图像分割算法的研究与实现（开题报告）
1
图像分割算法的研究与实现
摘要：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，并在医学、工业、军事等领域得到了广泛应用。近年来具有代表性的图像分割方法有：基于区域的分割、基于边缘的分割和基于特定理论的分割方法等。本文主要对基于自动阈值选择思想的迭代法、Otsu法、一维最大熵法、二维最大熵法、简单统计法进行研究，选取一系列运算出的阈值数据和对应的图像效果做一个分析性实验。
关键字：图像分割，阈值法，迭代法，Otsu法，最大熵值法
1 研究背景
1．1图像分割技术的机理
图像分割是将图像划分为若干互不相交的小区域的过程。小区域是某种意义下具有共同属性的像素连通集合，如物体所占的图像区域、天空区域、草地等。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言，连通有4连通和8连通之分。图像分割有3种不同的方法，其一是将各像素划归到相应物体或区域的像素聚类方法，即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘像素，然后再将边缘像素连接起来构成边界的方法。
图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解，两者是紧密关联的。图像分割在一般意义下十分困难的，目前的图像分割处于图像的前期处理阶段，主要针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。
1．2数字图像分割技术存在的问题
虽然近年来对数字图像处理的研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大突破性的进展,仍然存在以下几个方面的问题。
? 现有的许多种算法都是针对不同的数字图像,没有一种普遍适用的分割算法。
? 缺乏通用的分割评价标准。对分割效果进行评判的标准尚不统一,如
图像分割算法的研究与实现（开题报告）
2
何对分割结果做出量化的评价是一个值得研究的问题,该量化测度应有助于视觉系统中的自动决策及评价算法的优劣,同时应考虑到均质性、对比度、紧致性、连续性、心理视觉感知等因素。
? 与人类视觉机理相脱节。随着对人类视觉机理的研究,人们逐渐认识到,已有方法大都与人类视觉机理相脱节,难以进行更精确的分割。寻找到具有较强的鲁棒性、实时性以及可并行性的分割方法必须充分利用人类视觉特性。
? 知识的利用问题。仅利用图像中表现出来的灰度和空间信息来对图像进行分割,往往会产生和人类的视觉分割不一致的情况。人类视觉分割中应用了许多图像以外的知识,在很多视觉任务中,人们往往对获得的图像已具有某种先验知识,这对于改善图像分割性能是非常重要的。试图寻找可以分割任何图像的算法目前是不现实,也是不可能的。人们的工作应放在那些实用的、特定图像分割算法的研究上,并且应充分利用某些特定图像的先验知识,力图在实际应用中达到和人类视觉分割更接近的水平。
1．3数字图像分割技术的发展趋势
从图像分割研究的历史来看,可以看到对图像分割的研究有以下几个明显的趋势。
? 对原有算法的不断改进。人们在大量的实验下，发现一些算法的效果并不理想，或者说在某些情况下不理想。很多时候，人们不是重新找寻一种新的理论思想，而是基于之前的算法，针对性得进行改进。
? 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地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。
? 交互式分割研究的深入。由于很多场合需要对目标图像进行边缘分割分析(如对医学图像的分析),因此需要进行交互式分割研究。事实证明,交互式分割技术有着广泛的应用。
? 特殊图像分割的研究越来越得到重视。目前有很多针对立体图像、彩色图像、多光谱图像以及多视场图像分割的研究,也有对运动图像及视频图像中目标分割的研究,还有对深度图像、纹理图像、计算机断层扫描、磁共振
图像分割算法的研究与实现（开题报告）
3
图像、共聚焦激光扫描显微镜图像、合成孔雷达图像等特殊图像的分割技术研究。相信随着研究的不断深入,存在的问题会逐渐得以解决。
2 文献综述
2.1 概念
图像分割是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。这些特性可以是灰度、颜色、纹理等，目标可以对应单个区域，也可以对应多个区域。图像分割可以借助集合的概念用如下比较正式的方法定义:
令集合R代表整个图像区域，对R的分割可看做将R分成N个满足以下5个条件的非空的子集(子区域)R1,R2,...,RN:
N?
?R?R；
ii?1? 对所有的i和j，i?j,Ri?Rj?? ； ? 对i?1,2,...,N，有P?Ri??True； ? 对i?j，P?Ri?Rj??False； ? i?1,2,...,N，Ri是连通的区域。
其中P?Ri?是对所有在集合中元素的逻辑谓词，?代表空集。
2.2 分类准则
准则有二，一个是基于区域象素灰度值的特性，可以分为利用区域间灰度不连续性的基于边界的算法和利用区域内灰度相似性的基于区域的算法。另外根据分割过程中处理策略的不同，分割算法可分为并行算法和串行算法。
根据以上两个准则，分割算法可分为4类：
图像分割算法的研究与实现（开题报告）
4
? PB：并行边界类； ? SB:串行边界类； ? PR：并行区域类； ? SR：串行区域类。
2.3图像分割方法简介
2.3.1阈值法
阈值分割法是简单地用一个或几个阈值将图像的直方图分成几类，图像中灰度值在同一个灰度类内的象素属干同一个类，它是一种PR法。其过程是决定一个灰度值，用以区分不同的类，这个灰度值就叫做“阈值”。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用整幅图像的信息来得到分割用的阈值，并根据该阈值对整幅图像进行分割.而局部阈值分割是根据图像中的不同区域获得对应的不同区域的阈值，利用这些阈值对各个区域进行分割，即一个阈值对应相应的一个子区域，这种方法也称适应阈值分割。
阈值法是一种简单但是非常有效的方法，特别是不同物体或结构之间有很大的强度对比时，能够得到很好的效果.它一般可以作为一系列图像处理过程的第一步。它一般要求在直方图上能得到明显的峰或谷，并在谷底选择阈值。如何根据图像选择合适的阈值是基于阈值分割方法的重点所在，也是难点所在。
它的主要局限是，最简单形式的阈值法只能产生二值图像来区分两个不同的类。另外，它只考虑象素本身的值，一般都不考虑图像的空间特性，这样就对噪声很敏感它也没有考虑图像的纹理信息等有用信息，使分割效果有时不能尽如人意。
现在有很多研究者提出了许多经典阈值法的更新算法.特别在阈值选取方面提出了很多方法，如双峰直方图阈值分割法、最大墒阈值分割、最大类间方差阈值分割法、灰度共矩阵阈值分割法等。
2.3.2区域生长法
区域生长法是根据预先定义的标准，提取图像中相连接的区域的方法，它是利用区域的相似性即满足区域一致性准则对目标进行分割。它是一种SR法。这个预先定义的标准可以是灰度信息，也可以是图像的边界，或者是
图像分割算法的研究与实现（开题报告）
5
两者的结合。在此法的最简单形式中，先人工给出一个种子点，然后提取出和种子相比符合预知标准的所有象素。
和阈值法一样，区域生长法一般不单独使用，而是放在一系列处理过程中。它主要的缺陷是，每一个需要提取的区域都必须人工给出一个种子点，这样有多个区域就必须给出相应的种子个数。此法对噪声也很敏感，会造成孔状甚至是根本不连续的区域，相反的，局部且大量的影响还会使本来分开的区域连接起来。
2.3.3边缘检测法
缘检测法是基干图像不连续性的分割技术。由于一幅图像的大部分信息存于不同区域的边缘上，而且人的视觉系统在很大程度上根据边缘差异对图像进行识别分析。所以可以通过检测图像的边缘信息来实现对图像的分割。它按照处理技术可以分为串行边缘检测技术和并行边缘检测技术。
在并行边缘检测技术中边缘的检测可以借助空域微分算子通过卷积完成。这些微分算子包括Sobel梯度算子、Roberts梯度算子、Prewitt梯度算子、拉普拉斯算子、综合正交算子等。这些方法对图像中灰度的变化进行检测，认为灰度突变的地方为图像边缘。
在有噪声时，用各种算子得到的边缘像素常是孤立的或分小段连续的，为了得到完整的边缘信息，还需进行边界闭合处理。边界闭合可以根据梯度实现，即如果某些像素梯度的幅度及梯度方向满足规定的条件就可以把这些像素连接起来，如果对所有的边缘像素都进行这样的判断和连接就有可能得到闭合的边界。除此之外，还可以利用数学形态学的一些操作进行边界的连接和闭合.哈夫变换也是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法。
该算法对于灰度变化复杂和细节较丰富的图像进行处理时，以上算子均很难检测出边缘。而且一旦有噪声干扰，处理效果更不理想。
2.3.4人工神经网络法
人工神经网络法是使用大量的平行的神经网络达到对图像分割的目的。这些网络由模拟生物学习机理的节点或者元素组成，网络中的每个节点能够执行最基本的运算。通过调整节点之间的权值可以达到网络对生物机理的学习，可以实现图像的边缘检测。
使用神经网络法的时候，因为网络中有许多相互连接，所以空间信息就能很容易包涵在分类过程中。虽然神经网络法具有平行继承性，但是它的处理过程和标准的串行计算机很类似，这样就降低了它计算方面的潜在优势。