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； 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 techniques 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 this paper, the classic image segmentation algorithm has been comprehensively narratived. Key words: image Segmentation；marginal image segmentation；regional image segmentation 1 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）RRUin1i（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Ri∩Rj=ø(i≠j);（各子区互不重叠） （3）对i=1，2，3……，N，有P（Ri）=TRUE；（属于同一子区象素应具有的某些共同特性） （4）对i≠j，有P(Ri∪Rj)=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，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部分组成，其灰度图直方图呈现明显的双峰值，如下图: