数字图像处理的区域分割浅析

武汉轻工大学　胡　乾



数字图像处理的区域分割浅析

武汉轻工大学胡乾

【摘要】图像分割一般是指把图像分解成不同区域后从中提取出感兴趣目标的过程和技术。不同分割方法产生的结果会有一定差异，该差异则会进一步影响视觉系统性能。本文给出了目前常用图像分割的几种不同算法并进行了系统分析，分别是基于边缘检测法、阈值分割法以及基于区域生成的法。基于这些算法的MATLAB仿真，得到理想的分割结果，并分析了各种算法的优缺点。

【关键词】边缘检测；区域生成；图像分割；算法；阈值分割

0　引言

学者们通过对图像的研究，发现一个特别的规律，即当大家看到一个图像的时候，一般都只会对这个图像的其中一部分产生比较大的兴趣，该部分(一般定义为图像在特定的或特定区域)被称为目标或前景，而其它部分称为背景。图像分割研究的问题就是把目标从给定图像中孤立出来，进而对该部分进行处理，分割图像研究结果可直接影响整体视觉系统的性能。

图像分割是图像技术中相对较为重要的，在不同领域中有时叫法也不一样：如阈值化(threshold)技术、目标识别(target recognition)技术等。[1]图像分割有着巨大的应用范围，涵盖了有关图像处理的近乎全部领域。例如：在道路交通领域，可以利用图像分割技术将车辆信息从道路的背景下分割出来，极大的利于交管部门电子警察工作；在医学检测领域，可以将肝脏从CT图像中分割出来， 为临床治疗和病理研究提供可靠依据，还可以从MRI、PET等其他模式医学影像中提取有价值的信息；在以不改变其特定对象的前提下对图像进行压缩后，可根据图像内容特点进行区域划分。在这篇文章中我们会对图像分割的三种算法(阈值分割、边缘检测以及区域分割)进行分析。

1　阈值分割

阈值分割法是一种最常见，同时操作起来较为简单的基于区域划分的基本算法，根据目标图像和背景图像在回复特性上的不同，分为两个不同的区域，选择一个合适的阈值，以确定图像中的每个像素属于哪个区域。图像分割最重要的一点是选择最优阈值，目前己提出的阈值分割方法，相应的分类是：根据图像本身的特点，可分为单阈值分割和多阈值分割；根据特征或标准进行分割算法。阈值分割法根据操作方法可细分为直方图法、迭代法、大律法、过渡区阈值选取法等。

1.1迭代法

迭代阈值选取的原理为根据图像内不同对象间灰度分布的差异，将差异较小的图像认为其初始阈值近似，或直接将图像中目标图像灰度值作为初始阈值参考标准，会得到最佳阈值，通过迭代的图像修改和分割阈值。具体操作方法如下：

(1)根据灰度选择初始阈值T，初始阈值的选取直接关系到后面算法的正确性。

(2)利用初始阈值T将已知图像分割成为目标图像和背景图像两组，分别记为R1和R2。

(3)计算R1和R2均值u1和u2。

(4)选取新的阈值T，且：

(5)重复第(2)步到第(4)步，直至R1和R2均值u1和u2均值不再变化为止。

双峰直方图显示的明显谷深图像，用迭代法可以更快速获得满意效果，但不明显的双峰或比例的目标与背景的差异很明显，选择阈值从结果效果来说比其他方法要差一些。选择好的迭代阈值后对图像切割得到目标图像和背景图像则具有良好的切割效果，原因是该图能较好区分前景的主要领域，但不能区分细节领域。总体比较迭代法和双峰法可知，迭代法的效果更好。

1.2大律法

大律法又称为Otsu算法或最大类间方差值法，首先仍然是设定初始阈值，记为t，利用初始阈值T将已知图像分割成为目标图像和背景图像两组，其中目标图案称为前景，背景图案称为背景。设背景图案中有效点数占整体图像有效点数的比例为w1，平均灰度为u1，前景图案中有效点数占整体图像有效点数比例为w0，平均灰度为u0；那么整体图像总平均灰度可以写成：

从最小灰度值到最大灰度值遍历t，当t使得值

最大的时候t就是分割的最佳阈值。

以上公式可理解为首先使用阈值t将整体图像进行分割，被分割部分分别称为前景与背景，其中背景平均灰度设为u1，有效点数发生概率设为w1，前景平均灰度设为u0，有效点数发生概率设为w0，可知w1+w0=1；总均值为u。从式2-2可知，计算结果中方差值越大，则说明图像中灰度分布越均匀，目标图像和背景图像相差值越大，若在阈值设置过程中发生偏差，则会导致结果中方差值比实际偏小，即目标图像和背景图像分割不准确。大律法的计算量很大，造成计算工作负担较重，因此在实际运用过程中，计算人员会根据经验选择以下公式：

一般可认为大津法所选取阈值是最稳定的分割阈值。

2　边缘检测算法研究

图像边缘检测即利用图像本身所属风格，对目标区域进行识别，然后提取图像信息，达到检测的目的。区域分化及形状提取是图像分析中非常重要的基础，是数字图像处理中非常重要的。两者肯定不是连续的灰度值检测灰度值之间的相邻地区一致的边缘通常可以使用方便的方式找到。需要好的措施来解决边缘检测，一般可采用边缘增强算子，即将图像边缘有效信息部分明显放大，利用设置的阈值将边缘有效信息提取并设置成点集。但它比图像模糊和意志的存在的噪声，这些都不可能被打断的边界提取。下面分别介绍常用的两种检测算子：log算子和canny算子。

2.1拉普拉斯高斯算子

拉普拉斯—高斯算子是一种二阶微分算法，其计算方式为在图像边缘处形成线性连续陡峭0交叉，然后利用查找二阶微分的0点的方法来确定边缘点的检测[3]。图1所示为拉普拉斯—高斯运算模板。利用模板及拉普拉斯运算可知，可将暗区域内的亮点放大。在算法运算时，可认为图像中的边缘区灰度会发生跳跃，同时跳跃过程是灰度发生跳变的区域，也增强了噪声。因此在利用拉普拉斯—高斯算子进行边缘检测过程中，应根据实际情况对图像进行平滑处理，减少其不平整现象。

图1　拉普拉斯运算模板

2.2Canny算子

Canny算子是一种相对新颖的边缘检测算子，边缘检测性能量好，它的应用范围正在提升。Canny算子的算法步骤可采用以下方式表达：(1)首先利用Gaussian滤波器对图像进行处理，滤去不必要的影响因子；(2)将图像定好三维坐标，用于标识图像中不同梯度的方向及幅值；(3)对不同梯度图像的方向和幅值均采用非极大值抑制，即设立原点。(4)最后利用canny算子来检测细胞图像。

3　区域分割算法研究

区域分割和生长即将性质不同的像素区域分开，将性质相同的像素区域集合，将每个像素点均看作一个起始位点，不断集合与自身相似性质的其他位点，直到没有像素性质相似的位点为止。区域经济增长是适度增长或类似的局部性质的最重要的选择标准，会用到其中大部分区域生长准则图像。不同像素区域及位点的成长标准不同，一般根据自身性质决定，不同生长的过程中的区域经济增长的影响。下面介绍3种常见的生长准则及方法[4]。

3.1灰度差准则

灰度差准则为不同区域利用自身区域图像像素作为最小单元格，并以此往上拓展，其主要步骤如下：①将不同图像区域进行分段扫描，将像素归类，并标记无归属的像素；②将无归属像素与其他邻域像素进行对比分析，找到灰度差值最小的像素集后，将无归属像素并入该像素集；③重复以上操作直至所有无归属像素均找到所属像素集，同时扩大像素区域，则整个生长过程结束。

3.2灰度分布统计准则

灰度分布统计是将灰度分布相似的区域进行合并，其主要步骤如下：①首先将图像区域进行划分，注意不要出现重叠区域；②将不同区域根据灰度分布相似性定律进行合并和区分；③重复以上操作直至所有所有区域合并完成。

采用此算法的结果好坏跟划分的区域的大小和确定的阈值密却相关。通常情况下划分的区域过大，则会导致过度合并而遗漏区域；相反，如果划分的区域过小，就会导致合并不充分导致而区域被隔断。除此之外，图像本身的复杂程度和原图像生成状况的区别对上面参数选取会产生影响[5]。

3.3区域形状准则

区域形状准则判断方法包括：

(1)将图像根据灰度值划分成不同区域，并固定该区域，设预定阈值为T1，相邻区域周长是P1、P2，而它们共同边界线两边灰度差小于给定值的长度为L，若满足以下条件：

则认为这两个相邻区域可以合并。

(2)同样将图像根据灰度值划分成不同区域，并固定该区域，设预定阈值为T2，而它们共同边界线长度为B，L所代表含义与上式相同，若：

则认为这两个相邻区域可以合并。

利用MATLAB编程，实现区域生长法分割图像如图2所示：

图2　区域生长法分割效果图

4　结束语

本文对目前常用的灰度图像分割算法进行类比分析和总结，提出了不同算法的优缺点，不同的人在不同的事件和环境中的数据提供了一定的依据不同的划分算法，这种分类不是绝对的，从不同的角度，那里的划分可以不一样。

阈值分割算法与迭代法，可有效从不同类间方差法的计算公式中得到阈值边缘检测算法。当利用边缘检测Canny算子的图像时，该方法不容易由于噪声的干扰，能够检测到微弱的相似性为基础的区域生长方法过程满足一定的标准图像中的像素的或次区域的面积较大的需求。

参考文献

[1]贺东霞,李竹林,王静.浅谈数字图像处理的应用与发展趋势[J].延安大学学报(自然科学版),2013,35(04):12-17.

[2]胡晶.数字图像的优势及设计应用[J].美术教育研究,2015, 23(05):61-65.

[3]郑灿香.数字图像处理技术及其应用的相关研究[J].数字技术与应用,2013,32(09):34-38.

[4]保华,王菁,梁欣.Matlab在《数字图像处理》教学中的应用研究[J].教育教学论坛,2016,12(02):54-57.

[5]Simona E.Grigorescu,Nicolai Petkov and Peter Kruizinga. Comparison of TextureFeatures Based on Gabor Filters.IEEE Transactions on image processing[J].2002,11(10):1160-1167.