没有合适的资源?快使用搜索试试~ 我知道了~
首页图像技术(IDL)- 11图象分割
图像技术(IDL)- 11图象分割

图像分割技术作为一种重要的图像技术,不仅得到人们的广泛重视和研究,而且在实 际中成功的应用到了多个领域。近年来许多学者通过付出巨大的努力,不断提出了新理论 和新方法,学术思想非常活跃,这说明了图像分割的重要性,也反映出图像分割的深度和 难度,但遗憾的是到目前为止还没有一个通用的图像分割方法,也不存在一个判断图像分 割是否成功的客观的通用标准。 在图像分割技术中,阈值分割技术和边界检测技术的研究显得比较活跃。但是阈值分 割和边界检测方面的理论和方法均存在着一定的不足,有待于进一步的完善和发展。
资源详情
资源评论
资源推荐

第 11 章 图像分割
图像分割技术作为一种重要的图像技术,不仅得到人们的广泛重视和研究,而且在实
际中成功的应用到了多个领域。近年来许多学者通过付出巨大的努力,不断提出了新理论
和新方法,学术思想非常活跃,这说明了图像分割的重要性,也反映出图像分割的深度和
难度,但遗憾的是到目前为止还没有一个通用的图像分割方法,也不存在一个判断图像分
割是否成功的客观的通用标准。
在图像分割技术中,阈值分割技术和边界检测技术的研究显得比较活跃。但是阈值分
割和边界检测方面的理论和方法均存在着一定的不足,有待于进一步的完善和发展。
11.1 图像分割
在对图像研究和应用的过程中,通常只对图像中的目标感兴趣,这些部分称为前景(或
者目标),前景以外的部分称为背景。目标一般对应图像中特定的、具有某种性质的区域。
为了分析和理解目标,需要将它们从图像中分离出来,然后再进行进一步的分析、理解和
应用。
11.1.1 图像分割概念
图像分割是指把图像中具有不同灰度、颜色、纹理等不同特性的区域区分开来,并且
分割出感兴趣的单个或者多个目标的技术。即:
图像分割是把图像
I
分割成满足以下条件的 个非空连通子集 ( ):
n
k
I
},,2,1{ nk L∈
(1) 。
IIII
n
=ULUU
21
(2)
∅
=
lk
II I ,
lk
≠
∀
,
{
}
nlk ,,,, L21
∈
。
(3)同一 的像素具有相同的性质;不同 的像素具有不同性质。
k
I
k
I
图像分割和基于图像分割的目标表达、特征提取、参数测量等把原始图像转化为更抽
象更紧凑的形式,使得更高层次的图像分析和图像理解成为可能。由于图像本身的复杂性
和随机性,使得用于图像分割的信息具有很强的模糊性和不可分辨性,而且两者往往混合
并存,给图像分割带来了很大的困难。图像分割作为图像处理、图像分析、图像理解和计
算机视觉中的经典研究课题,其分割结果将直接影响图像的分析和理解;而且在图像处理、
图像分析和图像理解的三个层次中占有举足轻重的地位(如图 11.1 所示)。特别是从图像
分析到图像理解的过程中,图像分割是非常关键的步骤。

ROI 分析
ROI 表达
图像分割 ROI
图像理解
图像分析
图像处理
图 11.1 图像技术与图像分割
总之,关于图像分割的概念,很多学者给出了不同的解释和定义,其基本思想是一致
的。即:根据实际需要,利用图像技术,把图像中感兴趣的目标或者区域(ROI)分割出
来,为图像分析和图像理解提供有价值的信息。
11.1.2 图像分割内容与方法
根据图像分割的概念可知,图像分割的内容主要包括:阈值分割、边界检测和区域分
割等图像技术,而且分割内容之间可能存在交叉。
阈值分割是指利用一个或者多个阈值,把图像中灰度值在同一灰度类的像素归属于同
一目标(或者区域),从而把图像的像素分割成若干类的技术。
例如:对于灰度图像和阈值 66,把灰度值大于等于 66 的像素认为是目标(保留灰度
值),灰度值小于 66 的像素认为是背景(灰度值清零或者背景色)。
边界检测是指根据图像中前景(目标)与背景之间在灰度或者纹理特性上存在的不连
续性或者突变性,确定并检测出目标边界的技术。
例如:对于灰度图像,根据图像中像素的梯度变化检测出灰度图像的梯度边界。或者
根据 CANNY 的信噪比准则、精定位准则和单像素准则,检测并输出单像素 CANNY 边界。
区域分割是指根据给定的图像区域,对指定区域中的像素进行分割,从而进行目标检
测的技术。
例如:对于灰度图像和指定区域的坐标序列 ( , )(
i
P
i
x
i
y
ni ,...,2,1
=
),则把 组
成的多边形区域分割出来。
i
P
不难看出,图像分割的主要方法如下:
(1)阈值分割方法:利用阈值分割理论、方法和技术进行图像分割。
(2)特征分割方法:利用图像的灰度、对比度、几何(边界、形状)、纹理和特征等
支持的理论、方法和技术进行图像分割。
(3)区域分割方法:利用区域分割理论、方法和技术进行图像分割。
(4)特定理论方法:利用形态学、模糊集、粗糙集、分形、小波、滤波、遗传算法、
信息论和神经网络等特定的理论、方法和技术及其融合进行图像分割。
(5)分割评价方法:利用什么样的分割指标、分割标准和分割方法来评价一个图像

分割方法的优劣。通常分割方法之间可能存在交叉。
11.1.3 图像分割分类
对于图像分割技术,迄今为止已经提出了上千种的图像分割方法,而且对图像分割算
法进行分类的方法也很多,但是无论何种分类方法,图像分割的基本分类条件应该满足:
(1)根据指定的性质,能够把所有算法分成若干类。
(2)每个图像分割算法都能分入某一类。
(3)各类图像分割算法的并集包含所有的分割算法。
(4)同一类中的图像分割算法应该具有相同的性质。
(5)不同类中的图像分割算法应该具有不同的性质。
常见的图像分割分类方法如下:
图像分割方法分类 1:
(1)基于边界检测的图像分割。
(2)基于区域分割的图像分割。基于区域的图像分割的主要方法是阈值分割。
图像分割方法分类 2:
(1)基于并行边界检测的图像分割。
(2)基于并行区域分割的图像分割。
(3)基于串行边界检测的图像分割。
(4)基于串行区域分割的图像分割。
图像分割方法分类 3:
(1)基于数据驱动的图像分割。数据驱动分割包括基于边缘检测的分割、基于区域
的分割、边缘与区域相结合的分割等。
(2)基于模型驱动的图像分割。模型驱动分割包括基于动态轮廓(Snakes)模型、
组合优化模型、目标几何与统计模型的分割。
图像分割方法分类 4:
(1)基于阈值的图像分割;基于像素分类的图像分割。
(2)基于深度图像的图像分割;基于彩色图像的图像分割。
(3)基于边界的图像分割。
(4)基于模糊集合理论的图像分割。
(5)基于神经网络理论的图像分割。
(6)基于小波变换理论的图像分割。
(7)基于数学形态学理论的图像分割。
(8)基于多分辨率分析理论的图像分割。
(9)基于分形理论的图像分割。
按照图像分割分类方法不难知道,边界检测和区域分割技术作为图像分割中两种不同
的重要方法,二者具有很强的互补性。边界检测方法是提取图像中不连续部分的特征,根
据闭合边界确定区域,而区域分割技术是把图像分割成为特征相同的区域。本章的主要内

容是阈值分割和边界检测技术及其应用。
11.1.4 图像分割研究方向
图像分割作为图像技术和计算机视觉中最经典的研究课题,有着较长的研究历史。近
年来许多学者还在不断提出新的理论和方法,学术思想非常活跃,其原因是技术本身的深
度和难度极其重要性,因此图像分割技术需要根据自身存在的不足之处来进行进一步完善
和发展。目前图像分割技术的研究方向如下:
(1)基于新理论和新工具的新方法研究。
(2)基于旧理论和方法的改进。
(3)基于特定应用的特定方法的研究。
(4)基于新理论和新工具与旧理论和方法的相互融合。
(5)提高图像分割的效率(速度快)。
(6)提高图像分割的效果(效果好)。
无论是新方法的提出还是对现有方法的改进,关于图像分割的研究主要存在以下两个
目的:一是提高分割效果,满足更高的要求;二是提高分割效率,扩大更广的领域。即:
图像分割技术以解决实际需要为最终目的,以应用推广价值为准则,实现分割的实时化、
自动化、低成本化。
11.2 图像阈值分割
阈值分割是图像分割技术中的一个重要研究方向。一直以来,研究人员为图像阈值的
自动选取付出了极大的努力,提出了很多方法。近年来有关图像阈值自动选取的研究也异
常活跃,同时也涌现出了大量的研究成果。由于图像本身的复杂性和随机性,再加上图像
中混杂的各种噪声,使得用于图像分割的阈值及其选取过程具有很强的模糊性和不可分辨
性,而且二者往往是混合共存的,这也给阈值分割带来了很大的困难。
11.2.1 阈值分割概念
阈值分割是指利用图像技术或者多学科融合技术,确定一个或者多个阈值,并把图像
中灰度值在同一灰度区间的像素归属于同一目标(或者区域),从而把图像的像素分成若
干类的过程。
阈值是分割图像的分类界值,可以表示成为如下形式:
)),(),,(,,( jipjifjiTt
=
其中: 和 分别表示像素点 的灰度值和性质,阈值
t 是关于
i
、
),( jif ),( jip ),( ji
j
、

),( jif
和 的函数。即:阈值的选取,不但与像素的位置和灰度值有关,而且还与
像素本身及其邻域的特征性质有关。
),( jip
因此,阈值分割可以认为是根据整幅图像的整体信息(例如:灰度直方图)或者局部
信息(例如:图像四等分后的子图像信息)来确定一个或者多个阈值,从而把图像分割成
为一个或者多个目标区域与背景区域的技术。
11.2.2 阈值分割内容与分类
阈值分割作为最基本、最简单的直接检测区域的并行图像分割方法,已经有近 60 年
的历史,阈值分割方法是首先确定一个或者多个取值在图像灰度范围之内的灰度阈值,然
后把图像中各个像素的灰度值与这些阈值相比较,并根据比较结果将对应的像素分割为两
类或者多类。即:
(1)确定一个或者多个分割阈值。
(2)把分割阈值与像素值比较,划分并分割像素。
在阈值分割时,准确快速地确定阈值是阈值分割的关键,很显然,不恰当的阈值与最
佳阈值的分割效果存在着明显差异,直接影响分割结果。
如何选取合适的阈值一直是研究的热点和重点,尤其是自适应阈值的选取方法特别受
众多学者的关注。目前关于阈值分割已经提出了大量的算法,也给出了多种关于阈值分割
方法的分类方法,但是至今既没有通用的阈值分割方法,又没有判断阈值分割是否成功的
客观标准,也没有通用的阈值分割的分类方法,因此阈值分割被认为是图像技术的一个瓶
颈。目前常用的阈值分割方法及其分类如下:
阈值分割技术分类方法 1(阈值数目分类法):
(1)半阈值分割。
(2)单阈值分割。
(3)双阈值分割。
(4)多阈值分割。
阈值分割技术分类方法 2(动态阈值分类法):
(1)全局阈值分割。
(2)局部阈值分割。
(3)动态阈值分割(即:自适应阈值分割)。
阈值分割技术分类方法 3(自动阈值分类法):
(1)半交互阈值分割。
(2)全自动阈值分割。
阈值分割技术分类方法 4(特征阈值分类法):
(1)直方图法与直方图变换法。
(2)最大类间方差法。
(3)最小误差法与均匀化误差法。
(4)共生矩阵法。
剩余61页未读,继续阅读















安全验证
文档复制为VIP权益,开通VIP直接复制

评论5