圖像分割2.4.1閾值分割閾值分割是一種按圖像像素灰度幅度進(jìn)行分割的方法，它是把圖像的灰度分成不同的等級(jí)，然后用設(shè)置灰度門限（閾值）的方法確定有意義的區(qū)域或要分割物體的邊界。閾值分割的一個(gè)難點(diǎn)是：在圖像分割之前，無法確定圖像分割生成區(qū)域的數(shù)目；另一個(gè)難點(diǎn)是閾值的確定，因?yàn)殚撝档倪x擇直接影響分割的精度及分割后的圖像進(jìn)行描述分析的正確性。對(duì)于只有背景和目標(biāo)兩類對(duì)象的灰度圖像來說，閾值選取過高，容易把大量的目標(biāo)誤判為背景；閾值選取過低，又容易把大量的背景誤判為目標(biāo)。一般來說，閾值分割可以分成三步：確定閾值；將閾值與像素灰度值進(jìn)行比較；把像素分類。閾值分割常見的方法一般有以下幾種。1.實(shí)驗(yàn)法測(cè)值法實(shí)驗(yàn)法通過人眼的觀察，對(duì)已知某些特征的圖像試驗(yàn)不同的閾值，觀察是否滿足要求。實(shí)驗(yàn)法的缺點(diǎn)是適用范圍窄，使用前必須事先知道圖像的某些特征，如平均灰度等，而且分割后的圖像質(zhì)量的好壞受主觀局限性的影響很大。2.根據(jù)直方圖谷底確定閾值法如果圖像的前景物體內(nèi)部和背景區(qū)域的灰度值分布都比較均勻，那么這個(gè)圖像的灰度直方圖具有明顯的雙峰。此時(shí)可以選擇兩峰之間的谷底對(duì)應(yīng)的灰度值作為閾值進(jìn)行圖像分割。此種單閾值分割方法簡(jiǎn)單，但是當(dāng)兩峰值相差很近時(shí)不適用，而且此種方法容易受到噪聲的影響，進(jìn)而導(dǎo)致閾值選取的誤差。對(duì)于有多個(gè)峰值的直方圖，可以選擇多個(gè)閾值，這些閾值的選取一般沒有統(tǒng)一的規(guī)則，要根據(jù)實(shí)際情況運(yùn)用。

4.最小均方誤差法最小均方誤差法也是常用的閾值分割法之一。這種方法通常以圖像中的灰度為模式特征，假設(shè)各模式的灰度是獨(dú)立分布的隨機(jī)變量，并假設(shè)圖像中待分割的模式服從一定的概率分布。一般來說采用的是正態(tài)分布，即高斯概率分布。最小均方誤差法通過計(jì)算數(shù)字半調(diào)圖像與原始圖像在人眼視覺中的均方誤差，并通過算法使其最小來獲得最佳的半調(diào)圖像。該算法設(shè)計(jì)兩個(gè)人眼視覺濾波器，分別對(duì)原始圖像和半調(diào)處理圖像進(jìn)行濾波，得到兩個(gè)值，進(jìn)而求得兩值的均方差。在實(shí)際操作中，通常假定一個(gè)半調(diào)處理的估計(jì)值，通過迭代算法優(yōu)化該估計(jì)值，最后確定一個(gè)局部收斂的實(shí)際值。

2.4.2邊緣檢測(cè)1.邊緣檢測(cè)概述圖像的邊緣是圖像的基本特征，邊緣上的點(diǎn)是指圖像周圍像素灰度產(chǎn)生變化的那些像素點(diǎn)，即灰度值導(dǎo)數(shù)較大的地方。邊緣檢測(cè)的基本步驟如圖所示。（1）平滑濾波：由于梯度計(jì)算易受噪聲的影響，因此首先應(yīng)該進(jìn)行濾波去除噪聲。同時(shí)應(yīng)該注意到，降低噪聲的能力越強(qiáng)，邊界強(qiáng)度的損失越大。（2）銳化濾波：為了檢測(cè)邊緣，必須確定某點(diǎn)鄰域中灰度的變化。銳化操作加強(qiáng)了存在灰度局部變化位置的像素點(diǎn)。（3）邊緣判定：雖然圖像中存在許多梯度不為零的點(diǎn)，但是對(duì)于特定的應(yīng)用，不是所有的點(diǎn)都有意義。這就要求操作者根據(jù)具體的情況選擇或者去除處理點(diǎn)，具體的方法包括二值化處理和過零檢測(cè)等。（4）邊緣連接：將間斷的邊緣連接為有意義的完整邊緣，同時(shí)去除假邊緣。2.邊緣檢測(cè)原理邊緣檢測(cè)具體性質(zhì)如圖所示。從數(shù)學(xué)上看，圖像的模糊相當(dāng)于圖像被平均或積分，為實(shí)現(xiàn)圖像的銳化，必須用它的反運(yùn)算“微分”加強(qiáng)高頻分量作用，使輪廓清晰。3.邊緣檢測(cè)方法的分類通常將邊緣檢測(cè)的算法分為兩類：基于查找的算法和基于零穿越的算法。除此之外，還有Canny邊緣檢測(cè)算法、統(tǒng)計(jì)判別方法等。（1）基于查找的方法就是通過尋找圖像一階導(dǎo)數(shù)中的最大值和最小值來檢測(cè)邊界，通常是將邊界定位在梯度最大的方向，是基于一階導(dǎo)數(shù)的邊緣檢測(cè)算法。（2）基于零穿越的方法是通過尋找圖像二階導(dǎo)數(shù)零穿越來尋找邊界，通常是拉普拉斯過零點(diǎn)或者非線性差分表示的過零點(diǎn)，是基于二階導(dǎo)數(shù)的邊緣檢測(cè)算法?；谝浑A導(dǎo)數(shù)的邊緣檢測(cè)算子包括Roberts算子、Sobel算子，Prewitt算子等，它們都是梯度算子；基于二階導(dǎo)數(shù)的邊緣檢測(cè)算子主要是高斯-拉普拉斯邊緣檢測(cè)算子。4.邊界模板匹配法模板匹配法是一種利用選定幾何特征的模板與圖像卷積，檢測(cè)圖像是否具有該種幾何特征結(jié)構(gòu)的方法。在圖像分割場(chǎng)合，模板匹配可以用作邊界檢測(cè)，即用特定的模板來檢測(cè)圖像中的像素是否為目標(biāo)的邊界點(diǎn)。模板匹配法圖像分割主要涉及兩個(gè)問題：一是選用怎樣的模板，不同模板所能正確檢測(cè)邊界的程度是不同的；二是模板匹配準(zhǔn)則，即如何判斷其相似程度。目前常用的模板匹配準(zhǔn)則有差值測(cè)度、相關(guān)測(cè)度等。根據(jù)要檢測(cè)圖像的幾何特征結(jié)構(gòu)的不同，模板分為點(diǎn)模板、線模板、正交模板等。5.邊界跟蹤法邊界跟蹤是一種常用的串行圖像分割的方法，它通過檢測(cè)、跟蹤和連接目標(biāo)的邊界達(dá)到圖像分割的目的。邊界跟蹤的基本方法是：先根據(jù)某些嚴(yán)格的跟蹤準(zhǔn)則找出目標(biāo)物體輪廓或邊界上的像素點(diǎn)，然后根據(jù)這些像素點(diǎn)用同樣的跟蹤準(zhǔn)則找到下一個(gè)像素點(diǎn)，以此類推，直到閉合或者最后一個(gè)像素點(diǎn)都不滿足跟蹤準(zhǔn)則為止。邊界跟蹤提取圖像邊界和輪廓的性能好壞主要取決于以下幾個(gè)因素：（1）跟蹤起始點(diǎn)的選取。起始點(diǎn)的選取直接影響到跟蹤的走向和跟蹤的精確度，同時(shí)也與跟蹤的算法復(fù)雜度有著密切的關(guān)系。（2）跟蹤準(zhǔn)則的制訂。跟蹤準(zhǔn)則必須明確滿足怎樣的條件可以認(rèn)為跟蹤的方向是正確的，以免錯(cuò)選邊界或漏選邊界。而且跟蹤準(zhǔn)則要便于分析、計(jì)算和理解，要符合“常理”。（3）跟蹤過程的魯棒性。跟蹤過程中要具備抵御噪聲干擾的能力，以免因噪聲而引起誤分割。6.邊界擬合法與邊界跟蹤方法的效果類似，邊界擬合也是采用曲線或折線表示圖像中不同區(qū)域之間的邊界線。和邊界跟蹤不同的是，邊界擬合方法針對(duì)邊界檢測(cè)所產(chǎn)生的邊界點(diǎn)并不一定完全位于目標(biāo)的實(shí)際邊界上，有可能散落在邊界周圍，也有可能產(chǎn)生斷續(xù)的邊界點(diǎn)和過多的邊界點(diǎn)等情況，通過曲線擬合的方法把邊緣點(diǎn)連接成曲線邊界或折線邊界，從而達(dá)到對(duì)圖像不同區(qū)域分割的目的。邊界擬合有多種算法，如最小均方誤差（MSE）曲線擬合，參數(shù)模型曲線擬合法等。2.4.3區(qū)域分割前述的基于閾值的圖像分割和基于邊界的圖像分割都是用不同的方法從搜尋目標(biāo)的邊緣入手，確定了邊緣以后，以邊界劃分目標(biāo)區(qū)域也就是順理成章的事了。這里介紹的基于目標(biāo)區(qū)域的圖像分割方法與此不同，它是直接通過對(duì)目標(biāo)區(qū)域進(jìn)行檢測(cè)或判斷來實(shí)現(xiàn)圖像分割的一類比較直接的方法，主要包括區(qū)域生長(zhǎng)法、分裂合并法、分水嶺方法等。這里主要介紹前兩種方法。1.區(qū)域生長(zhǎng)法圖像分割中的區(qū)域生長(zhǎng)（RegionGrowth）方法也稱為區(qū)域生成方法，其基本思想是將一幅圖像分成許多小的區(qū)域，并將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域。具體來說，就是先對(duì)需要分割的區(qū)域找一個(gè)種子像素作為生長(zhǎng)的起始點(diǎn)，然后將種子像素周圍鄰域中與種子像素有相同性質(zhì)或相似性質(zhì)的像素（根據(jù)某種事先確定的生長(zhǎng)或相似準(zhǔn)則來判斷）合并到種子像素所在區(qū)域中。最后進(jìn)一步將這些新像素作為新的種子像素繼續(xù)進(jìn)行上述操作，直到再?zèng)]有滿足條件的像素可被包括進(jìn)來為止。于是區(qū)域就生成了，生長(zhǎng)過程結(jié)束，圖像分割隨之完成。其實(shí)質(zhì)就是把具有某種相似性質(zhì)的像素連通起來，從而構(gòu)成最終的分割區(qū)域。它利用了圖像的局部空間信息，可有效地克服其他方法存在的圖像分割空間不連續(xù)的缺點(diǎn)。（1）基本方法區(qū)域生長(zhǎng)法相對(duì)比較簡(jiǎn)單，下面用一個(gè)簡(jiǎn)單的實(shí)例來說明基本的區(qū)域生長(zhǎng)方法。2.分裂合并法從上面圖像分割的方法中了解到，圖像閾值分割法可以認(rèn)為是從上到下（從整幅圖像根據(jù)不同的閾值分成不同區(qū)域）對(duì)圖像進(jìn)行分開，而區(qū)域生長(zhǎng)法相當(dāng)于從下往上（從種子像素開始不斷接納新像素最后構(gòu)成整幅圖像）不斷對(duì)像素進(jìn)行合并。如果將這兩種方法結(jié)合起來對(duì)圖像進(jìn)行劃分，便是分裂合并算法。因此，其實(shí)質(zhì)是先把圖像分成任意大小而且不重疊的區(qū)域，然后再合并或分裂這些區(qū)域以滿足分割的要求。分裂合并算法需要采用圖像的四叉樹結(jié)構(gòu)作為基本數(shù)據(jù)結(jié)構(gòu)，下面先對(duì)其簡(jiǎn)單介紹。（1）四叉樹圖像除了用各個(gè)像素表示之外，還可以根據(jù)應(yīng)用目的的不同，以其他方式表示。四叉樹就是其中最簡(jiǎn)單的一種，圖像的四叉樹可以用于圖像分割，也可以用于圖像壓縮。（2）分裂合并圖像分割法在圖像四叉樹分割時(shí)，需要將圖像區(qū)域內(nèi)和區(qū)域間的均一性（一致性），用作區(qū)域是否合并的判斷準(zhǔn)則?？梢赃x擇的一致性準(zhǔn)則有：區(qū)域中灰度最大值與最小值的方差小于某選定值。兩區(qū)域平均灰度之差及方差小于某選定值。兩區(qū)域的紋理特征相同。兩區(qū)域參數(shù)統(tǒng)計(jì)檢驗(yàn)結(jié)果相同。兩區(qū)域的灰度分布函數(shù)之差小于某選定值2.4.4圖像分割典型應(yīng)用圖像分割方法是將相鄰的像素連接起來形成一個(gè)區(qū)域，且同一個(gè)區(qū)域內(nèi)的像素必須具有某種相似性。這類分割方法往往根據(jù)像素點(diǎn)的灰度值、紋理、統(tǒng)計(jì)特征和顏色等來建立聯(lián)系，保證同一區(qū)域內(nèi)具有相似性和連續(xù)性，但分割效果的優(yōu)劣表現(xiàn)出對(duì)相似性條件具有強(qiáng)烈的依賴性，且分割結(jié)果極易出現(xiàn)過分割。基于區(qū)域的圖像分割方法主要包括分裂合并和區(qū)域生長(zhǎng)。分裂合并法首先分裂整幅圖像，然后通過某種準(zhǔn)則判斷分裂區(qū)域的相似性，合并相鄰的相似分裂區(qū)域，得到分割結(jié)果。區(qū)域生長(zhǎng)法需事先設(shè)定相似性原則和生長(zhǎng)種子，從生長(zhǎng)種子出發(fā)將滿足相似性原則的相鄰像素不斷合并，構(gòu)成一個(gè)區(qū)域，達(dá)到劃分區(qū)域完成圖像分割的目的，其中最關(guān)鍵的是相似性原則的設(shè)定和生長(zhǎng)種子的選取?；趨^(qū)域的圖像分割技術(shù)主要用來識(shí)別圖像中具有特性相似的區(qū)域，要求同一區(qū)域的像素具有相似的特征且連通，正因?yàn)檫@樣，它具有消除孤立噪聲點(diǎn)的能力。但是，區(qū)域生長(zhǎng)法對(duì)種子點(diǎn)的選取要求很高，選取的結(jié)果將直接影響圖像分割的效果。分裂合并法雖然不需要選擇生長(zhǎng)種子點(diǎn)，但是其分割效果與分裂程度之間存在一個(gè)很大的矛盾，即當(dāng)分裂相對(duì)充分時(shí)，具有較好的分割效果，但分割的時(shí)間和工作量將增加；若要提高效率只能減少分裂工作，這將影響分割的質(zhì)量。雖然近年來圖像分割的研究成果越來越多，但由于圖像分割本身所具有的難度，使研究仍然存在一些問題，現(xiàn)有的許多種算法都是針對(duì)不同的圖像，并沒有一種普遍適用的分割算法。迄今為止，沒有一個(gè)好的通用的分割評(píng)價(jià)標(biāo)準(zhǔn)，如何對(duì)分割結(jié)果作出量化的評(píng)價(jià)是一個(gè)值得研究的問題，該量化測(cè)度應(yīng)有助于視覺系統(tǒng)中的自動(dòng)決策及評(píng)價(jià)算法的優(yōu)劣，該測(cè)度應(yīng)考慮到均質(zhì)性、對(duì)比度、緊致性、連續(xù)性、視覺感知等因素，伴隨著數(shù)字圖像處理的應(yīng)用領(lǐng)域不斷擴(kuò)大，實(shí)時(shí)處理技術(shù)已成研究的熱點(diǎn)，在實(shí)時(shí)圖像處理系統(tǒng)中，算法的運(yùn)行時(shí)間也成為今后研究的方向和目標(biāo)。2.4.5圖像分割技術(shù)發(fā)展趨勢(shì)1.基于遺傳算法的圖像分割遺傳算法是模擬自然界生物進(jìn)化過程與機(jī)制求解問題的一類自組織與自適應(yīng)的人工智能技術(shù)。對(duì)此，科學(xué)家們進(jìn)行了大量的研究工作，并成功地運(yùn)用于各種類型的優(yōu)化問題，在分割復(fù)雜的圖像時(shí)，人們往往采用多參量進(jìn)行信息融合，在多參量參與的最優(yōu)值求取過程中，優(yōu)化計(jì)算是最重要的，把自然進(jìn)化的特征應(yīng)用到計(jì)算機(jī)算法中，將能解決很多問題。遺傳算法的出現(xiàn)為解決這類問題提供了新而有效的方法，不僅可以得到全局最優(yōu)解，而且大量縮短了計(jì)算時(shí)間。王月蘭等人提出的基于信息融合技術(shù)的彩色圖像分割方法，該方法應(yīng)用剝殼技術(shù)將問題的復(fù)雜度降低，然后將信息融合技術(shù)應(yīng)用到彩色圖像分割中，為彩色分割在不同領(lǐng)域中的應(yīng)用提供了一種新的思路與解決辦法。2.基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的圖像分割基于神經(jīng)網(wǎng)絡(luò)的分割方法的基本思想是先通過訓(xùn)練多層感知器來得到線性決策函數(shù)，然后用決策函數(shù)對(duì)像素進(jìn)行分類來達(dá)到分割的目的。近年來，隨著神經(jīng)學(xué)的研究和發(fā)展，第三代脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）作為一種新型人工神經(jīng)網(wǎng)絡(luò)模型，其獨(dú)特處理方式為圖像分割提供了新的思路。脈沖耦合神經(jīng)網(wǎng)絡(luò)具有捕獲特性，會(huì)產(chǎn)生點(diǎn)火脈沖傳播，對(duì)輸入圖像具有時(shí)空整合作用，相鄰的具有相似輸入的神經(jīng)元傾向于同時(shí)點(diǎn)火。因此對(duì)于灰度圖像，PCNN具有天然的分割能力，與輸入圖像中不同目標(biāo)區(qū)域?qū)?yīng)的神經(jīng)元在不同的時(shí)刻點(diǎn)火，從而將不同區(qū)域分割開來。如果目標(biāo)區(qū)域灰度分布有重疊，基于PCNN的時(shí)空整合作用，如果灰度分布符合某種規(guī)律，PCNN也能克服灰度分布重疊所帶來的不利影響，實(shí)現(xiàn)較完美的分割。這是其一個(gè)突出的優(yōu)點(diǎn)，也是其他的分割