关于图像分割算法的研究

关于图像分割算法的研究

黄斌

（福州大学物理与信息工程学院 福州 350001）

摘要：图像分割是图像处理中的一个重要问题，也是一个经典难题。因此对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视，也提山了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决。本文从图像分割的定义、应用等研究背景入手，深入介绍了目前各种经典的图像分割算法，并在此基础比较了各种算法的优缺点，总结了当前图像分割技术中所面临的挑战，最后展望了其未来值得努力的研究方向。

关键词：图像分割 阀值分割 边缘分割 区域分割

一、 引言

图像分割是图像从处理到分析的转变关键，也是一种基本的计算机视觉技术。通过图像的分割、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，因此它被称为连接低级视觉和高级视觉的桥梁和纽带。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其它伪目标中分离出来[1]。

图像分割可以形式化定义如下[2]：令有序集合表示图像区域(像素点集)，H 表示为具有相同性质的谓词，图像分割是把I 分割成为n 个区域记为Ri ，i=1，2，…，n ，满足：

(1) 1,,,,n i

i j i R I R R i j i j ===??≠

(2) (),1,2,,i i i n H R True ?==

(3) ()

,,,i j i j i j H R R False ?≠=

条件(1)表明分割区域要覆盖整个图像且各区域互不重叠，条件(2)表明每个区域都具有相同性质，条件(3)表明相邻的两个区域性质相异不能合并成一个区域。

自上世纪70年代起，图像分割一直受到人们的高度重视，其应用领域非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。主要表现在：

1)医学影像分析：通过图像分割将医学图像中的不同组织分成不同的区域，以便更好的

帮助分析病情，或进行组织器官的重建等[3][4][5]。

2)军事研究领域：通过图像分割为目标自动识别提供特征参数[6][7]。

3)遥感气象服务：通过遥感图像分析获得城市地貌，作物生长状况，云图中的不同云系分析[8][9]。

4)交通图像分析：通过分割把交通监控获得的图像中的车辆目标从背景中分割出来，以及进行车牌识别等等[10][11]。

5)面向对象的图像压缩和基于内容的图像数据库查询：将图像分割成不同的对象区域以提高压缩编码效率，通过图像分割提取特征便于网页分类、搜索等等[12]。

图像分割技术是计算机视觉和人工智能邻域中一项意义重要而又颇为艰巨的研究工作，此项技术既涉及到图像信息的下层数据处理，又牵扯到上层知识表达，与目前自下而上的单向模块化的视觉系统框架不相容，属图像信息工程的一大经典难题，长期以来一直是困扰和制约模式识别发展的瓶颈问题和技术难点。

二、图像分割算法

图像分割方法的研究一直受到很多学者的关注，四十多年里，图像分割的研究一直受到人们高度的重视。迄今为止。研究者们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上百篇相关研究成果发表。但是，现有的方法多是为特定应用设计的，有很大的针对性和局限性，对图像分割的研究还缺乏一个统一的理论体系。Fu和Mui从细胞学图像处理的角度将图像分割技术分为三大类：特征阀值或聚类、边缘检测和区域提取[13]。一个更加细致的分类里，Haraliek and Shapiro将所有算法分为6类：测度空间导向的空间聚类、单一连接区域生长策略、混合连接区域生长策略、中心连接区域生长策略、空间聚类策略和分裂合并策略[14]。依据算法所使用的技术或针对的图像，Pal and Pal也把图像分割算法分成了6类：阀值分割、像素分割、深度图像分割、彩色图像分割、边缘检测和基于模糊集的方法[1]。但是，该分类方法中，各个类别的内容是有重叠的。为了涵盖不断涌现的新方法，有的研究者将图像分割算法分类以下类：并行边界分割技术、串行边界分割技术、并行区域分割技术、串行区域分割技术、结合特定理论工具的分割技术和特殊图像分割技术[15]。而在较近的一篇综述中，更有学者将图像分割简单的分成基于数据驱动的分割和基于模型驱动的分割两类[16]。

下面，我们将图像分割算法分为以下5类：基于阀值化的分割、基于边缘的分割、基于区域的分割、基于聚类的分割、基于形态学及其他分割方法。

2.1基于阀值化的分割

阈值化分割是最常见的直接检测区域的分割方法，它就是简单地用一个或几个阈值将图像的灰度直方图分成几个类，如果只需选取一个阈值称为单阈值分割，它将图像分为目标和背景两大类；如果选取多个阈值分割称为多阀值方法，图像将被分割为多个目标区域和背景。阈值化分割的结果依赖于阈值的选取，确定阈值是阈值化分割方法的关键，阈值化分割实质上就是按照某个准则求出最佳阈值的过程。常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差法、最大熵自动阈值法以及其他一些方法。

阈值化分割方法计算简单，运算效率较高，速度快。全局阀值对于灰度相差较大的不同目标和背景能进行有效的分割，当图像的灰度差异不明显或不同目标的灰度值范围有重叠时，应采用局部阀值或动态阈值分割法。但这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。在实际应用中，阈值法通常与其他方法结合使用。

2.2 基于边缘的分割

基于边缘的分割方法是利用不同区域间特征不连续的特点检测出区域间的边缘，从而实现图像分割。它利用了人的视觉过程的机理，通过检测不同均匀区域之间的边界来实现对图像的分割[17][18]。根据执行方式的不同，通常又可以分为串行和并行两种，即：串行边缘检测技术和并行边缘检测技术。

串行边缘检测技术首先是检测出一个边缘起始点，然后根据一定的相似性准则寻找与前一点归属同类的边缘点，这种确定根据后继相似点查找同类的方法称之为跟踪。根据跟踪的方法不同，这类方法一般又可分为轮廓跟踪、光栅跟踪和全向跟踪三种。全向跟踪法可以克服由于跟踪的方向性可能造成的边界丢失，但其搜索过程会付出更大的时间代价。串行边缘检测技术的优点在于可以得到连续的单像素边缘，但是它的效果严重依赖于初始边缘点，由不恰当的初始边缘点可能得到虚假边缘；较少的初始边缘点可能导致边缘漏检。

并行边缘检测技术一般情况下借助空域微分算子，利用其模板与图像卷积来完成，因此可针对每个像素同时进行，进而大大降低了算法的时间复杂度。常见并行边缘检测方法有Sobel算子、Roberts算子、Prewitt算子、Laplacian算子、LOG算子等。该类算法有一个明显的缺点：不能够得到完整的连续的单像素边缘，因此通常情况下在利用并行边缘检测方法后，需要进一步的边缘修正的工作，如边缘连通、去除毛刺和虚假边缘剔除。

2.3 基于区域的分割

基于区域的分割法有区域生长和分裂合并这两种基本形式。区域生长法首先在每个要分割的区域找一个或多个像素点作为种子像素作为生长的起点，然后按某种相似性原则进行区

域增长，直至没有可以归并的点或其它小的区域为止。区域分裂合并法按照某种一致性准则分裂或合并区域，当一个区域不满足一致性原则即被分裂为几个小的区域，当相邻的区域相似性一致时候，即通过合并运算合并成一个大的区域[19]。

基于区域的分割算法可以弥补阈值化分割方法因没有或很少考虑到空间关系而使多阈值选择受到限制的不足。该方法利用了图像的空间性质，不但考虑了像素的相似性，同时考虑到了空间区域上的邻接性，从而可以有效消除孤立噪声的干扰，具有很强的鲁棒性。同时，无论是分裂运算还是合并运算，都能够很好的将分割深入到像素级，因此对图像分割的精度能够有较高的保障，但其分割的速度都比较慢。

2.4 基于聚类的分割

聚类分割方法就是按照样本间的相似性原则把集合划分为若干个小的子集，划分的结果应使某种表示聚类质量的准则为最大。当用距离来表示两个样本间的相似度时，这样做的结果就把特征空间划分为若干个区域，每一个区域相当于一个类别。一些常用的距离度量都可以作为这种相似性的度量标准，因为从经验上讲，凡是同一类的样本，其特征向量应该是相互靠近的，而不同类的样本其特征向量之间的距离较同类样本的距离要大的多。典型的聚类分割算法有K均值的算法[20]、模糊C均值算法[21]，期望最大化和分层聚类方法[22]等。聚类算法不需要训练集，但需要对初始分割提供的一个初始参数，初始参数的选定对最终分类结果有很大的影响，因此针对于聚类分割，初始参数的选取是该方法的一个技术难点。

2.5 基于形态学及其他分割方法

近年来出现了结合特定数学理论和工具提出了一些分割算法，包括：基于数学形态学的分割方法，借助统计模式识别的分割方法，利用神经网络理论知识的分割方法，基于小波分析和变换思想的分割方法，利用进化算法的优化分割方法等等[23][24][25]。

三、存在问题

综上所述，即使前人已经进行了广泛而深入的研究，图像分割仍然面临许多具有挑战性的课题，主要集中在以下两个方面[26]：

首先，虽然己经提出了数以千计的分割方法，但是各种方法的本身都存在一定的针对性和局限性。通常，将针对一类图像设计的分割方法应用到另一类图像时，效果往往不能令人满意。在需要解决一个具体的图像分割问题的时候，难于找到一个一定适用的现成方法，往往需要综合几种算法才能达到良好的效果。

其次，图像分割问题既是个数学问题，又是一个心理学问题。如果不利用关于图像或所

研究目标的先验知识，任何数学工具的解析方法都很难取得很好的效果。由于缺乏一个统一的理论作为基础，同时也缺乏对人类视觉系统机理的深刻认识，当架构实用性的机器系统视觉系统时，所面临的就将是各式各样的、数量庞大的具有一定差异性的复杂图像库，这将对如何能够很好的利用实时经验，设计有效的分割算法就是一种巨大的挑战。

四、结束语

图像分割虽然是一个得到了比较深入研究的经典课题，但是正如前节所述，仍有许多问题亟待解决。在当前图像分割技术越来越多的应用于解决各种实际复杂特定领域问题的趋势下，我们可以将一些成熟的理论方法引入到图像分割领域中，例如模糊算法、神经网络、遗传算法、小波分析、粗集理论、形态学等，为图像分割开拓研究思路，注入新鲜的活力；同时我们还可以针对具体问题采用多种分割算法的相结合的思想进行处理，从而达到有效的解决了单一的图像分割算法所带来的一定缺陷，进而改善图像分割效果的目的。

参考文献

[1]N. R. Pal，S. K．Pal. A Review On Image Segmentation Techniques[J]．Pattern Recognition，26(9)：1277一1294，1993．

[2]R. C. Gonzalez，R. E. Woods．Digital Image Processing[M]．3-rd．AddisonWesley，1992．

[3]C．Tsai，B．S．Manjunath，R．Jagadeesan．Automated segmentation of brain MR images[J]．Pattern Recognition，28(12)：1825—1837，1995．

[4]C．Kirbas，K. H．Francis．Vessel extraction techniques and algorithms：a survey[J]．Proc．3rd IEEE Symposium on Biolnformatics and BioEngineering，Washington D．C．，US：238—245，2003．

[5]L. Wang, J. Bai．Threshold selection by clustering gray levels of boundary[J]．Pattern Recognition Letters，24：1983—1999，2003．

[6]薛景浩，章毓晋，林行刚．SAR图像基于Rayleigh分布假设的最小误差阈值化分割[J]．电子科学学刊，21(2)：219-225,1999．

[7]李国宽，彭嘉雄．基Td,波变换的红外成像弱小目标检测方法[J]．华中理工大学学报，28(5)：69-71，2000．

[8] B．Tian，M．A．Shaikh，S．Azimi et a1．A study of cloud classification with neural

networks using spectral and textural features[J]．IEEE Trans．Neural Networks，10(1)：138-151,1999．

[9]陈哲，冯天谨，基于小波分形特征提取的图像分割方法[J]．中国图像图形学报，4A(12)：1072-1077，1999．

[10]M．D．Jolly,S．Lakshmanan，Jain A. K. Vehicle segmentation and classification using deformable templates[J]．IEEE Trans．PAMI，vol.18(3)：293-308，1996．[11]陈寅鹏，丁晓青．复杂车辆图像中的车牌定位与字符分割方法[J]．红外与激光工程，2004，33(1)：29-33．

[12]Rob Koenen．MPEG-4 multimedia for our time Spectrum[J]．Computer Vision and PatternRecognition，vol.36(2)：26-33，1999．

[13]K. S. Fu, J．K．Mui. A survey of image segmentation[J]. Pattern Recognition，vol.13，pp.3-16，1981.

[14]R. M. Haraliek，L．G. Shapiro. Image segmentation techniques[J].Computer Vision，Graphics，and ImageProcessing，vol.29，pp.100—132，1985．

[15]章毓晋. 图象分割[M]．北京：科学出版社．2001．

[16]王爱民, 沈兰荪. 图像分割研究综述[J]. 测控技术，vol.19(5)，pp.1-6，2000．

[17]Nalwa V S, Binford T O．On Detecting Edges[J]．IEEE Trans on Pattern Analysis and Machine Intelligence,vol.8(6)：699—714,1986．

[18]Haralick R M．Digital Step Edges from Zero Crossing of Second Directional Derivatives[J]．IEEE Trans on Pattern Analysis and Machine Intelligence．1984，6(1)：58—68．

[19]Horowitz S L，Pavlidis T．Picture segmentation by a tree traversal algorithm[J]．J．ACM，23：368-388，1976．

[20]边肇祺，张学工．模式识别[M]．北京：清华大学出版社．2000

[21]C. Kotropoulos，I. Pitas．Segmentation of ultrasonic images using Support Vector Machines[J]．Pattern Recognition Letters，24: 715-727，2003．

[22]PEI Ji—hong，XIE Wei-xin．Adaptive Multi-Thresholds Image Segmentation Based on Potential Function Clustering[J]．Chinese Journal of Computers，22(7)：758-762，1999．

[23]Lee C K，Wong S P．A Mathematical Morphological Approach for Segmenting Heavily

Noise-corrupted Images[J]．Pattern Recognition，29(8)：1347-1357,1996.

[24]胡炯炯，于慧敏，房波．基于形态学约束的B．Snake模型的细胞图像自动分割方法[J].中国图象图形学报，10：31-37,2005．

[25]H．Gao，W．C．Siu，Chao Huan Hou．Improved techniques for automatic image segmentation[J]．IEEE Transactions on Circuits&Systems for Video Technology，11(12)：1273-1281,2001.

[26]王峰．基于图论图像分割方法的研究[D]．南京邮电大学硕士毕业论文，2007．

图像分割算法开题报告

图像分割算法开题报告 摘要：图像分割是图像处理中的一项关键技术，自20世纪70年代起一直受到人们的高度重视，并在医学、工业、军事等领域得到了广泛应用。近年来具有代表性的图像分割方法有：基于区域的分割、基于边缘的分割和基于特定理论的分割方法等。本文主要对基于自动阈值选择思想的迭代法、Otsu法、一维最大熵法、二维最大熵法、简单统计法进行研究，选取一系列运算出的阈值数据和对应的图像效果做一个分析性实验。 关键字：图像分割，阈值法，迭代法，Otsu法，最大熵值法 1 研究背景 1．1图像分割技术的机理 图像分割是将图像划分为若干互不相交的小区域的过程。小区域是某种意义下具有共同属性的像素连通集合，如物体所占的图像区域、天空区域、草地等。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言，连通有4连通和8连通之分。图像分割有3种不同的方法，其一是将各像素划归到相应物体或区域的像素聚类方法，即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘像素，然后再将边缘像素连接起来构成边界的方法。 图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解，两者是紧密关联的。图像分割在一般意义下十分困难的，目前的图像分割处于图像的前期处理阶段，主要针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。 1．2数字图像分割技术存在的问题

虽然近年来对数字图像处理的研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大突破性的进展,仍然存在以下几个方面的问题。 现有的许多种算法都是针对不同的数字图像,没有一种普遍适用的分割算法。 缺乏通用的分割评价标准。对分割效果进行评判的标准尚不统一,如何对分割结果做出量化的评价是一个值得研究的问题,该量化测度应有助于视觉系统中的自动决策及评价算法的优劣,同时应考虑到均质性、对比度、紧致性、连续性、心理视觉感知等因素。 与人类视觉机理相脱节。随着对人类视觉机理的研究,人们逐渐认识到,已有方法大都与人类视觉机理相脱节,难以进行更精确的分割。寻找到具有较强的鲁棒性、实时性以及可并行性的分割方法必须充分利用人类视觉特性。 知识的利用问题。仅利用图像中表现出来的灰度和空间信息来对图像进行分割,往往会产生和人类的视觉分割不一致的情况。人类视觉分割中应用了许多图像以外的知识,在很多视觉任务中,人们往往对获得的图像已具有某种先验知识,这对于改善图像分割性能是非常重要的。试图寻找可以分割任何图像的算法目前是不现实,也是不可能的。人们的工作应放在那些实用的、特定图像分割算法的研究上,并且应充分利用某些特定图像的先验知识,力图在实际应用中达到和人类视觉分割更接近的水平。 1．3数字图像分割技术的发展趋势 从图像分割研究的历史来看,可以看到对图像分割的研究有以下几个明显的趋势。 对原有算法的不断改进。人们在大量的实验下，发现一些算法的效

图像分割算法研究与实现

中北大学 课程设计说明书 学生姓名：梁一才学号：10050644X30 学院：信息商务学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法研究与实现 指导教师：陈平职称: 副教授 2013 年 12 月 15 日

中北大学 课程设计任务书 13/14 学年第一学期 学院：信息商务学院 专业：电子信息工程 学生姓名：焦晶晶学号：10050644X07 学生姓名：郑晓峰学号：10050644X22 学生姓名：梁一才学号：10050644X30 课程设计题目：信息处理综合实践: 图像分割算法研究与实现 起迄日期：2013年12月16日～2013年12月27日课程设计地点：电子信息科学与技术专业实验室指导教师：陈平 系主任：王浩全 下达任务书日期: 2013 年12月15 日

课程设计任务书 1．设计目的： 1、通过本课程设计的学习，学生将复习所学的专业知识，使课堂学习的理论知识应用于实践，通过本课程设计的实践使学生具有一定的实践操作能力； 2、掌握Matlab使用方法，能熟练运用该软件设计并完成相应的信息处理； 3、通过图像处理实践的课程设计，掌握设计图像处理软件系统的思维方法和基本开发过程。 2．设计内容和要求（包括原始数据、技术参数、条件、设计要求等）： (1)编程实现分水岭算法的图像分割； (2)编程实现区域分裂合并法； (3)对比分析两种分割算法的分割效果； (4)要求每位学生进行查阅相关资料，并写出自己的报告。注意每个学生的报告要有所侧重，写出自己所做的内容。 3．设计工作任务及工作量的要求〔包括课程设计计算说明书(论文)、图纸、实物样品等〕： 每个同学独立完成自己的任务，每人写一份设计报告，在课程设计论文中写明自己设计的部分，给出设计结果。

关于图像分割算法的研究

关于图像分割算法的研究 黄斌 （福州大学物理与信息工程学院 福州 350001） 摘要：图像分割是图像处理中的一个重要问题，也是一个经典难题。因此对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视，也提山了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决。本文从图像分割的定义、应用等研究背景入手，深入介绍了目前各种经典的图像分割算法，并在此基础比较了各种算法的优缺点，总结了当前图像分割技术中所面临的挑战，最后展望了其未来值得努力的研究方向。 关键词：图像分割 阀值分割 边缘分割 区域分割 一、 引言 图像分割是图像从处理到分析的转变关键，也是一种基本的计算机视觉技术。通过图像的分割、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，因此它被称为连接低级视觉和高级视觉的桥梁和纽带。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其它伪目标中分离出来[1]。 图像分割可以形式化定义如下[2]：令有序集合表示图像区域(像素点集)，H 表示为具有相同性质的谓词，图像分割是把I 分割成为n 个区域记为Ri ，i=1，2，…，n ，满足： (1) 1,,,,n i i j i R I R R i j i j ===??≠ (2) (),1,2,,i i i n H R True ?== (3) () ,,,i j i j i j H R R False ?≠= 条件(1)表明分割区域要覆盖整个图像且各区域互不重叠，条件(2)表明每个区域都具有相同性质，条件(3)表明相邻的两个区域性质相异不能合并成一个区域。 自上世纪70年代起，图像分割一直受到人们的高度重视，其应用领域非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。主要表现在： 1)医学影像分析：通过图像分割将医学图像中的不同组织分成不同的区域，以便更好的

彩色图像分割介绍

第一章绪论 计算机图像处理在医学领域的应用越来越广泛，白细胞图像的自动判断就是其中的代表之一。它能有效地减少主观干扰，提高工作效率，减轻医生负担。近些年来，计算机硬件技术和光谱成像技术的飞速发展，使得成功研制开发出小型实用的基于多光谱的白细胞图像自动分类识别系统成为可能。 本文研究的主要目的在于对白细胞多光谱图像分割进行初步的探索研究，为系统中其后的白细胞能够准确地分类识别奠定基础。 本章简要阐述了基于多光谱的白细胞图像分割的应用背景和研究意义，回顾了国内外细胞图像分割和多光谱遥感图像分类的研究发展状况，并简要介绍了本论文的主要工作。 §1.1 概述 §1.1.1 白细胞检验 白细胞的光学显微镜检查是医院临床检验项目之一，特别是对各种血液病的诊断占有极其重要的地位。它的任务是观察或测定血液中的各种白细胞的总数、相对比值、形态等，用于判断有无疾病、疾病种类以及严重程度等，特别是对类似白血病这类血液病诊断具有更加重要的意义。 白细胞分类计数的传统方法是将血液制成涂片，染色后，临床医生在显微镜下用肉眼按照有关标准，如核的形状、细胞浆的量和颜色，细胞浆颗粒的大小和颜色，整个细胞形状、稀薄与细胞间的接触等，来观察和检查这样的细胞标本[1]。然而这项工作十分繁重，工作效率低，容易误判，且人工识别误差随检查人员而异。同时通过观察的细胞数目较少，从统计的角度看，因样本集较小而影响诊断结果的可靠性。 计算机图像处理与分析技术伴随着信息技术的不断进步在最近20年间得到了飞速的发展，已经迅速渗透到人类生活和社会发展的各个方面，这为智能化细胞分析仪代替人工方法提供了基础。因此，借助于现代计算机技术结合临床医生的实践经验，采用图像处理技术对图像进行处理，从而对细胞进行识别，对于医学科研与实践，以及临床诊断方面有着现实意义和非常广阔的前景。 目前已经制成的自动白细胞分析仪主要有两种类型： 一类是用组织化学染色法，通过连续流动的系统，以光电效应的方式分别数出单一细胞，并可同时报告白细胞总数、各类细胞的百分率和绝对值。因为该法不是由细胞形态学特点识别各类白细胞，所以不能目视观察白细胞形态，亦不能保留样本，对感染中毒细胞无法识别。 另一类是原型认定型，其工作原理模仿人“脑眼系统”[2]的智能识别过程，运用计算机图像处理和模式识别技术，将从显微镜与相机或摄像机得到的数字化图像进行自动处理分析和分类。与前一种类型的白细胞分类仪器相比，其主要优

彩色图像快速分割方法研究【开题报告】

毕业论文开题报告 电子信息工程 彩色图像快速分割方法研究 一、课题研究意义及现状 图像分割是一种重要的图像技术，不论是在理论研究还是实际应用中都得到了人们的广泛重视。图像分割是我们进行图像理解的基础，是图像处理中的难点之一，也是计算机视觉领域的一个重要研究内容。把图像划分为若干个有意义的区域的技术就是图像分割技术，被划分开的这些区域相互不相交，而且每个区域也必须满足特定区域的一致性条件。 彩色图像反映了物体的颜色信息，比灰度图像提供的信息更多，因此，彩色图像的分割得到了越来越多人的关注，彩色图像分割方法的研究具有很大的价值。彩色图像分割一直是彩色图像处理中一个很重要的问题，它可以看作是灰度图像分割技术在各种颜色空间上的应用。 目前，图像分割的主要方法有：基于区域生长的分割方法、基于边缘检测的分割方法、基于统计学理论的分割方法、基于小波变换法、基于模糊集合理论的方法等多种方法。其中，JSEG算法是一种基于区域生长的图像分割方法，它同时考虑了图像的颜色和纹理信息，分割结果较为准确，受到了广泛的关注。但是JSEG算法要在多个尺度下反复进行局部J值计算和区域生长，同时还要进行基于颜色直方图的区域合并，这样，该算法就显得更为繁琐、复杂。针对这些不足之处，有学者提出了一种结合分水岭与JSEG的图像分割新算法。这种新算法在计算得到图像J后，通过引入分水岭算法直接对J图进行空域分割，然后通过形态后处理完成分割。与原JSEG算法比较，新算法能够得到良好的分割效果，有效的降低了JSEG算法的复杂度。 国内外也有很多学者对彩色图像的分割方法进行研究，也提出了许多有价值的彩色图像分割算法及改进的彩色图像分割算法，而多种分割算法的结合使用也改进了单一算法的不足之处，使得彩色图像的分割结果更加理想。但是从目前对彩色图像的研究来看，由于应用领域的不同、图像质量的好与坏以及图像色彩的分布和结果等一些客观因素引起的差异，我们还没有找到一种能够完全适用于所有彩色图像分割的通用的算法。因此，彩色图像的分割方法仍是一个尚未解决的难题，还需要图像处理领域的研究人员进一步的研究探索。 本研究是对基于JSEG的改进彩色图像分割算法的研究，该算法能够有效降低原JSEG算法的复杂度，提高图像分割效率，在图像分割领域有很重要的意义。该算法是在原JSEG算法的基础上，引入了分水岭算法，降低了原算法的计算量，降低了图像分割时间。 二、课题研究的主要内容和预期目标 主要内容：

图像分割常用算法优缺点探析

图像分割常用算法优缺点探析 摘要图像分割是数字图像处理中的重要前期过程,是一项重要的图像分割技术,是图像处理中最基本的技术之一。本文着重介绍了图像分割的常用方法及每种方法中的常用算法,并比较了各自的优缺点,提出了一些改进建议,以期为人们在相关图像数据条件下,根据不同的应用范围选择分割算法时提供依据。 关键词图像分割算法综述 一、引言 图像分割决定了图像分析的最终成败。有效合理的图像分割能够为基于内容的图像检索、对象分析等抽象出十分有用的信息,从而使得更高层的图像理解成为可能。目前图像分割仍然是一个没有得到很好解决的问题,如何提高图像分割的质量得到国内外学者的广泛关注,仍是一个研究热点。 多年来人们对图像分割提出了不同的解释和表达,通俗易懂的定义则表述为:图像分割指的是把一幅图像分割成不同的区域,这些区域在某些图像特征,如边缘、纹理、颜色、亮度等方面是一致的或相似的。 二、几种常用的图像分割算法及其优缺点 (一)大津阈值分割法。 由Otsu于1978年提出大津阈值分割法又称为最大类间方差法。它是一种自动的非参数非监督的门限选取法。该方法的基本思路是选取的t的最佳阈值应当是使得不同类间的分离性最好。它的计算方法是首先计算基于直方图而得到的各分割特征值的发生概率,并以阈值变量t将分割特征值分为两类,然后求出每一类的类内方差及类间方差,选取使得类间方差最大,类内方差最小的t作为最佳阈值。 由于该方法计算简单,在一定条件下不受图像对比度与亮度变化的影响,被认为是阈值自动选取的最优方法。该方法的缺点在于,要求得最佳阈值,需要遍历灰度范围0—(L-1)内的所有像素并计算出方差,当计算量大时效率会很低。同时,在实际图像中,由于图像本身灰度分布以及噪声干扰等因素的影响,仅利用灰度直方

彩色图像分割的国内外研究现状

1．阈值分割方法 阈值分割方法的历史可追溯到近40年前，现已提出了大量算法，对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范闱之中的灰度阈值，然后将图像中各个象素的灰度值都与这个阈值相比较，并根据比较结果将对应的像素分为两类。这两类像素一般分属图像的两类区域，从而达到分割的目的。从该方法中可以看出，确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据图像木身的特点，可分为单阈值分割方法和多阈值分割方法;也可分为基于像素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位罝的阈值分割方法。若根据分割算法所有的特征或准则，还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松弛法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。 目前提出了许多新方法，如严学强等人提出了基于量化直方图的最大熵阈值处理算法，将直方图量化后采用最大熵阈值处理算法，使计算量大大减小。薛贵浩、帝毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法，从目标和背景的类间差异性出发，利用贝叶斯公式估计像素属于目标和背景两类区域的后验概率，再搜索这两类区域后验概率之间的最大交叉熵。这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能，取得很好的通用性和有效性，该算法也容易实现二维推广,即采用二维统计量(如散射图或共生矩阵)取代直方图,以提高分割的准确性。俞勇等人提出的基于最小能量的图像分割方法，运用了能量直方图来选取分割阈值。任明武等人提出的一种基于边缘模式的直方图构造新方法，使分割阈值受噪声和边缘的影响减少到最小。程杰提出的一种基于直方图的分割方法，该方法对Ostu准则的内在缺陷进行了改进,并运用对直方图的预处理及轮廓追踪，找出了最佳分割阈值。此方法对红外图像有很强的针对性。付忠良提出的基于图像差距度量的阈值选取方法，多次导出Ostu方法，得到了几种与Ostu类似的简单计算公式，使该方法特别适合需自动产生阈值的实时图像分析系统。华长发等人提出了一种基于二维熵阈值的图像分割快速算法，使传统二维阈值方法的复杂度从0(W2 S2)降至0(W2/3 S2/3)。赵雪松等人提出的综合全局二值化与边缘检测的图像方法，将全局二值化与边缘检测有效的结合起来，从而达到对信封图分割的理想效果。靳宏磊等人提出的二维灰度直方图的最佳分割方法，找到了一条最佳分割曲线，使该算法得到的分割效果明显优于一维直方图阈值方法。乐宁等人根据过渡区内象素点具有的邻域方向性特点，引入了基于一元线性回归处理的局部区域随机波动消除方法，将图像过渡区算法进行了改进。模糊技术及其日趋成熟的应用也正适应了大部分图像边缘模糊而难以分析的现状，赵初和王纯提出的模糊边缘检测方法能有效地将物体从背景中分离出来，并已在模式识别中的图像预处理和医学图像处理中获得了良好的应用。金立左、夏良正等提出图像分割的自适应模糊阈值法，利用目标一背景对比度自动选取窗宽的方法，并给出了根据目标与摄像机间的相对距离估计目标--背景对比度的算法，克服隶属函数的分布特性及其窗宽对阈值选取的不良影响。其应用于智能电视跟踪系统，对不同对比度和不同距离的海面舰船图像进行阈值分割，有较强的场景适应能力。王培珍、杜培明等人提出了一种用于多阈值图像自动分割的混合遗传算法，针对Papamarkes等提出爬山法的多阈值分割和Olivo提出子波变换的方法只对明显峰值有效而对不明显的峰值无效的缺点，以及结合模糊C-均值算法和遗传算法的两大显著特点而改进的算法，这种分割方法能够快速正

几种图像分割算法在CT图像分割上的实现和比较

第20卷第6期2000年12月北京理工大学学报JOurnaI Of Beijing InStitute Of TechnOIOgy VOI.20NO.6Dec.2000 文章编号21001-0645(2000)06-0720-05几种图像分割算法在CT 图像分割上的 实现和比较 杨 加19吴祈耀19田捷29杨骅2(1-北京理工大学电子工程系9北京1000 1;2-中国科学院自动化研究所9北京1000 0)摘要2对目前几种在图像分割领域得到较多应用的交互式分割 区域生长分割以及阈值 分割算法进行了探讨9并且结合实际CT 片图例分别进行分割实验研究9得到较为满意和 可用性强的结果.实验表明2阈值分割对于CT 切片的效果最好;区域生长分割适宜于对面 积不大的区域进行分割9分割效果较好;基于动态规划的交互式分割算法比较复杂9计算时 间较长9但对于边缘较平滑的区域9同样具有较好的实际效果.几种算法的评估为其在CT 图像分割上的实际应用提供了科学依据. 关键词2图像分割算法;CT 图像分割;交互式分割;阈值分割;区域生长分割 中图分类号2TN 911-73文献标识码2A 收稿日期220000625 基金项目2国家自然科学基金资助项目(69 43001);国家 63 计划项目作者简介2杨加9男91975年生9硕士生. 图像分割可以分解为两个任务9即识别(recOgnitiOn )和描绘(deIineatiOn ).识别的目的在于确定目标物体的大致位置并区别于图像中的其它物体;而描绘的任务在于精确定义和刻画图像中目标物体的区域或边缘的空间范围.人的识别能力通常强于计算机算法9另一方面9计算机算法的描绘能力则优于操作者(人).因此既能利用操作者强大的识别能力9又能利用计算机算法的描绘能力的交互式图像分割则越来越受到人们的关注.在医学领域中9图像分割是病变区域提取 特定组织测量以及实现三维重建的基础9因此图像分割技术在医学图像处理中具有十分重要的意义[1].作者探讨了3种目前在图像分割上得到较多实际应用的分割算法9并结合实际CT 片图例进行了实验研究9得到较为满意和可用性强的结果;最后对这几种方法进行了评估9为这些算法在CT 图像分割上的实际应用提供了科学依据. 1 交互式分割算法1-1基本理论及算法描述 动态规划方法最早应用于图像边缘跟踪[2].可以将图像边缘检测看作一个优化问题[3]9并将其表述为找出一目标函数V =V (I 19I 29I 39~9I H )的最优值M (如取最小值min )9得V 取最优值时的一组自变量值(I 19I 29I 39I 49~9I H 9).若变量离散9目标函数没有特定规律可循时9则该问题将包括一个极大的解空间.如果这个目标函数能够描述成如下形式2 V =V (I 19I 29I 39~9I N )=V 0(I 09I 1)+V 1(I 19I 2)+~+V H-1(I H-19I H )

彩色图像分割-RGB模型

成绩评定表学生姓名班级学号 专业电子信息工 程课程设计题目彩色图像分割程序设 计——RGB模型 评 语 组长签字： 成绩 日期201年月日

课程设计任务书 学院信息科学与工程专业电子信息工程 学生姓名班级学号 课程设计题目彩色图像分割程序设计——RGB模型 实践教学要求与任务： 本次课程设计中，主要任务是实现基于RGB模型的彩色图像分割的程序设计，对给定的彩色图像的颜色，使用RGB颜色模型，来对其进处理。 并且设计MATLAB程序，使其能完成输入图像便自动使用RGB 模型来进行图像分割。 工作计划与进度安排： 第一阶段（1-2天）：熟悉matlab编程环境，查阅相关资料； 第二阶段（2-3天）：算法设计； 第三阶段（2-3天）：编码与调试； 第四阶段（1-2天）：实验与分析； 第五阶段（1-2天）：编写文档。 指导教师： 201年月日专业负责人： 201年月日 学院教学副院长： 201年月日

Matlab是当今最优秀的科技应用软件之一，它一强大的科学计算与可视化功能，简单易用，开放式可扩展环境，特别是所附带的30多种面向不同领域工具箱支持，使得它在许多科学领域中成为计算机辅助设计与分析，算法研究和应用开发的基本工具盒首选平台在图像处理中，Matlab也得到了广泛的应用，例如图像变换，设计FIR滤波器，图像增强，四叉树分解，边缘检测，小波分析等等。不同的颜色空间在描述图像的颜色时侧重点不同。如RGB（红、绿、蓝三原色）颜色空间适用于彩色监视器和彩色摄象机，HSI（色调、饱和度、亮度）更符合人描述和解释颜色的方式（或称为HSV，色调、饱和度、亮度），CMY（青、深红、黄）、CMYK（青、深红、黄、黑）主要针对彩色打印机、复印机等，YIQ （亮度、色差、色差）是用于NTSC规定的电视系统格式，YUV（亮度、色差、色差）是用于PAL规定的电视系统格式，YCbCr（亮度单一要素、蓝色与参考值的差值、红色与参考值的差值）在数字影像中广泛应用。 彩色图像的处理有时需要将图像数据在不同的颜色空间中表示，因此，图像的颜色空间之间的转换成为一项有意义的工作。其中RGB在颜色空间转换中其关键作用，是各个空间转换的桥梁。Matlab中的颜色空间转换只涉及到了RGB、HSV、YCbCr、YIQ等，没有包含lαβ和其它颜色空间的转换。 关键字：Matlab；图像处理；RGB

彩色图像分割技术研究本科毕业论文

彩色图像分割技术研究本科毕业论文 目录 1. 引言 (1) 1.1．课题的研究背景和意义 (1) 1.2．彩色图像分割的现状 (2) 1.3．本文的容安排 (5) 2．彩色图像分割研究 (6) 2.1．数字图像处理概述 (6) 2.2．常用的颜色空间 (7) 2.3．彩色图像分割方法 (9) 2.3.1．阈值化方法 (10) 2.3.2．基于边缘的分割方法 (10) 2.3.3．基于区域的分割方法 (12) 3．无监督彩色图像分割 (13) 3.1．概述 (13) 3.2．颜色空间的转换 (14) 3.3．Sobel算子边缘提取 (15) 3.4．种子的选取 (16) 3.5．区域生长与合并 (17) 4．实验结果与分析 (18)

5．结论 (20) 参考文献 (21) 谢辞 (23)

1. 引言 1.1．课题的研究背景和意义 在人类所接收的信息中，有80%是来自视觉的图形信息，对获得的这些信息进行一定的加工处理也是目前一种广泛的需求，图像分割就是将图像中感兴趣的部分分割出来的技术。在图像分割的基础上，才能对目标进行特征提取和参数测量，使得更高层的图像分析和理解成为可能。因此，对图像分割的研究在图像处理领域具有非常重要的意义。 图像分割作为图像分析的基础，是图像分析过程中的关键步骤。图像分割，顾名思义是将图像按照一定的方法划分成不同的区域，使得同一区域像素之间具有一致性，不同区域间不具有这种一致性。 因为人眼对亮度具有适应性，即在一幅复杂图像的任何一点上只能识别几十种灰度级，但可以识别成千上万种颜色，所以许多情况下，单纯利用灰度信息无法从背景中提取出目标，还必须借助于色彩信息。由于彩色图像提供了比灰度图像更加丰富多彩的信息，因此随着计算机处理能力的提高，彩色图像处理正受到人们越来越多的关注。 自数字图像处理问世不久就开始了图像分割的研究，吸引了很多研究者为之付出了巨大的努力，在不同的领域也取得了很大的进展和成就，现在人们还一直在努力发展新的、更有潜力的算法，希望实现更通用、更完美的分割结果。目前，针对各种具体问题已经提出了许多不同的图像分割算法，对图像分割的效果也有很好的分析结论。但是，由于图像分割问题所面向领域的特殊性，而且问题本身具有一定的难度和复杂性，到目前为止还不存在一个通用的分割方法，也不存在一个判断分割是否成功

图像分割技术的原理及方法

浅析图像分割的原理及方法 一．研究背景及意义 研究背景： 随着人工智能的发展，机器人技术不断地应用到各个领域。信息技术的加入是智能机器人出现的必要前提。信息技术泛指包括通信技术、电子技术、信号处理技术等相关信息化技术的一大类技术。它的应用使得人们今天的生活发生了巨大变化。从手机到高清电视等家用电器设备出现使我们的生活越来越丰富多彩。在一些军用及民用领域近几年出现了一些诸如:图像制导、无人飞机、无人巡逻车、人脸识别、指纹识别、语音识别、车辆牌照识别、汉字识别、医学图像识别等高新技术。实现它们的核心就是图像处理、机器视觉、模式识别、智能控制、及机器人学等相关知识。其中图像处理具有重要地位。而图像分割技术是图像分析环节的关键技术。 研究图像分割技术的意义： 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，同时视觉信息是人类从自然界中获得信息的主要来源，约占人类获得外部世界信息量的80%以上。图像以视觉为基础通过观测系统直接获得客观世界的状态，它直接或间接地作用于人眼，反映的信息与人眼获得的信息一致，这决定了它和客观外界都是人类最主要的信息来源，图像处理也因此成为了人们研究的热点之一。人眼获得的信息是连续的图像，在实际应用中，为便于计算机等对图像进行处理，人们对连续图像进行采样和量化等处理，得到了计算机能够识别的数字图像。数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点，成为计算机视觉和图像处理的重要研究对象。在一幅图像中，人们往往只对其中的某些区域感兴趣，称之为前景，这些区域内的某些空间信息特性(如灰度、颜色、轮廓、纹理等)通常与周围背景之间存在差别。图像分割就是根据这些差异把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。在数字图像处理中，图像分割作为早期处理是一个非常重要的步骤。为便于研究图像分割，使其在实

彩色图像分割算法：Color Image Segmentation Based on Mean Shift and Normalized Cuts

Color Image Segmentation Based on Mean Shift and Normalized Cuts Wenbing Tao,Hai Jin,Senior Member,IEEE,and Yimin Zhang,Senior Member,IEEE Abstract—In this correspondence,we develop a novel approach that provides effective and robust segmentation of color images.By incor-porating the advantages of the mean shift(MS)segmentation and the normalized cut(Ncut)partitioning methods,the proposed method requires low computational complexity and is therefore very feasible for real-time image segmentation processing.It preprocesses an image by using the MS algorithm to form segmented regions that preserve the desirable discontinuity characteristics of the image.The segmented regions are then represented by using the graph structures,and the Ncut method is applied to perform globally optimized clustering.Because the number of the segmented regions is much smaller than that of the image pixels, the proposed method allows a low-dimensional image clustering with signi?cant reduction of the complexity compared to conventional graph-partitioning methods that are directly applied to the image pixels.In addition,the image clustering using the segmented regions,instead of the image pixels,also reduces the sensitivity to noise and results in enhanced image segmentation performance.Furthermore,to avoid some inappro-priate partitioning when considering every region as only one graph node, we develop an improved segmentation strategy using multiple child nodes for each region.The superiority of the proposed method is examined and demonstrated through a large number of experiments using color natural scene images. Index Terms—Color image segmentation,graph partitioning,mean shift (MS),normalized cut(Ncut). I.I NTRODUCTION Image segmentation is a process of dividing an image into different regions such that each region is nearly homogeneous,whereas the union of any two regions is not.It serves as a key in image analysis and pattern recognition and is a fundamental step toward low-level vision, which is signi?cant for object recognition and tracking,image re-trieval,face detection,and other computer-vision-related applications [1].Color images carry much more information than gray-level ones [24].In many pattern recognition and computer vision applications,the color information can be used to enhance the image analysis process and improve segmentation results compared to gray-scale-based ap-proaches.As a result,great efforts have been made in recent years to investigate segmentation of color images due to demanding needs. Existing image segmentation algorithms can be generally classi?ed into three major categories,i.e.,feature-space-based clustering,spa-tial segmentation,and graph-based approaches.Feature-space-based clustering approaches[12],[13]capture the global characteristics of the image through the selection and calculation of the image features, which are usually based on the color or texture.By using a speci?c distance measure that ignores the spatial information,the feature Manuscript received August3,2006;revised December10,2006.This work was supported by the National Natural Science Foundation of China under Grant60603024.This paper was recommended by Associate Editor I.Bloch. W.Tao and H.Jin are with the Cluster and Grid Computing Laboratory, School of Computer Science and Technology,Huazhong University of Science and Technology,Wuhan430074,China,and also with the Service Computing Technology and System Laboratory,School of Computer Science and Technol-ogy,Huazhong University of Science and Technology,Wuhan430074,China (e-mail:wenbingtao@https://www.docsj.com/doc/0c5640818.html,;hjin@https://www.docsj.com/doc/0c5640818.html,). Y.Zhang is with the Center for Advanced Communications,Villanova University,Villanova,PA19085USA(e-mail:yimin.zhang@https://www.docsj.com/doc/0c5640818.html,). Color versions of one or more of the?gures in this paper are available online at https://www.docsj.com/doc/0c5640818.html,. Digital Object Identi?er10.1109/TSMCB.2007.902249samples are handled as vectors,and the objective is to group them into compact,but well-separated clusters[7]. Although the data clustering approaches are ef?cient in?nding salient image features,they have some serious drawbacks as well.The spatial structure and the detailed edge information of an image are not preserved,and pixels from disconnected regions of the image may be grouped together if their feature spaces overlap.Given the importance of edge information,as well as the need to preserve the spatial relation-ship between the pixels on the image plane,there is a recent tendency to handle images in the spatial domain[11],[28].The spatial segmen-tation method is also referred to as region-based when it is based on region entities.The watershed algorithm[19]is an extensively used technique for this purpose.However,it may undesirably produce a very large number of small but quasi-homogenous regions.Therefore,some merging algorithm should be applied to these regions[20],[28]. Graph-based approaches can be regarded as image perceptual grouping and organization methods based on the fusion of the feature and spatial information.In such approaches,visual group is based on several key factors such as similarity,proximity,and continuation[3], [5],[21],[25].The common theme underlying these approaches is the formation of a weighted graph,where each vertex corresponds to n image pixel or a region,and the weight of each edge connecting two pixels or two regions represents the likelihood that they belong to the same segment.The weights are usually related to the color and texture features,as well as the spatial characteristic of the corresponding pixels or regions.A graph is partitioned into multiple components that minimize some cost function of the vertices in the components and/or the boundaries between those components.So far,several graph cut-based methods have been developed for image segmentations[8], [14],[22],[23],[27],[30],[31].For example,Shi and Malik[23] proposed a general image segmentation approach based on normalized cut(Ncut)by solving an eigensystem,and Wang and Siskind[8] developed an image-partitioning approach by using a complicated graph reduction.Besides graph-based approaches,there are also some other types of image segmentation approaches that mix the feature and spatial information[4],[29]. This correspondence concerns a Ncut method in a large scale. It has been empirically shown that the Ncut method can robustly generate balanced clusters and is superior to other spectral graph-partitioning methods,such as average cut and average association[23]. The Ncut method has been applied in video summarization,scene detection[17],and cluster-based image retrieval[18].However,image segmentation approaches based on Ncut,in general,require high computation complexity and,therefore,are not suitable for real-time processing[23].An ef?cient solution to this problem is to apply the graph representation strategy on the regions that are derived by some region segmentation method.For example,Makrogiannis et al.[20] developed an image segmentation method that incorporates region-based segmentation and graph-partitioning approaches.This method ?rst produces a set of oversegmented regions from an image by using the watershed algorithm,and a graph structure is then applied to represent the relationship between these regions. Not surprisingly,the overall segmentation performance of the region-based graph-partitioning approaches is sensitive to the region segmentation results and the graph grouping strategy.The inherent oversegmentation effect of the watershed algorithm used in[20]and [28]produces a large number of small but quasi-homogenous regions, which may lead to a loss in the salient features of the overall image and,therefore,yield performance degradation in the consequent region grouping. To overcome these problems,we propose in this correspondence a novel approach that provides effective and robust image segmentation 1083-4419/$25.00?2007IEEE