浅谈图像分割原理和方法

摘　要：介绍了图像分割的定义和分类，并且简要概括了图像分割方法：串行边界分割技术、串行区域分割技术、并行边界分割技术、并行区域分割技术，然后，简单地介绍了图像分割的性能评估。

关键词：图像分割； 阈值；串行；并行

1  引言
　　图像处理的最终目的应是满足对图像的正确理解，即对图像中物体的正确识别，以指导下一步的行动。在这一过程中，图像分割是关键的一步。图像分割 (Image Segmentation)是一种重要的图像技术，它不仅得到人们的广泛重视和研究，也在实际中得到大量的应用。图像分割在不同领域中有时也用其它名称，如目标轮廓技术、阈值化技术、图像区分或求差技术、目标检测技术、目标识别技术、目标跟踪技术等，这些技术本身或核心实际上也是图像分割技术。
2  图像分割的定义
　　图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。这里所说的特性可以是灰度、颜色、纹理等，而目标可以对应单个区域，也可以对应多个区域。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。图像分割多年来一直得到人们的高度重视。至今已经提出了上千种各种类型的分割算法，而且近年来每年都有大量研究报道发表。多年来人们对图像分割提出了不同的解释和表达，借助集合概念对图像分割可给出如下比较正式的定义：
　　令集合 R 代表整个图像区域，对 R 的分割可以看作是将 R 分成若干个满足以下五个条件的非空子集(子区域)：

　　其中是代表所有在集合中元素的某种性质，是空集。
　　上述条件指出：(1)分割所得到的全部子区域的总和(并集)应能包括图像中所有像素，或者说分割应将图像中的每个像素都分进某一个子区域中。条件(2)指出各个子区域是互不重叠的，或者说一个像素不能同时属于两个区域。条件(3)指出在分割后得到的属于不同区域中的像素应该具有一些不同的特性。条件(5)要求同一个子区域内的像素应当是连通的。对图像的分割总是根据一些分割的准则特性进行的。条件(1)与(2)说明分割准则应可适用于所有区域和所有像素，而条件(3)与(4)说明分割准则应能帮助确定各区域像素有代表性的特性。最后需要指出，实际应用中图像分割不仅要把一幅图像分成满足上面五个条件的各具特性的区域而且需要把其中感兴趣的目标区域提取出来。只有这样才算真正完成了图像分割的任务。
3  主要的图像分割方法
　　经过相关学者们几十年的研究与努力，相继踊跃出大量的图像分割方法。大致归纳起来包括：串行边界分割技术、串行区域分割技术、并行边界分割技术、并行区域分割技术、结合特定理论工具的分割技术等。
3.1  串行边界分割技术
　　串行边界分割技术是指采用串行方式，通过顺序搜索边缘点来对感兴趣目标的边界进行检测。主要有三个关键步骤：
　　①确定一个顺序搜索的起始边界点；
　　②选择某种搜索策略，确定先前的搜索结果对下一边界点的检测和下一个结果的影响，并根据一定的原则依次检测新的边界点；
　　③选定搜索终止的条件，以结束搜索过程。
　　串行边界分割技术所采取的策略主要有以下两种：
　　①首先检查出边界点，然后再连接边界点；
　　②对边界点的检查和连接以交叉结合的方式进行。
3.2  串行区域分割技术
　　串行区域分割技术是指采用串行方式，通过对目标区域的直接检测来对图像进行分割的技术。其特点是：将整个处理过程分解为顺序的多个步骤依次进行，对后续步骤的处理要根据前续步骤的处理结果而定。近年来，一些结合了特定数学理论工具的图像分割方法也常常采用串行区域分割的方式。
　　串行区域分割技术有两种基本的形式：
　　①首先从单个像素出发，然后逐渐合并成所需的分割区域；
　　②首先从全图出发，然后逐渐分裂成所需的分割区域。
3.3  并行边界分割技术
　　并行边界分割技术是指采用并行方式，通过对感兴趣区域的边界进行检测来对图像进行分割的技术。其实现过程主要有两个步骤：
　　①感兴趣区域边界点的检测；
　　②感兴趣区域边界的形成。
　　对于步骤(1)可以采用各种微分算子进行直接检测，也可以利用边缘模型与拟合方法进行间接检测。对于步骤(2)由于其过程比较复杂，所以单纯利用微分算子不能形成闭合的边界，需要利用一定的准则和数学工具把感兴趣区域分离出来。
3.4  并行区域分割技术
　　并行区域分割技术是指采用并行方式，通过对感兴趣区域的检测来对图像进行分割的技术。在实际应用中，并行区域分割技术主要包括两大类：
　　①阈值化方法；
　　②特征空间聚类方法。
　　（1）阈值化方法
　　阈值化方法的定义为：对于一幅灰度图像，根据预先确定的一个处于图像灰度取值范围当中的灰度阈值把所有的像素归为两大类，灰度值大于阈值的像素为一类，灰度值小于阈值的像素归为另一类，灰度值等于阈值的像素可视情况归为前面两类当中的任意一类。
　　通常情况下，两类像素分属于图像中的两类区域，从而根据阈值分类完成了对图像的分割。
　　阈值化方法有两个关键的步骤：
　　①分割阈值的确定；
　　②将像素值与分割阈值比较以对像素进行归类。
　　其中，步骤(1)是分割的关键，阈值确定的恰到好处，可以方便地将图像分割开来。另外，阈值化方法通常都是基于一定图像模型的。最常用的模型可描述如下：假设图像是由具有单峰灰度分布的目标和背景组成，处于目标或背景内部相邻像素间的灰度值是高度相关的，但处于目标和背景交界处两边的像素在灰度值上是有很大差别的。如果一幅图像满足这些条件，它的灰度直方图基本上可看作是由分别对应目标和背景的两个单峰直方图混合构成的。进一步如果这两个分布大小接近且均值相距足够远，而且两部分的均方差也足够小，则直方图应为较明显的双峰。类似地，如果图像中有多个单峰灰度分布的目标，则直方图有可能表现为较明显的多峰。对这类图像常可采用阈值化方法来进行分割。
3.5  结合特定理论工具的分割技术
　　（1）基于小波分析和小波变换的分割技术
　　小波变换是空间(时间)和频率的局域变换，通过伸缩、平移等运算对函数和信号进行多尺度的细化分析，能有效的从信号中提取信息，解决了傅立叶变换所不能解决的许多问题。近年 来，在低频和高频分析时，有“变焦”(zooming)特性的小波变换在图像分割中得到广泛应用。
　　（2）基于信息论的分割技术
　　近些年来，出现了许多借助信息论中熵的概念的图像分割方法。这些方法利用信息论当中求熵的极值的方式来对图像进行分割。如：1D 最大熵法、2D 最大熵法、最大后验熵法、最小熵相关法、条件熵法、最大香农熵法等等。
4  图像分割性能评估
　　尽管人们在图像分割方面做了许多研究工作，由于尚无通用的分割理论，已有的分割算法大都是针对具体问题的，并没有一种适合于所有图像的通用的分割算法。美国 L. G. CIark 等从检测的角度对分割算法进行评估，着重处理两方面问题：第一，定义了图像的质量，包括目标对背景的质量和目标自身特性的质量；第二，是定义目标自身特性的度量，包括分割得出的目标灰度域中像素点个数及其灰度的标准方差、平均边缘强度、边缘标准方差以及目标的周长等。他们根据度量进行检测性能评估，并将结果以检测一误警曲线表征。
　　L. F. Bennet 在分割的性能评估方面提出了一种以分割精确性为评估指标的基于知识的方法，他指出了分割出的目标区域与标准参照区域的吻合程度。
　　分割结果的好坏主要靠观察者主观评价。用肉眼直接观察图像的效果，是一种定性的方法，评价结果有一定的不确定性。随着模糊数学的发展，人们可以用模糊综合评判方法来尽量减少主观因素对实现近似定量评价的影响，其定量计算公式中的参数往往要依赖专家经验确定。
5  结束语
　　图像分割是很多高级图像处理技术(如可视化、图像压缩、医学图像诊断等)的重要基础工作。迄今为止，已经有很多种不同的图像分割方法提出。阈值法因其实现的简单性而成为图像分割领域的一种重要方法。但是对于复杂的实时图像分割问题，阈值法的高耗时性己经成为该方法发展的一个障碍。因此，寻求一种高效的算法来解决基于阈值法的图像分割问题具有重要意义。
参考文献：
[1] 贾承丽，赵凌君，吴其昌等.基于遗传算法的 SAR 图像道路网检测方法[J]. 计算机学报,2007,30(7):1186~1194
[2] 刘智勇,李进,黄道君. 基于遗传算法的视频交通检测图像分割方法[J]. 公路交通科技，2001, 18(3) :43~45
[3] 王培珍,杜培明.一种用于多阈值图像自动分割的混合遗传算法[J]，中国图像图形学报，2000, 5 (1):44~47
[4] 金晶、苏勇，一种改进的自适应遗传算法，计算机工程与应用[J]，2005,18 : 64-69