数字图像分割方法综述【文献综述】

《数字图像分割方法综述【文献综述】》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

毕业论文文献综述通信工程数字图像分割方法综述摘要：通过对图像处理和图像分割算法研究文献的统计，认识到图像分割算法应用广泛，涉及到各个领域。并总结了灰度图像和彩色图像的几种常见分割方法，比较其两者的优缺点，了解到灰度图像分割算法比较简单，但是复杂背景下的灰度图像单纯用一个算法对目标分割不能有较优的结果，一般都是综合应用多个分割算法，而彩色图像分割算法比较复杂，一般都是通过转化为灰度图像进行分割的。最后简单阐述了图像分割技术的发展问题及其趋势，目前分割技术缺少一种普遍使用的分割算法，没有标准的分割评价标准。关键词：文献统计；图像分割基本描述；灰度图像分割；彩色图像分割；发展趋势；一、图像处理及图像分割算法研究文献统计我在中国知网CNKI用关键词“图像处理”进行搜索，结果显示有11761条相关记录，统计并对这些记录进行分析，结果如下表1所示：表1图像处理在各学科领域的发表数量学科领域计算机软件及计算机应用电信技术自动化技术其他总发表量数量487725281144321211761比例41.5%21.5%9.7%27.3%100%近年来随着计算机科学技术的不断发展，图像处理成为一个新的研究领域，主要应用在计算机科学。随着通讯技术的发展，应用图像处理技术处理电信技术和自动化技术应用领域也越来越广泛。而在医学方面更是前景无限，特别是应用CT来观察人体各个部位鲜明清晰的断层图像。还有在航空航天、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等方面，图像处理受到了广泛重视并取得了重大的开拓性成就。总之图像处理已经成为一门引人注目、前景远大的新型学科。我在中国知网CNKI用关键词“图像分割”10 进行搜索，结果显示有3602条相关记录，统计并对这些记录进行分析，结果如下表2所示：表2图像分割在各学科领域的发表数量学科领域计算机软件及计算机应用自动化技术电信技术其他总发表量数量30641781691913602比例85.1%4.9%4.7%5.3%100%图像分割是数字图像处理中的关键技术之一，由表2可以发现其在各学科领域应用广泛。主要还是在计算机软件及计算机应用方面，专家对这方面还是比较感兴趣的；而在电信技术和自动化技术方面发表数量并不是很多，主要是因为图像分割技术在这领域还不是很成熟。但是总体上图像分割的发表数量占图像处理发表数量的30.6%。说明图像分割还是很重要的，它是数字图像处理过渡到图像分析的关键步骤。图1图像分割研究年度分析从图1可以得出，2005年到2009年图像分割研究论文的发表数量呈正比例函数增加。这说明图像分割技术越来越受重视，这方面的研究专家也越来越多。虽然2010年不是完全统计，只统计到10月份，但是其数量也是有增无减的。根据这个趋势我们可以断定，图像分割的研究将是发展图像处理技术的一个重点。二、数字图像分割的基本描述1、图像分割的研究意义10 图像分割是一种重要的图像处理技术，是图像理解与图像分析的基本前提，是图像处理过渡到图像分析的关键步骤。图像分割在实际中已得到广泛的应用（如表3所示），比如利用图像分割技术中的直方图算法对稀疏细胞图像进行分割[1]，从而快速、方便、准确地得到细胞的图像。而在医学方面图像分割技术更是发展迅速，利用图像分割算法研究脑部CT[2]，这些算法在医学影像处理上的应用提供了一定的科学依据。总的来说，在各种图像应用中，只要需要对图像目标进行提取、测量等都离不开图像分割。但是目前还是没有一种分割算法是可以通用在所有图像分割中，也没有制定出适用于分割算法的标准，这是目前研究图像分割遇到的最大的困难。表3图像分割技术部分应用领域领域具体应用举例生物医学工程细胞分析、诊断与治疗技术、康复医学、CT等通讯传真、可视电话、图像通信军事侦察、成像制导、图像融合文化多媒体技术、动画特技农业植物病害、观测农作物生产等工业产品检测、印刷技术、仪器仪表工业等法律、公安视频监督、指纹识别等气象云观测、灾难性检测2、数字图像分割的定义图像分割的定义有很多说法，总体而言是将图像分为各具特色的区域并提取出自己感兴趣部位的技术和过程。人们把对图像感兴趣的部分称为前景，剩下的部分称为背景。本文借助集合的概念[3]解释其基本定义：令一幅图像为集合R，对R进行分割，将其分割成N个满足以下五个条件非空子集（子区域）R1,R2,R3,R4,……,RN；10 图2图像分割的基本定义（1）=R（2）所有的i和j，，有(3)i=1,2,3,…,N,有P(R)=TRUE(4)当，有P()=FALSE(5)i=1,2,…,N,是连通的区域满足这5个条件并提取自己感兴趣的部分区域就基本上完成了图像分割（1）所有子集的集合是这个图像的所有区域；（2）所有子集都是没有交集的，各个子区域互不重叠，也就是说在分割结果中一个像素不能同时属于两个区域；（3）分割后的每个区域的所有像素点的灰度、纹理、色彩等特征具有一定得相似性；（4）而不同区域中的像素的特性是不相同的；(5)同一个子区域内的任两个像素在该子区域内互通连通，而连通性是指在该区域内存在连接任意两点的路径[4]。三、图像分割方法的研究根据分割对象分类，图像可分为灰度图像和彩色图像。灰度图像是指每个像素只有一个采样颜色的图像，这类图像通常显示为从最暗黑色到最亮的白色的灰度，只含亮度信息，不含色彩信息。灰度图像经常是在单个电磁波频谱如可见光内测量每个像素的亮度得到的，用于显示的灰度图像通常用每个采样像素8位的非线性尺度来保存，这样可以有256级灰度。然而彩色图像，每个像素通常是由红（R）、绿（G）、蓝（B）三个分量来表示的，分量介于（0，255）。本文的主要任务是讲述灰度图像分割方法和彩色图像分割方法，讨论其两者的不同点和其优缺点。1、灰度图像分割常见方法灰度图像分割的研究是研究图像分割的基础，各类图像分割研究的前提都是将其转化为灰度图像。近20年来，灰度图像分割方法层出不穷，研究人员提出近千万种分割算法，根据文献统计，主要有阈值分割、边缘检测及基于区域分割。以下就简单介绍下这三种方法。10 1.1阈值分割阈值分割是处理灰度图像分割最早的方法，因为此算法计算方便简明、实用性较强，因此在图像分割技术中一直被人们所青睐。阈值分割的基本思想是先确定一个图像灰度取值范围内的灰度阈值，然后将图像中各个像素的灰度值与这个阈值相比较，最后根据比较结果将对应的像素分为两类，这两类像素分属图像的两类区域，这就是阈值分割的过程。显然，阈值分割方法的关键和难点是如何取得一个合适的阈值。而实际应用中，阈值设定易受噪声和光亮度影响[5]。目前来确定阈值的选取主要有以下几种常见方法：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征法、模糊集法等[6]。在更多的情况下，阈值的选取会综合运用多种方法的结合，使得选取的阈值更加准确。文献[7]就是采用了将图像的灰度直方图看作是高斯分布的选择法与自适应定向正交投影的高斯分解法的结合，较好的拟合了直方图的多峰特性，从而得到更为准确的分割效果的新的尝试之一。由于阈值算法只考虑到了图像的像素颜色信息，而忽略了图像像素的空间信息，这个方法只适合用在图像灰度信息比较明显的情况下对图像进行分割。此方法经常跟其他方法结合起来使用。1.2边缘检测图像分割的两一个重要方法是边缘检测。对于任何一个物体，当眼睛观测到它的时候第一时候关注的是其边缘的区域，因为此区域灰度级或者结构具有突变性，具有突出的视觉效果，而且其隐含着大量的图像信息。图像灰度的变化情况可以用灰度分布的梯度来反映，给定连续图像f(x,y)，其方向导数在边缘法线方向上取得局部最大值。该区域的灰度剖面可以看作是一个阶跃，既从一个变化很小的缓冲区域内的灰度值急剧变化到另一个灰度相差较大的灰度值。边缘检测主要是图像的灰度变化的度量、检测和定位。图像边缘检测的基本步骤[8]如下：10 图3边缘检测步骤滤波增强检测定位边缘检测主要基于导数计算，受噪声影响，因此通过滤波减少噪声的干扰，但是滤波器在降低噪声的同时也导致边缘强度的损失。常通过计算梯度幅值完成增强算法将邻域中灰度有显著变化的点突出显示。通常应用梯度幅值阈值判定来完成检测这个步骤。最后定位的作用是为了确定边缘的位置。经典的边缘检测方法是构造图像灰度阶跃变化敏感的差分算子来进行图像分割，如罗伯特算子、拉普拉斯算子等。1.3基于区域分割区域分割的实质就是把具有某种相似性质的像素连通起来，从而构成最终的分割区域。它利用了图像的局部空间信息，可有效地克服其它方法存在的图像分割空间不连续的缺点，但它通常会造成图像的过度分割[4]。区域增长法和分裂合并法是基于区域信息的图像分割方法的主要方法[9]。区域增长法有两种方式：一种是将图像分割成很多一致性较强的小区域，再按一定得规则将小区域合成大区域；另一种方式是给定图像总要分割的目标的一个种子区域，再在种子区域基础上将周围的像素点以一定得规则加入其中，最终达到目标与背景分离的目的，文献[10]中基于区域分割方法的例子就是应用了这种方式进行分割的。区域增长法计算比较简单，特别适合于分割小的结构，但是此方法需要人工交互以获得种子点，同时对噪声也比较敏感。分裂合并法是在区域分裂技术中，整个图像先被看成一个区域，然后区域不断被分裂为四个矩形区域，直到每个区域内部都是相似的。分裂合并算法中，区域先从整幅图像开始分裂，然后将相邻的区域进行合并。此方法不需要预先指定种子点，但是可能会使分割区域的边界被破坏。10 如果图像灰度比较明显的情况下，以上阐述的三种分割方法是单独使用是可以得到一个比较理想的结果。但是在复杂背景下的灰度图像通常目标与背景对比度比较差、图像边缘模糊、噪声大，单纯用上述算法对目标分割不能有较优的结果。因此，目前处理这类图像一般选择采用多种技术结合来得到更准确的分割效果[11]。2、彩色图像分割常见方法由于彩色图像比灰度图像提供了更多的信息，以及近年来个人计算机的处理能力也在迅速提高。为了视觉效果更加完美，彩色图像分割越来越吸引了人们的注意。而彩色图像分割在许多多媒体应用中起到了相当重要的作用[3]。大多彩色图像分割的方法是基于灰度图像分割方法的基础上发展起来的。对彩色图像进行分割时要注意彩色空间和分割方法的选择。彩色空间具体分为三种方式[3]：RGB彩色空间、线性彩色空间、非线性彩色空间。R、G、B三色是被作为彩色空间的基本色，但是这三色的高相关性，得知RGB空间不适合彩色图像的分割和分析。YIQ是线性彩色空间的缩写，它能从RGB彩色空间经过线性变换得到的，Y分量表示颜色的高度信息适用于彩色图像中的边缘检测方法，I和Q联合起来便是图像的色调和饱和度。非线性彩色空间有HIS，CIE彩色空间，标准化彩色空间等。目前彩色图像分割方法基本上可以归纳为两种，第一种是把彩色图像转化为灰度图像，然后用灰度图像的分割算法进行分割。这种方法算法比较成熟丰富，但分割过程中丢失了彩色信息，很难分割出彩色信息的细节成分。第二种是专门针对彩色图像的分割算法。分为基于颜色信息的分割方法和基于空间信息的分割方法。第一种方法的基本步骤：10 输入彩色图像利用公式将彩色图像转化为灰度图像根据灰度图像的分割算法提取区域信息和边缘信息将分割好的灰度图像边缘重新赋予信息图4彩色图像分割方法1输出图像彩色图像转化为灰度图像，根据人眼对颜色敏感度的不同，彩色图到灰度图转化公式[12]：f_Y=(9798.0R+19238.0G+3728.0B)/32768.0；2）再根据灰度图像分割方法对图像进行分割。第二种方法的基本步骤是：输入彩色图像色彩空间转化及量化，例如HSV颜色空间定义颜色距离提取边界，利用Sobel、Canny等算子图5彩色图像分割方法2输出图像通过定义HSV颜色空间描述[13]，将HSV颜色空间看做是倒置的圆锥体，长轴表示亮度，离开长轴的距离表示饱和度，围绕着轴的角度表示色调。灰度色调沿着轴线从底部到顶部由黑变到白。具有最高亮度、最大饱和度的颜色位于圆锥体顶面的圆周上。三个分量的值都在0～1之间。HSV10 颜色空间反映了人观察彩色的方式，同时也有利于图像处理。再对颜色距离进行定义颜色数值的差异与人眼识别颜色的一致性，又可根据不同的图片性质选取不同的色调因子和饱和度因子，具有较好的通用性，并且解决了HSV空间中黑色、白色之间的距离以及和其他颜色之间的距离问题。最后根据颜色的突变结合像素在空间上的位置关系，提取颜色突变的边界。和灰度图像分割相似，一方面，迄今仍然不存在普遍的算法和彩色空间合适于所有的彩色图像，也就是到目前为止，出现的彩色图像分割都是针对具体应用；另一方，为了获得更好的分割结果，混合技术也是研究人员研究的方向。四、数字图像分割的发展趋势虽然数字图像处理的研究成果越来越多，但是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，仍然存在问题：1）没有一种普遍使用的分割算法，各类算法都只是针对于具体图像进行分割；2）缺乏通用的分割评价标准[14]；3）有些已有的方法已经不适合快速发展的计算机时代，难以进行更精确地分割，不能满足人类的视觉要求。如何解决这些问题是现研究人员研究的方向。目前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；综合已有的分割方法，并融合新的概念新的方法，将分割图像的结果更加精确；提出一些应用范围广泛的特殊图像分割如立体图像、彩色图像、多光谱图像以及对运动图像和视频图像中目标分割的研究[15],还有对深度图像[16]、纹理图像等分割技术的研究；将图像分割技术应用到更广泛的应用领域，比如航空航天、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术等。随着研究人员的不断努力，分割技术中的不足与问题都会逐一解决。参考文献[1]陈宇,庞全,范影乐.基于直方图判别的细胞图像分割[J].杭州电子工业学院学报，2004年第6期[2]李久权,王平等.CT图像分割几种算法[J].中文核心期刊《微计算机信息》(测控自动化),2006年第22卷第2-1期[3]刘红霞.图像分割算法的研究与实现[D].上海：华东师范大学，2004.[4]王爱民,沈兰荪.图像分割研究综述[J].测控技术，2000年第五期[5]SahooPK，SoltarniS，WangAK．ASurveryofThreshol—dingTechniquesComputerVisiion[J]．GraphicsandImageProcessing-1998·4l：233—377．[6]韩帅.灰度图像分割算法的研究[D].山东：山东大学，2007.10 [7]傅弘,颜鸿森,齐春．基于自适应定向正交投影法解的图像分割方法[J]．Ipl翻图像图形学报．2003，8At3)：286—291．[8]卜涛涛,卢超.图像分割算法研究[J].电脑知识与技术，2010年08期：1944-1946.[9]杨卫平,王勇等.基于区域的图像分割算法综述[J].电子测量与仪器学报,2007年增刊.[10]刘越，葛茂松.图像分割算法的研究与实现[J].齐齐哈尔大学学报.2010年第26卷第5期.[11]史健芳,黄明.一种复杂背景下的灰度图像分割算法[J].仪器仪表学报.2008年第29卷第四期增刊.[12]孟瑞华,宋晓晋.关于彩色图像分割算法的研究[J].矿业快报.2004年第09期.[13]张国权,李战明等.HSV空间中彩色图像分割研究[J].计算机工程与应用.2010年第26期：46.[14]RanjithUnnikrishnan,CarolinePantofaru.TowardObjectiveEvaluationofImageSegmentationAlgorithms[EB/OL],[2010-11-29].http://doi.ieeecomputersociety.org/10.1109/TPAMI.2007.1046[15]刘元纲.网络数字视频监控系统的发展和分析[J].智能建筑与城市信息.2007年第4期.[16]周杨.深度图像分割算法的研究与仿真实现[D].黑龙江：哈尔滨理工大学，2008.10