1、圖像分割技術(shù)研究楊家慧 2014021014 指導(dǎo)老師 秦茂玲山東師范大學(xué)信息科學(xué)與工程學(xué)院，250014，濟(jì)南；Research on Image Segmentation Technology摘要  圖像分割是圖像特征提取和識別等圖像理解的基礎(chǔ)，對圖像分割的研究一直是數(shù)字圖像處理技術(shù)研究中的熱點(diǎn)和焦點(diǎn)。本文介紹了數(shù)字圖像處理技術(shù)中圖像分割技術(shù)的基本原理和主要方法，對經(jīng)典的圖像分割算法進(jìn)行了較全面的敘述，分別研究了基于邊緣、區(qū)域和形態(tài)學(xué)分水嶺法的圖像分割方法，并使用MATLAB軟件對各種分割方法進(jìn)行了仿真，對仿真結(jié)果進(jìn)行了分析。關(guān)鍵詞  圖像分割；&#

2、160; 邊緣；  區(qū)域Abstract Image segmentation is the foundation of the understanding in image feature extraction and recognition, and the reseach on it is usually the hotspot and focus in the study of digital image processing technology. This paper introduces the basic principles of techniq

3、ues and the main methods in image segmentation, which is always used in digital image processing techniques, were investigated by the law of marginal, regional and morphological, then use the MATLAB software simulating a variety of segmentation methods and the simulation results are analyzed. In thi

4、s paper, the classic image segmentation algorithm has been comprehensively narratived. Key words: image Segmentation；marginal image segmentation；regional image segmentation1  引言在圖像研究的過程中，人們往往僅對各幅圖像中的某些部分感興趣.這些部分常稱為目標(biāo)或前景，它們一般對應(yīng)圖像中特定的具有獨(dú)特性質(zhì)的區(qū)域.為了辨別和分析目標(biāo)，需要將這些區(qū)域分離提取出來，在此基礎(chǔ)上才有可能對目標(biāo)進(jìn)一步利用.圖像分割就是

5、將圖像分成各具特性的區(qū)域并提取出感興趣的目標(biāo)的技術(shù)和過程.在進(jìn)行圖像分割時，首先要根據(jù)目標(biāo)和背景的先驗知識來對圖像中的目標(biāo)、背景進(jìn)行標(biāo)記、定位，然后將等待識別的目標(biāo)從背景中分離出來.圖像分割是由圖像處理進(jìn)到圖像分析的關(guān)鍵步驟，也是一種基本的計算機(jī)視覺技術(shù).這是因為圖像的分割、目標(biāo)的分離、特征的提取和參數(shù)的測量將原始的圖像轉(zhuǎn)化為更抽象更緊湊的形式，使得更高層的分析和理解成為可能.因此，圖像分割多年來一直得到人們的高度重視。圖象分割在實際中已得到廣泛的應(yīng)用，例如在工業(yè)自動化，在線產(chǎn)品檢驗，生產(chǎn)過程控制，文檔圖象處理，遙感和生物醫(yī)學(xué)圖象分析，保安監(jiān)視，以及軍事，體育，農(nóng)業(yè)工程等方面。概括來說，在各種

6、圖象應(yīng)中，只要需對圖象目標(biāo)進(jìn)行提取，測量等都離不開圖象分割。近年來，圖象分割在對圖象的編碼中也起到越來越重要的作用，例如國際標(biāo)準(zhǔn)MPEG一4中模型基/目標(biāo)基編碼等都需要基于分割的結(jié)果。可見，圖象分割在圖象工程中有重要的地位和影響。2  圖像分割2.1  圖像分割的定義在圖像的研究和應(yīng)用中，人們往往只對一幅圖像中的某些部分感興趣，這些感興趣的部分一般對應(yīng)圖像中特定的、具有特殊性質(zhì)的區(qū)域(可以對應(yīng)單個區(qū)域，也可以對應(yīng)多個區(qū)域)，稱之為目標(biāo)或前景;而其它部分稱為圖像的背景。為了辨識和分析目標(biāo)，需要把目標(biāo)從一幅圖像中孤立出來，這就是圖像分割要研究的問題。所謂圖像

7、分割，從廣義上來講，是根據(jù)圖像的某些特征或特征集合(包括灰度、顏色、紋理等)的相似性準(zhǔn)則對圖像像素進(jìn)行分組聚類，把圖像平面劃分成若干個具有某些一致性的不重疊區(qū)域。這使得同一區(qū)域中的像素特征是類似的，即具有一致性;而不同區(qū)域間像素的特征存在突變，即具有非一致性。“集合”定義：令集合R代表整個圖象區(qū)域，對R的分割可看作將R分成若干個滿足如下五個條件的非空的子集（子區(qū)域）：（1）（分割所得全部子區(qū)域的總和（并集）應(yīng)能包括圖象中所有象素或?qū)D象中每個象素都劃分進(jìn)一個子區(qū)中）（2）對所有的i和j,有RiRj=ø(ij);（各子區(qū)互不重疊）（3）對i=1，2，3，N，有P（Ri）=TRUE；（屬

8、于同一子區(qū)象素應(yīng)具有的某些共同特性）（4）對ij，有P(RiRj)=FALSE；（屬于不同子區(qū)象素應(yīng)具有某些不同特性）（5）對i=1，2，N，Ri是連通區(qū)域（同一子區(qū)內(nèi)象素應(yīng)當(dāng)是連通的）.2.2  圖像分割的意義在一副圖像中，我們常常只對其中的某些目標(biāo)感興趣，對于這些我們感興趣的目標(biāo)，它們通常在要分割的圖像中占據(jù)一定的區(qū)域，而且在某些特性上與周圍的圖像存在一定的差別。這些差別可能非常明顯，也可能十分細(xì)微，以至于人眼無法覺察。圖像分割是按一定的制約規(guī)則把圖像劃分為若干個互不相交、具有特定性質(zhì)的區(qū)域，是把我們關(guān)注的區(qū)域從需要分割的圖像中提取出來，以此進(jìn)行進(jìn)一步研究分析和處理的技

9、術(shù)。圖像分割的結(jié)果是圖像特征提取和識別等圖像理解的基礎(chǔ)，對圖像分割的研究一直是數(shù)字圖像處理技術(shù)的焦點(diǎn)和熱點(diǎn)圖像分割把圖像空間分成一些有意義的區(qū)域，與圖像中各種物體目標(biāo)相對應(yīng)。它使得其后的圖像分析和識別等處理過程中所要處理的數(shù)據(jù)量大大減少了，同時又保留了有關(guān)圖像結(jié)構(gòu)特征的信息。通過對分割結(jié)果的描述，能夠理解圖像中包含的有關(guān)信息。圖像分割質(zhì)量直接影響后續(xù)圖像處理的效果，甚至決定其成敗，因此，分割的方法和精確程度至關(guān)重要。由此可知，圖像分割在圖像工程中占據(jù)非常重要的位置。分割在不同的領(lǐng)域也有其它的名稱，如目標(biāo)輪廓技術(shù)、目標(biāo)檢測技術(shù)、閾值化技術(shù)、目標(biāo)跟蹤技術(shù)等，這些技術(shù)本身或其核心實際上也就是圖像分割

10、技術(shù)。2.3  圖像分割的基本現(xiàn)狀圖像分割算法的研究已經(jīng)有幾十年的歷史，一直都受到人們的高度重視。關(guān)于圖像分割的原理和方法國內(nèi)外已有不少的研究成果，但一直以來沒有一種分割方法適用于所有圖像分割處理傳統(tǒng)的圖像分割方法存在著一些不足，無法滿足人們的要求，給進(jìn)一步的圖像分析和理解過程帶來了困難。隨著計算機(jī)技術(shù)的發(fā)展及其相關(guān)技術(shù)的成熟，結(jié)合圖像增強(qiáng)等圖像處理技術(shù)，我們已經(jīng)能夠在計算機(jī)上實現(xiàn)圖像分割處理過程。然而，到目前為止，人們還沒有制定出選擇合適分割算法的標(biāo)準(zhǔn)，這給圖像分割技術(shù)的應(yīng)用帶來許多實際困難。因此，圖像分割的研究還在不斷深入，是目前圖像處理中研究的熱點(diǎn)之一。圖像分割在圖像

11、工程中起著承上啟下的作用，是介于低層次處理和高層次處理的中間層次。早在1965年就有人提出了檢測邊緣算子邊緣檢測方法，邊緣檢測已產(chǎn)生了不少經(jīng)典算法。目前越來越多的學(xué)者開始將數(shù)學(xué)形態(tài)學(xué)、模糊理論、遺傳算法理論、分形理論和小波變換理論等研究成果運(yùn)用到圖像分割中，產(chǎn)生了結(jié)合特定數(shù)學(xué)方法和針對特殊圖像分割的先進(jìn)圖像分割技術(shù)。2.4  圖像分割的發(fā)展趨勢由于圖像分割技術(shù)在當(dāng)今圖像工程的發(fā)展過程中起著十分重要的作用，得到了廣泛應(yīng)用，促使人們致力于尋找新的理論和方法來提高圖像分割的質(zhì)量，以滿足各方面的需求。由于遺傳算法、統(tǒng)計學(xué)理論、神經(jīng)網(wǎng)絡(luò)、分形理論以及小波理論等理論在圖像分割中廣泛應(yīng)用

12、，圖像分割技術(shù)呈現(xiàn)出新的發(fā)展趨勢：(1)多種特征融合的分割方法。除利用圖像的原始灰度特征外，我們還可以利用圖像的梯度特征、幾何特征(形態(tài)、坐標(biāo)、距離、方向、曲率等)、變換特征(傅立葉譜、小波特征、分形特征等)及統(tǒng)計學(xué)特征(紋理、不變矩、灰度均值等)等高層次特征，對于每個待分割的像素，將所提取的特征值組成一個多維特征矢量，再進(jìn)行多維特征分析。通過多種特征的融合，圖像像素能被全面描述，從而獲得更好的分割結(jié)果。(2)多種分割方法結(jié)合的分割方法。由于目標(biāo)成像的不確定性以及目標(biāo)的多樣性，單一的分割方法很難對含復(fù)雜目標(biāo)的圖像取得理想的分割結(jié)果。此時，除需要利用多種特征融合外，還需將多種分割方法結(jié)合，使這些

13、方法充分發(fā)揮各自的優(yōu)勢，并避免各自的缺點(diǎn)。采用哪種方式結(jié)合以獲得良好的分割效果是這種方法研究的重點(diǎn)。3  圖像分割算法3.1  閾值法閾值法的優(yōu)點(diǎn)是計算簡單，速度快，易于實現(xiàn)。尤其是對于不同類的物體灰度值或其他特征值相差很大時，能很有效地對圖像進(jìn)行分割。閾值法的缺點(diǎn)是當(dāng)圖像中不存在明顯的灰度差異或灰度值范圍有較大的重疊時，分割效果不理想。并且閾值法僅僅考慮圖像的灰度信息而沒有考慮圖像的空間信息，致使閾值法對噪聲和灰度不均勻十分地敏感。在實際應(yīng)用中，閾值法通常與其他方法結(jié)合使用4。閾值分割法是簡單地用一個或幾個閾值將圖像的直方圖分成幾類,圖像中灰度值在同一

14、個灰度類內(nèi)的象素屬干同一個類。其過程是決定一個灰度值,用以區(qū)分不同的類,這個灰度值就叫做“閾值”。它可以分為全局閾值分割和局部閾值分割。所謂全局閾值分割是利用利用整幅圖像的信息來得到分割用的閾值,并根據(jù)該閾值對整幅圖像進(jìn)行分割而局部閾值分割是根據(jù)圖像中的不同區(qū)域獲得對應(yīng)的不同區(qū)域的閾值,利用這些閾值對各個區(qū)域進(jìn)行分割,即一個閾值對應(yīng)相應(yīng)的一個子區(qū)域,這種方法也稱適應(yīng)閾值分割。閾值法是一種簡單但是非常有效的方法,特別是不同物體或結(jié)構(gòu)之間有很大的強(qiáng)度對比時,能夠得到很好的效果它一般可以作為一系列圖像處理過程的第一步。它一般要求在直方圖上能得到明顯的峰或谷,并在谷底選擇閾值。如何根據(jù)圖像選擇合適的閾

15、值是基于閾值分割方法的重點(diǎn)所在,也是難點(diǎn)所在。它的主要局限是,最簡單形式的閾值法只能產(chǎn)生二值圖像來區(qū)分兩個不同的類。另外,它只考慮象素本身的值,一般都不考慮圖像的空間特性,這樣就對噪聲很敏感它也沒有考慮圖像的紋理信息等有用信息,使分割效果有時不能盡如人意5。閾值法的幾種閾值選擇方法:全局閾值法（1）雙峰法對于目標(biāo)與背景的灰度級有明顯差別的圖像,其灰度直方圖的分布呈雙峰狀,兩個波峰分別與圖像中的目標(biāo)和背景相對應(yīng),波谷與圖像邊緣相對應(yīng)。當(dāng)分割閾值位于谷底時,圖像分割可取得最好的效果。該方法簡單易行,但是對于灰度直方圖中波峰不明顯或波谷寬闊平坦的圖像,不能使用該方法6。假設(shè)，一副圖像只有物體和背景兩

16、部分組成，其灰度圖直方圖呈現(xiàn)明顯的雙峰值，如下圖:圖1雙峰法灰度直方圖找出閾值T，則可以對整個圖像進(jìn)行二值化賦值。程序的實現(xiàn)：通過數(shù)組記錄直方圖中的各像素點(diǎn)值的個數(shù)，再對逐個像素值進(jìn)行掃描。記錄每個像素能作為谷底的范圍值，接著找出能作為谷底范圍最大的點(diǎn)作為閾值7。實現(xiàn)流程圖：開始通過數(shù)組g255讀入直方圖逐個查看能每個像素值在直方圖中能作為谷底的范圍找出能作為谷底范圍最大的像素值作為閾值根據(jù)取得的閾值對圖像進(jìn)行二值化結(jié)束圖2雙峰法實現(xiàn)流程圖（2）灰度直方圖變換法該方法不是直接選取閾值,而是對灰度直方圖進(jìn)行變換,使其具有更深的波谷和更尖的波峰,然后再利用雙峰法得到最優(yōu)閾值。這種方法的一個共同特征

17、是根據(jù)像素點(diǎn)的局部特性,對其進(jìn)行灰度級的增強(qiáng)或減弱的變換。這種方法假設(shè)圖像由目標(biāo)和背景組成,并且目標(biāo)和背景灰度直方圖都是單峰分布5。（3）迭代法（最優(yōu)方法）它基于逼近的思想，基本算法如下：<1>求出圖像的最大灰度值和最小灰度值，分別記為Max和Min，令初始閾值為：，根據(jù)閾值將圖像分割為前景和背景，分別求出兩者的平均灰度值和；<2>求出閾值；<3>如果；則所得即為閾值；否則轉(zhuǎn)<2>迭代計算。迭代所得的閾值分割圖象的效果良好，基于迭代的閾值能區(qū)分圖象的前景和背景的主要區(qū)域所在，但是在圖象的細(xì)微處還是沒有很好的區(qū)分度，令人驚訝的是對某些特定圖象，微小

18、數(shù)據(jù)的變化會引起分割效果的巨大變化，兩者的數(shù)據(jù)只是稍有變化，分割效果反差極大，具體原因還有待進(jìn)一步研究8。局部閾值法原始圖像被分為幾個小的子圖像,再對每個子圖像分別求出最優(yōu)分割閾值。（1）自適應(yīng)閾值在許多情況下，背景的灰度值并不是常數(shù)，物體和背景的對比度在圖像中也有變化。這時，一個在圖像中某一區(qū)域效果良好的閾值在其它區(qū)域卻可能效果很差。另外，當(dāng)遇到圖像中有陰影、突發(fā)噪聲、照度不均、對比度不均或背景灰度變化等情況時，只用一個固定的閾值對整幅圖像進(jìn)行閾值化處理，則會由于不能兼顧圖像各處的情況而使分割效果受到影響。在這些情況下，閾值的選取不是一個固定的值，而是取成一個隨圖像中位置緩慢變化的函數(shù)值是比

19、較合適的。這就是自適應(yīng)閾值。自適應(yīng)閾值就是對原始圖像分塊，對每一塊區(qū)域根據(jù)一般的方法選取局部閾值進(jìn)行分割。由于各個子圖的閾值化是獨(dú)立進(jìn)行的，所以在相鄰子圖像邊界處的閾值會有突變，因此應(yīng)該以采用適當(dāng)?shù)钠交夹g(shù)消除這種不連續(xù)性，子圖像之間的相互交疊也有利于減小這種不連續(xù)性。總的來說，這類算法的時間和空間復(fù)雜度都較大，但是抗噪能力強(qiáng)，對一些使用全局閾值法不宜分割的圖像具有較好的分割效果。（2）多閾值分割在多閾值分割中，分割是根據(jù)不同區(qū)域的特點(diǎn)得到幾個目標(biāo)對象，所以提取每一個目標(biāo)需要采用不同的閾值，也就是說要使用多個閾值才能將它們分開，這就是多閾值分割。在實際的應(yīng)用中，由于噪聲等干擾因素，直方圖有時不

20、能出現(xiàn)明顯的峰值，此時選擇的閾值不能得到滿意的結(jié)果；另外一個就是閾值確定主要依賴于灰度直方圖，很少考慮圖像中象素的空間位置關(guān)系，因此當(dāng)背景復(fù)雜，特別是在同一背景上重疊出現(xiàn)若干個研究目標(biāo)時，容易喪失部分邊界信息，造成圖像分割的不完整9。3.2  基于邊緣檢測的分割方法邊緣(或邊沿)是指其周圍像素灰度有階躍變化或“屋頂”變化的那些像素的集合，也即邊緣是灰度值不連續(xù)的結(jié)果，這種不連續(xù)常可以用求導(dǎo)數(shù)方便的檢測到，一般常用一階導(dǎo)數(shù)和二階導(dǎo)數(shù)來檢測邊緣。邊緣廣泛存在于物體與背景之間、物體與物體之間、基元與基元之間。因此，它是圖像分割所依賴的重要特征，而邊緣信息是一種圖像的緊描述，所包含

21、的往往是圖像中最重要的信息，故對圖像提取邊緣能極大地降低我們要處理的數(shù)據(jù)量。常見的邊緣剖面有3種：（1）階梯狀邊緣：階梯狀的邊緣處于圖像中兩個具有不同灰度值的相鄰區(qū)域之間，可用二階導(dǎo)數(shù)的過零點(diǎn)檢測邊緣位置；（2）脈沖狀邊緣：主要對應(yīng)細(xì)條狀的灰度值突變區(qū)域，通過檢測二階導(dǎo)數(shù)過零點(diǎn)可以確定脈沖的范圍；（3）屋頂狀邊緣：屋頂狀邊緣位于灰度值從增加到減少的變化轉(zhuǎn)折點(diǎn)，通過檢測一階導(dǎo)數(shù)過零點(diǎn)可以確定屋頂位置。圖3常見邊緣剖面邊緣檢測的幾種經(jīng)典算法：（1）Canny算子Canny邊緣檢測利用高斯函數(shù)的一階微分，在噪聲抑制和邊緣檢測之間尋求較好的平衡，其表達(dá)式近似于高斯函數(shù)的一階導(dǎo)數(shù)。Canny邊緣檢測算子

22、對受加性噪聲影響的邊緣檢測是最優(yōu)的。（2）Prewitt和Sobel算子Prewitt從加大邊緣檢測算子的模板大小出發(fā)，由2×2擴(kuò)大到3×3來計算差分算子，采用Prewitt算子不僅能檢測邊緣點(diǎn)，而且能抑制噪聲的影響。Sobel在Prewitt算子的基礎(chǔ)上，對4-鄰域采用帶權(quán)的方法計算差分，該算子不僅能檢測邊緣點(diǎn)，且能進(jìn)一步抑制噪聲的影響，但檢測的邊緣較寬。（3）Log算子Log算子也就是Laplacian-Gauss算子，它把Gauss平滑濾波器和Laplacian銳化濾波器結(jié)合了起來，先平滑掉噪聲，再進(jìn)行邊緣檢測。邊緣檢測算法有如下四個步驟:1)濾波:邊緣檢測算法主要是

23、基于圖像強(qiáng)度的一階和二階導(dǎo)數(shù),但導(dǎo)數(shù)的計算對噪聲很敏感,因此必須使用濾波器來改善與噪聲有關(guān)的邊緣檢測器的性能。需要指出,大多數(shù)濾波器在降低噪聲的同時也導(dǎo)致了邊緣強(qiáng)度的損失,因此,增強(qiáng)邊緣和降低噪聲之間需要折衷。2)增強(qiáng):增強(qiáng)邊緣的基礎(chǔ)是確定圖像各點(diǎn)鄰域強(qiáng)度的變化值。增強(qiáng)算法可以將鄰域(或局部)強(qiáng)度值有顯著變化的點(diǎn)突顯出來。邊緣增強(qiáng)一般是通過計算梯度幅值來完成的。3)檢測:在圖像中有許多點(diǎn)的梯度幅值比較大,而這些點(diǎn)在特定的應(yīng)用領(lǐng)域中并不都是邊緣,所以應(yīng)該用某種方法來確定哪些點(diǎn)是邊緣點(diǎn)。最簡單的邊緣檢測判據(jù)是梯度幅值閾值判據(jù)。4)定位:如果某一應(yīng)用場合要求確定邊緣位置,則邊緣的位置可在子像素分辨率

24、上來估計,邊緣的方位也可以被估計出來。各個邊緣檢測算子比較:Sobel算子和Prewitt算子:都是對圖像先作加權(quán)平滑處理,然后再作微分運(yùn)算,所不同的是平滑部分的權(quán)值有些差異,因此對噪聲具有一定的抑制能力,但不能完全排除檢測結(jié)果中出現(xiàn)的虛假邊緣。雖然這兩個算子邊緣定位效果不錯,但檢測出的邊緣容易出現(xiàn)多像素寬度。Log算子:該算子克服了拉普拉斯算子抗噪聲能力比較差的缺點(diǎn),但是在抑制噪聲的同時也可能將原有的比較尖銳的邊緣也平滑掉了,造成這些尖銳邊緣無法被檢測到。Canny算子:該算子同樣采用高斯函數(shù)對圖像做平滑處理,因此具有較強(qiáng)的抑制噪聲能力,同樣該算子也會將一些高頻邊緣平滑掉,造成邊緣丟失。綜上

25、所述,前面所介紹的各個算子各有各的特點(diǎn)和應(yīng)用領(lǐng)域,每個算子只能反映出邊緣算法性能的一個方面,在許多情況下需要綜合考慮。3.3  基于區(qū)域檢測的分割方法閾值分割法閾值分割是將灰度根據(jù)主觀愿望分為兩個或多個等間隔或不等間隔灰度區(qū)間，它主要是利用圖像中要提取的目標(biāo)物體和背景在灰度上的差異，選擇一個合適的閾值，通過判斷圖像中的每一個像素點(diǎn)的特征屬性是否滿足閾值的要求來確定圖像中該像素點(diǎn)屬于目的區(qū)還是應(yīng)該屬于背景區(qū)域，從而產(chǎn)生二值圖像，它對物體與背景有較強(qiáng)對比景物的分割特別有用。而且計算簡單，總能用封閉而且連通的邊界定義不交疊的區(qū)域。我們可以用以下方式對值分割進(jìn)行數(shù)學(xué)描述。設(shè)圖像為f(i,.j)，其灰度級范圍為Z1,Z2，設(shè)T為閾值Z1,和Z2任一個值，可得一幅二值圖像，其數(shù)學(xué)表達(dá)式：或者，也可以表示為：然而，一幅圖像通常有多個物體和背景所組成，假如其灰度級直方圖能呈現(xiàn)多個明顯的峰值，則仍可取峰值間峰谷處的灰度值作為閾值，此時有多個閾值將圖像進(jìn)行分割，即多峰值閾值選擇。可以對上述的數(shù)學(xué)表達(dá)做推廣描述:如果一個任意的灰度級集合，就可定義廣義“閾值”運(yùn)算，即把在Z中的灰度級變?yōu)?，把不在Z中的灰度級變?yōu)?55，其數(shù)學(xué)表達(dá)式為:閾值分割法可分為全局閾值法和局部閉值法兩種。全局閾值