《基于区域的图像分割算法.doc》由会员分享，可在线阅读，更多相关《基于区域的图像分割算法.doc（12页珍藏版）》请在金锄头文库上搜索。
1、基于区域的图像分割算法论述及其补充摘要: 图像分割是图像处理和计算机视觉的基本问题之一，是图像处理和图像分析的关键步骤。本文对基于区域的图像分割方法进行了综述，具体介绍了阈值法、区域生长和分裂合并法、基于统计学的算法等三种方法，并分析出各算法在应用中的优缺点。关键词：图像分割，阈值法，区域生长，分裂合并，统计学算法 Survey of Image Segmentation Method Based on RegionAbstract: Image segmentation is one of basic problems in image processing and computer vis
2、ion, and is a key step in image processing and image analysis. The image segmentation methods based on region are surveyed here, including three methods about thresholding ,region growing, splitting and merging and the methods based on statistics methods, and the merits and demerits of each method i
3、n using are analyzed.Keywords: Image segmentation，Thresholding，Region growing，Splitting and merging，Statistics methods设计目的：通过本文的讨论，让我们熟悉并掌握几种常见的图像分割的方法。并熟知这几种常用方法的优缺点和适用条件，了解它们的发展趋势及方向。对于以后算法的优化与分析做好铺垫。可行性讨论：这篇文章讨论的数字图像处理的几种常用方法，很适合初学者快速了解并掌握它的算法，为以后的学习做了很好的引导，所以我认为这篇文章涉及的方法很实用，也很可行。设计过程图像分割是数字图像处理中
4、的一项关键技术，在许多领域均有所应用，多年来一直受到研究人员的高度重视。然而，目前使用的上千种图像分割算法大都是针对具体问题所提出的，虽然每年都有新的图像分割算法提出，但是并没有一种通用的算法能适用于所有的图像分割处理。基于区域的图像分割算法是图像分割算法中较常用的一部分。本文对基于区域的图像分割算法作以系统的分类和基本的介绍，并分析出各算法的优缺点。根据图像分割的处理方式不同，可以将基于区域的图像分割算法分为以下三大类：（1）阈值法（2）区域生长和分裂合并（3）基于统计学的算法。1 阈值法阈值法是一种简单有效的图像分割方法。阈值是用于区分目标和背景的灰度门限。如果像只有目标和背景两大类，那么
5、只选取一个阈值称为单阈值分割。如果图像中有多个目标，就需要选取多个阈值将目标及背景分开，这种方法称为多阈值分割1。阈值法的数学描述2如下：设（x，y）是二维数字图像的平面坐标，图像灰度级的取值范围是G=0，1，2，L1(习惯 0 代表最暗的像素点，L1 代表最亮的像素点)，位于坐标点（x，y）上的像素点的灰度级表示为f(x，y)。设t G为分割阈值，B=b0，b1代表一个二值灰度级，并且b0，b1 G。于是图像函数f(x，y)在阈值t上的分割结果可以表示为 阈值分割法实际就是按某个准则函数求最优阈值t的过程。常用的阈值选取方法有：灰度直方图峰谷法3、最小误差法4、最大类间方差法5、最大熵自动阈
6、值法6等。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。2 区域生长和分裂合并区域生长和分裂合并是两种典型的串行区域分割算法。其特点是将分割过程分解为顺序的多个步骤，其中后续步骤要根据前面步骤的结果进行判断而确定。区域生长的基本思想是将具有相似性质的像素集合起来构成区域，该方法需要先选取一个种子点，然后依次将种子像素周围的相似像素合并到种子
7、像素所在的区域中。区域合并的基本思想是将输入图像分成多个相似的区域，然后类似的相邻区根据某种判断准则迭代地进行合并。在区域分裂技术中，整个图像先被看成一个区域，然后区域不断被分裂为四个矩形区域，直到每个区域内部都是相似的。分裂合并算法中，区域先从整幅图像开始分裂，然后将相邻的区域进行合并。区域生长算法的优点是计算简单，特别适合于分割小的结构。缺点是需要人工交互以获得种子点，同时对噪声也比较敏感。当对区域面积较大的图像分割时，计算缓慢7。分裂合并算法的优点是不需要预先指定种子点。缺点是分裂合并算法可能会使分割区域的边界被破坏。3 基于统计学的算法统计学方法的实质是从统计学的角度出发对数字图像进行
8、建模，把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量。从观察到的图像中恢复实际物体或正确分割观察的图像。从统计学的角度来看就是要找出最有可能，即以最大的概率得到该图像的物体组合来。从贝叶斯定理的角度看，就是求出具有最大后验概率的分布8。常用的统计学方法包括分类器和聚类、基于随机场的方法、混合分布法和隐含马尔科夫模型HMM(Hidden Markova models)等等。3.1 分类器和聚类9分类是模式识别领域中一种基本的统计分析方法。分类的目的是利用己知的训练样本集在图像的特征空间找到点(1D)、曲线(2D)、曲面(3D)或超曲面(多维)，从而实现对图像的划分。用分类器进行分割是
9、一种有监督的统计方法，它需要用手工分割所得到的样本集作为对新的图像进行自动分割的参考。分类器分为非参数(nonparametric)分类器和参数(parametric)分类器两种。典型的非参数分类器包括 K 近邻(KNN)以及 Parzen 窗(一种投票分类器)，它们对图像数据的统计结构没有要求。参数分类器的代表是Byes 分类器，它是假定图像的概率密度函数要符合高斯独立分布。聚类算法10与分类器算法极为类似，只是它不需要训练样本，因此聚类是一种无监督的(unsupervised)统计方法。因为没有训练样本集，聚类算法迭代地执行图像分类和提取各类的特征值。从某种意义上说，聚类是一种自我训练的分
10、类。其中，K均值、模糊C均值(Fuzzy-Means),EM (Expectation-Maximization)和分层聚类方法是常用的聚类算法。K均值算法先对当前的每一类求均值，然后按均值对像素进行重新分类(将像素归入均值最近的类)，对新生成的类再迭代执行前面的步骤。模糊C均值算法从模糊集合理论的角度对K均值进行了推广。EM算法把图像中每一个像素的灰度值看作是几个概率分布(一般用G过一系列连续合并和分裂完成，聚类过程可以用一个类似树的结构来表示。分类的优点是不需要迭代运算，计算量相对较小，并且分类能应用于多通道图像。aussia分布)按一定比例的混合，通过优化基于最大后验概率的目标函数来估计
11、这几个概率分布的参数和它们之间的混合比例。分层聚类方法通缺点是分类没有考虑空间信息，因此对灰度不均匀的图像分割效果不理想。并且分类器还要求由手工分类生成训练集，但是手工分类的工作量巨大，同时用小量的训练集训练的分类器对大量的样本空间进行分类时会产生误差。聚类算法的优点是聚类分析不需要训练集。缺点是聚类时需要一个初始分割提供初始参数，即聚类的数目，初始参数对最终分类结果影响很大。同时，聚类算法也没有考虑空间关联信息，因此也对噪声和灰度不均匀很敏感。3.2 基于随机场的方法将图像看作一个马尔科夫随机场MRF(Markov Random Field)是一种常用的统计学方法。MRF本身是一个条件概率模
12、型，其中每个像素的概率只与相邻点相关。直观的理解是，在MRF假设下大多数像素和其邻近的像素属于同一类。以L=(i，j)|1iN1，1jN2表示一个N1 x N2的图像网络。以X=Xij表示一个离散取值的随机场，随机变量Xij可取图像可能的灰度值集合G=g1,g2,gm中的一个，以xij表示Xij的一个特定值。定义一个图像中的邻域系统 = ij | (i, j) L满足条件:对任意两个像素点x,y若 x y 则 y x ，如通常所说的四邻域、八邻域等。用C表示一个基于 的像素点小集合(称为聚集，Clique)，其中的任何两个像素点每一个都相互属于另一个的邻域，以c表示C中的元素即C中的一个像素点
13、。在这些定义下，MRF为满足下式的随机场:P(X ij = x ij | X kl = x kl， ，l) (i，j) = P(X ij = x ij | Xy = x y )(i，j) L该随机场中的变量符合下式所示的Gibbs分12： ， 其中 U(x)是能量函数，可以采用各种形式。邻域系统 的定义和能量函数的参数决定了 MRF的性质。因此，使用 MRF 模型进行图像分割的问题包括：邻域系统 的定义，能量函数的选择及其参数的估计，极小化能量函数从而获得最大后检验概率的策略等三个问题。MRF模型的优点13是它能够区分不同的纹理分布，特别适合于纹理图像的分割。MRF模型的缺点是MRF模型的分割
14、性能取决于参数估计14的准确程度。如果存在足够的先验知识或训练图像集，就能够比较准确地估计参数，否则就面临着参数估计与分割相互制约的矛盾。3.3 混合分布法和隐含马尔科夫模型HMM(Hidden Markova models)混合分布法9是另一种常用的统计学方法，它把图像中每一个像素的灰度值看作是几个概率分布(一般用Gaussian分布)按一定的比例混合，通过优化基于最大后验概率的目标函数来估计这几个概率分布的参数和它们之间的混合比例。L.Gupta等人给出了利用Gaussian混合分布模型的方法15，讨论了Gaussian混合分布的参数估计算法。基本的HMM理论是由Baum等人提出的，经过多
15、年的发展，HMM成为描述语音信号最有效的一种统计模型。随后，研究人员开始将HMM用于小波域图像分割。由于小波域中的HMM模型非常适合于对具有奇异值的图像进行描述，因此，小波域的HMM模型主要用于纹理图像分割16。考虑到传统的实小波变换在平移不变特性和小波系数方向特性等方面的缺陷，Kingsburg首次将复小波变换引人图象处理领域17。和实小波变换相比，复小波变换具有良好的平移不变性和方向选择特性。此后，研究人员提出了很多基于复小波分析和变换的图像处理算法，在文献18中，Justin等人讨论了复 小波域中的HMM模型，并将该模型用于图像去 噪和纹理分割。运行软件：word2003 数学公式编辑器 c+设计体会：通过该篇文章的学习，我学会了图像分割的几种常用方法，包括阈值法，如全局阈值、自适应阈值、最佳阈值等等。基于区域的图像分割，如区域生长和分裂合并法。基于统计学的算法，如分类器，聚类分析法，基于随机场的方法，混合分布法和隐含马尔科夫模型HMM(Hidden Markova models)等等。虽然篇幅不长，可是也设计到了几种方法的全面介绍，让我受益匪浅。4 总结图像分割是图像处理和分析的关键技术，也是图像理论发展的瓶颈之一。本文对近年来国内外基于区域的图像分割算法进行了介绍，并分析了各算法在实际应用中的优缺点。从中可以看出，仅仅使用一种算法实现对图像的分割，越来
