对图像分割方法的认识及新进展研究

2018-12-22刘印辽宁师范大学计算机与信息技术学院

数码世界 2018年8期

刘印辽宁师范大学计算机与信息技术学院

图像分割就是将图像分成不同的、若干个特定的且具有独特性质的区域，提出目标以及技术的过程。其是通过图像处理在图像分析关键步骤构成。现阶段主要应用的图像分割方法主要有基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。而基于数学角度分析来说，图形分割就是将数字图像划分不想交的区域过程。图像分割的过程就是标记的过程，也就是对相同区域的像素进行相同的编号处理。

1.对图像分割方法的认识

1.1 初识图像分割的基本概念及其重要性

图像分割就是将图形中具有意义的特征以及区域进行提取的过程，这些具有意义的特征主要就是图像的原始特征、例如像素的灰度数值、颜色以及纹理等空间频谱等等。

在计算机视觉理论中，其右下至上可以分为三个任务，分别就是图像分割、特征提取以及目标识别分析。图像分割的主要目的就是将图像划分为不同的、若干个不相交的区域氛围，保障各个区域的一致性，而临近区域之间的竖向特征则具有较为显著的差别性，对此，图像分割的质量对于其今后的特征提取以及目标识别有着直接的影响。

1.2 传统图像分割方法

在传统图像分割中，其主要应用的方法主要有基于区域、基于边缘和二者的结合的方式手段，其具体如下：

1.2.1 基于区域的分割方法

就是直接的进行区域寻找，将其作为区域基础进行的分割技术手段，逐渐衍生出两种不同形式的区域提取方法，第一种就是由点及面的方式，也就是在单个元素开展，逐渐的拓展合成其需求分割区域之中；而另一种则就是由面到点的形式，也就是通过逐步分割的方式到达其需要的分割区域范围。

1.2.2 基于边缘检测的分割方法

在此种方法中架设在不同区域之间边缘数值上的灰度值变化相对较大，要对图像中的边缘点进行检测分析，基于特定的策略链接形成轮廓，最终形成分割区域范围。

1.2.3 区域与边缘相结合的分割方法

边缘检测方式可以获得灰度值的具备变化强度信息，区域分割可以对检测特征的相似性以及均匀性进行检测分析，综合惹着的特性可以有效的避免区域过分切割等问题，可以保障切割轮廓的整体完整性。

1.3 对部分结合特定理论的图像分割方法的认知

现阶段主要应用的就是七大类分割方法，其主要就是基于数学形态学理论、模糊理论分割方法、神经网络理论分割方法、支持向量机分割方法、图论分割方法、免疫算法以及粒度计算理论等等，笔者重点论述了基于数学形态学的图像分割方法、基于神经网络的图像分割方法以及基于粒度计算理论的图像分割方法。

1.3.1 基于数学形态学的图像分割方法

数学形态学的基本思想就是具有特定结构的元素对图像中的相关形状进行度量以及图像提取分析，进而达到图像分析以及识别的主要目的。而此种方法中最为经典的就是分水岭方法，其具体如下：

分水岭方法的主要思想就是将图像作为测地学领域中的拓扑地貌，在图像中的像素灰度值就表示其具体的海拔高度，不同的局部极小值以及其主要影响区域就是集水盆，集水盆的边界就是分水岭。分水岭的概念形成可以通过模拟侵入过程进行分析说明，在每一个局部中极小值表面中刺穿小孔，在将整个模型浸入到水中，在加深的过程中每一个极小值的影响就会拓展，这样在两个集水盆的汇合位置中构筑大坝，这样就会形成分水岭。分水岭的主要计算方式可以分为排序以及淹没两个过程。在实践中，要对像素的灰度级由低到高的排序，然后在从低到高的淹没中，对局部极小数值在n阶高度中产生的影响域进行分析，通过先进先出(FIFO)结构对其进行判断以及标注处理。

对其进行分析可以发现，此种方式的本质就是区域增长的图像分割方法。相对于传统的方法来说，此种方式可以获得边界持续、封闭性良好、闭合的目标图像，也因为其此种特征导致图像的噪声、物体表面上存在细微的灰度变化特征都会诱发较为严重的过度分割问题。

而要想解决此种问题，现阶段可以通过以下几种方式开展：

第一，分割预处理。通过图像去噪等方式，进行形态学的重新构建，其主要的原则就是减少小的积水盆，降低过分分割数量；第二，分割后处理，在分割之后会产生多个小区域范围，要综合实际状况选择合适的算法，整合处理，此种方法相对较为复杂。第三，要加强对分割在预处理以及后处理结合的重视，综合死机需求对图形进行适度的分割与处理以及控制分析。

1.3.2 基于神经网络的图像分割方法

随着人工智能化的发展，基于神经网络的图像分割技术逐渐成熟。此种方法的主要思想就是通过训练样本的方式对神经网络进行训练，确定具体的节点之间的连接权值，在利用处理好的神经网络对新输入的图像进行分割处理。

1.3.3 基于粒度计算理论的图像分割方法

粒度是通过对不同大小对象进行分析。要将传统的“粗粒度”的大对象分割形成不同的“细粒度”的小对象模式，然后将若干个小对象进行整合，形成较大的粗粒度对象进行研究分析。所谓的粗度计算就是信息处理一种全新的概念以及方式，其主要就是不精确、模糊以及不完整的海量信息。综合粒度计算理论分析，图像分割就是图像在粗粒度空间转变形成细粒度空间的整个过程。应用分层的方式对图像进行处理，先进行粗分割处理，在细化处理，获得重要的区域特征之后，在进行局部细化处理，在对其进行区域分割处理。

2.图像分割技术发展趋势

在今后的发展中，要对原有的算法进行改进，要对新方法、新概念进行引入，合理应用各种有效的方法，一些学生在研究过程中将新方法以及新概念引入到图形分割算法过程中，无法获得良好的效果，对此人们在应用的过程中也整合了各个方法与手段。通过对现阶段出现的各种分割方法分析发现，在今后的发展中基于小波变换的方式进行图像分割处理是一种有效的方式。

而随着交互式分割方法的逐渐深入，在各个场合中要对目标图像进行边缘分割分析，此种方法在时间中应用越来越广泛。同时，现阶段对于立体图像、彩色图像、多光谱图像以及多视图图像进行分割研究，运动图像以及视频图像的目标分割研究逐渐深入，特殊人格图像分割研究逐渐深入，在今后的发展中此种问题势必会有效解决。