图像分割方法及其应用研究综述

图像分割方法及其应用研究综述

周鲜成

(湖南商学院计算机与电子工程学院,长沙410205)

摘　要:介绍了近年来图像分割方法及其应用的研究进展。首先将现有的多种类型图像分割方

法归结为4类典型的方法,并分析各自的特性;接着介绍了几种结合特定理论的图像分割方法;然后介绍了图像分割的应用现状;最后指出了图像分割今后的研究方向。关键词:图像分割;阈值;模糊聚类;小波分析;粗糙集

Studyofimagesegmentationmethodsandtheirapplications

ZHOUXian2cheng

(SchoolofComputerandElectronicEngineering,HunanBusinessCollege,Changsha410205,China)

Abstract:Theresearchprogressandapplicationsofimagesegmentationmethodsinrecentyearsareintroduced.Atfirst,imagesegmentationmethodsareclassifiedintofourtypicaltypes,andtheircharacteristicsareanalyzed.Secondly,imagesegmentationmethodscombinedspecialtheoreticstoolsareintroduced.Thirdly,recentapplicationsofimagesegmentationareintroduced.Finally,someremarksonthefurtherresearchanddirectionsofimagesegmentationarepresented.

Keywords:imagesegmentation;threshold;fuzzyclustering;waveletanalysis;roughset

0　引言

图像分割是指将图像划分为与其中含有的真实世界的物体或区域有强相关性的组成部分的过程。图像分割是图像处理和分析中的重要问题,也是计算机视觉研究中的一个经典难题。尽管它一直受到科研人员的重视,但是它的发展很慢,被认为是计算机视觉的一个瓶颈。迄今为止,还没有一种图像分割方法适用于所有的图像,也没有一类图像所有的方法都适用于它。近几年来,研究人员不断改进原有方法并将其它学科的新理论和新方法引入图像分割,提出了不少新的分割方法。本文对传统的图像分割方法和近年来出现的新方法进行了分析。

[1]

部阈值法。全局阈值法是选择一个阈值对图像进行分割,将图像划分为目标和背景两部分;局部阈值法则是选择多个阈值对图像中的不同区域甚至对每个像素进行分割。目前,已有众多的阈值方法。Otsu于1979年利用类别方差作为判别依据,提出了类别方差法

[2]

,得到普遍应用;Pun于1980年将信息论中

[3]

熵的概念引入图像分割,提出了利用最大先验熵估计分类合理性来选取阈值的方法

;Pal于1983年

[4]

将模糊理论引入图像分割,提出了模糊阈值法图像阈值分割算法像阈值分割算法

[6]

[5]

;

Kapur等于1985年提出一维最大熵(maximumentropy)

;Abutaleb于19年推广一维

最大熵图像分割算法至二维,提出了二维最大熵图

;Cheng于1998年提出将模糊划

[7]

1　典型的图像分割方法

1.1　阈值法

分与最大熵原理相结合选取阈值的方法

,随后

在所有的图像分割(imagesegmentation)方法中,阈值(thresholding)法是最常用的方法,其实质是利用图像的灰度直方图信息得到用于分割的阈值。根据现有的研究,阈值法可分为两类:全局阈值法和局

收稿日期:2007-07-06

基金项目:湖南省自然科学基金项目(06JJ50110);湖南省教育厅科

学研究项目(04C315)

作者简介:周鲜成(1965-),男,副教授,博士研究生,主要研究方向

为智能控制和信息处理。

—11—

将其推广到二维,并提出了二维模糊熵(2Dfuzzy

entropy)阈值分割算法[8]

。在上述方法中,类别方差法和最大熵法是两种最为常用的阈值检测方法。类别方差法的基本思想是选取使得类间方差最大和类内方差最小的门限作为分割阈值。该方法对类间方差为单峰的图像能产生较好的分割效果,但对噪声和目标大小较敏感。最大熵法通过引入信息论中的最大Shannon熵准则和最小交叉熵准则来寻找使目标(或背景)内部灰度分布尽可能均匀的最优阈值,或者是寻找使分割前后图像的信息量差异最小的最优阈值,该方法对不同目标大小和信噪比的图像能产生较好的分割效果,但由于涉及对数运算,运算速度较慢。

传统的阈值分割方法仅仅考虑了图像的灰度信息,而忽略了图像的空间信息,因此对于图像中不存在明显灰度差的图像得不到满意的分割结果。近年来,已有一些方法利用图像的二维灰度直方图———像素的灰度值分布及其邻域的平均灰度值分布所构成的直方图进行阈值分割,如二维最大熵阈值分割,二维最大模糊熵阈值分割等。这些方法由于利用了图像的灰度值信息和邻域的空间相关信息,其效果较传统方法有明显改善。快速算法的出现则给这些

方法赋予了更为现实的意义[9]

。

基于阈值算法的优点是实现简单,运算速度快,缺点是难以处理包含多个前景物体的情况。112　边缘检测法

基于边缘的分割是通过检测出不同区域边缘来进行分割。所谓边缘是指其周围像素灰度有阶跃变化的那些像素的集合。它存在于目标与背景之间,是图像分割所依赖的最重要的特征。因此,边缘检测可以看作是处理许多复杂问题的关键。对于边缘的检测常常借助于边缘检测算子进行,常用的边缘检测算子有:Roberts算子、Laplace算子、Prewitt算子、Sobel算子、Robinson算子、Kirsch算子和Canny算子等。其中Canny边缘检测是一种比较新的边缘检测算子,不容易受噪声的干扰,能够检测到真正的弱边缘。基于边缘的分割技术依赖于由边缘检测算子找到的图像边缘,这些边缘标示出了图像在灰度、色彩、纹理等方面不连续的位置。常见的基于边缘的分割方法有:边缘图像阈值化、边缘松驰法、边界跟踪法、作为图搜索的边缘跟踪法、作为动态规划的边缘跟踪法、Hough变换法和基于边界位置信息的边

界检测法等[10]

。

该类方法对边缘灰度值过渡比较尖锐且噪声较小等不太复杂的图像,大都可以取得较好的效果。—12

—

但对于边缘复杂、采光不均匀的图像来说,则效果不太理想,主要表现在边缘模糊、弱边缘丢失和整体边缘不连续等方面。在噪声较大的情况下常用的边缘检测算法,如Marr算子,递归滤波器和Canny算子等都是先对图像进行适当的平滑,抑制噪声,然后求导数,或者先对图像进行局部拟合,然后再用拟合的光滑函数的导数来代替直接的数值导数。Canny算子较为简单,而且考虑了梯度方向,效果比较好。113　区域法区域方法利用局部空间信息进行分割,将具有相似特性的像素集合起来构成区域,主要有区域生长法(regiongrowing)和合并法(split2and2merge)。

在区域生长法中,首先选择一批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。这个过程反复进行,直到没有更多的合并过程发生。这种方法需解决两个问题:一是种子像素的选择,二是区域生长准则的设计。由于生长准则的选取不仅依赖于具体问题本身,且与所用的图像数据有关,若不考虑像素间的连通性和近邻性,会出现无意义的分类结果。该方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;缺点是需要人为确定种子像素,对噪声敏感,可能导致区域内有空洞。

合并法被认为是一种很有发展前景的分割方法。其基本思想是从整幅图像开始通过不断合并得到各个区域。它先人为地将图像划分为若干个规则区域,以后按性质相似的准则,反复特性不一致的区域,合并具有一致特性的相邻区域。这个过程反复进行,直到没有更多的和合并过程发生。该方法的关健是如何对区域进行初始划分和合并准则的设计。该方法对复杂图像的分割效果较好,但算法较复杂,计算量大,还可能破坏区域的边界。114　聚类法

聚类法将图像分割当作一个聚类问题,聚类算法被广泛应用于图像分割,如K均值算法、FCM(fuzzyc2means)模糊聚类算法、ISODATA算法等。由于图像分割前通常不知道聚类数,因此聚类算法不要求指定聚类数。有代表性的基于聚类技术的图像分割方法主要有以下几种。1988年,AmadasmandKing提出了将分级聚类和基于区域分割结合起来的混合方法。该方法将图像划分为多个同质区域,并为每个同质区域确定一个均值特征向量,相似的均值特征向量合并。这个过程反复进行,直到碉到

指定的聚类数目。该方法的优点是提高了计算效率,不足是需事先指定聚类数量、区域大小和区域同质标准。1994年,WuYan和Chalmers提出了一种将FCM和有监督的神经网络结合的彩色图像分割算

法。通过FCM将图像划分为一系列满足某些确认标准的模型,有监督学习神经网络对这些模型进行优化。优化模型使用近邻法则对图像进行分割。1990年,Lim和Lee提出了基于模糊C一均值聚类

的彩色图像分割算法来获得细分割和一个尺度空间滤波器(粗分割),粗分割用尺度空间滤波器决定聚类的个数,而细分割用模糊C一均值聚类将各像素划分到这些类中。该方法的优点是能动态确定聚类数量,但聚类数量受滤波函数参数和安全区域大小的影响比较大。2003年,Veenman提出了一种细胞协同进化算法用于图像分割。该方法不要求事先指定聚类数量,但需指定参数且参数的选择对算法的性能有较大影响

[11-13]

。2　结合特定理论的图像分割方法

近年来,大量学者致力于将新概念、新方法应用于图像分割,结合特定理论的图像分割方法在图像分割方面取得了较好的应用效果。如模糊理论、小波分析和小波变换、神经网络、遗传算法、马尔可夫场、粗糙集理论、数学形态学等数学工具的利用,有效地改善了分割效果

[14]

。

211　基于模糊理论的图像分割技术

基于模糊理论的图像分割技术可较好地描述人类视觉中的模糊性和随机性,解决在模式识别不同层次中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题。基于模糊集合的概念,人们提出了多种图像分割方法,包括模糊阈值法、模糊边缘检测、模糊聚类技术等,在一定程度上提高了分割的鲁棒性

[4]

。

212　基于小波分析的图像分割技术

小波分析(WaveletAnalysis)是近年来广泛应用于图像分割的一种数学工具,是最近10年发展起来的一种新的分析理论。由于其具有良好的时频局部化特征、尺度变化特征和方向特征,在图像处理、计算机视觉、纹理分析等方面的应用取得了良好效果。213　基于神经网络的图像分割技术

将神经网络理论和技术引入图像空间聚类分割领域,打破了传统聚类方法使用条件的,为构造各种聚类新方法奠定了基础。目前,引入图像分割领域的神经网络模型已有近10种,主要有BP神经网络、Hopfield神经网络、Kohonen神经网络和混合神

经网络。采用Kohonen自组织神经网络(SOM)进行特征空间聚类具有速度快,拥有良好的拓扑聚类特性等优点,已成为众多研究者首选的一种无监督聚类方法

[15]

。

214　基于遗传算法的图像分割技术

将遗传算法应用于传统的图像分割技术,可大大地减小图像分割运算量,有效地实现分割。如根据遗传算法的思路和熵的概念,提出的基于遗传算法的彩色图像最佳熵阈值分割方法和基于遗传算法的二维熵图像阈值分割算法等都取得了较好的效果。但遗传算法的鲁棒性和有效性还有待提高;同时在运行遗传算法时,种群大小、染色体长度、交叉率、变异率、最大进化代数等参数对遗传算法的性能影响较大,如何选择这些合适的参数还有待进一步研究。

215　基于粗糙集理论的图像分割技术

粗糙集作为一种新的处理模糊和不确定知识的数学工具,目前已经被广泛应用于模式识别、人工智能、图像处理和数据分析等领域。粗糙集体现了集合中对象的不可区分性,即由于知识的粒度而导致的粗糙性。图像信息具有较强的复杂性和相关性,在处理过程中经常出现不完整性和不精确性问题,将粗糙集理论应用于图像的处理和理解,有时会具有比硬计算方法更好的效果。如刘岩等提出的基于粗糙集的K-均值聚类图像分割方法是一种有效的图像分割方法,具有较好的鲁棒性

[16]

。

3　图像分割的应用现状

随着图像分割技术研究的深入,其应用日趋广泛。凡属需要对图像目标进行提取、测量的工作都离不开图像分割。目前,图像分割已在交通、医学、遥感、通信、军事和工业自动化等诸多领域得到广泛应用。

在智能交通领域,图像分割已广泛应用于车牌的定位和生产。针对车牌生产中光照不均和存在反光的复杂彩色图像,郝智泉等提出了一种采用灰度空间和饱和度空间联合阈值的图像分割方法。该方法能够较好地分割目标和背景,获得高质量的二值图像,在工业生产实时监控系统的应用中取得了良好的效果

[17]

。

在医学领域,图像分割已应用于脑图像、心脏图像、胸部图像和细胞图像等的分割。如在胸部图像分割中,Bovis等人利用纹理方法和区域合并的方法进行乳房X线照片的分割;Betal等人利用梯度水线法(watershedalgorithm)进行微小钙化点

—13

—

(microcalcifications)的提取;另外,普遍多分辨率分

1983,1(3):141-146.

[5]　KapurJN,SahooPK,WongAKC.Anewmethodforgray2level

picturethresholdingusingtheentropyofthehistogram[J].ComputerVision,GraphicsandImageProcessing,1985,29(3):273-285.[6]　AbutalebAS.Automaticthresholdingofgray2levelpicturesusingtwo2

dimensionentropy[J].ComputerVision,GraphicsandImageProce2ssing,19,47(1):22-32.

[7]　ChengHD,ChenJR,LiJiguang.Thresholdselectionbasedonfuzzy

cpartitionentropyapproach[J].PatternRecognition,1998,31(7):857-870.

[8]　ChengHD,ChenYH,JiangXH.Thresholdingusingtwo2dimen2

sionalhistogramandfuzzyentropyprinciple[J].IEEETrans.ImageProcessing,2000,9(4):732-735.

[9]　王培珍,陈维南.基于二维阈值与FCM相混合的图像快速分割

析、区域增长等方法也用于乳房X线照片的分割。

在遥感领域,利用遥感数据进行海洋监测、海事救援、海洋污染监控等应用时,需要对图像中海岸线进行分割提取。传统的阈值方法对于图像中沿海岸线的物体阴影、植被、暗的人工设施等分割效果不理想,瞿继双等提出了一种用于处理光学遥感图像的基于多阈值分割的形态学方法,能有效提高准确检测率,具有较好的检测效果

[18]

。

4　图像分割的发展趋势

图像分割是计算机视觉研究中的一个难以解决的问题。国内外学者针对这一课题进行了广泛而深入的研究,提出了各种分割方法,但至今尚无完整的理论体系,现已提出的分割方法大都针对某一具体问题,没有普遍的适用性,因此,寻求具有较强适应性和快速高效的分割方法将是今后的一个研究重点。与此同时,将多种图像分割方法综合运用,发挥各自的优势进行图像处理将成为这一领域的发展趋势。此外,对图像分割性能的评估缺乏统一的标准,建立多角度、全方位评估图像分割性能的综合评估模型也是一个值得深入研究的课题。总而言之,图像分割方法正朝着更快速、更精确的方向发展,通过与各种新理论和新技术结合将不断取得突破和创新。参考文献:

[1]　MilanSonka,VaclavHlavac,RogerBoyle.ImageProcessing.Analysis,

andMachineVision[M].2nded.北京:人民邮电出版社,2003.[2]　NobuyukiOtsu.Athresholdselectionmethodfromgray2levelhistogram

[J].IEEETransonSystem,ManandCybemetics,1979,9(1):62-66.[3]　PunT.Anewmethodforgray2levelpicturethresholdingusingtheen2

tropyofthehistogram[J].SignalProcess,1980,2(3):223-237.[4]　PalSK,KingRA,HashimAA.Automaticgreylevelthresholding

throughindexoffuzzinessandentropy[J].PatternRecognitionLetters,

方法[J].中国图像图形学报,1998(3):735-738.

[10]　KwokS,ConstantinidesA.AFastRecursiveShortestSpanningTree

forImageSegmentationandEdgeDetection.IEEETransactionsonImageProcessing,1997,6(2):328-332.

[11]　VeenmanC,ReindersM,BackerE.ACellularCoevolutionaryAlgo2

rithmforImageSegmentation[J].IEEETransactiononImageProce2ssing,2003,12(3):304-316.

[12]　LuccheseL,MitraS.ColorImageSegmentation:Astate2of2the2Art

Survey[J].ProceedingsoftheIndianNationalScienceAcademy(IN2SA2A),NewDelhi,India,2001,67(2):207-221.

[13]　TuriRH.Clustering2BasedColourImageSegmentation[D].phD

thesis.MonashUniversity,Australia,2001.

[14]　郝海涛,田玉敏.彩色图像分割及进展[J].山西师范大学学

报:自然科学版,2005(1):-68.

[15]　杨绍国,尹忠科,罗炳伟.基于分形和神经网络理论的多尺度

图像分割方法[J].电子科学学刊,1998(11).

[16]　刘岩,李言俊,张科.基于粗糙集的K-均值聚类图像分割方

法[J].计算机工程与应用,2003(29):17-19.

[17]　郝智泉,吕汉兴.牌照生产中图像分割技术的应用[J].机械与

电子,2003(2):74-76.

[18]　瞿继双,王超,王正志.一种基于多阈值的形态学提取遥感图像海

岸线特征方法[J].中国图像图形学报,2003(3):805-809.

责任编辑:肖滨

renceon06209Dec,2005:263-267.

[6]　NguyenDucLong,HyuncheolPark.Jointfinetimesynchronizationand

channelestimationforMIMO2OFDMWLAN[J].IntelligentSignalPro2cessingandCommunicationSystems.ISPACS2004.Proceedingsof2004InternationalSymposium,2004:463-467.

[7]　StuberGL,BarryJR,McLaughlinSW,etal.BroadbandMIMO2OFDM

wirelesscommunications[J].ProceedingsoftheIEEE,2004,92(2):271-294.

[8]　ModyAN,StuberGL.SynchronizationforMIMOOFDMsystems[C].

GlobalTelecommunicationsConference,2001:509-513.

[9]　MinnH,BhargaveVK,BenLetaiefK.ACombinedTimingandFre2

quencySynchronizationandChannelEstimationforOFDM[J].IEEEICC2004,CommunicationsTheorySymposium,June2004:872-876.

(上接第10页)

[2]　YantaoQiao,SongyuYu,PengchengSu,etal.Researchonanitera2

tivealgorithmofLSchannelestimationinMIMOOFDMsystems[J].BroadcastingIEEETransactions,2005,51(1):149-153.

[3]　KyeongJinKim,ReidT,IltisRA.Datadetectionandsoft2Kalman

filterbasedsemi2blindchannelestimationalgorithmsforMIMO2OFDMsystems[C].Communications,2005.ICC2005.2005IEEEInterna2tionalConference,2005,4:2488-2492.

[4]　KyeongJinKim,JiangYue,IltisRA,etal.AQRD2MΠKalmanfilter2

baseddetectionandchannelestimationalgorithmforMIMO2OFDMsys2tems[J].WirelessCommunications,IEEETransactions,2005,4(2):710-721.

[5]　MinnH,Al2DhahirN.MIMO2OFDMTrainingSignalDesigninthe

PresenceofFrequencyOffsetandPhaseNoise[C].Information,Com2municationsandSignalProcessing,2005FifthInternationalConfe2

责任编辑:么丽苹

—14—