图像分割综述
摘要
图像分割是把图像划分为有意义的若干区域的图像处理技术，分割技术在辅助医学诊断及运动分析、结构分析等领域都有着重要的研究价值和广泛的应用发展前景。
在阅读大量文献的基础上，本文对图像分割技术的理论基础、发展历程及图像分割方法的热点、难点问题进行了分类综述，对不同分割算法优缺点进行了总结和归纳，并对图像分割的发展趋势进行了初步的展望和预测。在此基础上，为了对图像分割理论有更直观的认识，本文选取并行边界算法和分水岭算法这两种方法，用MATLAB软件进行了基础的仿真，并对结果进行了分析和总结，
本文重点对一些近年来新兴的算法，比如水平集（Level-set）算法、马尔科夫随机场算法（Markov）、模糊算法、遗传算法、数学形态学算法等进行了概略性的探讨，对这些新兴算法的特点、原理、研究动态进行了分析和总结。
关键词：图像分割；边界；区域；水平集；马尔科夫
Abstract
Image segmentation is an image processing technology that divides the image into a number of regions. Image segmentation has very important significance in supporting medical diagnosis, motion analysis, structural analysis and other fields.
Based on recent research, a survey on the theory and development of image segmentation, hot and difficult issues in image segmentation is given in this article. And describes the characteristics of each method as well as their respective advantages and disadvantages in image segmentation .This article introduces and analyzes some basic imaging and image segmentation methods in theory and describes the development trends of medical image segmentation. To have a better understanding of image segmentation, I use MATLAB software to stimulate on images about the parallel edge algorithms and watershed algorithm. And the analysis of the segmentation results is given in the article.
This article introduces and analyzes the new algorithms in recent years such as Level-set algorithm, Markov algorithm, Fuzzy algorithm, Genetic algorithm and Morphological algorithm. In this paper, the features, theory and research trends of these algorithms are analyzed and summarized.
Keywords: Image segmentation; Border; Area；Level-set；Markov
第1章引言
1.1 图像分割的背景和重要作用
图像是传达信息的一种方式，图像中含有大量的有用信息，理解图像并从图像中抽取信息以用来完成其他工作是数字图像技术中一个重要的
应用领域，而理解图像的第一步就是图像的分割。图像分割是对图像进行分析和理解的关键步骤，是数字图像处理中最重要和最基本的技术手段，是一种基本的计算机视觉技术，准确地对图像进行分割，对工程实践及量化分析都有重要的价值。其中，感兴趣目标的参数测量和特征提取等过程都是以图像分割为预处理的，图像的分割技术使得进一步的图像理解和应用成为可能。在实际工程中，研究者不是对图像的所有部分都感兴趣的，而图像分割的目的就是把图像空间分割成一些有意义的区域,从而把感兴
趣的区域提取出来，以便进行进一步的图像应用和处理，因此图像分割算法的研究有着重要的理论价值和实际意义。
图像分割技术在医学、军事工程等领域中都有着广泛的应用。图像分割技术可以便于对获得的各种定量定性的图像数据进行分析,使这些数据更好的应用到工程实践中。例如在医学上，随着影像医学技术在医学中的作用越来越大，图像分割在医学应用中具有特殊的重要意义，分割技术使得人们能够获得有效的医学图像信息。分割后的图像广泛应用于病变部位诊断、术前方案制定、术后监测等各个重要的环节。图像分割是一个经典难题，图像分割是提取数字图像中组织信息的关键步骤，图像分割技术的发展更是决定了数字图像处理中其它相关技术的发展。而如何找到科学、准确的分割方法，使分割后的图像具有良好的分割效果，从而具有非常广泛的应用，是分割方法研究领域的重点。本文综述和讨论了图像分割技术的应用，分割技术的发展趋势、研究热点及其图像分割的评价等问题, 并重点讨论了每类分割方法的原理、特点, 展望了医学图像分割的前景和面临的挑战。
1.2 本文的安排和结构框架
本文基于如下结构展开：
第二章中介绍了图像分割的基础性理论、发展历程及应用中存在的难
点问题；第三章中分析了图像分割算法的原理及特点，包括传统的分割算法和近年来新兴的分割算法，并分析了相关的研究动态；第四部分对并行边界算法和分水岭算法进行了MATLAB仿真，对仿真结果进行了分析和归纳；在第五章中进行了总结和展望，在这个部分，对上文进行了总结，并对图像分割的发展趋势和前景进行了简单的概括。
第2章 图像分割方法
本章中对图像分割的相关研究状况进行了总结，其中包括、图像分割的历史和分割算法等方面的内容，并重点对图像分割的方法进行了归纳和分析。
2.1 图像分割理论介绍
图像分割是指将图像分成具有不同特性的区域并提取出感兴趣目标的技术和过程，它是图像处理到图像分析的关键步骤，是一种基本的数字计算机视觉技术。图像分割的过程是将整个图像区域分割成若干个非空子区域，并且确保所分割后的每个子区域是内部连通的，并且不同子区域间无交叠的现象，同一区域的内部具有相同或相似的特性。即满足以下特点：
(1)图像分割的结果中所有子区域的总和应等于原图像；
(2)分割结果中各个子区域互不重叠；
(3)分割结果中同一子区域的任意两个像素在本子区域内是相互连通的。
(4)分割结果中同一子区域的像素具有相似性；
(5)分割结果中位于不同子区域的像素具有不同的特性。
待分割图像用R 来表示，图像被分割成若干部分，即12,,...n R R R ，其数学描述如下：
(1)R R i n
i ==1 ； (2)j i R R j i ≠?=?,
(3)i R 是连通的区域,n i ,...2,1=；
(4)TRUE R P n i i ==)(,,...2,1；
(5)FALSE R R P j i j i =?≠)(,;
图2-1 图像分割在数字图像技术中的位置
2.2 图像分割的发展过程
图像分割技术是一个从“手工分割”到“半自动分割”、“自动分割”的逐步发展的过程。早期的图像分割完全是靠人工来完成的，随着计算机技术的不断发展,半自动的分割方法随即应运而生，它是一种人机交互式的图像分割方法,它把操作者的主观能力和计算机高速的数据处理能力有机地结合起来，从而完成对图像的分割处理。与人工方法相比，半自动的分割方法大大减少了人的主观因素的影响,而且分割速度和精度都得到了提高，但操作者的经验和知识仍然是图像分割过程的一个重要组成部分。近年来，由于大量的新兴技术如模糊分割算法和遗传算法在图像分割领域中的应用，图像分割领域中也涌现出一些自动的分割技术，自动分割方法是由计算机实现图像分割的整个过程。近年来图像分割技术的发展重点是研究出实用的自动分割方法，并希望最终能够取代非常繁琐的人工分割和主观性很强的半自动分割。
近几年来，研究人员做了大量的工作，提出了很多实用的医学图像分割算法，本文将介绍几种传统的分割算法以及近几年提出的一些分割的新方法和新观念。
2.3 图像分割在应用发展中的难点
图像分割是提取图像中特殊组织的定量信息的不可或缺的途径和手段，同时也是三维可视化实现的前提和进行预处理的关键步骤。分割后的图像在实践中有着极其重要的作用，在组织容积的定量分析，病症诊断，
病变组织的定位等领域中有着很高的理论价值和实际意义，是实现集成化图像可视化系统中最基本的研究内容之一，是成功进行图像分析、理解与描述的至关重要的组成部分。
图像分割技术可以对图像数据进行更好的分析和处理，运动分析、结构分析、三维可视化等后续操作，以及图像引导手术以及治疗效果的评估等应用研究都是以图像分割为前提和基础的。而如何提供科学、便捷、准确的图像信息，并为其分析处理提供辅助性的建议，研究出更有效的图像分割方法成为人们的主要研究目标。因此，对图像分割相关原理的研究具有重要的实际意义和应用价值。
目前，图像分割技术仍然是制约数字图像处理中其它相关技术发展和应用的一个瓶颈。近些年来，图像分割领域中涌现出不少自动分割方法技术，虽然它们完全由计算机来实现图像分割的全部过程，脱离了人为的主观性干预，但算法复杂，计算量大，还存在很多亟待解决的问题。
图像分割是图像分析和处理中的一项重要技术,自20世纪70年代起一直受到人们的高度重视,至今已提出很多种分割算法。目前，现提出的很多分割算法大都是针对具体问题来说的，对于图像分割方法的选择, 在很大程度上取决于图像的成像方式以及成像过程中的人为因素和其他不可预测的因素。近年来，图像分割技术研究中的难点是实用的自动分割方法，原因在于图像本身所具有的复杂性和多样性。例如医学图像常表现为对比度低、组织特征可变、不同软组织之间或软组织与病灶之问边界模糊、形状结构和微细结构的分布复杂等特征，因此对研究自动分割技术造成了极大的困难。另外，在临床实践中，由于人体的解剖组织结构和形状非常复杂，并且人与人之间差异非常大，这就导致了分割中很大的不确定性。
由于图像中存在的噪音、偏移场效应(bias field effect)、和局部体效应(partial volume effect)等因素的影响，获取的图像不可避免的具有模糊、不均匀等特点。其中，局部体效应主要指一个像素内包含多个目标，这就加大了区分不同目标之间边界区分的难度，而噪声则会使得分割区域变得不连续，并且大部分非均匀场是由不均匀的扫描磁场造成的，这使得组织器官亮度在空间变化缓慢。
为了把握图像分割算法的性能,需要对各种算法进行分割效果评价。医学图像分割算法的评价应具有一般性、客观性和定量性。一般性是指该方
法应适用于多个分割算法的评价,客观性是指该方法不包含主观因素,定量性是指分割评价的结果是定量的。分割评价是改进和提高现有算法的性能，改善分割效果和指导新算法研究的重要手段。对于评价方法的分类，一般大致分为两大类[1]：一种是直接对分割算法的原理及效果进行评估的分析法，其缺点是没有考虑环境等空间因素的影响;另一种则是通过对分割结果进行测试、效果对比来进行评估的实验法。关于图像分割评价方法方面，实验法应用比较广泛，运用这类准则得到的评价标准也具有说服力，该评价准则主要包括：区域内部均匀性、区域间对比度、目标计数一致性、形状测度、像素数量误差、像素距离误差、最终测量精度等。
现在值得关注的是，对图像分割质量的评价还没有一个客观的方法，目前医学图像分割算法的评估仍需主观评价。由于图像的复杂性、多样性和图像分割理论的不完善性，人们还难以完全用客观的方法对图像分割方法进行评估。
第三章图像分割方法
3.1 图像处理领域中传统的图像分割方法
图像分割方法主要可分为基于区域的分割方法和基于边界的分割方法。基于区域的分割方法，依赖于图像的空间特征，例如灰度、像素统计特性的均匀性等。典型的基于区域的分割方法有阈值法、区域生长法、分裂合并等方法。
3.1.1 基于区域的分割方法
基于区域的分割方法是利用区域特征的相似性把图像划分为一系列感兴趣的区域。
1. 阈值法
阈值分割是一种最常见的并行分割方法，是以区分不同目标的灰度值为基础来进行分割的，是一种常见的直接对图像灰度信息阈值化处理的分割算法。阈值分割方法的结果很大程度上依赖于阈值的选取。
阈值分割可以分为局部阈值方法和全局阈值方法，全局阈值方法通过单一阈值将图像分割为目标和背景两个区域；局部阈值方法需要选取多个分割阈值，通过多个阈值将图像分割为多个目标区域和背景。阈值的个数和取值往往要根据实际图像的分割要求，由一些先验知识和实验统计数据来确定。
阈值法的优点是计算简单、运算速度比较快, 特别是目标与背景具有高对比度时, 能够得到很好的分割效果，阈值分割对于CT图像中骨骼和皮肤的分割效果比较好。缺点是对于目标与背景或目标之间灰度差异不明显的情况，或者目标与背景的灰度值范围有较大重叠的图像，则难以得到精确的分割结果，并且阈值法对噪声很敏感，原因是阈值法只考虑了像素本身灰度值的而没有考虑图像的空间信息。在实际医学图像处理过程中，阈值法不适用于MRI 和超声图像数据。
阈值分割中，阈值的选取是至关重要的问题。其中，应用Jaynes[2]提出的最大熵原理进行阈值选择是最重要的阈值分割方法之一。从信息论的角度来说，最大熵原理的基本思想是通过选择合适的阈值，可以获得的最大的信息量，从而对图像有更准确的认识，具有一定的实际意义。该方法可以提高分割的精度和准确度，但在实际应用中存在搜索空间大，收敛速度慢
的问题。
近年来，一些研究者提出了不同的阈值分割准则，比如局部阈值、模糊阈值, 随机阈值方法等，使得存在的问题得到了很大的改善。
2. 区域生长法
它是一种典型的串行区域分割算法，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像素，然后依次将种子像素周围的相似像素合并到种子像素所在的区域中。区域生长的好坏决定于以下三个方面:
(1)初始点（种子点）的选取;
(2)生长准则;
(3)终止准则。
区域生长法简单，特别适用于分割小的结构，效果明显，比如肿瘤和伤疤；如果对面积较大的区域进行分割, 则计算速度就会减慢很多，分割效率比较低。
3.1.2 基于边界的分割方法
物体边缘是以图像的局部特征不连续的形式出现的，即是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等。利用不连续性检测出边缘，从而达到实现图像的分割目的。基于边界的分割主要分为两类：串行边缘检测（边界跟踪）和并行边缘检测。
1. 串行边缘检测：
根据某种相似性搜索准则顺序的搜索边缘点来进行检测，这种边缘检测的方法即为边缘跟踪（串行边缘检测）。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。串行边缘检测[2]一般有三个步骤：
(1)起始边缘点的确定；
(2)搜索准则，即根据这个准则确定下一个边缘点；
(3)终止条件，设定搜索结束的条件。
一般分割步骤如下：
(1)逐行逐列扫描，行扫描的方向为从下到上，列扫描的方向为从左到右。当扫描到白点时，就以白点(,)
p x y作为初始点，其中方向0为默认跟踪方向，
o o o
如图3-1所示。以初始点(,)
p x y进行跟踪时，有以下两种情况：
o o o
a.当在目前方向上跟踪到白点时，则将跟踪方向沿逆时针旋转90o;
b.该方向上跟踪不到白点，则将跟踪方向顺时针旋转45o 。
(2)假定跟踪到点(,)n
n n p x y ，继续跟踪时各个方向上都找不到白点或跟踪回到起始点时，则视为初始点(,)o o o p x y 的边界跟踪结束于点(,)n
n n p x y ,即结束当前跟踪。
(3)反复进行以上两个步骤，直到找到所有的边界点。
2. 并行边缘检测
利用图像的梯度信息进行分割，对图像上每一点的处理不依赖其他点的处理结果，同时可在每个像素上进行像素点是否为边缘点的检测, 因而可以大大加快搜索检测的时间。
物体边界是以图像的局部特征不连续的形式出现的，即是指图像局部亮度变化最显著的部分。例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。物体的边缘指图像中发生光强度突变的部分, 亦即物体边缘像素与相邻区域的像素在灰度级上相比, 具有跳跃的特性, 这是一般的边缘检测算法的依据。
利用边缘检测来分割图像，其基本思想就是先检测图像中的边缘点，再按照某种策略将边沿点连接成轮廓，从而构成分割区域。
图像中两个具有不同灰度值的相邻区域之间总存在灰度边缘,即存在着灰度值不连续的情况，这种不连续常可利用导数运算来进行检测，而导数可用微分算子来计算, 并行边缘检测常常借助于空间域微分算子进行图像分割，通过将其模板与图像进行卷积的运算来完成。并行边缘检测一般作为图像预处理的一种方法，应用比较广泛的一阶微分算子有Prewitt 算子、Roberts 算子和Sobel 算子，二阶微分算子有Laplace 算子，还有Kirsch [3]算子和Wallis 算子等非线性算子。
不同的微分算子分割效果不同，下面对几种基本的微分算子进行说明： Canny 算子：Canny 算子对阶跃型边缘的图像分割效果好，它能在噪声抑制和边缘检测之间取得较好的平衡。
Roberts 算子：边缘定位准，但是对噪声敏感。适用于边缘明显且噪声较少的图像分割。
Log 算子：Log 算子简单方便，并且它能较好地解决空域和频域最优化之间的矛盾。算法简单，速度快、但对噪声比较敏感，抗噪性能一般。
不同的微分算子的性能不同，对图像的分割效果也不同，以脑部肿瘤
MR图像为例，下面是两种不同微分算子的提取效果：
图3-1 MR脑部肿瘤图像
(a) log算子(b) canny算子
图3-2微分算子不同的分割效果
3.2 近年新兴的医学图像分割技术
3.2.1 基于模糊技术分割
模糊技术是建立在模糊集合理论基础上的图像分割方法,能很好地处
理三维医学图像内在的不确定性和模糊性,而且对噪声不敏感。由生物医
学成像设备获取的图像数据具有内在的不确定性,这种不确定性的程度依赖于许多因素,包括在空间、时间和参数分辨率方面的局限性以及成像设
备的其它物理特性方面的限制等。这些不确定性是使得模糊技术在图像分
割中得到广泛应用的一个决定性的因素，目前模糊聚类分割是分割MR图像比较好的方法之一。
模糊C—均值(FCM)[4]图像分割技术是一种无监督(Unsupervised)模糊
聚类后的标定分割过程,非常适合于医学图像中存在的不确定性和模糊性，因此模糊C —均值(FCM)聚类技术的应用最为广泛。最近的研究热点是快
速模糊分割(FFCM)[5]，快速模糊分割算法在传统模糊分割算法初始化方面
进行了改进，使得分割性能得到了很到提高。
3.2.2 基于人工神经网路的分割
神经网络方法[6]分割图像的思想是用训练样本集对神经网络进行训练以确定节点间的连接和权值,再用训练好的神经网络分割新的图像数据。神
经方法需要大量的训练数据，网络内存在大量的连接, 容易引入空间信息,
能够很好地处理图像中的噪声和不均匀问题，对与这种算法来说，选择何种网络结构是个至关重要的问题。
神经网络分割方法已经成功地应用于MR、CT和X-ray图像的分割。目
前,该方法技术应用的一个显著特点是它与模糊技术的结合,比如模糊神经网络、混沌神经网络等。
3.2.3 基于遗传算法的分割
遗传算法[7]是一种借鉴生物界自然选择和生物种群遗传机制的随机化搜索
算法, 其基本思想是模拟由一些基因控制的生物群体的进化过程, 然后把
该过程的原理应用到搜索算法当中, 以提高寻优的速度和质量，它是在种
群中而不是单点上进行寻优,它在求解过程中使用的是遗传操作规则而不
是确定性的规则，它是一种简单、具有鲁棒性和广泛适用性的并行搜索方法。
近年来，遗传算法在医学应用领域得到了很大的发展，例如John O.
Glass 等将神经网络分割法用于儿科急性成淋巴细胞性白血病的脑白质病MRI 图像分析,发展了该领域的计算机辅助诊断。但遗传算法擅长于全局搜索,但局部搜索能力不足,所以常把遗传算法和其它算法结合起来应用。
3.2.4 水平集算法
水平集方法是在20世纪90年代中期，由Berkeley 大学数学系首先提出来的分割方法，是研究封闭运动界面随时间演化过程中几何拓扑变化过程中一种有效的处理工具。水平集分割方法的基本思想是将平面闭合曲线隐含地表达为高一维的曲面函数的水平集，即具有相同函数值的点集，将移动的界面作为零水平集嵌入高一维的水平集函数中，这样由闭合曲面的演化方程就可得到水平集函数的演化方程，而嵌入的闭合曲面就是其零水平集
[8]，只要确定零水平集即可确定移动界面演化的结果。
水平集函数的演变函数可以用下面的广义形式来表示：
? ||0G t
???+?=? (3-1) 其中目标轮廓曲线即零水平集函数表示如下：
(){|(,)0}t x x y ?Γ== (3-2) ??表示水平集函数的梯度范围，G 为曲面法线方向上的速度函数，控制着曲线的运动，应用Level-Set 方法进行边界轮廓提取的关键步骤是根据实际问题的需要来选取合适的速度函数G 。
Level-set 算法可以把具有相当复杂的物体边界分割出来，特别是在处理具有复杂外形的医学图像时，它的优点更加突出,该算法已在医学图像处理领域中得到了非常广泛的应用。Level-set 算法是基于图像的性质和亮度的变化来进行应用的，但是它不要求图像具有高对比度而且分割效率很高，运算速度很快，而传统Level -set 算法的需要重新初始化的缺点也被克服了。Level-set 算法的实验结果较准确，速度快，是图像分割方法中的优秀算法。
3.2.5 马尔科夫随机场方法
马尔科夫随机场方法[9](Markov Random Field ，简称MRF)是从统计学出发的图像分割方法，统计学分割方法的基本思想是把图像中的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。
(())I H S n ?=⊕ (3-3)
我们把待分割的图像看作是对实际物体做了某种变换并加入噪声的结果，公式(3-3)[3]中，S 是实际物体，?是非线性变换，n 是噪声。图像分割的过程就是从I 得到S 的过程，即获得以最大的概率得到该图像的物体组合。
Markov 随机场是一种描述元素间相互依赖性的数学模型，这种依赖性指的是一个像素可以由它周围的像素确定，它能简洁合理地刻画图像像素的空间相关性，是图像分割应用中备受关注的一种建模方法，MRF 模型能够区分不同的纹理分布,特别适用于纹理图像的分割。Markov 方法在医学图像分割领域得到了广泛的应用，由于MRF 模型对噪声图像具有很好的抗噪性，因此在脑部MR 图像的分割方面效果很好，MRF 模型常被用于校正和估计核磁共振图像中的局部体效应和不均匀现象。
马尔科夫随机场的基本原理是用条件概率描述图像的数据分布信息，该条件概率与像素点的位置无关，只是取决于该点邻域的相关信息。下面简单介绍一下MRF 原理。
图像是由对应于像素点的有限集合L 组成的，{1,2,...}N ?=是图像所包含的类别集，{|}l X x l L =∈表示图像分割的结果，其中l x ∈?。
于是马尔科夫场有如下定义：“X 是一个马尔科夫场，则在某个位置上的局部条件概率只随着所考虑的位置的邻域状态变化而变化。”
设图像中某个位置l ，对应于一个随机变量X l ，它取值于标识空间l ，位置l 的灰度l x 是X l 一个实现。
,(|)(|)l l l l l t L p X x x p X x x t δ===∈ (3-4) 其中t x 是领域δ(l )的元素。
根据Hamersley-Clifford [10]定理，Gibbs 分布与MRF 的等价关系，从而用Gibbs 分布来求解MRF 中的概率分布。邻域系统的Gibbs 分布是定义在Q 上的概率测度P ，具有如下表达形式：
z x U x X p /)](exp[)(-== (3-5) 式中∑-=))(exp(x U Z 是归一化常数，∑=)()(x V x U c 称为能量函数，在图像处理中，研究先验模型通常转换为研究能量函数。()c V x 是定义在势团c 上的势函数，它只依赖于δ(l )，l c ∈的值，因此，关于邻域系统 δ(l )的MRF 与Gibbs 分布等价形式表示为：
(|())exp[((|))]/l r c l r p x x r l V x x Z δ∈=-∑ (3-6)
式(3-5)解决了MRF 中概率分布的难题，把对MRF 的研究转化为对势函数()c V x 的研究，建立了Gibbs 分布与能量函数的等价关系，是研究邻域
系统的一个重要里程碑。随之在图象分割领域，MRF模型被逐渐地改进，从单个MRF变为双MRF，后来又发展为分层MRF模型,在不断的发展过程中，MRF算法的复杂度更低，分割效果更准确。
3.2.6 基于数学形态学方法
数学形态学起源于对于岩石结构的描述工作，近年来在数字图像处理中得到了广泛的应用，形成了一种独特的数字图像分析的方法和理论。数学形态学是建立在积分几何和随机集理论基础上的算法。它的应用可以简化图像数据，保持它们的基本形状特性，并除去不相干的结构，以达到提取感兴趣目标的目的。利用数学形态学进行图像处理的基本思想是：用具有一定形状的结构元素探测目标图像，通过检验其在图像目标区域中的可填充性和可放性，来获取有关图像形态结构的相关信息，可以进行形态滤波、增强、边缘检测等图像操作，进而达到图像处理和分析的目的。
腐蚀和膨胀及其不同的逻辑组合所形成的开、闭运算是数学形态学中常用的逻辑操作。
腐蚀和膨胀运算：
B
}
=
?(3-7)
x
A x?
B
)
(|
{A
⊕A
=
A x(3-8)
B
x
B
)
}
?
(|
{?
≠
其中，A为图像矩阵，B为结构元素矩阵,()x
B表示B的原点平移到(x,y) 公式(3-7)表示A被B的腐蚀,腐蚀后的图像满足以下条件：
如果B的原点平移到(x,y)，那么B 将完全包含在A中。
公式(3-8)表示A被B膨胀，膨胀后的图像满足以下条件：
如果B的原点平移到(x,y)，那么B与A的交集为非空。
开运算和闭运算：
A⊕
=)
(
(3-9)
?
B
B
B
A
=
?)
((3-10)
A?
⊕
B
B
A
B
开运算可以滤掉比结构元素小的噪声、斑点，断开狭长连接的作用,而闭运算则具有平滑边界，填充小的洞或缺口，连接狭窄缺口的作用。利用开闭运算可以对图像进行形态学滤波，形态学滤波的优点是能有效地去除目标背景中的噪声并且滤波器能很好地保持目标的形状、尺寸、特定的拓扑结构等特性。
数学形态学算法提供了并行的，具有良好抗噪性的图像分割技术，它
不仅能够得到图像中各种几何参数的间接测量，而且适合于对图像的随机性质进行描述，其中，比较有代表性的是Luc Vineent等人提出的分水岭算法。
分水岭算法[11]是一种借鉴了形态学[12]理论的分割方法，在这种方法中，将一幅图像看成一个拓扑地形图，其中灰度值(,)
g x y对应地形的高度值，低灰度值对应着山谷，高灰度值则对应着山峰。我们知道，水总是朝地势低的地方流动，直到某一个局部低洼处才会停下来，这个低洼处就被称为吸水盆地，最终所有的水会分聚在不同的吸水盆地，吸水盆地之间的山脉就被称为分水岭。这种想法应用于图像分割，就是要在灰度图像中找出不同的吸水盆地和分水岭，由这些不同的吸水盆地和分水岭组成的区域即为我们要寻找的感兴趣的区域。
分水岭算法简单、直观，能够得到精确的边缘，能够进行并行处理，并且可以得到完全、连续、封闭、单像素宽的边缘。作为已经发展起来的数学形态学图像分割方法，它在以下三个方面存在优点：
(1)是其计算速度较快；
(2)是物体轮廓线的封闭性；
(3)是定位的精确性。
但分水岭也存在以下方面的缺陷：
(1)对噪声特别敏感;
(2)容易产生过分割的现象,由于受到噪声和区域内部细密纹理的影响,
算法检测的局部极值过多,这就导致过度分割的情况出现;
(3)对低对比度图像易丢失重要轮廓。
第4章 图像分割仿真及结果分析
为了对图像分割有更直观的认识，对图像分割算法的应用过程有更清晰的了解，本文在这个部分选取并行边界算法和以形态学为基础的分水岭算法进行了MATLAB 软件仿真，仿真结果如下。
4.1 分水岭算法
根据上述分析，为了得到较好的感兴趣区域图像,可采用如下步骤实现分水岭分割：1.读取图像；2.选择合适的结构元素；3.得出图像的高帽变换图、低帽变换图，从而得到对象间的间隙增大效果图；4.转化感兴趣区域效果图；5选取适当的形态学阈值对图像进行分割。
实验结果：
本文根据以上算法步骤，应用于下面的灰度图像中，灰度级为0～255,采用MATLAB 软件编程实现，准确提取了感兴趣的目标区域。
具体选取15×15尺度圆盘结构元素，原图依次经过：图像增强——感兴趣对象转换——阈值为60的分水岭阈值分割，提取出目标——分水岭变换——提取特征矩阵。结果如下：
(a) 原图像 (b) 增强对比度后
原始图
像增强后图像
(c) 感兴趣对象转换 (d) 分水岭阈值分割后
(e) 分水岭变换后
图4-1 分水岭算法的分割结果
图4-1(b)显示的是增强对比度后的图像，可以看出，图像中目标与背景的对比更加突出和明显。然后，对图像进行感兴趣对象转换的操作，即对图像取反，结果如图4-1(c)所示，图中灰度值较低的区域就就是我们想要获得的目标区域。图4-1(d)是经过分水岭阈值分割后的图像，图像中去除了一些我们不感兴趣的背景区域。由图4-1(e)的结果可以看出，目标区域轮廓清晰，分割过程完成。
Watershed 函数返回一个包含非负元素的标签矩阵，该矩阵与分水岭区域相对应，不在分水岭区域的像素其灰度值将全部设置为零。若需要很好的可视化标签矩阵，则可以将标签矩阵转化为颜色矩阵，结果如图4-1(e)。
在进行分水岭变换后，从标签矩阵中提取面积、方向特征，得到特征矩阵为：
转换
后
分水岭变换后
图4-2 特征矩阵 4.2 并行边缘检测
并行边缘检测是一种基本的图像分割算法，其算法步骤比较简单，其基本过程如下：(1)用微分算子对原图进行边界提取；(2)创建结构元素，填充缝隙；(3)膨胀操作；(4)平滑操作；(5)对提取出来的目标边界进行标记。 仿真结果如下：
(a) 原图像 (b) log 提取后
图像分割方法综述
图像分割方法综述
图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点，本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering
analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方
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
医学图像分割方法综述
医学图像分割方法综述 林瑶，田捷1 北京,中国科学院自动化研究所人工智能实验室,100080 摘要: 图像分割是一个经典难题，随着影像医学的发展，图像分割在医学应用中具有特殊的重要意义。本文从医学应用的角度出发，对医学图像分割方法，特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述，最后总结了医学图像分割方法的研究特点。 关键词：医学图像分割 综述 1．背景介绍 医学图像包括CT 、正电子放射层析成像技术（PET ）、单光子辐射断层摄像（SPECT ）、MRI （磁共振成像技术）、Ultrasound （超声）及其它医学影像设备所获得的图像。随着影像医学在临床医学的成功应用，图像分割在影像医学中发挥着越来越大的作用[1]。图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前提。分割后的图像正被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位，解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导手术[2]。 所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。 定义 将一幅图像，其中g x y (,)0≤≤x Max x _,0≤≤y Max y _，进行分割就是将图像划分为满足如下条件的子区域...： g 1g 2g 3 (a) ，即所有子区域组成了整幅图像。 (b) 是连通的区域。 g k (c) ，即任意两个子区域不存在公共元素。 (d) 区域满足一定的均一性条件。均一性（或相似性）一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。 g k 如果连通性的约束被取消，那么对像素集的划分就称为分类（pixel classification），每一个像素集称为类（class）。在下面的叙述中，为了简单，我们将经典的分割和像素分类通称为分割。 医学图像分割到今天仍然没有获得解决，一个重要的原因是医学图像的复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像比较，不可避免的具有模糊、不均匀性等特点。另外，人体的解剖组织结构和形状复杂，而且人与人之间有相当大的差别。这些都给医学图像分割的分割带来了困难。传统的分割技术或者完全失败，或者需要一些特殊的处理技术。因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。 为了解决医学图像的分割问题，近几年来，很多研究人员做了大量的工作，提出了很多实用的分割算法[2][3][4]，随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论等在图像分割中的应用日渐广泛，遗传算法、尺度空间、多分辨率方法、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，国内外学者提出了不少有针对性的好分割方法。本文将主要介绍近几年这一领域中研究人员提出的新方法或对原有方法的新改进。需要指出的是，由于从不同的角度将得到不同的分类结果，本文中所涉及方法的分类并不是绝对的，而且许多分割方法还是多种简单方法的综合体，我们只能大致将它们分为属于最能反映其特点 1x x g N k k =),(),(y g y =∪φ=(y y g j k ∩),(),x g x 1 联系人：田捷 电话：82618465 E-mail:tian@https://www.docsj.com/doc/8f11429654.html,
图像分割技术与MATLAB仿真
中南民族大学 毕业论文(设计) 学院: 计算机科学学院 专业: 自动化年级:2012 题目: 图像分割技术与MATLAB仿真 学生姓名: 高宇成学号:2012213353 指导教师姓名: 王黎职称: 讲师 2012年5月10日
中南民族大学本科毕业论文（设计）原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名：年月日
目录 摘要 (1) Abstract (1) 引言 (3) 1 图像分割技术 (3) 1.1 图像工程与图像分割 (3) 1.2 图像分割的方法分类 (4) 2 图像分割技术算法综述 (5) 2.1 基于阈值的图像分割技术 (5) 2.2边缘检测法 (5) 2.3 区域分割法 (7) 2.4 基于水平集的分割方法 (8) 2.5 分割算法对比表格 (8) 3基于水平集的图像分割 (9) 3.1 水平集方法简介 (9) 3.2 水平集方法在图像分割上的应用 (9) 3.3 仿真算法介绍 (10) 3.4 实验仿真及其结果 (11) 结论 (18) 致谢 (19) 参考文献 (19)
图像分割技术研究及MATLAB仿真 摘要：作为一项热门的计算机科学技术，图像分割技术已经在我们生活中越来越普及。顾 名思义这项技术的目的就是，将目标图像从背景图像中分离出去。由于这些被分割的图像区域在某些属性上很相近，因此图像分割与模式识别以及图像压缩编码有着密不可分的关系。完成图像分割所采用的方法各式各样，所应用的原理也不同。但他们的最终目的都是把图像中性质相似的某些区域归为一类，把性质差异明显的不同区域分割开来。通常在分割完成之后，我们就要对某些特定区域进行分析、计算、评估等操作，因而分割质量的好坏直接影响到了下一步的图像处理[1]，因此图像分割是图像处理的一个关键步奏。图像分割技术在各个领域都有着及其重要的意义；在工业上有卫星遥感，工业过程控制监测等等；在医学方面，水平集的分割方法还可以通过医学成像帮助医生识别模糊的病变区域；在模式识别领域还可应用到指纹扫描、手写识别、车牌号识别等等。 本课题的研究内容是对图像分割技术的几种常用的方法进行综述和比较，并基于其中一种方法进行MATLAB仿真测试，给出性能分析比较结果。 关键字：图像分割，MA TLAB仿真，模式识别 Image Segmentation and Matlab Simulation Abstract:Image segmentation is to image representation for the physically meaningful regional connectivity set, namely according to the prior knowledge of target and background, we on the image of target and background of labeling and localization, then separate the object from the background. Because these segmented image regions are very similar in some properties, image segmentation is often used for pattern recognition and image understanding and image compression and coding of two major categories. Because the generated in the segmented region is a kind of image content representation, it is the image of visual analysis and pattern recognition based and segmentation results of quality of image analysis, recognition and interpretation of quality has a direct impact. Image segmentation it is according to certain features of the image (such as gray level, spectrum, texture, etc.) to a complete picture of the image is segmented into several meaningful area. These features made in a certain region of consistent or similar, and between different regions showed significantly different. Image segmentation technology in various fields have most of the field and its important significance in digital image processing, image segmentation has a wide range of applications, such as industrial automation, process control, online product inspection, image coding, document image processing, remote sensing and medical image analysis, security surveillance, as well as military, sports and other aspects. In medical image processing and analysis, image segmentation for body occurrence of three-dimensional display of the diseased organ or lesion location determination and analysis plays an effective role in counseling; in the analysis and application of road traffic conditions,
关于三维图像目标识别文献综述
关于三维目标识别的文献综述 前言： 随着计算机技术和现代信息处理技术的快速发展，目标识别已经迅速发展成为一种重要的工具与手段，目标识别是指一个特殊目标（或一种类型的目标）从其它目标（或其它类型的目标）中被区分出来的过程。它既包括两个非常相似目标的识别，也包括一种类型的目标同其他类型目标的识别。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。它属于模式识别的范畴，也可以狭义的理解为图像识别。三维目标识别是以物体表面朝向的三维信息来识别完整的三维物体模型目标识别需要综合运用计算机科学、模式识别、机器视觉以及图像理解等学科知识。目标识别技术已广泛应用于国民经济、空间技术和国防等领域。 正文： 图像识别总的来说主要包括目标图像特征提取和分类两个方面。但是一般情况下，图像受各种因素影响，与真实物体有较大的差别，这样，就需要经过预处理、图像分割、特征提取、分析、匹配识别等一系列过程才能完成整个识别过程。 目前，最主流的三种三维物体识别研究思路是： 1)基于模型或几何的方法；
2)基于外观或视图的方法； 3)基于局部特征匹配的方法； 一、基于模型或几何的方法： 这种方法所识别的目标是已知的，原理就是利用传感器获得真实目标的三维信息并对信息进行分析处理，得到一种表面、边界及连接关系的描述，这里，三维物体识别中有两类最经常使用的传感器：灰度传感器和深度传感器，前者获取图像的每个像素点对应于一个亮度测量，而后者对应于从传感器到可视物体表面的距离；另一方面，利用CAD建立目标的几何模型，对模型的表面、边界及连接关系进行完整的描述。然后把这两种描述加以匹配就可以来识别三维物体。其流程如下图所示： 传感器数据获取过程，就是从现实生活中的真实物体中产生待识别的模型。分析/建模过程，是对传感器数据进行处理，从中提取与目标有关的独立应用特征。模型库的建立一般式在识别过程之前，即首先根据物体的某些特定特征建立一些关系以及将这些信息汇总成一个库。在模型匹配过程，系统通过从图像中抽取出的物体关系属性图，把物体描述与模型描述通过某种匹配算法进行比较、分析，最终得到与物体最相似的一种描述，从而确定物体的类型和空间位置。 基于模型的三维物体识别，需要着重解决以下4个问题：
图像处理文献综述
文献综述 1.1理论背景 数字图像中的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础，图像处理和分析的第一步往往就是边缘检测。 物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点，图像边缘可分为阶跃型、房顶型和凸缘型。 1.2、图像边缘检测技术研究的目的和意义 数字图像边缘检测是伴随着计算机发展起来的一门新兴学科，随着计算机硬件、软件的高度发展，数字图像边缘检测也在生活中的各个领域得到了广泛的应用。边缘检测技术是图像边缘检测和计算机视觉等领域最基本的技术，如何快速、精确的提取图像边缘信息一直是国内外研究的热点，然而边缘检测也是图像处理中的一个难题。 首先要研究图像边缘检测，就要先研究图像去噪和图像锐化。前者是为了得到飞更真实的图像，排除外界的干扰，后者则是为我们的边缘检测提供图像特征更加明显的图片，即加大图像特征。两者虽然在图像边缘检测中都有重要地位，但本次研究主要是针对图像边缘检测的研究，我们最终所要达到的目的是为了处理速度更快，图像特征识别更准确。早期的经典算法有边缘算子法、曲面拟合法、模版匹配法、门限化法等。 早在1959年Julez就曾提及边缘检测技术，Roberts则于1965年开始了最早期的系统研究，从此有关边缘检测的理论方法不断涌现并推陈出新。边缘检测最开始都是使用一些经验性的方法，如利用梯度等微分算子或特征模板对图像进行卷积运算，然而由于这些方法普遍存在一些明显的缺陷，导致其检测结果并不
数字图像目标分割与提取研究背景意义目的与现状
数字图像目标分割与提取研究背景意义目的与现状 1 背景 数字图像目标分割与提取是数字图像处理和计算机视觉领域中一个备受关注的研究分支。因为在目标分割与提取过程中可以利用大量的数字图像处理的方法，加上其在计算机视觉、模式识别等领域中的广泛应用，都吸引了众多研究者的注意。相信对这一问题的深入研究不仅会不断完善对这一问题的解决，而且必将推动模式识别、计算机视觉、人工智能等计算机科学分支的发展。图像分割和边缘检测的问题在近二十年中得到了广泛的关注和长足的发展，国内外很多研究人士提出了很多方法，在不同的领域取得了一定的成果。但是对于寻找一种能够普遍适用于各种复杂情况的准确率很高的分割和检测算法，还有很大的探索空间。边缘提取和分割是图像分析的经典研究课题之一，目前的理论和方法仍存在许多不足之处，仍在不断改进和发展。 由于图像的多义性和复杂性，许多分割的工作无法依靠计算机自动完成，而手工分割又存在工作量大，定位不准确的难题，因此，人们提出了一些人工交互和计算机自动定位相结合的方法，利用各自的优势，实现目标轮廓的快速定位。相信这些交互式方法的应用，必将推动图像目标分割与提取这一既具有广阔的应用前景又具有重要的学术价值的课题的进一步研究，也必将成为一个更为独立和活跃的研究领域[1]。近年来，DSP技术的发展不断将数字信号处理领域的理论研究成果应用到实际系统中，并且推动了新的理论和应用领域的发展，对图像处理等领域的技术发展也起到了十分重要的推动作用。基于DSP的图像处理系统也被广泛的应用于各种领域。 从图像处理技术的发展来看，实时性在实际中有着广泛的应用。实时图像处理系统设计的难点是如何在有限的时间内完成大量图像数据的处理。因为要对图像进行实时处理,所以为了实现实时和快速,高效的处理,在这个系统中要求我们的图像处理速度要达到一定的速度，而图像处理的速度是由算法的执行时间、视频输入输出延迟以及外部数据存储器与DSP的数据交换效率等因素决定。算法执行时间与CPU 速度有关;图像处理的速度既图像处理所要用的时间，它主要是由算法决定的。算法执行的指令的多少决定了处理速度。而图像的处理的算法包含有大量的算法指令，为了快速的处理大数据量的多媒体信息，特别是活动图像信息，同时又能灵活的支持多种不同的应用，DSP的应用势在必行。相比于通用的DSP，用于多媒体应用的专用DSP集成了许多专用模块，这些模块用硬件加速很多通用的多媒体方面的大量算法明晰的处理、实时性强等要求.由于图像处理的数据量大，数据处理相关性高，实时的应用环境决定严格的帧、场时间限制，因此实时图像处理系统必须具有强大的运算能力。各种高性能DSP不仅
医学图像分割综述
医学图像分割综述郭爱心安徽大学摘要：图像分割是图像处理和分析的关键。随着影像医学的发展，图像分割在医学应用中具有重要意义。本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字：医学图像分割意义方法评估标准发展前景AReviewofMedicalImageSegmentation Ai- XinGuoAnhuiUniversityAbstract:Imagesegmentationisthekeyofimageprocessingandanalysis.Withthede velopmentofmedicalimage,imagesegmentationisofgreatsignificanceinmedicalapplications.Fromtheper spectiveofmedicalapplications,thispapermadeasimplereviewofthemedicalimagesegmentationonit’ssig nificance、methods、evaluationstandardsanddevelopmentprospects.words:Keymedical image,segmentation,sig nificance,methods,evaluation standards,developmentprospects1.医学图像分割的意义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超[2]声）及其它医学影像设备所获得的图像。医学图像分割是将原始的2D或3D图像划分成[1]不同性质(如灰度、纹理等)的区域，从而把感兴趣的区域提取出来。医学图像分割是一个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有重要作用，为临床诊疗和病理学研究提供可靠的依据。医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可
图像分割 实验报告
实验报告 课程名称医学图像处理 实验名称图像分割 专业班级 姓名 学号 实验日期 实验地点 2015—2016学年度第 2 学期
050100150200250 图1 原图 3 阈值分割后的二值图像分析：手动阈值分割的阈值是取直方图中双峰的谷底的灰度值作为阈值，若有多个双峰谷底，则取第一个作为阈值。本题的阈值取
%例2 迭代阈值分割 f=imread('cameraman.tif'); %读入图像 subplot(1,2,1);imshow(f); %创建一个一行二列的窗口，在第一个窗口显示图像title('原始图像'); %标注标题 f=double(f); %转换位双精度 T=(min(f(:))+max(f(:)))/2; %设定初始阈值 done=false; %定义开关变量，用于控制循环次数 i=0; %迭代，初始值i=0 while~done %while ~done 是循环条件，~ 是“非”的意思，此 处done = 0; 说明是无限循环，循环体里面应该还 有循环退出条件，否则就循环到死了; r1=find(f<=T); %按前次结果对t进行二次分 r2=find(f>T); %按前次结果重新对t进行二次分 Tnew=(mean(f(r1))+mean(f(r2)))/2; %新阈值两个范围内像素平均值和的一半done=abs(Tnew-T)<1; %设定两次阈值的比较，当满足小于1时，停止循环， 1是自己指定的参数 T=Tnew; %把Tnw的值赋给T i=i+1; %执行循坏，每次都加1 end f(r1)=0; %把小于初始阈值的变成黑的 f(r2)=1; %把大于初始阈值的变成白的 subplot(1,2,2); %创建一个一行二列的窗口，在第二个窗口显示图像imshow(f); %显示图像 title('迭代阈值二值化图像'); %标注标题 图4原始图像图5迭代阈值二值化图像 分析：本题是迭代阈值二值化分割，步骤是：1.选定初始阈值，即原图大小取平均；2.用初阈值进行二值分割；3.目标灰度值平均背景都取平均；4.迭代生成阈值，直到两次阈值的灰 度变化不超过1，则稳定；5.输出迭代结果。
图像分割方法综述matlab论文
图像分割方法综述 摘要：图像分割就是根据图像的某些特征或特征集合的相似性准则对图像进行分类，把图像空间分成若干个某些具有一致性属性的不重叠区域。它是图像分析和理解的基础，是计算机视觉领域中最困难的问题之一。图像分割的质量将直接影响着对图像的后续处理，所以图像分割被视为图像处理的瓶颈，具有十分重要的意义。人们很早就开始了对图像分割方法的研究，并且几十年来，这方面的研究从来没有间断过。到目前为止，已经有大量的关于图像分割的理论、技术、方法被人们相继提出并广泛应用。 关键字：图像分割；阈值；区域和边缘；交互式算法；纹理分割彩色图像分割 1.引言 图像分割是一项基于计算机技术的重要的图像分析和处理技术，从其产生至今，已经广泛的应用于各个领域，为人们的生产和生活中图像处理的水平提高做出了重大贡献。 2.国内外发展的状况 人工生命是一个快速发展的多学科交叉的研究领域，是计算机科学新的发展方向之一。目前，已经有科研人员尝试将人工生命应用到图像分割领域中。虽然目前使用人工生命进行图像分割的研究还比较少，但是这些相关研究成果表明将人工生命引入到图像分割中能获得有意义的成功，显示出了巨大的潜力。 在医学数据可视化方面，也有了许多硕果。如：医学图像如CT图像和MRI图像的三维重建、显示与分析处理；大脑生理形态分析，神经细胞中钙活性的可视化；计算机辅助外科手术模拟与计划等。其中值得一提的：如美国国家超级计算机应用中心利用远程的并列计算机资源，用体绘制技术实现了CT扫描三维数据的动态显示。其内容为显示一个狗心脏跳动周期的动态图像。 3.图像分割概述 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，因此图像信息是非常重要的一类信息。在一幅图像中，人们往往只对其中的某些目标感兴趣，这些目标通常占据一定的区域，并且在某些特性（如灰度、轮廓、颜色、纹理等）上和周围的图像有差别。这些特性差别可能非常明显，也可能很细微，以致人眼觉察不出来。计算机图像处理技术的发展，使得人们可以通过计算机来获取与处理图像信息。现在，图像处理技术已经成功应用于许多领域，其中，纸币识别、车牌识别、文字识别、指纹识别等已为大家所熟悉。 图像分割是指将一幅图像分解为若干互不交叠的、有意义的、具有相同性质的区域。好的图像分割应具有以下特征：（1）分割出来的各区域对某种性质（例如灰度、纹理）而言具有相似性，区域内部是连通的且没有过多小孔。（2）相邻区域对分割所依据的性质有明显的差异。（3）区域边界是明确的。 大多数图像分割方法只是部分满足上述特征。如果强调分割区域的同性质约束，则
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。
图像分割阈值选取技术综述
图像分割阈值选取技术综述 中科院成都计算所刘平2004-2-26 摘要 图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域.本文是在阅读大量国内外相关文献地基础上,对阈值分割技术稍做总结,分三个大类综述阈值选取方法,然后对阈值化算法地评估做简要介绍. 关键词 图像分割阈值选取全局阈值局部阈值直方图二值化 1．引言 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交地区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显地不同[37]．简单地讲,就是在一幅图像中,把目标从背景中分离出来,以便于进一步处理.图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．同时它也是一个经典难题,到目前为止既不存在一种通用地图像分割方法,也不存在一种判断是否分割成功地客观标准. 阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域,例如,在红外技术应用中,红外无损检测中红外热图像地分割,红外成像跟踪系统中目标地分割；在遥感应用中,合成孔径雷达图像中目标地分割等；在医学应用中,血液细胞图像地分割,磁共振图像地分割；在农业项目应用中,水果品质无损检测过程中水果图像与背景地分割.在工业生产中,机器视觉运用于产品质量检测等等.在这些应用中,分割是对图像进一步分析、识别地前提,分割地准确性将直接影响后续任务地有效性,其中阈值地选取是图像阈值分割方法中地关键技术. 2．阈值分割地基本概念 图像阈值化分割是一种最常用,同时也是最简单地图像分割方法,它特别适用于目标和背景占据不同灰度级范围地图像[1].它不仅可以极大地压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前地必要地图像预处理过程.图像阈值化地目地是要按照灰度级,对像素集合进行一个划分,得到地每个子集形成一个与现实景物相对应地区域,各个区域内部具有一致地属性,而相邻区域布局有这种一致属性.这样地划分可以通过从灰度级出发选取一个或多个阈值来实现. 阈值分割法是一种基于区域地图像分割技术,其基本原理是：通过设定不同地特征阈值,把图像像素点分为若干类．常用地特征包括：直接来自原始图像地灰度或彩色特征；由原始灰度或彩色值变换得到地特征．设原始图像为f(x,y>,按照一定地准则在f(x,y>中找到特征值T,将图像分割为两个部分,分割后地图像为 若取：b0=0<黑）,b1=1<白）,即为我们通常所说地图像二值化. <原始图像）<阈值分割后地二值化图像） 一般意义下,阈值运算可以看作是对图像中某点地灰度、该点地某种局部特性以及该点在图像中地位置地一种函数,这种阈值函数可记作 T(x,y,N(x,y>,f(x,y>> 式中,f(x,y>是点(x,y>地灰度值；N(x,y>是点(x,y>地局部邻域特性．根据对T地不同约束,可以得到3种不同类型地阈值[37],即 点相关地全局阈值T＝T(f(x,y>> (只与点地灰度值有关> 区域相关地全局阈值T＝T(N(x,y>,f(x,y>> (与点地灰度值和该点地局部邻域特征有关> 局部阈值或动态阈值T＝T(x,y,N(x,y>,f(x,y>> (与点地位置、该点地灰度值和该点邻域特征有关> 图像阈值化这个看似简单地问题,在过去地四十年里受到国内外学者地广泛关注,产生了数以百计地阈值选取方法[2-9],但是遗憾地是,如同其他图像分割算法一样,没有一个现有方法对各种各样地图像都能得到令人满意地结果,甚至也没有一个理论指导我们选择特定方法处理特定图像. 所有这些阈值化方法,根据使用地是图像地局部信息还是整体信息,可以分为上下文无关(non-
图像分割方法综述
图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点， 本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract: Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方法、基于人工智能的图像分割方法三个由低到高的阶段对图像分割进行全面的论述。 2 传统的图像分割方法 2.1 基于阀值的图像分割方法 阀值分割法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。阀值分割法的基本原理是通过设定不同的特征阀值，把图像像素点分为具有不同灰度级的目标区域和背景区域的若干类。它特别适用于目标和背景占据不同灰度级范围的图，目前在图像处理领域被广泛应用，其中阀值的选取是图像阀值分割中的关键技术。 灰度阀值分割方法是一种最常用的并行区域技术，是图像分割中应用数量最多的一类。图像若只用目标和背景两大类，那么只需要选取一个阀值，此分割方法称为单阀值分割。单阀值分割实际上是输入图像f到输出图像g的如下变换：
图像分割综述
摘要 图像分割是把图像划分为有意义的若干区域的图像处理技术，分割技术在辅助医学诊断及运动分析、结构分析等领域都有着重要的研究价值和广泛的应用发展前景。 在阅读大量文献的基础上，本文对图像分割技术的理论基础、发展历程及图像分割方法的热点、难点问题进行了分类综述，对不同分割算法优缺点进行了总结和归纳，并对图像分割的发展趋势进行了初步的展望和预测。在此基础上，为了对图像分割理论有更直观的认识，本文选取并行边界算法和分水岭算法这两种方法，用MATLAB软件进行了基础的仿真，并对结果进行了分析和总结， 本文重点对一些近年来新兴的算法，比如水平集（Level-set）算法、马尔科夫随机场算法（Markov）、模糊算法、遗传算法、数学形态学算法等进行了概略性的探讨，对这些新兴算法的特点、原理、研究动态进行了分析和总结。 关键词：图像分割；边界；区域；水平集；马尔科夫
Abstract Image segmentation is an image processing technology that divides the image into a number of regions. Image segmentation has very important significance in supporting medical diagnosis, motion analysis, structural analysis and other fields. Based on recent research, a survey on the theory and development of image segmentation, hot and difficult issues in image segmentation is given in this article. And describes the characteristics of each method as well as their respective advantages and disadvantages in image segmentation .This article introduces and analyzes some basic imaging and image segmentation methods in theory and describes the development trends of medical image segmentation. To have a better understanding of image segmentation, I use MATLAB software to stimulate on images about the parallel edge algorithms and watershed algorithm. And the analysis of the segmentation results is given in the article. This article introduces and analyzes the new algorithms in recent years such as Level-set algorithm, Markov algorithm, Fuzzy algorithm, Genetic algorithm and Morphological algorithm. In this paper, the features, theory and research trends of these algorithms are analyzed and summarized. Keywords: Image segmentation; Border; Area；Level-set；Markov
水平集图像分割方法研究
生物医学图像分割方法研究 1、图像分割概述 图像是用各种观测系统以不同形式和手段观测客观世界所获得的，可以直接或间接作用于人眼并产生视觉感知的实体。在现实生活之中，大约有75%左右的信息来源于人眼（图像），也就是说人类大部分的信息是视觉信息，从图像中得到。所以，对图像的认识和理解一直是人类视觉研究中非常重要的问题。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割是计算机视觉领域中最古老也是研究最广泛的问题之一。任何图像处理系统，医学图像或是工业图像，图像分割都是一个关乎系统成败的关键问题。 现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法以及基于特定理论的分割方法等。 1、基于阈值的分割方法。 阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。因此，该类方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。阈值分割当面比较有名的方法有最大类间方差法(OTSU)、基于直方图的阈值方法和熵方法等。 2、基于边缘的分割方法 所谓边缘是指图像中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图像特性的突变。通常情况下，基于边缘的分割方法指的是基于灰度值的边缘检测，它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这一观测基础上的方法。 阶跃型边缘两边像素点的灰度值存在着明显的差异，而屋顶型边缘则位于灰度值上升或下降的转折处。正是基于这一特性，可以使用微分算子进行边缘检测，即使用一阶导数的极值与二阶导数的过零点来确定边缘，具体实现时可以使用图像与模板进行卷积来完成。常用的边缘检测算子有sobel，canny和laplace等等。