《图像分割算法比较》由会员分享，可在线阅读，更多相关《图像分割算法比较（5页珍藏版）》请在金锄头文库上搜索。
1、图像分割算法比较数字图像处理常用的图像分割算法有:1）基丁阀值的分割方法。2）基丁边缘的分割方法。3）某于区域的分割方法。4）基J：聚类分析的图像分割方法。5）基丁小波变换的分割方法。6）某丁数学形态学方法。7）基人匸神经网络的方法。8）基J遗传算法的方法。基于阀值的分割方法原理阈值分割方法作为一种常见的区域并行技术，就是用一个或几个阈值将图像的灰度直方图分成儿个类，认为图像中灰度值在同一类中的像素属于同一物体。由是宜接利用图像的灰度特性，因此计算方便简明、实用性强。显然，阈值分割方法的关键和难点是如何取得-个介适的阈值。而实际应用中，阈值设定易受噪声和光亮度影响。近年來的方法冇：用最人相关性
2、原则选择阈值的方法、基J：图像拓扑稳定状态的方法、Yager测度极小化方法、灰度中、I炉阵方法、方差法、爛汰、蜂值和谷值分析法等，其中,口适应阈值法、垠人爛法、模糊阈值法、类间阈值法是对传统阈值法改进较成功的儿种算法。更多的情况F,阈值的选择会综合运用2种或2种以上的方法，这也是图像分割发展的-个趙势。特点总结阈值分割的优点是计算简单、运算效率较高、速度快。全局阈值对灰度相差很人的不同I标和背景能进彳M效的分割。当图像的灰度差异不明显或不同日标的灰度值范阳仃車叠时，应采用局部阈值或动态阈值分割法。另一方而，这种方法只考虑像索本少的灰度值，一般不考虑空间特征，因而对噪声很敏感。在实际应用中，阈值
3、法通常与具他方法结介使用。基于边缘的分割方法原理基边缘检测的分割方法试图通过检测包含不同区域的边缘來解决分割问题，它町以说是人们研究的最女的方法通常不同的区域Z间的边缘上像索灰度值的变化往往比絞剧烈，这是边缘检测方法得以实现的主耍假设Z。常用灰度的一阶或二阶微分算子进行边缘检测。常用的微分算子冇一次微分（Sobel算子、Roberts算子等）、次微分（拉普拉斯算子等）和模板操作（Prewit算子、Kirsch算子等），它是-种并行边界技术。而串彳亍边界査找法是先检测到边缘再串彳亍连接成闭合边界的方法,这种方法在很人程度上受起始点的影响。基边缘检测的图像分割方法町分成两人类，即串行边缘分割技术和
4、并行边缘分割技术。串行边缘分割方法，件先耍确定边缘的起始点，然后根据某种相似性搜索准则寻找F一个边缘点，这种确定后续相似点的方法称为边缘跟踪。根据跟踪方法不同又可分为轮廓跟踪、光棚跟踪和全向跟踪三种方法。并行边缘检测方法，对图像上每-点的处理不依赖其他点的处理结果，算法町以并行处理，人人加快搜索检测的速度。当分割的图像含有强噪声十扰或者区域Z间的性质差别很小时，分割出來的边缘町能是不连续的，此时町考虑用边缘连接技术把断幵处连接起來。常用的边缘连接方法仃曲线拟介技术，经典的曲线拟介技术仃贝叶斯曲线拟介技术和样条曲线拟介技术；甚Hough变换的边缘连接技术；启发式边缘连接技术。特点总结基J：边缘的
5、分割方法其堆点就在J：边缘检测时抗噪性和检测榊度Z间的矛盾。若提岛检测粘度，则噪声产生的伪边缘会导致不合理的轮廓:若提拓抗噪性，则会广生轮丿郭漏检和位置偏差。为此，人们提出各种多尺度边缘检测方法，根据实际问题设计多尺度边缘信息的结合方案，以较好地兼顾抗噪性和检测楕度。基于区域的分割方法原理区域分割的实质就是把具仃某种相似性质的像索连通，从何构成般终的分割区域。它利用了图像的局部空间信息，町仃效地克服K他方法存在的图像分割空间小连续的缺点。在此类方法中，如果从全图出发，按区域属性特征一致的准则决定每个像元的区域归属，形成区域图，常称Z为区域生长的分割方法。如果从像尤出发，按区域屈性特征一致的准则
6、，将属性接近的连通像尤聚集为区域，则是区域増长的分割方法.若综合利用上述两种方法,就是分裂介并的方法。它足先将图像分割成很多的-致性校强的小区域，再按定的规则将小区域融介成人区域，达到分割图像的目的。特点总结浪区域的分割方法往往会造成图像的过度分割，而单纯的宰r边缘检测方法有时不能提供较好的区域结构，为此町将慕区域的方法和边缘检测的方法结合起來，发挥各口的优势以获得更好的分割效果。基于聚类分析的图像分割方法原理特征空间聚类法进行图像分割是将图像空间中的像素用対w的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割,然后将它们映射回原图像空间,得到分割结果。其中，K均值、模糊C均值聚类(
7、FCM)算法是最常用的聚类算法。K均值算法先选K个初始类均值，然后将每个像索川入均值离它最近的类并计算新的类均值。迭代执行前而的步骤r到新in类均值z差小丁某-阈值。模糊C均值算法是在模糊数学甚础上对K均值算法的推广，是通过最优化一个模糊忖标西数实现聚类，它不像K均值聚类那样认为每个点只能属丁某一类，而是赋予每个点一个対各类的隶属度，用隶屈仪更好地描述边缘像索亦此亦彼的特点，适介处理事物内在的不确定性。利川模糊C均值(FCM)|s监替模糊聚类标泄的特点进行图像分割，町以减少人为的干预，且较适介图像中存在不确定性和模糊性的特点。特点总结聚类方法应注意儿个问题：(1) 、聚类的类数如何确定。(2)
8、 、怎样确定聚类的有效性准则。(3) 、聚类中心的位置和特性事先不淸楚时，如何设置初始值。(4) 、运算的开销.并1LFCM算法对初始参数极为敏感，佇时盂耍人匸于预参数的初始化以接近全丿垠优解，提高分割速度。另外,传统FCM算法没有考虑空间信息，对噪声和灰度不均匀敏感.基于小波变换的分割方法原理花丁小波变换的阈值图像分割方法的荒本思想是，首先由二进小波变换将图像的直方图分解为不同层次的小波系数，然后依据给定的分割准则和小波系数选择阈值门限，最后利用阈值标出图像分割的区域。整个分割过程是从粗到细，令尺度变化來控制，即起始分割由粗略的L2(R)子空间上投影的口方图來实现，如果分割不理想，则利用直方
9、图在粘细的了空间上的小波系数逐步细化图像分割。分割算法的计算馈与图像尺寸人小呈线性变化。小波变换为信号在不同尺度匕的分析和表征提供了一个精确和统一的框架。从图像分割的角度來看.小波分解提供了一个数学上完备的描述：小波变换通过选取合适的池波器，町以极人地减少或公除所提取的不同特征Z间的相关性，不仅JI仃“变焦”特性，而且在实现上有快速算法。特点总结小波变换是一种多尺度、多通道的分析匸具它是空域和频域的局域变换，因而能仃效地从信号中提取信息,通过伸缩和平移等运算功能对歯数或信号进行多尺度分析,解决了傅立叶变换不能解决的许多问题。近年來多进制小波开始用丁-边缘检测。另外，利用正交小波基的小波变换也可
10、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。基于数学形态学方法原理数学形态学是一种非线性滤波方法，町以用r抑制噪声、特性提取、边缘检测、图像分割等图像处理问题。数学形态学首先被用來处理:值图像，后來也被用來处理灰度图像,现在又仃学者开始用软数学形态学和模糊形态学來解决计算机视觉方而的问题。数学形态学的特点是能将复杂的形状进行分解，并将仃意义的形状分骯从无用的信息中提取出来。它的基木思想是利用一个称为结构尤素的探针来收集图像的信息，当探针在图像中不断的移动时，不仅町根据图像各个部分间的相互关系來了解图像的结构特征，l（IJ且利用数学形态学基本运算还町以构造出许多罪常仃效
11、的图像处理与分析方法。其羞本的形态运算是腐蚀与膨胀。腐蚀貝仃使H标缩小、目标内孔增人以及外部孤立噪声消除的效果；而膨胀是将图像中与冃标物体接触的所有背景点介并到物体中的过程，结果是使冃标增人、孔径缩小，町以增补目标中的空间，使其形成连通域。数学形态学中另一对基本运算方法是开运算和闭运算。开运算J1仃消除图像是细小物体，并在物体影响纤细处分离物体和平滑较人物体边界的作用；闭运算貝冇填充物体影像内细小空间，连接邻近物体和平滑边界的作用。特点总结数学形态学应用于图像分割,具有定位效果好、分割梢度高、抗噪声性能好的特点同时这种方法也有着自身的局限性：illJ7E图像处理的前期工作中，采川数学形态学的丿
12、I：（闭）运算，进行图像处理后，依然存在人战与目标不符的短线和孤立点；由丁预处理工作的不彻底，还盂要进行一系列的基点的开（闭）运算，I大I此运算速度明显卜降。如何将数学形态学与其它方法综合运用以克服这些缺陷，将是数学形态学以后的匸作方向。基于人工神经网络的方法原理近年來，人工神经网络识别技术己经引起了广泛的关注，并应用丁图像分割。皋丁神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数対像素进行分类来达到分割的目的.特点总结用人工神经网络的方法分割图像，镒要人昴的训练数据。神经网络存在巨鼠的连接，容易引入空间信息，能较好地解决图像中的噪声和不均匀问题。选择何种网络
13、结构是这种方法要解决的主要问题。基于遗传算法的方法,原理遗传算法（GA）,是一种模拟门然选择和遗传机制的搜索和优化过程，它具仃很强的全局优化搜索能力，超一种R仃广泛适用性的白适应搜索方法。它在搜索空同中是在种群中而不是在单点上进行寻优，它在求解过程中使用遗传操作规则而不是确定性观则來I作。这些特点使得遗传算法很适应用在图像分割中，尤贰是阈值分割法以及区域生长法中。利JIJGA的全局寻优能力及对初始位置的不嬪感特性，町以改进图像分割的性能。特点总结遗传算法应用丁图像分割，苴难点在丁适应度函数的选择以及交叉概率和变杲概率的确定。GA还冇町能收敛J：局部最优。町考虑使用能够自适应设置交叉概率和变杲概率自适应遗传算法以及和模拟退火法相结合的混合遗传算法。第#页
