数字图像报告

1、数字图像处理报告温林 141607020025 计算机技术一、研究问题数字图像分割的方法2、 文献阅读1、结合相似拟合与空间约束的图像分割（中国图形图像学报）2、一种基于标记的分水岭图像分割新算法（中国图形图像学报）3、基于主动轮廓模型和水平集方法的图像分割（中国图形图像学报）4、图像分割方法研究（中国图形图像学报）三、主流方法和技术 （1）、图像分割根据图像的灰度，颜色，纹理和形状等不同的特征把整个 图像区域分成若干个互不重叠的区域，并使这些特征在同一区域内呈现出相似性，而在不同区域呈现出明显的差异性。图像分割是由图像处理到图像分析的关键步骤。 （2）、主流方法现有的图像分割方法主要分以下几

2、类：基于阈值的分割方法、基于区域的分割方法、基于边缘检测的分割方法、基于分水岭的分割方法、投影法、差影法、基于主动轮廓模型和水平集的分割方法、基于模型的分割方法、基于人工智能的分割方法、结合相似拟合与空间约束项的分割方法以及基于特定理论的分割方法等。目前比较主流的方法有：基于阈值的分割方法、基于区域的分割方法、基于边缘检测的分割方法、基于分水岭的分割方法、基于模型的分割方法、基于人工智能的分割方法以及基于特定理论的分割方法等 2.1、基于阈值的分割方法 2.1.1、阈值化阈值化是最常用的一种图像分割方法，其特定是操作简单，分割结果是一系列连续区域灰度图像的阈值分割一般基于如下假设：图像目标或背

3、景内部的相邻像素间的灰度值是高度相关的，目标与背景之间的边界两侧像素的灰度值差别很大，图像目标与背景的灰度分布都是单峰的。如果图像目标与背景对应的两个单峰大小接近、方差较小且均值相差较大，则该图像的直方图具有双峰性质。阈值化常可以有效分割具有双峰性质的图像。阈值分割过程如下：首先确定一个阈值T，对于图像中的每个像素，如果其灰度值大于T，则将其置为目标点（值为1），否则置为背景点（值为0），或者相反，从而将图像分为目标区域与背景区域，用公式可以表示为： 阈值分割的关键是如何确定适合的阈值，不同的阈值其处理结果差异很大，会影响特征测量与分析等后续过程。阈值过大，会过多的把背景像素错分为目标，而阈值

4、过小，又会把目标像素错分为背景。取代阈值的方法有多种，可以分为不同的类型。如果选取的阈值仅与各个像素的灰度值有关，则称其为全局阈值，如果选取的阈值与像素本身及其局部性质有关，则称其为局部阈值。如果选取的阈值不仅与局部性质有关，还与像素的位置有关，则称其为动态阈值或自适应阈值。阈值一般可以表示为：T=Tx，y，f（x，y），p(x，y)，式中f（x，y）是点(x，y）处的像素灰度值，p（x，y）是该像素领域的某种局部性质。 2.1.2、全局阈值当图像目标与背景之间的具有高对比度时，利用全局阈值可以有效的分割图像。确定全局阈值的方法有很多，如极小点阈值法、迭代阈值法、最优阈值法、Otsu阈值法、最

5、大熵法、p参数法等。当具有明显的双峰性质时，可直接从直方图的波谷处选取一个阈值，也可以根据某个准则自动计算出阈值。 2.1.3、局部阈值当图像目标与背景在直方图上对应的两个波峰陡峭、对称且双峰之间有较深的波谷或双峰相距很远时，利用全局阈值可以确定具有较好分割效果的阈值，但是，由于图像噪声等因素的影响会使得图像直方图双峰之间的波谷被填充或者双峰相距很近。另外，当图像目标与与背景面积差别很大时，在直方图上的表现就是较小的一方被另一方淹没。上述两种情况都使得本应具有双峰性质的图像基本上变成了单峰，难以检测双峰之间的波谷。为了解决这个问题，除了利用像素自身的性质外，还要借助于像素领域的局部性质来确定阈

6、值，这就是局部阈值。确定局部阈值常用的方法有两种：直方图变换法和散射图法。 2.1.4、动态阈值在许多情况下，由于光照不均匀等因素的影响，图像背景的灰度值并不恒定，目标与背景的对比度在图像中也会有变化，图像中还可能存在不同的阴影。如果只使用单一的全局阈值对整幅图像进行分割，则某些区域的分割效果好，而另外一下区域的分割效果可能很差。解决办法之一就是使阈值随图像中的位置缓慢变化，可以将整幅图像分解成一系列的子图像，对不同的子图像使用不同的阈值进行分割。这种与坐标有关的阈值称为动态阈值或者自适应阈值。 2.2、基于区域的图像分割方法2.2.1、区域生长区域生长的基本思想是把具有相似性质的像素集合起来

7、构成区域。首先对每个要分割的区域找出一个种子像素作为生长的起点，然后将种子像素领域中与种子像素有相同或相似性质的像素合并到种子像素所在的区域中。将这些新像素作为新的种子像素继续上面的过程，直到没有可接受的领域像素时停止生长。区域生长法需要选择一组能正确代表所需区域的种子像素，确实在生长过程中的相似性准则，制定让生长停止的条件或者准则。相似性准则可以是灰度级、彩色、纹理、梯度等特性。选取的种子像素可以是单个像素，也可以是包含若干个像素的小区域。种子像素的选取一般需要先验知识，若没有则可以借助生长准则对每个像素进行相应的计算。如果计算出现聚类，则接近聚类中心的像素可取为种子像素。生长准则有时还需要

8、考虑像素之间的连通性，否则会出现无意义的分割结果。 2.2.2、区域分裂与合并区域生长法需要根据先验知识选取种子像素，当没有先验知识时，区域生长法就存在困难。区域分裂与合并的核心思想是将图像分成若干个子区域，对于任意一个子区域，如果不满足某种一致性原则（一般用灰度均值和方差来度量），则将其继续分裂成若干个子区域，否则该子区域不再分裂。如果相邻的两个子区域满足某个相似性原则，则合并为一个区域，直到没有可分裂和合并的子区域为止。 2.3、基于边缘检测的分割方法图像的边缘是图像最基本的特征，它是灰度不连续的结果。通过计算一阶导数和二阶导数可以方便的检测出图像中每个像素在其领域内的灰度变化，从而检测出

9、边缘。图像中具有不同灰度的相邻区域之间总存在边缘，常见的边缘类型有：阶跃型、斜坡型、线状型、屋顶型。基于边缘的图像分割依赖于由边缘检测算子找到的图像边缘, 边缘检测得到的图像结果并不能用作分割结果, 必须采用后续的处理将边缘合并为边缘链使它与图像中的边界对应的更好, 最终的目标是至少达到部分分割。2.3.1、边缘检测算子一般常用一阶导数和二阶导数来描述和检测图像边缘。一阶导数算子有Roberts 、Sobel 算子 、Prewitt 算子和Canny等算子。Roberts 算子检测精度比较高, 但对噪声比较敏感。Sobel 算子在较好获得边缘效果的同时, 对噪声具有一定的平滑作用, 但精度比较

10、低。Prewitt 算子计算比Sobel 算子更为简单。Canny 算子是一阶传统微分中检测阶跃型边缘效果较好的算子, 去噪能力强, 但它也容易平滑掉一些边缘信息。二阶微分边缘检测主要是利用拉普拉斯算子, 拉普拉斯算子对图像中的噪声比较敏感, 并且由于通常产生的是2 像素宽的边缘,所以很少直接用于边缘检测, 通常是在已知边缘像素后用于确定该像素是在图像的暗区还是在明区。2.3.2、边缘松弛法边缘松弛法可以根据给定的边缘上下文规则来定义,是一种迭代的方法, 其中边缘的信度或者收敛到边缘终结或者收敛到边缘形成边界。边缘松弛方法可以容易地用并行方法实现, 可以极大地提高速度,但经过较大数目的迭代后常

11、常会产生漂移, 得到比预期差的结果。2.3.3、边界连接由于噪声等因素影响，各种算子的检测结果通常是一些分散的边缘，没有形成分割区域所需要的闭合边界。为此，需要将检测出的边缘像素按照某种准则连接起来，常用的一种方法是根据邻近的边缘像素在梯度幅度和梯度方向上具有一定相似性而将他们连接起来，设T是幅度阈值，A是角度阈值，若像素（p，q）在像素（x，y）的领域内，且他们的梯度幅度和梯度方向分别满足以下两个条件： 2.3.4、边界跟踪如果区域的边界未知, 但区域本身在图像中已经定义了, 那么边界可以唯一地被检测出来。含有区域的图像如果是二值的或者是区域已经被标注出来了,那么任务就是确定区域内边界和外边

12、界。区域内边界是区域的一个子集, 而外边界不是区域的一个子集。相邻区域的单一共同边界称为扩展边界,可以用标准的像素坐标来标识。边界跟踪方法分为4邻域跟踪和8 邻域跟踪。内边界可以使用4邻域或者8 邻域方法跟踪,外边界使用4 邻域方法跟踪, 扩展边界是用8 邻域定义的, 使用8 邻域方法跟踪,查找表法使跟踪效率比传统方法要高, 且使并行实现成为可能。如果在没有定义区域的灰度图像中跟踪边界的话, 就会更为困难，这种情况下,区域的边界可以用图像中高梯度像素的简单路径来表示。边界跟踪从作为边界元素概率高的像素开始, 然后把在最可能方向上的下一个元素加入。为了找到后续的边界元素, 通常要计算在可能边界延

13、续像素处的边界梯度的幅度和方向。 2.4、基于模型的图像分割法 基于模型的图像分割都是基于一定的模型, 将图像分割问题转换成目标函数的求解问题, 其中目标函数的设计和求解是问题的难点。基于模型的图像分割方法中应用广泛的主要是马尔可夫随机场模型和活动轮廓模型。 2.4.1、基于马尔可夫随机场模型的图像分割马尔可夫随机场方法建立在马尔可夫模型和Bayes 理论的基础上, 根据统计决策和估计理论中的最优准则确定分割问题的目标函数, 求解满足这些条件或消费函数的最大可能分布, 从而将分割问题转化为最优化问题。 马尔可夫随机场方法仍有一些缺陷, 如图像的上下文信息没有得到充分的利用, 一种基于马尔可夫随

14、机场(M RF)的合成孔径雷达(SAR)图像分割新方法, 在传统MRF 的邻域基团势函数基础上, 引入了图像邻域中各个像素的强度差值以及像素之间的距离因子, 使SAR 图像中空间上下文信息得到了更加充分的利用。2.4.2、基于活动轮廓模型的图像分割活动轮廓模型主要分为两类, 一类是Kass等人提出的以能量函数极小化为基础的参数活动轮廓模, 又称为Snake 模型;另一类是Osher 等人 提出的基于水平集(Level Set)方法和曲线演化的几何活动轮廓模型。一般而言, 参数活动轮廓模型中的平滑基函数比不连续的点需要的参数要少, 可以产生更优的算法;同时很容易对Snake 框架引入一个先验的形

15、状约束, 也很容易用户交互。但是这类模型通常只具备单目标轮廓分割能力, 缺少应付拓扑变化的灵活性。几何活动轮廓模型由于采用了水平集方法而隐含有拓扑变化的能力, 因而使得更为复杂结构的图像分割成为可能, 但是计算比较复杂, 很难给框架引入一个先验的形状约束, 可见两类模型各有千秋。 2.5、基于人工智能的图像分割在图像分割领域应用广泛的人工智能技术主要包括模糊聚类和神经网络, 主要是利用人工智能方法得到图像分割的某一参数, 然后基于这一参数采用图像分割方法来分割图像。 2.5.1、特征空间聚类很多图像因为光照不均, 会使目标具有缓变的边界, 甚至出现亮度或色彩不一致的情况, 而模糊方法则能够克服

16、这些不确定性, 并能得到可接受的分割结果。模糊聚类就是其中的重要方法之一, 其主要有模糊C均值聚类和K 均值聚类。模糊C 均值算法的基本思想就是要使价值函数或目标函数最小, 由Bezdek 于1981 年提出, 利用初始化方法确定若干初始聚类中心, 通过多次迭代循环,不断调整和优化聚类中心, 最终使类内方差达到最小,从而实现聚类。虽然聚类方法不需要训练集, 但需要事先确定分类个数, 且初始参数对分类结果影响较大;另一方面,由于聚类也没有考虑空间信息,因而对噪声敏感。2.5.2、基于神经网络的图像分割人工神经网络因其具有并行处理能力和非线性的特点而特别适合于解决分类问题。神经网络方法的出发点是将

17、图像分割问题转化为诸如能量最小化、分类等问题, 即先利用训练样本集对人工神经网络进行训练, 再用训练好的人工神经网络去分割新的图像。人工神经网络的不足是需要大量的训练样本集, 计算速度往往难以达到要求。 2.6、基于分水岭的分割方法分水岭分割算法把地形学和水文学的概念引入到基于区域的图像分割中，特别适合粘连区域的分割。灰度图像可以看做是一片地形，像素的灰度值代表改点的地形高度。 2.6.1、基于分水岭算法分水岭分割算法的主要目的就是找出集水盆地之间的分水线。降雨法和淹没法是常用的两种基本算法。降雨法的基本思想是：首先找出图像中的低洼，给每个低洼赋予不同的标记，落在未标记的点上的雨水将流向更低的

18、邻点，最终到达一个低洼，将低洼的标记赋予该点，如果某点的雨水可能流向多个低洼，则标记为分水线点，所有点处理完毕后，就形成了不同标记的区域和区域之间的分水线。淹没法的基本思想是：假设每个低洼都有一个洞，把整个地形逐渐沉入湖中，则在水平面一下的低洼不断涌入水流，逐渐填满与低洼相关的集水盆地，当来自不同的低洼的水在某些点将要汇合时，即水将要从一个盆地益处时，就在这些点上筑坝，阻止水流益处，当水淹没至地形最高点时，筑坝过程停止，最终所有的水坝就形成了分水线，地形就被分成了不同的区域或盆地。分水岭分割算法的主要缺点是会产生过分割，即分割出大量的细小区域，这些区域对于图像分析可以说是毫无意义的。这是由于噪

19、声的影响，导致图像中出现很多低洼。避免过分割的有效方法之一就是分割前对图像进行平滑，以减少局部最小点的数目；另一种就是对分割后的图像按照某种准则合并相邻区域。另一种有效控制过分割现象的方法是基于标记的分水岭分割算法，它使用内部标记和外部标记。一个标记就是属于图像一个连通成分，内部标记与某个感兴趣的目标相关，外部标记与背景相关。3、 各种方法的优缺点比较 （1）基于阈值的分割算法 阈值分割的优点是计算简单、运算效率较高、速度快，在算法上容易实现，在重视运算效率的应用场合(如用于硬件实现)，它得到了广泛应用。它对目标和背景对比度反差较大图像这种分割很有效，而且总能用封闭、连通的边界定义不交叠的区域

20、。但它不适用于多通道图像和特征值相关不大的图像，对图像中不存在明显灰度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确结果。另外由于阈值确定主要依赖于灰度直方图，而很少考虑图像中像素的空间位置关系。因此当背景复杂，特别在是同一背景上重叠出现若干个研究目标时或图像中噪声信号较多时，目标的灰度值与背景相差无几等情形下，容易丧失部分边界信息。按照固定的阈值进行分割所得到的结果就不准确，造成分割不完整需要进一步的精确定位。 （2）基于边缘检测的分割算法。基于边缘检测方法的基本思想是先检测图像中边缘点，再按一定策略连接成轮廓，从而构成分割区域。其难点在于边缘检测时抗噪性和检测精度的矛盾，若提高检测精度，则噪声产生的伪边缘会导致不合理的轮廓，若提高抗噪性，则会产生轮廓漏检和位置偏差。 （3）基于区域的分割算法区域生长算法的优点是计算简单，特别适合于分割小的结构。缺点是需要人工交互以获得种子点，同时对噪声也比较敏感。当对区域面积较大的图像分割时，计算缓慢。分裂合并算法的优点是不需要预先指定种子点。缺点是分裂合并算法可能会使分割区域的边界被破坏。（4） 基于人工智能图像分割算法 基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目