性质相异不能合并成一个区域。自上世纪70年代起，图像分割一直受到人们的高度重视，其应用领域非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。主要表现在：1)医学影像分析：通过图像分割将医学图像中的不同组织分成不同的区域，以便更好的帮助分析病情，或进行组织器官的重建等[3][4][5]。2)军事研究领域：通过图像分割为目标自动识别提供特征参数[6][7]。3)遥感气象服务：通过遥感图像分析获得城市地貌，作物生长状况，云图中的不同云系分析[8][9]。4)交通图像分析：通过分割把交通监控获得的图像中的车辆目标从背景中分割出来，以及进行车牌识别等等[10][11]。5)面向对象的图像压缩和基于内容的图像数据库查询：将图像分割成不同的对象区域以提高压缩编码效率，通过图像分割提取特征便于网页分类、搜索等等[12]。图像分割技术是计算机视觉和人工智能邻域中一项意义重要而又颇为艰巨的研究工作，此项技术既涉及到图像信息的下层数据处理，又牵扯到上层知识表达，与目前自下而上的单向模块化的视觉系统框架不相容，属图像信息工程的一大经典难题，长期以来一直是困扰和制约模式识别发展的瓶颈问题和技术难点。二、图像分割算法图像分割方法的研究一直受到很多学者的关注，四十多年里，图像分割的研究一直受到人们高度的重视。迄今为止。研究者们已经提出了上千种各种类型的分割算法，而且近年来每年都有上百篇相关研究成果发表。但是，现有的方法多是为特定应用设计的，有很大的针对性和局限性，对图像分割的研究还缺乏一个统一的理论体系。Fu和Mui从细胞学图像处理的角度将图像分割技术分为三大类：特征阀值或聚类、边缘检测和区域提取[13]。一个更加细致的分类里，HaraliekandShapiro将所有算法分为6类：测度空间导向的空间聚类、单一连接区域生长策略、混合连接区域生长策略、中心连接区域生长策略、空间聚类策略和分裂合并策略[14]。依据算法所使用的技术或针对的图像，PalandPal也把图像分割算法分成了6类：阀值分割、像素分割、深度图像分割、彩色图像分割、边缘检测和基于模糊集的方法[1]。但是，该分类方法中，各个类别的内容是有重叠的。为了涵盖不断涌现的新方法，有的研究者将图像分割算法分类以下类：并行边界分割技术、串行边界分割技术、并行区域分割技术、串行区域分割技术、结合特定理论工具的分割技术和特殊图像分割技术[15]。而在较近的一篇综述中，更有学者将图像分割简单的分成基于数据驱动的分割和基于模型驱动的分割两类[16]。下面，我们将图像分割算法分为以下5类：基于阀值化的分割、基于边缘的分割、基于区域的分割、基于聚类的分割、基于形态学及其他分割方法。2.1基于阀值化的分割阈值化分割是最常见的直接检测区域的分割方法，它就是简单地用一个或几个阈值将图像的灰度直方图分成几个类，如果只需选取一个阈值称为单阈值分割，它将图像分为目标和背景两大类；如果选取多个阈值分割称为多阀值方法，图像将被分割为多个目标区域和背景。阈值化分割的结果依赖于阈值的选取，确定阈值是阈值化分割方法的关键，阈值化分割实质上就是按照某个准则求出最佳阈值的过程。常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差法、最大熵自动阈值法以及其他一些方法。阈值化分割方法计算简单，运算效率较高，速度快。全局阀值对于灰度相差较大的不同目标和背景能进行有效的分割，当图像的灰度差异不明显或不同目标的灰度值范围有重叠时，应采用局部阀值或动态阈值分割法。但这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。在实际应用中，阈值法通常与其他方法结合使用。2.2基于边缘的分割基于边缘的分割方法是利用不同区域间特征不连续的特点检测出区域间的边缘，从而实现图像分割。它利用了人的视觉过程的机理，通过检测不同均匀区域之间的边界来实现对图像的分割[17][18]。根据执行方式的不同，通常又可以分为串行和并行两种，即：串行边缘检测技术和并行边缘检测技术。串行边缘检测技术首先是检测出一个边缘起始点，然后根据一定的相似性准则寻找与前一点归属同类的边缘点，这种确定根据后继相似点查找同类的方法称之为跟踪。根据跟踪的方法不同，这类方法一般又可分为轮廓跟踪、光栅跟踪和全向跟踪三种。全向跟踪法可以克服由于跟踪的方向性可能造成的边界丢失，但其搜索过程会付出更大的时间代价。串行边缘检测技术的优点在于可以得到连续的单像素边缘，但是它的效果严重依赖于初始边缘点，由不恰当的初始边缘点可能得到虚假边缘；较少的初始边缘点可能导致边缘漏检。并行边缘检测技术一般情况下借助空域微分算子，利用其模板与图像卷积来完成，因此可针对每个像素同时进行，进而大大降低了算法的时间复杂度。常见并行边缘检测方法有Sobel算子、Roberts算子、Prewitt算子、Laplacian算子、LOG算子等。该类算法有一个明显的缺点：不能够得到完整的连续的单像素边缘，因此通常情况下在利用并行边缘检测方法后，需要进一步的边缘修正的工作，如边缘连通、去除毛刺和虚假边缘剔除。2.3基于区域的分割基于区域的分割法有区域生长和分裂合并这两种基本形式。区域生长法首先在每个要分割的区域找一个或多个像素点作为种子像素作为生长的起点，然后按某种相似性原则进行区域增长，直至没有可以归并的点或其它小的区域为止。区域分裂合并法按照某种一致性准则分裂或合并区域，当一个区域不满足一致性原则即被分裂为几个小的区域，当相邻的区域相似性一致时候，即通过合并运算合并成一个大的区域[19]。基于区域的分割算法可以弥补阈值化分割方法因没有或很少考虑到空间关系而使多阈值选择受到限制的不足。该方法利用了图像的空间性质，不但考虑了像素的相似性，同时考虑到了空间区域上的邻接性，从而可以有效消除孤立噪声的干扰，具有很强的鲁棒性。同时，无论是分裂运算还是合并运算，都能够很好的将分割深入到像素级，因此对图像分割的精度能够有较高的保障，但其分割的速度都比较慢。2.4基于聚类的分割聚类分割方法就是按照样本间的相似性原则把集合划分为若干个小的子集，划分的结果应使某种表示聚类质量的准则为最大。当用距离来表示两个样本间的相似度时，这样做的结果就把特征空间划分为若干个区域，每一个区域相当于一个类别。一些常用的距离度量都可以作为这种相似性的度量标准，因为从经验上讲，凡是同一类的样本，其特征向量应该是相互靠近的，而不同类的样本其特征向量之间的距离较同类样本的距离要大的多。典型的聚类分割算法有K均值的算法[20]、模糊C均值算法[21]，期望最大化和分层聚类方法[22]等。聚类算法不需要训练集，但需要对初始分割提供的一个初始参数，初始参数的选定对最终分类结果有很大的影响，因此针对于聚类分割，初始参数的选取是该方法的一个技术难点。2.5基于形态学及其他分割方法近年来出现了结合特定数学理论和工具提出了一些分割算法，包括：基于数学形态学的分割方法，借助统计模式识别的分割方法，利用神经网络理论知识的分割方法，基于小波分析和变换思想的分割方法，利用进化算法的优化分割方法等等[23][24][25]。三、存在问题综上所述，即使前人已经进行了广泛而深入的研究，图像分割仍然面临许多具有挑战性的课题，主要集中在以下两个方面[26]：首先，虽然己经提出了数以千计的分割方法，但是各种方法的本身都存在一定的针对性和局限性。通常，将针对一类图像设计的分割方法应用到另一类图像时，效果往往不能令人满意。在需要解决一个具体的图像分割问题的时候，难于找到一个一定适用的现成方法，往往需要综合几种算法才能达到良好的效果。其次，图像分割问题既是个数学问题，又是一个心理学问题。如果不利用关于图像或所研究目标的先验知识，任何数学工具的解析方法都很难取得很好的效果。由于缺乏一个统一的理论作为基础，同时也缺乏对人类视觉系统机理的深刻认识，当架构实用性的机器系统视觉系统时，所面临的就将是各式各样的、数量庞大的具有一定差异性的复杂图像库，这将对如何能够很好的利用实时经验，设计有效的分割算法就是一种巨大的挑战。四、结束语图像分割虽然是一个得到了比较深入研究的经典课题，但是正如前节所述，仍有许多问题亟待解决。在当前图像分割技术越来越多的应用于解决各种实际复杂特定领域问题的趋势下，我们可以将一些成熟的理论方法引入到图像分割领域中，例如模糊算法、神经网络、遗传算法、小波分析、粗集理论、形态学等，为图像分割开拓研究思路，注入新鲜的活力；同时我们还可以针对具体问题采用多种分割算法的相结合的思想进行处理，从而达到有效的解决了单一的图像分割算法所带来的一定缺陷，进而改善图像分割效果的目的。参考文献[1]N.R.Pal，S.K．Pal.AReviewOnImageSegmentationTechniques[J]．PatternRecognition，26(9)：1277一1294，1993．[2]R.C.Gonzalez，R.E.Woods．DigitalImageProcessing[M]．3-rd．AddisonWesley，1992．[3]C．Tsai，B．S．Manjunath，R．Jagadeesan．AutomatedsegmentationofbrainMRimages[J]．PatternRecognition，28(12)：1825—1837，1995．[4]C．Kirbas，K.H．Francis．Vesselextractiontechniquesandalgorithms：asurvey[J]．Proc．3rdIEEESymposiumonBiolnformaticsandBioEngineering，WashingtonD．C．，US：238—245，2003．[5]L.Wang,J.Bai．Thresholdselectionbyclusteringgraylevelsofboundary[J]．PatternRecognitionLetters，24：1983—1999，2003．[6]薛景浩，章毓晋，林行刚．SAR图像基于Rayleigh分布假设的最小误差阈值化分割[J]．电子科学学刊，21(2)：219-225,1999．[7]李国宽，彭嘉雄．基Td,波变换的红外成像弱小目标检测方法[J]．华中理工大学学报，28(5)：69-71，2000．[8]B．Tian，M．A．Shaikh，S．A