圖像分割方法綜述

 

圖像分割方法綜述

 

XXX

(XXXX大學XX學院 陝西西安710049)

 

摘要：經過檢索近近年來不斷改進的圖像分割方法，如下幾類方法比較活躍的出現，分別是：基於閾值的分割方法、基於區域生長的分割方法、基於小波變換的分割方法、基於神經網絡的分割方法、基於能力泛函的分割方法、基於機率統計的分割方法和基於特定理論的分割方法。文中對各類方法基本原理進行了闡述，並介紹了基於這些分割方法的一些最新研究成果。

關鍵字：圖像分割 圖像處理

 

圖像分割是指根據必定的類似性準則將圖像劃分紅不一樣區域的過程,是計算機視覺、圖像處理等領域的基礎性問題之一,是圖像分類、場景解析、物體檢測、圖像 3D 重構等任務的預處理.其研究從 20 世紀 60 年代開始,至今仍然是研究的熱點之一,而且被普遍應用於醫學影像分析、交通控制、氣象預測、地質勘探、人臉與指紋識別等諸多領域.

 

1、基於閾值的分割方法

灰度閾值分割法是一種最經常使用的並行區域技術，它是圖像分割中應用數量最多的一類。閾值分割方法其實是輸入圖像f到輸出圖像g的以下變換：

      其中，T爲閾值；對於物體的圖像元素，g(i,j)=1，對於背景的圖像元素，g(i,j)=0。

      因而可知，閾值分割算法的關鍵是肯定閾值，若是能肯定一個適合的閾值就可準確地將圖像分割開來。閾值肯定後，閾值與像素點的灰度值比較和像素分割可對各像素並行地進行，分割的結果直接給出圖像區域。

      閾值分割的優勢是計算簡單、運算效率較高、速度快。在重視運算效率的應用場合（如用於軟件實現），它獲得了普遍應用。

       常見的閾值分割法主要有最大類間方差法（即OTSU算法），於熵的閾值分割法、 最小偏差法、共生矩陣法、矩量保持法、機率鬆弛法、模糊集法以及與其餘方法結合的閾值分割法。

高敏^[1]等以OTSU算法爲基礎，通過大量實驗和分析，闡釋了複雜背景下OTSU分割失敗的本質緣由，提出了對背景區域像素和灰度級別進行約束的思想，對OTSU算法進行了改進，並在實際應用中取得了良好的效果。

龍建武^[2]等爲有效分割非均勻光照圖像，提出一種在高斯尺度空間下估計背景的自適應閾值分割算法。首先，利用二維高斯函數對待處理圖像進行卷積操做來構建一個高斯尺度空間，在此空間下進行背景估計，並採用背景差法來消除非均勻光照干擾，從而提取出目標圖像。

劉丁^【5】等爲提升對單晶硅直徑檢測圖像高亮光環的分割精度，提出了一種基於多目標人工魚羣算法的二維直方圖區域斜分多閾值分割方法。

2、基於區域生長的分割方法

區域生長的基本思想是將具備類似性質的像素集合起來構成區域。具體先對每一個須要分割的區域找一個種子像素做爲生長的起點，而後將種子像素周圍鄰域中與種子像素有相同或類似性質的像素（根據某種事先肯定的生長或類似準則來斷定）合併到種子像素所在的區域中。將這些新像素看成新的種子像素繼續進行上面的過程，直到再沒有知足條件的像素可被包括進來。這樣一個區域就長成了。

李啓翮^[13]等經過將梯度向量流(GVF)場與種子區域生長(SRG)法相結合，提出一種新型的快速的自動圖像分割法。該方法首先基於梯度向量流場構建一個流向標量場, 而後提出一種新型的快速種子區域生長分割法——快速掃掠法 (Fastscanning method, FSM) 對標量場進行初始分割, 最後採用區域鄰接圖對初始分割結果進行區域合併獲得最終結果。該方法特色是分割速度快。

3、基於小波變換的分割方法

小波變換是近年來獲得普遍應用的數學工具，它在時域和頻域都具備良好的局部化性質，而且小波變換具備多尺度特性，可以在不一樣尺度上對信號進行分析，所以在圖像處理和分析等許多方面獲得應用。

基於小波變換的閾值圖像分割方法的基本思想是首先由二進小波變換將圖像的直方圖分解爲不一樣層次的小波係數，而後依據給定的分割準則和小波係數選擇閾值門限，最後利用閾值標出圖像分割的區域。整個分割過程是從粗到細，由尺度變化來控制，即起始分割由粗略的L2(R)子空間上投影的直方圖來實現，若是分割不理想，則利用直方圖在精細的子空間上的小波係數逐步細化圖像分割。分割算法的計算會與圖像尺寸大小呈線性變化。

孫超男^[14]等經過對示溫漆彩色圖像進行小波變換處理,提取小波特徵值,並與顏色信息一塊兒做爲特徵值進行模糊聚類。與傳統的單獨應用小波變換或模糊聚類進行圖像分割的方法相比,這種算法對於示溫漆彩色圖像的分割具備很好的效果。

4、基於神經網絡的分割方法

近年來，人工神經網絡識別技術已經引發了普遍的關注，並應用於圖像分割。基於神經網絡的分割方法的基本思想是經過訓練多層感知機來獲得線性決策函數，而後用決策函數對像素進行分類來達到分割的目的。這種方法須要大量的訓練數據。神經網絡存在巨量的鏈接，容易引入空間信息，能較好地解決圖像中的噪聲和不均勻問題。選擇何種網絡結構是這種方法要解決的主要問題。

爲了進一步延伸脈衝耦合神經網絡（Plulse coupled neural network, PCNN）在圖像分割中的應用，周東國^[10]等對PCNN模型進行了簡化和改進，利用閾值和脈衝輸出所對應的區域均值之間的關係，提出一種優化鏈接係數的方法，使得模型以迭代的方式獲得分割結果。

唐思源^[15]等爲了改善傳統BP神經網絡對醫學圖像分割時存在的對初始權重值敏感、學習速率固定、收斂速度慢和易陷入局部極小值等問題，提出了一種基於改進的粒子羣優化算法的 BP 神經網絡的醫學圖像分割方法。

5、基於能量泛函的分割方法

該類方法主要指的是活動輪廓模型(active contour model)以及在其基礎上發展出來的算法，其基本思想是使用連續曲線來表達目標邊緣，並定義一個能量泛函使得其自變量包括邊緣曲線，所以分割過程就轉變爲求解能量泛函的最小值的過程，～般可經過求解函數對應的歐拉(Euler．Lagrange)方程來實現，能量達到最小時的曲線位置就是目標的輪廓所在。

肖春霞^[3]等人分別結合了兩種邊緣中止函數的優勢（基於高斯混合模型顏色分佈的邊緣中止函數和定義在多尺度圖像梯度上的邊緣中止函數），提出一個邊緣中止函數的混合模型，根據圖像顏色、邊緣特徵自適應的引導level set函數演化。這種算法不只能有效地檢測出紋理目標區域，同時有效的計算出紋理區域精確、光滑的邊界。

張迎春^[4]等人，爲了提升水平集圖像分割的質量和減小水平集迭代次數，提出了新的能量公式和水平集函數。在粗糙集數據離散化基礎上引入了針對該數據的離散化方法，根據圖像離散區域的信息對新能量函數和核函數進行加權，將原始離散圖像映射到高維空間，從而使該模型可以處理多種類型的圖像甚至必定信噪比的圖像。

張明慧^[6]等提出一種新的多圖譜活動輪廓模型框架，有效的利用了圖譜的先驗信息和待分割圖像的灰度信息，將多圖譜的形狀先驗項引入到活動輪廓模型中並在融合標號圖像的過程當中利用活動輪廓模型校訂配準引發的偏差，獲得光滑準確的分割結果。

張帆^[9]等把材料學中的位錯理論引入到水平集方法中，運用位錯動力學機制推導出驅使水平集曲線演化的位錯組態力，可有效的避免在局部圖像梯度異常的狀況下發生曲線中止演進的現象，或者避免在弱邊緣處因爲圖像梯度較小發生局部邊界泄露的現象。

6、基於機率統計的分割方法

目前，基於機率統計的圖像分割算法主要可分爲三種模型，一是標準高斯混合模型；二是使用Gibbs機率分佈的隱式馬爾科夫隨機場模型，經過像素鄰域引入了空間信息從而對像素進行類別標記；三是使用馬爾科夫隨機場計算先驗分佈從而獲得類別標記，同時考慮了像素的灰度信息和空間信息^[8]。

爲了解決MRF模型分割結果容易出現過平滑現象的缺陷，宋豔濤^[8]等提出一種新的基於圖像片權重方法的馬爾科夫隨機場圖像分割模型。經過對圖像片引入權重，採用KL距離引入 關於熵的懲罰，獲得的算法有較強的自適應性，可以克服噪聲對於分割結果的影響，並得到較高的分割精度。

7、基於特定理論的分割方法

圖像分割至今尚無通用的自身理論。隨着各學科新理論和新方法的提出，出現了與一些特定理論、方法相結合的圖像分割方法，主要有：基於聚類分析的圖像分割方法、基於模糊集理論的分割方法，等。

董卓莉^[7]等提出一種基於兩段多組件圖割的彩色圖像分割算法。新算法基於MAP和ML（最大似然）估計框架，使用多組件策略代替區域重標記，每次MAP估計後，同一分割下不相鄰的區域再也不使用新的標籤進行重標記，而是處理爲該分割的多個組件，從而控制標籤數量再也不遞增。

陳子陽^[11]等提出一種基於三維直方圖和抑制式模糊Kohonen聚類網絡(RFKCN)的圖像分割方法。該方法首先對像素模糊化，經過模糊均值和模糊中值構造兩幅冗餘圖像，而後經過冗餘圖像和原始圖像組成一個三維特徵矢量集，並利用RFKCN聚類網絡對該特徵矢量集進行聚類，從而達到圖像分割的目的。

Zhiwei TANG^[12]等提出一種綜合運用最大類間方差法和基於模糊理論求閾值的圖像分割算法。該方法經過預分割處理，將圖像分爲目標區、背景區和模糊區，而後再將模糊區進一步處理劃分爲目標區和背景區。該方法能較大程度保留細節，對信噪比低，對比度差的狀況能取得良好分割效果，但運算時間較長。

 

9、結語

       就目前的各類圖像分割方法的狀況來看，各類方法分別有各自適用的特定範疇，並無出現一種普適的分割方法。在單種理論研究出現瓶頸的狀況下，不一樣方法的融合和結合學科理論知識成爲了尋求突破的方向，並取得的不錯的成果。隨着深度學習、神經網絡的興起和普遍應用，在圖像分割領域也取得了不錯的成果。而隨着無人駕駛、自動導航、人臉識別等應用的興起和漸漸普及，系統對圖像分割效果的要求也愈來愈高，圖像分割在未來也會是研究的熱點之一，具備廣闊的前景。

References:

[1] 高敏, 李懷勝, 周玉龍, 方丹, 張寶全. 背景約束的紅外複雜背景下坦克目標分割方法. 自動化學報, 2016, 42(3):416-430

[2] 龍建武, 申鉉京, 臧慧, 陳海鵬. 高斯尺度空間下估計背景的自適應閾值分割算法. 自動化學報, 2014, 40(8):1773-1782

[3] 肖春霞, 初雨, 張青. 高斯混合函數區域匹配引導的Level Set紋理圖像分割. 計算機學報,2010,33(7)

[4] 張迎春, 郭禾. 基於粗糙集和新能量公式的水平集圖像分割. 自動化學報, 2015, 41(11): 1913-1925

[5] 劉丁, 張新雨, 陳亞軍. 基於多目標人工魚羣算法的硅單晶直徑檢測圖像閾值分割方法. 自動化學報, 2016, 42(3):431-442

[6] 張明慧, 盧振泰, 張娟, 陽維, 陳武凡, 張煜. 基於多圖譜活動輪廓模型的腦部圖像分割. 計算機學報,2016,39(7)

[7] 董卓莉, 李磊, 張德賢. 基於兩段多組件圖割的非監督彩色圖像分割算法. 自動化學報, 2014, 40(6): 1223-1232

[8] 宋豔濤, 紀則軒, 孫權森. 基於圖像片馬爾科夫隨機場的腦 MR 圖像分割算法. 自動化學報, 2014, 40(8):1754-1763

[9] 張帆, 張新紅. 基於位錯理論的距離正則化水平集圖像分割算法. 自動化學報, 2018, 44(5): 943-952

[10] 周東國, 高潮, 郭永彩. 一種參數自適應的簡化 PCNN 圖像分割方法. 自動化學報, 2014, 40(6): 1191-1197

[11] 陳子陽, 王保平. 一種基於三維直方圖和RFKCN的圖像分割方法. 計算機學報,2011,34(8)

[12] Zhiwei TANG, Yixuan WU. one image segmentation method based on Otsu and fuzzy theory seeking image segment threshold. 2011 International Conference on Electronics, Communications and Control (ICECC). 2011, 2170-2173

[13] 李啓翮,羅予頻,蕭德雲. 基於流向標量場與快速掃掠法的圖像分割. 自動化學報, 2008,34(8)

[14] 孫超男, 易芹, 崔麗. 小波變換結合模糊聚類在示溫漆彩色圖像分割中的應用. Journal of Software,2012,23(Suppl.(2)):64−68

[15] 唐思源, 邢俊鳳, 楊敏. 基於BP神經網絡的醫學圖像分割新方法. 計算機科學. 2017,44(6A)  

 

 

做者：LuffysMan

出處：https://home.cnblogs.com/u/LuffysMan/