图像分割的研究现状

图像分割的研究现状

1图像分割方法图像分割是计算机视觉领域中非常重要的内容之一。这不仅是进行自动图像分析和模式识别的主要问题之一，也是数据处理的经典问题之一。图像分割的质量的优劣、区域界限定位的精度直接影响后续的区域描述以及图像的分析和理解,是图像处理、分析、理解中一个举足轻重的技术环节。很多学者对目前提出的上千种图像分割方法作了综述,和分类。文献将分割方法划分为基于数据驱动和基于模型驱动的分割方法;文献将其划分为边缘检测、基于区域和其他方法;本文主要介绍近几年在图像分割中出现的新方法及新理论,以及对传统方法的改进。2变分法图像结构基于偏微分方程的图像分割是图像分割领域中的一个重要分支。近年来,有关的内容日益成为研究人员关注的热点。目前,已经拥有许多成熟的图像分割方法,其中Mumford-Shah模型是一个较为常用的方法。这个方法的主要思路是:给定一幅图像g(x),图像分割目标就是寻找一个光滑的图像u(x)和不光滑的集合K(用来代表“边界”),使以下的泛函:E(u,K)=∫k(∂|∀u(x)|2+β(u-g)2)dx+length(K)最小,其中а,β是参数。公式有非常深刻的物理背景:(u-g)2这一项可以保证u(x)与原图像g(x)保持内容上的基本一致,|∀u(x)2|确保了绝大部分区域光滑,而length(K)项是为了使图像的边界最简单,这3项的折中保证了图像分割的效果。通过变分法,可以把上面这个泛函极值问题转化为对偏微分方程的求解。在转变过程中,研究人员往往会根据不同的应用背景简化上式或者对上式做一些变形,因此产生了不同的偏微分方程。例如,Osher和Rudin用:{∂u/∂t=−|Du|F(∀u)u(0,x)=g(x){∂u/∂t=-|Du|F(∀u)u(0,x)=g(x)在某个时刻t的解u(t,x)作为图像分割后的结果。而Peron和Malik选择的方程是:{∂u/∂t=−div(f|Du|)Du)u(0,x)=g(x){∂u/∂t=-div(f|Du|)Du)u(0,x)=g(x)后来,G.Koepfler等对类似的方法做了一个总结,在理论上对这类方法进行了概括和提升。数学上完备的偏微分方程理论和丰富的数值计算方法,为该方法提供了很大的帮助。然而,偏微分方程模型应用于图像分割还有许多需要解决的问题,并面临着很多挑战:如进一步的理论分析以及快速有效的数值计算方法。3遗传算法的改进遗传算法是基于进化论自然选择机制的、并行的、统计的、随机化的搜索方法。对此,科学家们进行了大量的研究工作,并成功地将它们运用于各种类型的优化问题中。在分割复杂的图像时,人们往往采用多参量进行信息融合,在多参量参与的最优值的求取过程中,优化计算是最重要的,把自然进化的特征应用到计算机算法中,将能解决很多优化计算的困难。遗传算法的出现为解决这类问题提供了新而有效的途径,它不仅可以得到全局最优解,而且大量缩短了计算时间。魏志成、周激流等人提出了一种新的图象分割自适应算法的研究,改进遗传算法的变异算子,并把单点变异算子与双点变异算子结合,能有效地改善局部收敛,该文的算法可保留图象的大部分信息,对一些复杂图象的处理能得到很好的处理结果,同时算法在时间上还有很大的优势。王培珍、杜培明等人提出了一种用于多阈值图象自动分割的混合遗传算法,该算法是基于Papamarkes等提出爬山法的多阈值分割和Olivo提出子波变换的方法只对明显峰值有效而对不明显的峰值无效的缺点,并结合模糊C_均值算法和遗传算法的两大显著特点。这种分割方法能够快速正确地实现分割,且不需事先认定分割类数,能得到令人满意的效果。王月兰等人提出的基于信息融合技术的彩色图像分割方法,该方法应用剥壳技术将问题的复杂度降低,然后将信息融合技术应用到彩色图像分割中,为彩色分割在同领域中的应用提供了一种新的思路与解决办法。4小波变换提取边缘小波变换是一种多尺度多通道分析工具,比较适合对图像进行多尺度的边缘检测。例如,可利用高斯函数的一阶或二阶导数作为小波函数,利用Mallat算法分解小波,然后基于马尔算子进行多尺度边缘检测。小波分解的级数可以控制观察距离的“调焦”,而改变高斯函数的标准差可选择所检测边缘的细节程度。小波变换的计算复杂度较低,抗噪声能力强。理论证明,以零点为对称点的对称二进小波适合检测屋顶状边缘,而以零点为反对称点的反对称二进小波适合检测阶跃状边缘。另外,利用正交小波基的小波变换也可提取多尺度边缘,并可通过对图像奇异度的计算和估计来区分一些边缘的类型。在多尺度分析下,图像的类别信息和位置信息是一对矛盾,两者之间存在不确定性。在利用多尺度进行分割时,跨多个尺度的图像分析相当于在较粗尺度下以高位置分辨率换取较大类别分辨率。因此,如何组合跨尺度信息,恢复已丢失的空间分辨率是多尺度分割算法的难点。多尺度分割的任务就是根据所有尺度下的信息,平衡类别信息与位置信息之间的矛盾,使内在的不确定性达到最小化。充分考虑尺度之间的拓扑关系和对称性,可以大大提高分割算法的计算效率。5聚类快速分割法近年来,数学形态学已发展为一种新型的数字图像处理方法和理论,更多的系统采用形态学算子对图像进行预处理或后处理。它的基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状,以达到对图像分析和识别的目的。形态学理论在图像分割中的应用比较有代表性的是水线区域分割算法,它的基本过程是连续腐蚀二值图像。算法包括三个步骤:(1)产生距离图;(2)计算最终腐蚀的集合;(3)从种子开始生长到原尺寸但使各个区域不相连。如果将步骤(3)用连续膨胀代替,就成为另一种形态学分割方法—聚类快速分割。这两种算法相比,水线方法能很好地保持目标的原始形状,在目标间加入的分界比较清晰,但水线计算量大,它需要对每个最终腐蚀集用12个结构元素进行粗化,还需要跟踪所有的腐蚀步骤;聚类快速分割不能很好地保持目标的整体形状,但受错误分离的影响较小。如果目标没有重叠只是相接则水线方法效果较好,反之聚类快速分割效果较好。数学形态学用于图像分割的缺点是对边界噪声敏感。为了改善这一问题,刘志敏等人提出基于图像最大内切圆的数学形态学形状描述图像分割算法和基于目标最小闭包结构元素的数学形态学形状描述图像分割算法,取得了较好的效果。邓世伟等人提出一种基于数学形态学的深度图像分割算法,其基本思想是利用形态学算子获得分别含有阶跃边缘与屋脊边缘的凸脊和凹凸图像,然后利用控制区域生长过程得到最终的分割结果。与传统方法相比,该方法速度快、抗噪性能好。总之,如何将数学形态学与其他方法综合运用以克服自身缺陷,将是数学形态学今后的工作方向。6模糊集合和逻辑关系提取模糊数学作为现代数学的一个分支,由美国的L.A.Zadch教授于1965年首先提出并加以系统研究。它作为研究现实中带有模糊性现象和活动的一门学科分支,在30多年的时间里,已取得了长足的进步,模糊理论的应用更是突飞猛进。基于模糊集合和逻辑的分割方法是以模糊数学为基础,利用隶属度值决定图像中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题。目前,模糊技术在图像分割中应用的一个显著特点就是他能和现有的许多图像分割方法相结合,形成一系列的集成模糊分割技术,例如模糊聚类、模糊阈值、模糊边缘检测技术等。如罗述谦等人提出的基于有偏场的适配模糊聚类分割算法;薛景浩等人提出的一种新的基于图像间模糊散度的阈值化算法以及他在多阈值选择中的推广算法,采用模糊集合分别表达分割前后的图像,通过最小模糊散度准则来实现图像分割中最优阈值的自动提取。该算法针对图像阈值化分割的要求构造一种新的模糊隶属度函数,克服了传统S函数带宽对分割效果的影响,有很好的通用性和有效性,而且能够快速正确地实现分割,不需事先认定分割类数。7神经网络算法近几年神经网络在图像分割中的应用得到了很大的发展,按照处理数据类型大致上可以分为两类:一类是基于象素数据的神经网络算法;另一类是基于特征数据的神经网络算法也即特征空间的聚类分割方法。基于象素数据分割的神经网络算法用高维的原始图像数据作为神经网络训练样本,比起基于特征数据的算法能够提供更多的图像信息,但是各个象素是独立处理的,缺乏一定的拓扑结构,而且数据量大,计算速度相当慢,不适合实时数据处理。目前有很多神经网络算法是基于象素进行图像分割的,如Hopfield神经网络、细胞神经网络、概率自适应神经网络等。基于特征的神经网络算法主要是对特征空间的聚类分割方法进行改造。特征空间聚类分割方法关键的问题是有效特征参数的提取和聚类方法的构造。有效的特征提取方法有很多,大致上可以分为四种:几何特征方法、统计特性方法、信号特性方法和基于图像模型的方法。传统的聚类方法效果差,且是基于一定前提假设的,神经网络打破了传统聚类方法的限制,已经成为寻找聚类新方法的基础。目前使用的神经网络模型有SOFM神经网络,LEGION神经网络模型、前向反馈神经网络等。神经网络在解决如CT图像、遥感图像、声纳图像等