当前位置:文档之家› 图像分割技术的原理及方法

图像分割技术的原理及方法

浅析图像分割的原理及方法一.研究背景及意义研究背景:随着人工智能的发展,机器人技术不断地应用到各个领域。

信息技术的加入是智能机器人出现的必要前提。

信息技术泛指包括通信技术、电子技术、信号处理技术等相关信息化技术的一大类技术。

它的应用使得人们今天的生活发生了巨大变化。

从手机到高清电视等家用电器设备出现使我们的生活越来越丰富多彩。

在一些军用及民用领域近几年出现了一些诸如:图像制导、无人飞机、无人巡逻车、人脸识别、指纹识别、语音识别、车辆牌照识别、汉字识别、医学图像识别等高新技术。

实现它们的核心就是图像处理、机器视觉、模式识别、智能控制、及机器人学等相关知识。

其中图像处理具有重要地位。

而图像分割技术是图像分析环节的关键技术。

研究图像分割技术的意义:人类感知外部世界的两大途径是听觉和视觉,尤其是视觉,同时视觉信息是人类从自然界中获得信息的主要来源,约占人类获得外部世界信息量的80%以上。

图像以视觉为基础通过观测系统直接获得客观世界的状态,它直接或间接地作用于人眼,反映的信息与人眼获得的信息一致,这决定了它和客观外界都是人类最主要的信息来源,图像处理也因此成为了人们研究的热点之一。

人眼获得的信息是连续的图像,在实际应用中,为便于计算机等对图像进行处理,人们对连续图像进行采样和量化等处理,得到了计算机能够识别的数字图像。

数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点,成为计算机视觉和图像处理的重要研究对象。

在一幅图像中,人们往往只对其中的某些区域感兴趣,称之为前景,这些区域内的某些空间信息特性(如灰度、颜色、轮廓、纹理等)通常与周围背景之间存在差别。

图像分割就是根据这些差异把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。

在数字图像处理中,图像分割作为早期处理是一个非常重要的步骤。

为便于研究图像分割,使其在实际的图像处理中得到有效的应用,严格定义图像分割的概念是十分必要的。

图像分割的数学描述通常为:对图像I的整个图像域R根据相似性测量逻辑准则P划分为N个不相交的子其中:条件1保证所有分割区域的总和与整幅图像区域相等;条件2保证不同区域之间不重叠;条件3保证在同一区域的图像特征具有一致性;条件4保证不同分割区域的图像特征不同。

到目前为止,研究者们在图像分割领域取得了大量的研究成果,这些成果源于对图像中不同特征的利用,如同一区域内的特征具有相似性和像素点之间具有连通性、目标与背景之间存在不连续性等,但是至今没有一种分割算法能用于所有的图像分割,这也促进了研究者们对图像分割进行不断地研究。

早期经典的图像分割方法大多只利用到图像的低层信息,如边缘、纹理、灰度等,其中较为经典的算法有基于阂值的图像分割、基于边缘检测的图像分割基于图论的图像分割等。

近年来,研究者们将研究的重点转移到图像中的高层知识,并将先验知识引入图像分割算法中,得到了一些新的图像分割理念,如小波变换模糊集[fgl 数学形态学、神经网络活动轮廓模型等,丰富了图像分割方法,很大程度上改善了分割效果。

图像分割是图像处理和计算机视觉中重要的一环,近年来它不仅一直是计算机视觉领域的热门话题,在实际生活中也得到广泛的应用。

例如,在医学上,用于测量医学图像中组织体积、三维重建、手术模拟等;在遥感图像中,分割合成孔径雷达图像中的目标、提取遥感云图中不同云系与背景等、定位卫星图像中的道路和森林等。

图像分割也可作为预处理将最初的图像转化为若干个更加抽象、更便于计算机处理的形式,既保留了图像中的重要特征信息,又有效减少了图像中的无用数据、提高了后续图像处理的准确率和效率。

例如,在通信方面,可事先提取目标的轮廓结构、区域内容等,保证不失有用信息的同时,有针对性地压缩图像,以提高网络传输效率;在交通领域可用来对车辆进行轮廓提取、识别或跟踪,行人检测等。

总的来说,凡是与目标的检测、提取和识别等相关的内容,都需要利用到图像分割技术。

因此,无论是从图像分割的技术和算法,还是从对图像处理、计算机视觉的影响以及实际应用等各个方面来深入研究和探讨图像分割,都具有十分重要的意义。

二.图像分割常用技术1.图像分割基本概念图像分割定义:图像分割是按照一定的规则把图像划分成若干个互不相交、具有一定性质的区域,把人们关注的部分从图像中提取出来,进一步加以研究分析和处理。

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研究中的热点和焦点。

图像分割使得其后的图像分析,识别等高级处理阶段所要处理的数据量大大减少,同时又保留有关图像结构特征的信息。

图像分割在不同的领域也有其它名称,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技术。

图像分割目的: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。

通过对分割结果的描述,可以理解图像中包含的信息。

图像分割的分类依据:图像分割是将像素分类的过程,分类的依据可建立在:像素间的相似性、非连续性。

2. 基于边缘的图像分割方法边缘总是以强度突变的形式出现,可以定义为图像局部特性的不连续性,如灰度的突变、纹理结构的突变等。

边缘常常意味着一个区域的终结和另一个区域的开始。

对于边缘的检测常常借助空间微分算子进行,通过将其模板与图像卷积完成。

两个具有不同灰度值的相邻区域之间总存在灰度边缘,而这正是灰度值不连续的结果,这种不连续可以利用求一阶和二阶导数检测到。

当今的边缘检测方法中,主要有一次微分、二次微分和模板操作等。

这些边缘检测器对边缘灰度值过渡比较尖锐且噪声较小等不太复杂的图像可以取得较好的效果。

但对于边缘复杂的图像效果不太理想,如边缘模糊、边缘丢失、边缘不连续等。

噪声的存在使基于导数的边缘检测方法效果明显降低,在噪声较大的情况下所用的边缘检测算子通常都是先对图像进行适当的平滑,抑制噪声,然后求导数,或者对图像进行局部拟合,再用拟合光滑函数的导数来代替直接的数值导数,如Canny算子等。

在未来的研究中,用于提取初始边缘点的自适应阈值选取、用于图像层次分割的更大区域的选取以及如何确认重要边缘以去除假边缘将变的非常重要。

根据灰度变化的特点,常见的边缘可分为阶跃型、房顶型和凸缘型边缘检测的方法很多,主要有以下几种:1、空域微分算子,也就是传统的边缘检测方法。

如Roberts算子、Prewitt算子和Sobel算子等。

2、拟合曲面。

该方法利用当前像素邻域中的一些像素值拟合一个曲面,然后求这个连续曲面在当前像素处的梯度。

3、小波多尺度边缘检测。

4、基于数学形态学的边缘检测。

最后通过图像的轮廓(边界)跟踪来确定目标区域:图像的轮廓(边界)跟踪与边缘检测是密切相关的,因为轮廓跟踪实质上就是沿着图像的外部边缘“走”一圈然后分割出目标区域。

下图是分别用Roberts、Sobel、Prewitt、LOG、Canny算子对灰度Lena图像分割的结果:3. 阈值分割方法阈值分割是常见的直接对图像进行分割的算法,根据图像像素的灰度值的不同而定。

对应单一目标图像,只需选取一个阈值,即可将图像分为目标和背景两大类,这个称为单阈值分割;如果目标图像复杂,选取多个阈值,才能将图像中的目标区域和背景被分割成多个,这个称为多阈值分割,此时还需要区分检测结果中的图像目标,对各个图像目标区域进行唯一的标识进行区分。

阈值分割的显著优点,成本低廉,实现简单。

当目标和背景区域的像素灰度值或其它特征存在明显差异的情况下,该算法能非常有效地实现对图像的分割。

阈值分割方法的关键是如何取得一个合适的阈值,近年来的方法有:用最大相关性原则选择阈值的方法、基于图像拓扑稳定状态的方法、灰度共生矩阵方法、最大熵法和峰谷值分析法等,更多的情况下,阈值的选择会综合运用两种或两种以上的方法,这也是图像分割发展的一个趋势。

阈值法是一种较传统的图像分割算法。

该算法以感兴趣的目标区域与背景之间的灰度值存在差异,同时区域内具有均匀的灰度值为基础,通过设置一个或多个阂值将图像分割成多个区域。

阈值法主要包括选取阂值和作比较两个步骤,它是通过比较图像中每一个像素的灰度值与阂值来确定像素所属的区域。

因而,阂值的选取是该算法的关键。

根据阂值的确定方式不同可将该算法分为两类:全局阂值分割和局部阂值分割。

全局阂值分割方法是通过直方图选取一个最利于分割目标边缘的阂值来对图像中像素进行分类。

常见的全局阈值分割有双峰法、Otsu、最小误差法等;局部阈值分割方法则是先将整幅图像域分解成若干个小区域,在每一个小区域内部选取适合本区域的阂值对其进行分割,再将小区域合并。

常见的局部阈值分割包括Niblaek 方法和Bernsen方法等。

近年来,研究者们也提出了一些改良的阈值算法。

如龙建武等提出了一种基于高斯尺度空间的自适应阈值算法该算法借助高斯函数对图像卷积得到高斯尺度空间,再利用背景差分法消除灰度不均匀的影响,最后采用最大类间方差获取阈值。

Wen Jiangtao提出了一种结合Curvelet变换和Otsu方法的改进算法,该算法首先通过非线性函数增强曲波系数以消除图像中边缘不均匀问题,再采用Otsu算法对图像进行分割。

基于阈值的图像分割算法简单易实现,效率高。

但是,在实际图像中目标或背景的灰度往往分布不均匀,目标与背景之间存在重叠的灰度,使得阂值法的分割结果中出现过分割或欠分割现象。

仅使用一个阈值分割的方法称为单阈值分割方法。

如果图像中有多个灰度值不同的区域,那么可以选择一系列的阈值以将每个像素分到合适的类别中去,这种用多个阈值分割的方法称为多阈值分割方法。

单一阈值的灰度直方图多阈值的灰度直方图阈值选取依据:1、仅取决于图像灰度值,仅与各个图像像素本身性质相关的阈值选取——全局阈值。

2、取决于图像灰度值和该点邻域的某种局部特性,即与局部区域特性相关的的阈值选取——局部阈值。

3、除取决于图像灰度值和该点邻域的某种局部特性之外,还取决于空间坐标,即得到的阈值与坐标相关——动态阈值或者自适应阈值。

全局阈值原理:假定物体和背景分别处于不同灰度级,图像被零均值高斯噪声污染,图像的灰度分布曲线近似用两个正态分布概率密度函数分别代表目标和背景的直方图,利用这两个函数的合成曲线拟合整体图像的直方图,图像的直方图将会出现两个分离的峰值,如下图然后依据最小误差理论针对直方图的两个峰间的波谷所对应的灰度值求出分割的阈值。

双峰直方图该方法适用于具有良好双峰性质的图像,但需要用到数值逼近等计算,算法十分复杂,而且多数图像的直方图是离散、不规则的。

在实际阈值分割过程中,往往需要能够自动获取阈值,下面的算法可以自动获得全局阈值:1)选取一个的初始估计值T;2)用T分割图像。

这样便会生成两组像素集合:G1由所有灰度值大于T的像素组成,而G2由所有灰度值小于或等于T的像素组成。

相关主题