多层多路图像分割研究

唐凤仙

摘要：图像分割技术关系到图像的处理效果，是优化图像的关键技术。目前对图像分割方法的研究内容较多，由于图像的特异性和对图像的需求不同，图像分割不能确定一个具有广泛意义的分割方法。该文介绍图像分割的基本内容，针对目前使用较为普遍的图像分割技术如阀值分割、基于边缘的图像分割以及利用数学模型进行分割的方法，提出各个分割方法的特点和优势，并介绍图像分割技术的应用现状，给图像分割提供一定的参考和技术支持。

关键词：图像分割；阀值分割；边缘优化；算法分析

中图分类号：TP302 文献标识码：A 文章编号：1009-3044（2014）25-5974-02

图像分割是将图像按照一定方法进行划分，并提取出想要的部分进行分析。图像分割技术是对图像进行处理的第一步，图像分割质量将对最后的图像处理效果产生直接的影响，尽管目前业界已经认识到图像分割的重要性，但并没有统一的方法适用于所有的图像分割，目前图像分割技术已经成为计算机技术和图像处理技术中的重要课题，加强对图像分割技术的研究有助于提高图像分割质量。

1 图像分割的定义

人类可以通过多种感觉感知外界信息，图像作为视觉感知的主要内容，其传递的信息更加丰富，但生活中我们可能只对所看到图像中的一部分感兴趣，这部分感兴趣的目标只是图像中的一小部分，而且可能与周边的环境存在一定差别。图像分割就是利用计算机技术和图像处理技术将具有不同特征的图像部分从总体中提取出来，图像分割技术关系到图像处理效果的好坏，也逐渐引起人们的重视。

目前对于图像分割的研究还不够深入，不能获得一种通用的办法对所有的图像或者大部分图像进行有效的分割，也没有一种方法能够兼顾所有需要注意的内容。其主要原因在于图像本身的色彩、内容较为复杂，图像获得过程中受到的影响较大，而且对图像分割质量的评判标准无法统一，主观性较大，因此图像分割技术是目前计算机视觉中的经典问题。

2 经典的图像分割方法

从图像分割技术提出开始，已经出现了成百上千种的图像分割方法，新的针对图像分割技术的算法也在逐渐涌现。尽管这些算法在进行图像分割时采用的方式存在一定的差别，但其本质都是基于像素灰度值的不连续性和相似性两个特点进行的，像素的相似性指的是在图像的同一个部分，像素的灰度值比较接近，不连续性指的是在相邻两个区域的连接位置像素的灰度存在跳跃现象。目前的图像分割技术主要有以下几种：阀值分割、基于边缘的图像分割和基于函数的图像分割。

2.1 阀值分割方法

阀值分割是图像分割技术最经典的方法之一，该方法主要依靠图像上各个位置的像素灰度差别进行图像分割。进行图像分割时，针对一个分割图像，根据需要设定一个阀值，就能将图像进行有效的分割，分割后的图像包括目标图像和背景图像两个部分，这种分割方法一般称为单阀值分割。当所要分割的图像较为复杂或者对图像分割的精度要求较高时，单阀值分割不能满足需要，需要在阀值选择时同时选择多个阀值，才能将目标图像分割成想要获得的结果，这种分割方法成为多阀值分割。多阀值分割后还要对分割后的目标图像进行分析处理，确定目标图像的唯一性。阀值分割方法简便快捷，能够在短时间内实现图像的快速分割，当图像灰度值相差十分明显时，阀值分割能够实现图像的快速有效处理，当图像灰度变化很小时，阀值分割的精度有限。此种分割方法的关键在于阀值的选取，近年来对阀值的选取也进行了很多的研究，选取方法包括最大相关性原则、拓扑稳定原则、共生矩阵等等，为了提高阀值分割的精度，进行阀值选择时可以考虑多种算法同时使用，这也是图像分割的前进方向。

2.2 基于边缘的图像分割技术

边缘的定义与其字面意思不同，在图像分割中可以指代任何出现图像信息突变的位置，包括图像的局部不连续等情况，具体的如图像的灰度突变或者图像内容的突变等等。在图像分割中，边缘意味着某一区域范围图像的结束和下一范围图像的开始，边缘的检测目前使用最普遍的是空间微分算子。在灰度存在明显差别的图像之中肯定有边缘的存在，这也是一种边缘确定的方法，灰度的不连续能够利用灰度导数确定。目前对于边缘的检测还包括一次微分、模板操作等方法。对于一些图像较为简单，且边缘过渡十分明显的图像，边缘检测能够收到良好的效果，但对于边缘结构较为复杂如边缘不连续甚至边缘丢失的图像，利用这种方法检测难度较大，而且噪声的存在会降低检测的精度，这也给图像分割带来了一定的难度。目前普遍使用的方法是先对图像进行降噪处理，然后求导或者进行图像的灰度拟合，利用拟合函数进行分析，这种方法能够降低噪声对图像分割的影响，但分割效果还是差强人意，如何获得精度较高的边缘是基于边缘图像分割方法将来研究的关键。

2.3 基于函数优化的图像分割

区别于传统的分割方法，这种方法主要利用数学函数对图像进行分割。进行图像分割时，根据用户需求和图像特点确定一个目标函数，利用目标函数的变化曲线确定分割图像的位置，一些研究人员已经提出了广泛意义上的目标函数，利用统计学原理、结合贝叶斯公式对目标函数进行处理，进而完成图像的分割是这种分割方法的主流。

利用统计学的方法对图像分割主要原理在于，将图像上的像素点看做随机分布的数学变量，对数学变量进行统计，根据看到的实际物体情况和分割的目标图像特点进行统计学分析，找到最佳的分割方法，统计学分割根据分割方法的不同可以进一步划分为标号法、混合分步布等。

基于区域信息也能进行图像分割，具体方法包括增长法和分裂合并法。增长法可以通过两种方式实现，其一是现将所要分割图像分成多个一致性较强的区域，然后按照目标图像特点将小区域融合成大的图像，实现图像分割的目的。其二是在图像上先划分出一定范围的种子区域，在不断从周围引入像素点到种子区域中，实现目标图像和背景图像的分离。分裂合并法与增长法方向相反，利用给定的相似度从图像的某一点开始，逐渐覆盖到整个图像，保留与给定图像相似度满足要求的像素点，剔除与图像相似度较差的像素点，进而实现图像的分割。

3 结合特定工具的图像分割算法

目前并没有一个适用性较强的图像分割技术，近些年国内研究人员尝试将一些新的概念运用到图像分割中，已经取得了一定的成果，比如神经网络和小波分析等数学工具的引入，能够极大程度上提高图像分割的效果。

3.1 基于遗传算法的图像分割

遗传算法通过模拟生物种群繁衍与进化实现智能化的选择，从诞生开始就受到人们的重视。随着对遗传算法的深入研究，科学家已经将遗传算法应用到各个学科之中。利用遗传算法进行图像分割的优化研究也有着巨大优势，在进行图像分割时，由于涉及到的信息参数和用户需求种类繁多，从多种信息中选择最优解就显得尤为重要。利用遗传算法能够对目标信息进行优化选取，得到满足需求的最优解，且能够缩短优选时间。也有一些研究人员将遗传算法应用到图像分割的信息融合之中，通过遗传算法自身的特点降低图像分割难度，能够解决彩色图像分割中问题，给彩色图像的分割提供了新的思路。

3.2 基于人工神经网络技术的图像分割

利用神经网络的学习和记忆功能能够提高函数最优解的求解效率，利用函数分析对目标图像进行有效分割，通过神经网络的高适应性能够极大提高函数求解速度。神经学的快速发展也使得神经网络模型更加全面，能够适应不同功能需要的函数求解之中，新型的脉冲耦合网络功能更加强大，可以根据用户需求进行神经网络设计，也给图像分割处理提供了新的方向。脉冲耦合神经网络具有捕获特性，会产生点火脉冲传播，对输入图像具有时空整合作用，相邻的具有相似输入的神经元倾向于同时点火。种种优点使得脉冲耦合网络在处理灰度图像上有着无与伦比的优势，可以通过分辨图像灰度对图像区域进行快速分割。即使要目标图像在一些相邻的交叉区域存在灰度重叠现象，也能利用神经网络的时空整合功能，根据图像上的灰度分布情况，实现图像的有效分割。这一特点是其他分割方法不具备的，也决定了神经网络技术在未来的图像分割中将起重要作用。

3.3 基于小波分析和变换的图像分割

小波理论的兴起也给图像分割技术提供了新的方法，小波理论在解决局部最优解上有着独特的优势，针对不同分辨率图像的分析能力也显著提高，将小波理论应用到图像分割中，能够解决目前图像分割在图像分辨率和求解速度方面的缺陷。作为一种多通道的分析工具，小波分析最适合图像边缘检测。除此之外，小波分析还能够利用自身的变焦特点，在不同频率频段范围内灵活使用各种分辨率，进而有效调整各个图像频段的计算速度，也能根据用户需求调整分辨精度。小波分析在图像分割中的应用不止这些，由于小波技术能够与遗传算法等技术相融合，国内已经出现了将小波技术和其它算法结合的图像分割技术，有效地解决了目前图像分割在图像处理速度和精度上存在的一些问题。

4 图像分割的应用现状

图像分割技术是图像处理技术中的重要组成部分，分割质量的好坏直接影响到对图像的分析和优化，随着图像分割技术的日渐普及，其应用范围也更加广泛，各行各业中都能找到图像分割的影子，需要对图像进行目标提取或者目标测量时都需要进行图像分割。一般情况下，采用图像分割主要是为了从图像中提取出目标图像，图像分割的效果将影响到后续工作的进行，因此保证图像分割的准确性十分必要。目前，图像分割在图像工程学中的位置十分重要，其应用范围已经遍布医学、军事、遥感、通信等各个领域，在医学中，图像分割技术已经应用到X光、图像分析、CT等多个技术之中，给相关医学的开展提供了便利。通信时的可视电话与电视会议中也可以看到图像分割技术的影子，图像分割促进了通信技术的发展。交通管理中常常需要对司机、乘客等进行

指纹识别、人脸识别等，图像分割技术将直接影响识别的准确性。航空航天中对太空情况进行探测以及星际图像的处理分析等都需要用到图像分割技术。可以说，图像分割技术已经渗入到我们生活中的方方面面，随着计算机技术的快速发展，图像分割的应用也将更加广泛。

5 结束语

图像分割技术的广泛应用提高了图像的处理效率，但图像分割质量也变得更加爱重要。由于图像自身种类繁多的特性，且用户对图像有着不同的需要，难以实现图像的统一分割。同时，目前的图像分割技术在分割效果上还存在不足，单一的图像分割技术不能适用于不同的图像之中，实际应用时往往会同时使用多种技术已获得更加优秀的图像质量，浪费了大量的人力物力。加强对图像分割技术的研究，有着深远的经济价值和社会价值，值得进一步的深化分析。

参考文献：

[1] 孙越泓.基于粒子群优化算法的图像分割研究[D].南京：南京理工大学，2010.

[2] 胡凯.基于马尔可夫多特征随机场模型的脑部MR图像分割研究[D].湘潭：湘潭大学，2013.

[3] 符升高.水平集方法用于图像分割研究[D].西安：西安电子科技大学，2010.

[4] 付云凤.基于阈值的图像分割研究[D].重庆：重庆大学，2013.

[5] 陈晓丹，李思明.图像分割研究进展[J].现代计算机：专业版，2013（33）：33-36.