数字图像处理中的图像分割技术及其应用

李月月 李宗贺 王思雨

摘 要：不同算法在实际运用中往往遇到一些问题，都有着各自的局限性和缺陷，提取效果往往不尽人意。本文从图像分割技术的基本原理出发，比较 全面地总结了有代表性的图像分割方法，以期为数字图像处理提供帮助。

关键词：数字图像;基本原理;分割方法

1引言

图像分割是图像处理中的关键问题，近年来已经提出了新的图像分割算法。随着计算机技术的快速发展，以及经过国内外学者长时间的研究 和发展，目前已经成功提出了很多种不同功能的数字图像边缘检测算法， 这些算法在图像处理领域占据不可替代的地位，在图像处理问题中，边缘 作为图像的一种基本特征，为人们描述或识别目标以及解释图像提供了 一个重要的特征参数。图像边缘检测最终的需求是获得精确的边缘定位， 并且能够有效的进行噪声抑制。但是，目前没有针对每个图像处理任务的 最佳算法。通常，通过测试每种可能的算法或使用先前问题的知识来选择 最合适的算法，这些过程可能具有很高的计算成本。

2 图像边缘提取新算法

2.1 SAR 图像分割方法

多尺度SAR 图像分割方法。首先，使用Curvelet 变换来获取多个尺度上分解的SAR 图像的集合。通过规则的细分将它们的域划分为一组块， 其中块的数量假定为具有Poisson 分布的随机变量。在分区域上，遵循貝叶斯范式建立具有未知类数的基于区域和多尺度的图像分割模型。此外， 设计了通用多次尝试可逆跳转（GMTRJ）算法来模拟分割模型。在分割模型的迭代仿真过程中，当前尺度的分割结果被视为下一尺度的初始分割。 对应于最佳比例的分割结果被认为是最佳图像分割。SAR 图像验证了 该方法的有效性。测试的模拟SAR 图像的Kappa 系数最高为0.998，测试 的真实SAR 图像的Kappa 系数最高为0.903。从定量和定性评估的测试结果可以发现，该方法不仅可以确定分类的数量，而且可以很好地分割均匀 区域。

2.2 差分进化算法

图像分割是基于地理对象的图像分析中的关键问题，因此确定适当的分割参数是允许获得准确分割的前提。最新的的利用局部空间统计量 的差分进化分割参数选择方法，以实现图像分割的自动参数优化。使用局 部空间统计方法计算段内同质性（WSH）和段间异质性（BSH）的两种度 量，然后将其集成到用于指示整体分割质量的全局值中。另外，在BSH 计算中考虑了每个段与其相邻段之一之间的公共边界的贡献，以获得更客 观的评估。对于此实验，使用多分辨率分割（MRS）方法作为分割算法，并 使用GF-1 图像作为测试数据。所提方法的度量分析实验表明，BSH 对分段不足更为敏感。与其他四种方法相比，该方法的视觉和差异测量结果表 明，该方法更有可能识别适当的分割参数，从而可以实现高质量的分割。

2.3 Otsu 算法

Otsu 算法作为一种根据于阈值的图像分割方法被提出，也被称之为最大类间方差算法，属于全局阈值化方法。Otsu 算法作为图像分割界的一种算法在电子技术领域得到了较为普遍的推行，它是实现阈值分割的经 典算法之一，Otsu 算法的最为关键之处是分割阈值t 需要使得目标和背景两类的类间方差达到最大。方差能够较为全面映射出一个随机变量对应 的一组数值的离散程度，也就是均衡性的大小，在同一个情况之下，方差 值越大也就在一定程度上表明此组数据的波动情况也在增大，其均衡性 就差，相反的方差越小，表这组数据越趋向稳定，均衡性也就很高[1]。图像一般包含目标物体、背景和噪声，基于一幅图像的统计学特性，将人为假 定的某一的灰度值将原始图像的灰度设置成两类，包含背景和目标。当这 两类本身内部像素的灰度值的均衡性越高，所对应的方差就越小，反之，当两类之间的均衡性越小时，那么与此同时所对应的方差能够达到最大， 此时的灰度值能代表的就是最为合适的分割阈值。

3 图像分割技术的应用 3.1 在医学上的应用

随着医学图像采集系统的发展，已经广泛研究了使用多模式的分割。

图像融合的不同策略，例如概率论、模糊概念、信度函数和机器学习已经 成功开发[2]。医学图像分割在许多临床应用中发挥重要作用，例如疾病诊断，手术计划和计算机辅助治疗。但是，由于图像质量不同，物体形状复杂 以及离群值的存在，这是一项非常具有挑战性的任务。多模态被广泛用于 医学成像中，因为它可以提供有关目标（肿瘤，器官或组织）的多种信息。

使用多模态的细分包括融合多种信息以改善细分。最近，基于深度学习的 方法在图像分类，分割，对象检测和跟踪任务中展现了最先进的性能。由 于其对大量数据的自学习和泛化能力，最近也引起了人们对多模式医学 图像分割的极大兴趣。

3.2 图像分割在遥感中的应用

图像分割是基于地理对象图像分析中至关重要的基础步骤。许多多 尺度分割算法已广泛用于高分辨率（HR）遥感图像中。这些分割算法需要 一个预设参数（称为scale 参数）来控制每个对象的平均大小。但是，由于空

间变化，单一尺度参数很难描述具有不同土地覆被的区域的边界。为了克 服这一局限性，可采用一种用于多尺度分割的自适应参数优化方法。为了 找到物体的最佳比例，通过计算物体间和物体内的光谱角来应用局部光 谱异质性度量。

4 结语

图像的分割是图像处理中最困难的任务之一，图像分割技术能借助数字处理的底层技术来实现模式的识别功能，因此得到广泛应用。今后要加 强图像分割技术的基本原理的研究。

参考文献

[1] 姜维. 浅析数字图像处理技术及其应用[J]. 信息与电脑（理论版）（3）：136-137.

[2] 张晶，王黎，高晓蓉，王泽勇，周小红，彭建平. 数字图像处理中的图像分割技术及其应用[J]. 信息技术（11）：36-39，43.