图像分割方法综述的论文

总UVW,STTS+

图像分割方法综述

TWWX年

快!全局阈值对于灰度相差很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应采用局部阈值或动态阈标的灰度值范围有重叠时"

值分割法!另一方面"这种方法只考虑像素本身的灰度一般不考虑空间特征"因而对噪声很敏感!在实际值"

应用中"阈值法通常与其他方法结合使用!

#$%区域生长和分裂合并法

区域生长和分裂合并法是两种典型的串行区域技术"其分割过程后续步骤的处理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特性的像素集合起来构成区域!首先为每个需要分割的区域确定一个种子像素作为生长起点"然后按一定的生长准则把它周围与其特性相同或相似的像素合并到种子像素所在的区域中!把这些新像素作为种子继续生长"直到没有满足条件的像素可被包括"这时生长停止"一个区域就形成了!

区域生长法要解决的主要问题是区域生长准则的设计和算法的高效性!生长准则往往和具体问题有关"直接影响最后形成的区域"如果选取不当"就会造成过分割和欠分割的现象!区域生长法的优点是计算简单"对于较均匀的连通目标有较好的分割效果!它的缺点是需要人为确定种子点"对噪声敏感"可能导致区域内另外"它是一种串行算法"当目标较大时"分割有空洞!

速度较慢"因此在设计算法时"要尽量提高效率!

分裂合并法的基本思想是从整幅图像开始通过不断分裂合并得到各个区域!一种利用四叉树表达方法的分割算法如下&’代表整个正方形图像区域"(代表检验准则!

若(+)对任意区域’",-.’/012就将其分裂**为不重叠的四等分!

若(+3对相邻的两个区域’"5’,-’*和’4*4

就将它们合并!"6782

则结束!9若进一步的分裂和合并都不可能了"

分裂合并法的关健是分裂合并准则的设计!这种方法对复杂图像的分割效果较好"但算法较复杂"计算量大"分裂还可能破坏区域的边界!

#$:聚类分割法

图像分割问题也可看成是对象的分类问题"所以可以使用模式识别中的模式分类技术!特征空间聚类法进行图像分割是将图像空间中的像素用对应的特征空间点表示"根据它们在特征空间的聚集对特征空间进行分割"然后将它们映射回原图像空间"得到分割结果用的聚类算法!;均值算法先选;个初始类均值"然

后将每个像素归入均值离它最近的类并计算新的类均值!迭代执行前面的步骤直到新旧类均值之差小于某模糊=均值算法是在模糊数学基础上对;均一阈值!

值算法的推广"是通过最优化一个模糊目标函数实现它不像;均值聚类那样认为每个点只能属于某聚类"

一类"而是赋予每个点一个对各类的类属度"适合处理事物内在的不确定性!

有时需要人工干.>?算法对初始参数极为敏感"预参数的初始化以接近全局最优解"提高分割速度!另外"传统.对噪声和灰度>?算法没有考虑空间信息"不均匀敏感!

.>?算法在医学图像分割中得到了广泛的应用"例如利用.图像中的白质<灰质>?算法分割脑?7@和脑脊液的组织结构!图像由于成像过程中许多?7@因素的影响"几乎都存在不均匀的特点!为此"出现了二类改进方法并取得了成功!第一种方法是对不均匀图像先校正再进行分割"第二种方法是分割的同时补偿偏场效应!

%基于边界的分割方法

基于边界的分割方法是利用不同区域间象素灰度不连续的特点检测出区域间的边缘"从而实现图像分边缘检测是所有基于边界分割方法的第一步"根据割!

处理的顺序"边缘检测可分为并行边缘检测和串行边缘检测!

%$#微分算子法

图像中相邻的不同区域间总存在边缘"边缘处象素的灰度值不连续"这种不连续性可通过求导数来检测到!对于阶跃状边缘"其位置对应一阶导数的极值点"对应二阶导数的过零点+零交叉点,因此常用微分!它是一种并行边界技术!常用的一算子进行边缘检测"

阶微分算子有7和1算子<二阶微<ABCDEFGDCHIEEABCJ分算子有0和NIKLJKMCDFO算子等!在实际中各种微分算子常用小区域模板来表求"微分运算是利用模板与图像卷积来实现!这些算子对噪声敏感"只适合于噪声较小不太复杂的图像!

由于边缘和噪声都是灰度不连续点"在频域均为高频分量"直接采用微分运算难以克服噪声的影响!因0AP算子和>KQQR算子是具有平滑功能的二阶和一阶微分算子"边缘检测效果较好!其中0AP算子是采用0KLJKMIKQ算子求高斯函数的二阶导数">KQQR算子是高斯函数的一阶导数"它在噪声抑制和边缘检测之%$%串行边界技术

此用微分算子检测边缘前要对图像进行平滑滤波!