图像分割技术研究

1、图像分割技术研究杨家慧 2014021014 指导老师 秦茂玲山东师范大学信息科学与工程学院，250014，济南；Research on Image Segmentation Technology摘要  图像分割是图像特征提取和识别等图像理解的基础，对图像分割的研究一直是数字图像处理技术研究中的热点和焦点。本文介绍了数字图像处理技术中图像分割技术的基本原理和主要方法，对经典的图像分割算法进行了较全面的叙述，分别研究了基于边缘、区域和形态学分水岭法的图像分割方法，并使用MATLAB软件对各种分割方法进行了仿真，对仿真结果进行了分析。关键词  图像分割；&#

2、160; 边缘；  区域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  引言在图像研究的过程中，人们往往仅对各幅图像中的某些部分感兴趣.这些部分常称为目标或前景，它们一般对应图像中特定的具有独特性质的区域.为了辨别和分析目标，需要将这些区域分离提取出来，在此基础上才有可能对目标进一步利用.图像分割就是

5、将图像分成各具特性的区域并提取出感兴趣的目标的技术和过程.在进行图像分割时，首先要根据目标和背景的先验知识来对图像中的目标、背景进行标记、定位，然后将等待识别的目标从背景中分离出来.图像分割是由图像处理进到图像分析的关键步骤，也是一种基本的计算机视觉技术.这是因为图像的分割、目标的分离、特征的提取和参数的测量将原始的图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能.因此，图像分割多年来一直得到人们的高度重视。图象分割在实际中已得到广泛的应用，例如在工业自动化，在线产品检验，生产过程控制，文档图象处理，遥感和生物医学图象分析，保安监视，以及军事，体育，农业工程等方面。概括来说，在各种

6、图象应中，只要需对图象目标进行提取，测量等都离不开图象分割。近年来，图象分割在对图象的编码中也起到越来越重要的作用，例如国际标准MPEG一4中模型基/目标基编码等都需要基于分割的结果。可见，图象分割在图象工程中有重要的地位和影响。2  图像分割2.1  图像分割的定义在图像的研究和应用中，人们往往只对一幅图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域(可以对应单个区域，也可以对应多个区域)，称之为目标或前景;而其它部分称为图像的背景。为了辨识和分析目标，需要把目标从一幅图像中孤立出来，这就是图像分割要研究的问题。所谓图像

7、分割，从广义上来讲，是根据图像的某些特征或特征集合(包括灰度、颜色、纹理等)的相似性准则对图像像素进行分组聚类，把图像平面划分成若干个具有某些一致性的不重叠区域。这使得同一区域中的像素特征是类似的，即具有一致性;而不同区域间像素的特征存在突变，即具有非一致性。“集合”定义：令集合R代表整个图象区域，对R的分割可看作将R分成若干个满足如下五个条件的非空的子集（子区域）：（1）（分割所得全部子区域的总和（并集）应能包括图象中所有象素或将图象中每个象素都划分进一个子区中）（2）对所有的i和j,有RiRj=ø(ij);（各子区互不重叠）（3）对i=1，2，3，N，有P（Ri）=TRUE；（属

8、于同一子区象素应具有的某些共同特性）（4）对ij，有P(RiRj)=FALSE；（属于不同子区象素应具有某些不同特性）（5）对i=1，2，N，Ri是连通区域（同一子区内象素应当是连通的）.2.2  图像分割的意义在一副图像中，我们常常只对其中的某些目标感兴趣，对于这些我们感兴趣的目标，它们通常在要分割的图像中占据一定的区域，而且在某些特性上与周围的图像存在一定的差别。这些差别可能非常明显，也可能十分细微，以至于人眼无法觉察。图像分割是按一定的制约规则把图像划分为若干个互不相交、具有特定性质的区域，是把我们关注的区域从需要分割的图像中提取出来，以此进行进一步研究分析和处理的技

9、术。图像分割的结果是图像特征提取和识别等图像理解的基础，对图像分割的研究一直是数字图像处理技术的焦点和热点图像分割把图像空间分成一些有意义的区域，与图像中各种物体目标相对应。它使得其后的图像分析和识别等处理过程中所要处理的数据量大大减少了，同时又保留了有关图像结构特征的信息。通过对分割结果的描述，能够理解图像中包含的有关信息。图像分割质量直接影响后续图像处理的效果，甚至决定其成败，因此，分割的方法和精确程度至关重要。由此可知，图像分割在图像工程中占据非常重要的位置。分割在不同的领域也有其它的名称，如目标轮廓技术、目标检测技术、阈值化技术、目标跟踪技术等，这些技术本身或其核心实际上也就是图像分割

10、技术。2.3  图像分割的基本现状图像分割算法的研究已经有几十年的历史，一直都受到人们的高度重视。关于图像分割的原理和方法国内外已有不少的研究成果，但一直以来没有一种分割方法适用于所有图像分割处理传统的图像分割方法存在着一些不足，无法满足人们的要求，给进一步的图像分析和理解过程带来了困难。随着计算机技术的发展及其相关技术的成熟，结合图像增强等图像处理技术，我们已经能够在计算机上实现图像分割处理过程。然而，到目前为止，人们还没有制定出选择合适分割算法的标准，这给图像分割技术的应用带来许多实际困难。因此，图像分割的研究还在不断深入，是目前图像处理中研究的热点之一。图像分割在图像

11、工程中起着承上启下的作用，是介于低层次处理和高层次处理的中间层次。早在1965年就有人提出了检测边缘算子边缘检测方法，边缘检测已产生了不少经典算法。目前越来越多的学者开始将数学形态学、模糊理论、遗传算法理论、分形理论和小波变换理论等研究成果运用到图像分割中，产生了结合特定数学方法和针对特殊图像分割的先进图像分割技术。2.4  图像分割的发展趋势由于图像分割技术在当今图像工程的发展过程中起着十分重要的作用，得到了广泛应用，促使人们致力于寻找新的理论和方法来提高图像分割的质量，以满足各方面的需求。由于遗传算法、统计学理论、神经网络、分形理论以及小波理论等理论在图像分割中广泛应用

12、，图像分割技术呈现出新的发展趋势：(1)多种特征融合的分割方法。除利用图像的原始灰度特征外，我们还可以利用图像的梯度特征、几何特征(形态、坐标、距离、方向、曲率等)、变换特征(傅立叶谱、小波特征、分形特征等)及统计学特征(纹理、不变矩、灰度均值等)等高层次特征，对于每个待分割的像素，将所提取的特征值组成一个多维特征矢量，再进行多维特征分析。通过多种特征的融合，图像像素能被全面描述，从而获得更好的分割结果。(2)多种分割方法结合的分割方法。由于目标成像的不确定性以及目标的多样性，单一的分割方法很难对含复杂目标的图像取得理想的分割结果。此时，除需要利用多种特征融合外，还需将多种分割方法结合，使这些

13、方法充分发挥各自的优势，并避免各自的缺点。采用哪种方式结合以获得良好的分割效果是这种方法研究的重点。3  图像分割算法3.1  阈值法阈值法的优点是计算简单，速度快，易于实现。尤其是对于不同类的物体灰度值或其他特征值相差很大时，能很有效地对图像进行分割。阈值法的缺点是当图像中不存在明显的灰度差异或灰度值范围有较大的重叠时，分割效果不理想。并且阈值法仅仅考虑图像的灰度信息而没有考虑图像的空间信息，致使阈值法对噪声和灰度不均匀十分地敏感。在实际应用中，阈值法通常与其他方法结合使用4。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

14、个灰度类内的象素属干同一个类。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

15、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5。阈值法的几种阈值选择方法:全局阈值法（1）双峰法对于目标与背景的灰度级有明显差别的图像,其灰度直方图的分布呈双峰状,两个波峰分别与图像中的目标和背景相对应,波谷与图像边缘相对应。当分割阈值位于谷底时,图像分割可取得最好的效果。该方法简单易行,但是对于灰度直方图中波峰不明显或波谷宽阔平坦的图像,不能使用该方法6。假设，一副图像只有物体和背景两

16、部分组成，其灰度图直方图呈现明显的双峰值，如下图:图1双峰法灰度直方图找出阈值T，则可以对整个图像进行二值化赋值。程序的实现：通过数组记录直方图中的各像素点值的个数，再对逐个像素值进行扫描。记录每个像素能作为谷底的范围值，接着找出能作为谷底范围最大的点作为阈值7。实现流程图：开始通过数组g255读入直方图逐个查看能每个像素值在直方图中能作为谷底的范围找出能作为谷底范围最大的像素值作为阈值根据取得的阈值对图像进行二值化结束图2双峰法实现流程图（2）灰度直方图变换法该方法不是直接选取阈值,而是对灰度直方图进行变换,使其具有更深的波谷和更尖的波峰,然后再利用双峰法得到最优阈值。这种方法的一个共同特征

17、是根据像素点的局部特性,对其进行灰度级的增强或减弱的变换。这种方法假设图像由目标和背景组成,并且目标和背景灰度直方图都是单峰分布5。（3）迭代法（最优方法）它基于逼近的思想，基本算法如下：<1>求出图像的最大灰度值和最小灰度值，分别记为Max和Min，令初始阈值为：，根据阈值将图像分割为前景和背景，分别求出两者的平均灰度值和；<2>求出阈值；<3>如果；则所得即为阈值；否则转<2>迭代计算。迭代所得的阈值分割图象的效果良好，基于迭代的阈值能区分图象的前景和背景的主要区域所在，但是在图象的细微处还是没有很好的区分度，令人惊讶的是对某些特定图象，微小

18、数据的变化会引起分割效果的巨大变化，两者的数据只是稍有变化，分割效果反差极大，具体原因还有待进一步研究8。局部阈值法原始图像被分为几个小的子图像,再对每个子图像分别求出最优分割阈值。（1）自适应阈值在许多情况下，背景的灰度值并不是常数，物体和背景的对比度在图像中也有变化。这时，一个在图像中某一区域效果良好的阈值在其它区域却可能效果很差。另外，当遇到图像中有阴影、突发噪声、照度不均、对比度不均或背景灰度变化等情况时，只用一个固定的阈值对整幅图像进行阈值化处理，则会由于不能兼顾图像各处的情况而使分割效果受到影响。在这些情况下，阈值的选取不是一个固定的值，而是取成一个随图像中位置缓慢变化的函数值是比

19、较合适的。这就是自适应阈值。自适应阈值就是对原始图像分块，对每一块区域根据一般的方法选取局部阈值进行分割。由于各个子图的阈值化是独立进行的，所以在相邻子图像边界处的阈值会有突变，因此应该以采用适当的平滑技术消除这种不连续性，子图像之间的相互交叠也有利于减小这种不连续性。总的来说，这类算法的时间和空间复杂度都较大，但是抗噪能力强，对一些使用全局阈值法不宜分割的图像具有较好的分割效果。（2）多阈值分割在多阈值分割中，分割是根据不同区域的特点得到几个目标对象，所以提取每一个目标需要采用不同的阈值，也就是说要使用多个阈值才能将它们分开，这就是多阈值分割。在实际的应用中，由于噪声等干扰因素，直方图有时不

20、能出现明显的峰值，此时选择的阈值不能得到满意的结果；另外一个就是阈值确定主要依赖于灰度直方图，很少考虑图像中象素的空间位置关系，因此当背景复杂，特别是在同一背景上重叠出现若干个研究目标时，容易丧失部分边界信息，造成图像分割的不完整9。3.2  基于边缘检测的分割方法边缘(或边沿)是指其周围像素灰度有阶跃变化或“屋顶”变化的那些像素的集合，也即边缘是灰度值不连续的结果，这种不连续常可以用求导数方便的检测到，一般常用一阶导数和二阶导数来检测边缘。边缘广泛存在于物体与背景之间、物体与物体之间、基元与基元之间。因此，它是图像分割所依赖的重要特征，而边缘信息是一种图像的紧描述，所包含

21、的往往是图像中最重要的信息，故对图像提取边缘能极大地降低我们要处理的数据量。常见的边缘剖面有3种：（1）阶梯状边缘：阶梯状的边缘处于图像中两个具有不同灰度值的相邻区域之间，可用二阶导数的过零点检测边缘位置；（2）脉冲状边缘：主要对应细条状的灰度值突变区域，通过检测二阶导数过零点可以确定脉冲的范围；（3）屋顶状边缘：屋顶状边缘位于灰度值从增加到减少的变化转折点，通过检测一阶导数过零点可以确定屋顶位置。图3常见边缘剖面边缘检测的几种经典算法：（1）Canny算子Canny边缘检测利用高斯函数的一阶微分，在噪声抑制和边缘检测之间寻求较好的平衡，其表达式近似于高斯函数的一阶导数。Canny边缘检测算子

22、对受加性噪声影响的边缘检测是最优的。（2）Prewitt和Sobel算子Prewitt从加大边缘检测算子的模板大小出发，由2×2扩大到3×3来计算差分算子，采用Prewitt算子不仅能检测边缘点，而且能抑制噪声的影响。Sobel在Prewitt算子的基础上，对4-邻域采用带权的方法计算差分，该算子不仅能检测边缘点，且能进一步抑制噪声的影响，但检测的边缘较宽。（3）Log算子Log算子也就是Laplacian-Gauss算子，它把Gauss平滑滤波器和Laplacian锐化滤波器结合了起来，先平滑掉噪声，再进行边缘检测。边缘检测算法有如下四个步骤:1)滤波:边缘检测算法主要是

23、基于图像强度的一阶和二阶导数,但导数的计算对噪声很敏感,因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。需要指出,大多数滤波器在降低噪声的同时也导致了边缘强度的损失,因此,增强边缘和降低噪声之间需要折衷。2)增强:增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将邻域(或局部)强度值有显著变化的点突显出来。边缘增强一般是通过计算梯度幅值来完成的。3)检测:在图像中有许多点的梯度幅值比较大,而这些点在特定的应用领域中并不都是边缘,所以应该用某种方法来确定哪些点是边缘点。最简单的边缘检测判据是梯度幅值阈值判据。4)定位:如果某一应用场合要求确定边缘位置,则边缘的位置可在子像素分辨率

24、上来估计,边缘的方位也可以被估计出来。各个边缘检测算子比较:Sobel算子和Prewitt算子:都是对图像先作加权平滑处理,然后再作微分运算,所不同的是平滑部分的权值有些差异,因此对噪声具有一定的抑制能力,但不能完全排除检测结果中出现的虚假边缘。虽然这两个算子边缘定位效果不错,但检测出的边缘容易出现多像素宽度。Log算子:该算子克服了拉普拉斯算子抗噪声能力比较差的缺点,但是在抑制噪声的同时也可能将原有的比较尖锐的边缘也平滑掉了,造成这些尖锐边缘无法被检测到。Canny算子:该算子同样采用高斯函数对图像做平滑处理,因此具有较强的抑制噪声能力,同样该算子也会将一些高频边缘平滑掉,造成边缘丢失。综上

25、所述,前面所介绍的各个算子各有各的特点和应用领域,每个算子只能反映出边缘算法性能的一个方面,在许多情况下需要综合考虑。3.3  基于区域检测的分割方法阈值分割法阈值分割是将灰度根据主观愿望分为两个或多个等间隔或不等间隔灰度区间，它主要是利用图像中要提取的目标物体和背景在灰度上的差异，选择一个合适的阈值，通过判断图像中的每一个像素点的特征属性是否满足阈值的要求来确定图像中该像素点属于目的区还是应该属于背景区域，从而产生二值图像，它对物体与背景有较强对比景物的分割特别有用。而且计算简单，总能用封闭而且连通的边界定义不交叠的区域。我们可以用以下方式对值分割进行数学描述。设图像为f(i,.j)，其灰度级范围为Z1,Z2，设T为阈值Z1,和Z2任一个值，可得一幅二值图像，其数学表达式：或者，也可以表示为：然而，一幅图像通常有多个物体和背景所组成，假如其灰度级直方图能呈现多个明显的峰值，则仍可取峰值间峰谷处的灰度值作为阈值，此时有多个阈值将图像进行分割，即多峰值阈值选择。可以对上述的数学表达做推广描述:如果一个任意的灰度级集合，就可定义广义“阈值”运算，即把在Z中的灰度级变为0，把不在Z中的灰度级变为255，其数学表达式为:阈值分割法可分为全局阈值法和局部闭值法两种。全局阈值