图像分割相关技术及其应用研究

王 磊

(苏州市职业大学 计算机工程系，江苏 苏州 215104)

图像分割相关技术及其应用研究

王 磊

(苏州市职业大学 计算机工程系，江苏 苏州 215104)

图像分割是图像处理中的一个重要问题，也是一个经典难题.文章介绍了常用的图像分割的常用技术：如阈值分割方法、边缘检测方法和区域分割方法，以及图像分割的新技术.应用了基于标记的分水岭算法，从仿真实验结果可以看出，标记的选取是该算法图像分割的关键.

图像处理；图像分割；分水岭；标记

在对图像的研究和应用中，人们往往只对其中的某些目标感兴趣，这些目标一般占据一定的区域.为了辨识和分析目标，借助图像分割技术，将有关区域分离提取出来，在此基础上对目标进一步利用，如进行特征提取和测量等.

1 常用的图像分割技术

1.1 阈值选取的图像分割

阈值方法是灰度图像分割普遍采用的方法，其实现简单、计算量相对较小、性能也比较稳定[1].该类方法首先确定一个处于图像灰度取值范围的灰度阈值，再将图像中各个像素的灰度值都与该阈值进行比较，并根据比较结果将对应的像素分类，从而达到分割的目的.

基于阈值的图像分割方法一般分为全局阈值方法和局部阈值方法.全局阈值方法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标的灰度值范围有重叠时，一般采用局部阈值方法.按照分割的结果来划分，阈值分割可分为二元阈值分割和多元阈值分割[2].

1.2 区域图像分割

区域图像分割算法又称为区域生长法，一般采用均匀化的条件，可分为区域生长、区域分裂和分裂-合并技术.从本质上说，区域图像分割就是将各个像素进行分类的过程，可根据像素的灰度值、颜色或空间特性和纹理特性等对图像进行分割.该类算法对某些复杂物体定义的复杂场景的分割或者对某些自然景物的图像分割，效果较好.

基于区域的图像分割方法往往需要人为确定种子点，对噪声敏感，可能导致区域内有空洞.高晓亮[3]等提出了一种基于灰度特征统计的可变区域的分割算法，利用基于全局灰度统计信息的活动轮廓模型进行曲线演化，使用水平集表示轮廓，通过不断改变和缩小分割区域的策略，利用邻域替代算法，将分割过程分为多个阶段进行.该方法可以自动地完成工作而无需人工干预.

1.3 边缘检测的图像分割

数字图像的边缘检测是图像分割等图像分析领域的基础.其基本思想是利用边缘增强算子，突出图像中的局部边缘，从而定义像素的边缘强度，通过设置阈值的方法提取边缘点集，达到分割图像的目的.常用的检测算子有微分算子、拉普拉斯高斯算子(LOG)以及Canny算子.

微分算子中，一般用到的有Robert算子、Sobel算子、Prewitt算子和Laplacian算子.Robed算子是2×2算子，利用局部差分算子寻找边缘的算子，直接计算图像差分，不包含平滑，故不能抑制噪声，对具有陡峭的低噪声图像响应最好.Sobel算子和Prewitt算子都是对图像进行差分和滤波，对灰度渐变和噪声较多的图像处理较好.Laplacian算子是二阶微分算子，其零交叉点也可作为图像的阶跃型边缘点，而其极小值点可作为图像的屋顶型边缘.LOG算子先用高斯函数对图像滤波，再对滤波后的图像进行拉普拉斯运算，算得的值等于零的点认为是边界点.优点是过滤了噪声，缺点是可能将原有的边缘也给平滑了，高斯函数的方差直接影响到边缘检测的结果.Canny算子是一阶算子，其梯度是用高斯滤波器的导数计算的，检测边缘的方法是寻找图像梯度的局部最大值.Canny算子是传统一阶微分中检测阶跃型边缘效果最好的算子之一，它比Prewitt算子、Sobel算子、Laplacian算子的去噪能力都要强，能够检测到弱边缘，但也容易平滑掉一些边缘信息.

2 图像分割新技术

近年来，遗传算法、数学形态学、小波变换等被引入到图像分割中来，进而产生很多新的图像分割算法.

遗传算法于1973年由美国学者Holland提出并在20世纪90年代被引入到图像分割领域，其在求解过程中使用随机转换规则来工作.孙鹏飞[4]等将最小误差分割法与遗传算法进行改进并且相互结合，提出了一种结合遗传算法的局部最小误差孔穴图像分割法，利用局部图像信息确定最佳阈值范围，并根据模拟退火思想对个体适应度进行自适应的调整，该方法能准确地分割出孔穴图像.

数学形态学的基础是集合论，由一组形态学的代数运算子组成，其基本思想和方法对图像处理产生重大影响，成为计算机图像处理的一个重要研究领域.数学形态学用于图像分割最典型的例子就是分水岭算法(Watershed变换).刘荣[5]等把分水岭和图像分割相结合，实现了三维空间上序列轮廓的自动提取，该算法在分割效果和分割时间都优于传统算法.

小波变换是在傅里叶分析的基础上发展起来的，是一种在空间域和频率域同时拥有分辨性的多尺度的分析方法，刘洲峰[6]等提出了基于小波变换多分辨率分析方法与改进分水岭分割算法相结合的综合分割方法，利用逐层影射和小波反变换得到高分辨率的图像，能有效地减少分水岭算法图像过分分割的现象.

3 本研究采用的方法

本研究所采用的是一种基于标记的分水岭算法的图像分割方法[7]，分水岭算法是一种基于拓扑理论的数学形态学的分割方法，近年来基于形态学的分水岭算法因其计算速度快，且能精确定位图像的边缘而受到极大关注.

3.1 分水岭算法

分水岭算法的基本思想是基于局部极小值和积水盆的概念，一般分排序过程和淹没过程两个步骤，先对每个像素的灰度级进行从低到高排序，然后再从低到高实现淹没，从而得到输入图像的积水盆图像，积水盆之间的边界点即为分水岭，分水岭表示的是输入图像极大值点.为得到图像的边缘信息，通常把梯度图像作为输入图像，即

式中：f(x，y)表示原始图像；grad{.}表示梯度运算.

分水岭算法对微弱边缘具有良好的响应，图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象，如图1所示.同时可以看出，分水岭算法对微弱边缘具有良好的响应，是得到封闭连续边缘的保证.

为降低分水岭算法产生的过度分割，通常要对梯度函数进行修改，一个简单的方法是对梯度图像进行阈值处理，以消除灰度的微小变化产生的过度分割.即

式中gθ表示阈值.

3.2 基于标记的分水岭算法

因为分水岭是以梯度图的局部最小点作为积水盆地的标记点，会出现过度分割现象.实际应用中首先确定图像中目标的标记，再进行生长，并在生长过程中仅对具有不同标记的标记点建筑防止溢流汇合的坝，产生分水岭，这就是基于标记的分水岭算法.其过程主要分为3个步骤：①对原始图像进行梯度变换，得到梯度图；②用合适的标记函数把图像中相关的目标及背景计算出来，得到标记图；③将标记图中相应标记作为种子点，对梯度图像进行Watershed变换，得到分水岭.

图2是基于标记的分水岭算法的图像分割，由图1、图2比较看出运用合适的标记可以尽量避免过度分割的现象.

图1 分水岭算法图像分割

图2 基于标记的分水岭算法图像分割

4 结论

本文主要对图像分割相关技术及其应用进行论述，应用了基于标记的分水岭算法进行图像分割，从仿真实验结果可以看出，标记的选取是该算法图像分割的关键，在标记的基础上把相邻的具有相似性质的区域合成为一个区域，可以有效解决传统分水岭算法导致的过度分割现象.

[1]王国权，周小红，蔚立磊. 基于分水岭算法的图像分割方法研究[J]. 计算机仿真，2009，26(5)：255-258.

[2]陈兵旗，孙明. 实用数字图像处理与分析[M]. 北京：中国农业大学出版社，2007：56-68.

[3]高晓亮，王志良，刘冀伟，等. 基于灰度特征统计的可变区域图像分割算法[J]. 光学学报，2011，31(1)：1-6.

[4]孙鹏飞，任洪娥，董本志. 结合遗传算法的局部最小误差孔穴图像分割法[J]. 计算机工程与应用，2012，48(7)：169-171.

[5]刘荣，彭艳敏，唐粲，等. 基于分水岭与图割的自动分割方法[J]. 北京航空航天大学学报，2012，38(5)：636-640.

[6]刘洲峰，徐庆伟，李春雷. 基于小波变换的图像分割研究[J]. 计算机应用与软件，2009，26(4)：62-64.

[7]张德丰. Matlab数字图像处理[M]. 北京：机械工业出版社，2009：209-246.

Image Segmentation Technique and Its Application

WANG Lei

(Department of Computer Engineering，Suzhou Vocational University，Suzhou 215104，China)

Image segmentation is an important issue and it’s also a classical problem.In this paper three kinds of image segmentation technology are intruduced. They are threshold segmentation method，Edge detection method and region segmentation method. New technology of Image segmentation is also described.Watershed algorithm based on tag is applied in this paper. From the simulation results we conclude that marker selection is the key to image segmentation algorithm.

image processing；image segmentation；watershed；marker

TP317.4

A

1008-5475(2012)04-0010-03

2012-09-18；

2012-10-15

王 磊(1978-)，女，江苏盐城人，讲师，硕士，主要从事·net平台开发、图像处理研究.

(责任编辑：李 华)