关于图像分割技术的论文
图像分割技术图像分割技术研究
图像分割是图像处理和计算机视觉的基本问题之一是图像处理和图像分析的关键步骤。介绍了基于阈值的分割方法以及图像分割性能的评价和应用现状。最后，总结了图像分割的发展趋势。
关键词:图像分割，阈值，边缘检测，区域分割
中国图书馆分类号:TN957.52文献识别码:a。
1简介
随着图像分割技术的深入研究，其应用日益广泛。任何需要提取和测量图像目标的工作都离不开图像分割。图像分割是图像处理、模式识别和人工智能等许多领域中一个非常重要而又非常困难的问题，是计算机视觉技术中第一个也是非常重要的关键步骤。图像分割的结果直接影响计算机视觉中对图像的理解。现有的方法大多是针对特定应用而设计的，具有很大的针对性和局限性。到目前为止，还没有一个通用的方法或客观的标准来判断分割是否成功。因此，对于图像分割的研究仍然缺乏一个统一的理论体系，这使得图像分割的研究仍然是一个非常具有挑战性的课题。
2图像分割方法
图像分割简单来说就是将一幅数字图像分成不同的区域，这些区域在一定的标准下具有相同的属性，如灰度、颜色、纹理等。但是，任何相邻区域之间的属性都有明显的差异。
2.1基于灰度特征的阈值分割方法
阈值分割技术是经典且流行的图像分割方法之一。它用一个或几个阈值把一幅图像的灰度分成几个部分，认为属于同一部分的像素就是同一物体。
这种方法主要包括以下几种:
(1)单阈值方法，该方法使用全局阈值来区分背景和目标。当图像的直方图具有明显的双峰时，选择两个峰之间的谷作为阈值。
(2)双阈值法，用两个阈值来区分背景和目标。通过设置两个阈值，防止单个阈值设置阈值过高或过低，将目标像素误认为背景像素或者将背景像素误认为目标像素。
(3)多阈值法，当存在光照不均匀、突发噪声等因素或背景灰度变化较大时，整个图像没有合适的单一阈值，单一阈值无法兼顾图像不同区域的具体情况。此时，可以将图像分成块，并且可以为每个块设置阈值。
2.2边缘检测分割方法
边缘检测技术按照处理顺序可以分为并行边缘检测和串行边缘检测。常见的边缘检测方法包括:差分法、模板匹配法和统计法。因为边缘灰度的变化规律一般是阶梯式或者脉冲式的。边缘和差值的关系可以概括为两种情况。一种是边缘出现在差值的最大值或最小值处；第二个是边沿出现在过零点。
2.3基于区域的分割方法
基于区域的分割方法利用了图像的空间特性。该方法认为被分割的区域具有相似的属性。常用的方法有区域生长法和区域分裂合并法。这种方法对于分割复杂场景或先验知识不足的自然场景的图像是有效的。
区域生长方法从将图像分成许多小区域开始，这些小区域可以是小的邻域，甚至是单个像素。在每个区域中，计算能够反映对象中像素一致性的特征，作为区域合并的标准。区域合并的第一步是给每个区域分配一组参数，即特征。接下来，检查相邻区域的所有边界。如果给定边界两边的特征值差异明显，那么这个边界是强的，反之亦然。强边界被允许继续存在，弱边界被消除，相邻区域被合并。当没有可消除的弱边界时，区域合并过程结束，图像分割完成。
2.4图像分割技术与特定工具的结合
自20世纪80年代末以来，随着一些特殊理论的出现和成熟，如数学形态学、分形理论、模糊数学、小波分析、模式识别和遗传算法等，大量学者致力于将新概念和新方法应用于图像分割，有效地提高了分割效果。产生了许多新的分割算法。以下是这些算法的一些简单总结。
2.4.1基于数学形态学的分割算法
分水岭算法是一种借鉴数学形态学理论的经典分割方法。在该方法中，将图像与具有不同高度值的地形进行比较，高灰度值被认为是山脊，低灰度值被认为是山谷。当一滴水从任意一点流下时，都会流到地形的底部，最后聚集在一个局部最低点，最后所有的水滴都会聚集在不同的吸引盆中，这样相应的图像就会被分成几个部分。分水岭算法操作简单，性能优良，能够提取运动目标的轮廓，准确得到运动目标的边缘。但是分割需要梯度信息，对噪声敏感。
2.4.2基于模糊数学的分割算法
目前，模糊技术在图像分割中应用的一个显著特点是可以与现有的许多图像分割方法相结合，形成一系列综合的模糊分割技术，如模糊聚类、模糊阈值、模糊边缘检测等。
这类方法主要包括两种分割算法:广义模糊算子和模糊阈值法。
(1)广义模糊算子在广义模糊集的范围内对图像进行处理，使得真正的边缘处于较低的灰度级，但也有一些像素在较低的灰度级不是边缘。虽然算法的计算简洁，边缘细腻，但是产生的边缘图像会有破损。
(2)模糊阈值法引入灰度图像的模糊数学描述，通过计算图像的模糊熵来选择图像的分割阈值，然后用阈值法对图像进行处理，得到边界。
2.4.3基于遗传算法的分割方法
该算法是对生物进化思想提出的优化问题的一种解决方案。它用参数编码集代替参数本身，用优胜劣汰的策略模拟进化来搜索函数的解空间。它在点群而不是单点中搜索优化。遗传算法在求解过程中使用随机变换规则而不是确定性规则来工作。它需要的唯一信息是适应值，搜索过程通过简单的复制、杂交、变异种群来完成。因为这种方法可以搜索到能量函数的全局最小值，降低搜索空间的维数，降低算法对模板初始位置的敏感性，大大减少计算时间。它的缺点是容易收敛到局部最优。
2.4.4基于神经网络的分割算法
人工神经网络具有自组织、自学习、自适应的性能和非常强的非线性映射能力，适用于解决背景知识不清、推理规则不清、问题复杂的分类问题，因此也适用于解决复杂的图像分割问题。原则上，大多数分割方法都可以通过ANN(注意力神经网络)来实现。人工神经网络在分割中的应用研究起步较晚，目前只有满足约束条件的多层前馈神经网络、多层误差反向传播神经网络、自组织神经网络、Hopfield神经网络和CSNN约束事实神经元网络得到了应用。多层前馈神经网络用于图像分割。输入层神经元的数量取决于输入特征的数量，而输出层神经元的数量等于分类的数量。
2.5图像分割的其他方法
介绍了四种常用的图像分割方法。相关的图像分割方法和文献很多，新的方法不断产生。这些方法有的只在特定情况下有效，有的是几种方法结合起来，统称为第五类。
(1)标注是一种基于统计的方法。在这种方法中，一幅图像中要划分的几个区域用不同的标签表示，图像中的每个像素用一定的方式进行标记，具有相同标签的像素合并到标签所表示的区域中。
(2)基于Snake模型的分割方法。基于Snake模型的分割通过动态优化能量函数来逼近图像目标的真实轮廓。
(3)纹理分割。由于新的数学工具的引入，纹理分割技术取得了一些进展。张鹏等人将小波分析应用于纹理基元提取。
(4)基于知识的图像分割方法直接基于先验知识，使得分割更加符合实际图像的特点。这种方法的难点在于正确合理地表示和利用知识。
图像分割性能的评价
对图像分割的评价主要包括两个方面:一是研究各种分割算法在不同情况下的性能，掌握如何选择和控制其参数设置，以满足不同的需求。二是分析多种分割算法在分割同一幅图像时的性能，比较优劣，从而在实际应用中选择合适的算法。分割评价方法分为两类:解析法和实验法。分析法直接分析分割算法本身的原理和性能，实验法通过测试图像的分割结果来评价算法。这两种方法各有利弊。由于缺乏可靠的理论基础，并不是所有的分割算法都可以通过分析来分析其性能。每种评价方法都是出于某种考虑而提出的，不同的评价方法只能反映分割算法的某种性能。另一方面，每种分割算法的性能由许多因素决定，因此可能需要多种标准进行综合评价。
4图像分割技术的发展趋势
随着神经网络、遗传算法、统计理论、小波理论和分形理论在图像分割中的广泛应用，图像分割技术呈现出以下发展趋势:(1)多特征融合。(2)多种分割方法的结合。(3)新的理论和方法。
参考
[1][美]RC冈萨雷斯。数字图像处理(第二版)[M]。阮，等译。北京:电子工业出版社，2003
张玉进。图像分割[M]。北京:科学出版社，2001。
李，彭，彭波，等.智能图像处理技术[M].北京:电子工业出版社，2004。
杨辉，曲。图像分割方法综述[J].计算机开发与应用。2005,18(3):21-23.
点击下一页了解详情> & gt& gt关于图像分割技术的论文