圖像分割技術(shù)的原理及應(yīng)用

　　圖像分割至今尚無通用的自身理論。隨著各學(xué)科許多新理論和新方法的提出，出現(xiàn)了許多與一些特定理論、方法相結(jié)合的圖像分割方法。

　　特征空間聚類法進(jìn)行圖像分割是將圖像空間中的像素用對(duì)應(yīng)的特征空間點(diǎn)表示，根據(jù)它們?cè)谔卣骺臻g的聚集對(duì)特征空間進(jìn)行分割，然后將它們映射回原圖像空間，得到分割結(jié)果。其中，K均值、模糊C均值聚類（FCM）算法是最常用的聚類算法。K均值算法先選K個(gè)初始類均值，然后將每個(gè)像素歸入均值離它最近的類并計(jì)算新的類均值。迭代執(zhí)行前面的步驟直到新舊類均值之差小于某一閾值。模糊C均值算法是在模糊數(shù)學(xué)基礎(chǔ)上對(duì)K均值算法的推廣，是通過最優(yōu)化一個(gè)模糊目標(biāo)函數(shù)實(shí)現(xiàn)聚類，它不像K均值聚類那樣認(rèn)為每個(gè)點(diǎn)只能屬于某一類，而是賦予每個(gè)點(diǎn)一個(gè)對(duì)各類的隸屬度，用隸屬度更好地描述邊緣像素亦此亦彼的特點(diǎn)，適合處理事物內(nèi)在的不確定性。利用模糊C均值（FCM）非監(jiān)督模糊聚類標(biāo)定的特點(diǎn)進(jìn)行圖像分割，可以減少人為的干預(yù)，且較適合圖像中存在不確定性和模糊性的特點(diǎn)。

　　FCM算法對(duì)初始參數(shù)極為敏感，有時(shí)需要人工干預(yù)參數(shù)的初始化以接近全局最優(yōu)解，提高分割速度。另外，傳統(tǒng)FCM算法沒有考慮空間信息，對(duì)噪聲和灰度不均勻敏感。

　　模糊集理論

　　模糊集理論具有描述事物不確定性的能力，適合于圖像分割問題。1998年以來，出現(xiàn)了許多模糊分割技術(shù)，在圖像分割中的應(yīng)用日益廣泛。模糊技術(shù)在圖像分割中應(yīng)用的一個(gè)顯著特點(diǎn)就是它能和現(xiàn)有的許多圖像分割方法相結(jié)合，形成一系列的集成模糊分割技術(shù)，例如模糊聚類、模糊閾值、模糊邊緣檢測技術(shù)等。

　　模糊閾值技術(shù)利用不同的S型隸屬函數(shù)來定義模糊目標(biāo)，通過優(yōu)化過程最后選擇一個(gè)具有最小不確定性的S函數(shù)。用該函數(shù)增強(qiáng)目標(biāo)及屬于該目標(biāo)的像素之間的關(guān)系，這樣得到的S型函數(shù)的交叉點(diǎn)為閾值分割需要的閾值，這種方法的困難在于隸屬函數(shù)的選擇。基于模糊集合和邏輯的分割方法是以模糊數(shù)學(xué)為基礎(chǔ)，利用隸屬圖像中由于信息不全面、不準(zhǔn)確、含糊、矛盾等造成的不確定性問題。該方法在醫(yī)學(xué)圖像分析中有廣泛的應(yīng)用，如薛景浩等人提出的一種新的基于圖像間模糊散度的閾值化算法以及它在多閾值選擇中的推廣算法，采用了模糊集合分別表達(dá)分割前后的圖像，通過最小模糊散度準(zhǔn)則來實(shí)現(xiàn)圖像分割中最優(yōu)閾值的自動(dòng)提取。該算法針對(duì)圖像閾值化分割的要求構(gòu)造了一種新的模糊隸屬度函數(shù)，克服了傳統(tǒng)S函數(shù)帶寬對(duì)分割效果的影響，有很好的通用性和有效性，方案能夠快速正確地實(shí)現(xiàn)分割，且不需事先認(rèn)定分割類數(shù)。實(shí)驗(yàn)結(jié)果令人滿意。

　　一．研究背景及意義

　　研究背景：

　　隨著人工智能的發(fā)展，機(jī)器人技術(shù)不斷地應(yīng)用到各個(gè)領(lǐng)域。信息技術(shù)的加入是智能機(jī)器人出現(xiàn)的必要前提。信息技術(shù)泛指包括通信技術(shù)、電子技術(shù)、信號(hào)處理技術(shù)等相關(guān)信息化技術(shù)的一大類技術(shù)。它的應(yīng)用使得人們今天的生活發(fā)生了巨大變化。從手機(jī)到高清電視等家用電器設(shè)備出現(xiàn)使我們的生活越來越豐富多彩。在一些軍用及民用領(lǐng)域近幾年出現(xiàn)了一些諸如：圖像制導(dǎo)、無人飛機(jī)、無人巡邏車、人臉識(shí)別、指紋識(shí)別、語音識(shí)別、車輛牌照識(shí)別、漢字識(shí)別、醫(yī)學(xué)圖像識(shí)別等高新技術(shù)。實(shí)現(xiàn)它們的核心就是圖像處理、機(jī)器視覺、模式識(shí)別、智能控制、及機(jī)器人學(xué)等相關(guān)知識(shí)。其中圖像處理具有重要地位。而圖像分割技術(shù)是圖像分析環(huán)節(jié)的關(guān)鍵技術(shù)。

　　研究圖像分割技術(shù)的意義：

　　人類感知外部世界的兩大途徑是聽覺和視覺，尤其是視覺，同時(shí)視覺信息是人類從自然界中獲得信息的主要來源，約占人類獲得外部世界信息量的80%以上。圖像以視覺為基礎(chǔ)通過觀測系統(tǒng)直接獲得客觀世界的狀態(tài)，它直接或間接地作用于人眼，反映的信息與人眼獲得的信息一致，這決定了它和客觀外界都是人類最主要的信息來源，圖像處理也因此成為了人們研究的熱點(diǎn)之一。人眼獲得的信息是連續(xù)的圖像，在實(shí)際應(yīng)用中，為便于計(jì)算機(jī)等對(duì)圖像進(jìn)行處理，人們對(duì)連續(xù)圖像進(jìn)行采樣和量化等處理，得到了計(jì)算機(jī)能夠識(shí)別的數(shù)字圖像。數(shù)字圖像具有信息量大、精度高、內(nèi)容豐富、可進(jìn)行復(fù)雜的非線性處理等優(yōu)點(diǎn)，成為計(jì)算機(jī)視覺和圖像處理的重要研究對(duì)象。在一幅圖像中，人們往往只對(duì)其中的某些區(qū)域感興趣，稱之為前景，這些區(qū)域內(nèi)的某些空間信息特性（如灰度、顏色、輪廓、紋理等）通常與周圍背景之間存在差別。圖像分割就是根據(jù)這些差異把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提取感興趣目標(biāo)的技術(shù)和過程。在數(shù)字圖像處理中，圖像分割作為早期處理是一個(gè)非常重要的步驟。為便于研究圖像分割，使其在實(shí)際的圖像處理中得到有效的應(yīng)用，嚴(yán)格定義圖像分割的概念是十分必要的。圖像分割的數(shù)學(xué)描述通常為：對(duì)圖像I的整個(gè)圖像域R根據(jù)相似性測量邏輯準(zhǔn)則P劃分為N個(gè)不相交的子其中：條件1保證所有分割區(qū)域的總和與整幅圖像區(qū)域相等;條件2保證不同區(qū)域之間不重疊;條件3保證在同一區(qū)域的圖像特征具有一致性;條件4保證不同分割區(qū)域的圖像特征不同。

　　到目前為止，研究者們?cè)趫D像分割領(lǐng)域取得了大量的研究成果，這些成果源于對(duì)圖像中不同特征的利用，如同一區(qū)域內(nèi)的特征具有相似性和像素點(diǎn)之間具有連通性、目標(biāo)與背景之間存在不連續(xù)性等，但是至今沒有一種分割算法能用于所有的圖像分割，這也促進(jìn)了研究者們對(duì)圖像分割進(jìn)行不斷地研究。早期經(jīng)典的圖像分割方法大多只利用到圖像的低層信息，如邊緣、紋理、灰度等，其中較為經(jīng)典的算法有基于閡值的圖像分割、基于邊緣檢測的圖像分割基于圖論的圖像 分割等。近年來，研究者們將研究的重點(diǎn)轉(zhuǎn)移到圖像中的高層知識(shí)，并將先驗(yàn)知 識(shí)引入圖像分割算法中，得到了一些新的圖像分割理念，如小波變換模糊集［fgl 數(shù)學(xué)形態(tài)學(xué)、神經(jīng)網(wǎng)絡(luò)活動(dòng)輪廓模型等，豐富了圖像分割方法，很大程度上改善了分割效果。

　　圖像分割是圖像處理和計(jì)算機(jī)視覺中重要的一環(huán)，近年來它不僅一直是計(jì)算 機(jī)視覺領(lǐng)域的熱門話題，在實(shí)際生活中也得到廣泛的應(yīng)用。例如，在醫(yī)學(xué)上，用 于測量醫(yī)學(xué)圖像中組織體積、三維重建、手術(shù)模擬等;在遙感圖像中，分割合 成孔徑雷達(dá)圖像中的目標(biāo)、提取遙感云圖中不同云系與背景等、定位衛(wèi)星圖像 中的道路和森林等。圖像分割也可作為預(yù)處理將最初的圖像轉(zhuǎn)化為若干個(gè)更加抽 象、更便于計(jì)算機(jī)處理的形式，既保留了圖像中的重要特征信息，又有效減少了 圖像中的無用數(shù)據(jù)、提高了后續(xù)圖像處理的準(zhǔn)確率和效率。例如，在通信方面， 可事先提取目標(biāo)的輪廓結(jié)構(gòu)、區(qū)域內(nèi)容等，保證不失有用信息的同時(shí)，有針對(duì)性 地壓縮圖像，以提高網(wǎng)絡(luò)傳輸效率;在交通領(lǐng)域可用來對(duì)車輛進(jìn)行輪廓提取、 識(shí)別或跟蹤，行人檢測等?？偟膩碚f，凡是與目標(biāo)的檢測、提取和識(shí)別等相關(guān)的 內(nèi)容，都需要利用到圖像分割技術(shù)。因此，無論是從圖像分割的技術(shù)和算法，還 是從對(duì)圖像處理、計(jì)算機(jī)視覺的影響以及實(shí)際應(yīng)用等各個(gè)方面來深入研究和探討 圖像分割，都具有十分重要的意義。

　　1.圖像分割基本概念

　　圖像分割定義：圖像分割是按照一定的規(guī)則把圖像劃分成若干個(gè)互不相交、具有一定性質(zhì)的區(qū)域，把人們關(guān)注的部分從圖像中提取出來，進(jìn)一步加以研究分析和處理。圖像分割的結(jié)果是圖像特征提取和識(shí)別等圖像理解的基礎(chǔ)，對(duì)圖像分割的研究一直是數(shù)字圖像處理技術(shù)研究中的熱點(diǎn)和焦點(diǎn)。圖像分割使得其后的圖像分析，識(shí)別等高級(jí)處理階段所要處理的數(shù)據(jù)量大大減少，同時(shí)又保留有關(guān)圖像結(jié)構(gòu)特征的信息。圖像分割在不同的領(lǐng)域也有其它名稱，如目標(biāo)輪廓技術(shù)、目標(biāo)檢測技術(shù)、閾值化技術(shù)、目標(biāo)跟蹤技術(shù)等，這些技術(shù)本身或其核心實(shí)際上也就是圖像分割技術(shù)。

　　圖像分割目的：把圖像空間分成一些有意義的區(qū)域，與圖像中各種物體

　　目標(biāo)相對(duì)應(yīng)。通過對(duì)分割結(jié)果的描述，可以理解圖像中包含的信息。

　　圖像分割的分類依據(jù)：圖像分割是將像素分類的過程，分類的依據(jù)可建立在：像素間的相似性、非連續(xù)性。

　　2. 基于邊緣的圖像分割方法

　　邊緣總是以強(qiáng)度突變的形式出現(xiàn)，可以定義為圖像局部特性的不連續(xù)性，如灰度的突變、紋理結(jié)構(gòu)的突變等。邊緣常常意味著一個(gè)區(qū)域的終結(jié)和另一個(gè)區(qū)域的開始。對(duì)于邊緣的檢測常常借助空間微分算子進(jìn)行，通過將其模板與圖像卷積完成。兩個(gè)具有不同灰度值的相鄰區(qū)域之間總存在灰度邊緣，而這正是灰度值不連續(xù)的結(jié)果，這種不連續(xù)可以利用求一階和二階導(dǎo)數(shù)檢測到。當(dāng)今的邊緣檢測方法中，主要有一次微分、二次微分和模板操作等。這些邊緣檢測器對(duì)邊緣灰度值過渡比較尖銳且噪聲較小等不太復(fù)雜的圖像可以取得較好的效果。但對(duì)于邊緣復(fù)雜的圖像效果不太理想，如邊緣模糊、邊緣丟失、邊緣不連續(xù)等。噪聲的存在使基于導(dǎo)數(shù)的邊緣檢測方法效果明顯降低，在噪聲較大的情況下所用的邊緣檢測算子通常都是先對(duì)圖像進(jìn)行適當(dāng)?shù)钠交?，抑制噪聲，然后求?dǎo)數(shù)，或者對(duì)圖像進(jìn)行局部擬合，再用擬合光滑函數(shù)的導(dǎo)數(shù)來代替直接的數(shù)值導(dǎo)數(shù)，如Canny算子等。在未來的研究中，用于提取初始邊緣點(diǎn)的自適應(yīng)閾值選取、用于圖像層次分割的更大區(qū)域的選取以及如何確認(rèn)重要邊緣以去除假邊緣將變的非常重要。

　　根據(jù)灰度變化的特點(diǎn)，常見的邊緣可分為階躍型、房頂型和凸緣型 邊緣檢測的方法很多，主要有以下幾種：

　　1、空域微分算子，也就是傳統(tǒng)的邊緣檢測方法。如Roberts算子、Prewitt算子和Sobel算子等。

　　2、擬合曲面。該方法利用當(dāng)前像素鄰域中的一些像素值擬合一個(gè)曲面，然后求這個(gè)連續(xù)曲面在當(dāng)前像素處的梯度。 3、小波多尺度邊緣檢測。 4、基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測。

　　最后通過圖像的輪廓（邊界）跟蹤來確定目標(biāo)區(qū)域：

　　圖像的輪廓（邊界）跟蹤與邊緣檢測是密切相關(guān)的，因?yàn)檩喞檶?shí)質(zhì)上就是沿著圖像的外部邊緣“走”一圈然后分割出目標(biāo)區(qū)域。

　　下圖是分別用Roberts、Sobel、Prewitt、LOG、Canny算子對(duì)灰度Lena圖像分割的結(jié)果：

　　3. 閾值分割方法

　　閾值分割是常見的直接對(duì)圖像進(jìn)行分割的算法，根據(jù)圖像像素的灰度值的不同而定。對(duì)應(yīng)單一目標(biāo)圖像，只需選取一個(gè)閾值，即可將圖像分為目標(biāo)和背景兩大類，這個(gè)稱為單閾值分割；如果目標(biāo)圖像復(fù)雜，選取多個(gè)閾值，才能將圖像中的目標(biāo)區(qū)域和背景被分割成多個(gè)，這個(gè)稱為多閾值分割，此時(shí)還需要區(qū)分檢測結(jié)果中的圖像目標(biāo)，對(duì)各個(gè)圖像目標(biāo)區(qū)域進(jìn)行唯一的標(biāo)識(shí)進(jìn)行區(qū)分。閾值分割的顯著優(yōu)點(diǎn)，成本低廉，實(shí)現(xiàn)簡單。當(dāng)目標(biāo)和背景區(qū)域的像素灰度值或其它特征存在明顯差異的情況下，該算法能非常有效地實(shí)現(xiàn)對(duì)圖像的分割。閾值分割方法的關(guān)鍵是如何取得一個(gè)合適的閾值，近年來的方法有：用最大相關(guān)性原則選擇閾值的方法、基于圖像拓?fù)浞€(wěn)定狀態(tài)的方法、灰度共生矩陣方法、最大熵法和峰谷值分析法等，更多的情況下，閾值的選擇會(huì)綜合運(yùn)用兩種或兩種以上的方法，這也是圖像分割發(fā)展的一個(gè)趨勢。

　　閾值法是一種較傳統(tǒng)的圖像分割算法。該算法以感興趣的目標(biāo)區(qū)域與背景之 間的灰度值存在差異，同時(shí)區(qū)域內(nèi)具有均勻的灰度值為基礎(chǔ)，通過設(shè)置一個(gè)或多 個(gè)閡值將圖像分割成多個(gè)區(qū)域。

　　閾值法主要包括選取閡值和作比較兩個(gè)步驟，它是通過比較圖像中每一個(gè)像 素的灰度值與閡值來確定像素所屬的區(qū)域。因而，閡值的選取是該算法的關(guān)鍵。 根據(jù)閡值的確定方式不同可將該算法分為兩類：全局閡值分割和局部閡值分割。 全局閡值分割方法是通過直方圖選取一個(gè)最利于分割目標(biāo)邊緣的閡值來對(duì)圖像中 像素進(jìn)行分類。常見的全局閾值分割有雙峰法、Otsu、最小誤差法等;局部閾值分割方法則是先將整幅圖像域分解成若干個(gè)小區(qū)域，在每一個(gè)小區(qū)域內(nèi)部選取適合本區(qū)域的閡值對(duì)其進(jìn)行分割，再將小區(qū)域合并。常見的局部閾值分割包括Niblaek方法和Bernsen方法等。近年來，研究者們也提出了一些改良的閾值算法。如龍建武等提出了一種基于高斯尺度空間的自適應(yīng)閾值算法該算法借助高斯函數(shù)對(duì)圖像卷積得到高斯尺度空間，再利用背景差分法消除灰度不均勻的影響，最后采用最大類間方差獲取閾值。Wen Jiangtao提出了一種結(jié)合Curvelet變換和Otsu方法的改進(jìn)算法，該算法首先通過非線性函數(shù)增強(qiáng)曲波系數(shù)以消除圖像中邊緣不均勻問題，再采用Otsu算法對(duì)圖像進(jìn)行分割?；陂撝档膱D像分割算法簡單易實(shí)現(xiàn)，效率高。但是，在實(shí)際圖像中目標(biāo)或背景的灰度往往分布不均勻，目標(biāo)與背景之間存在重疊的灰度，使得閡值法的分割結(jié)果中出現(xiàn)過分割或欠分割現(xiàn)象。

　　僅使用一個(gè)閾值分割的方法稱為單閾值分割方法 。

　　如果圖像中有多個(gè)灰度值不同的區(qū)域，那么可以選擇一系列的閾值以將每個(gè)像素分到合適的類別中去，這種用多個(gè)閾值分割的方法稱為多閾值分割方法。

　　閾值選取依據(jù)：

　　1、僅取決于圖像灰度值，僅與各個(gè)圖像像素本身性質(zhì)相關(guān)的閾值選取——全局閾值。

　　2、取決于圖像灰度值和該點(diǎn)鄰域的某種局部特性，即與局部區(qū)域特性相關(guān)的的閾值選取——局部閾值。

　　3、除取決于圖像灰度值和該點(diǎn)鄰域的某種局部特性之外，還取決于空間坐標(biāo)，即得到的閾值與坐標(biāo)相關(guān)——動(dòng)態(tài)閾值或者自適應(yīng)閾值。 全局閾值

　　原理：假定物體和背景分別處于不同灰度級(jí)，圖像被零均值高斯噪聲污染，圖像的灰度分布曲線近似用兩個(gè)正態(tài)分布概率密度函數(shù)分別代表目標(biāo)和背景的直方圖，利用這兩個(gè)函數(shù)的合成曲線擬合整體圖像的直方圖，圖像的直方圖將會(huì)出現(xiàn)兩個(gè)分離的峰值，如下圖然后依據(jù)最小誤差理論針對(duì)直方圖的兩個(gè)峰間的波谷所對(duì)應(yīng)的灰度值求出分割的閾值。

　　該方法適用于具有良好雙峰性質(zhì)的圖像，但需要用到數(shù)值逼近等計(jì)算，算法十分復(fù)雜，而且多數(shù)圖像的直方圖是離散、不規(guī)則的。

　　在實(shí)際閾值分割過程中，往往需要能夠自動(dòng)獲取閾值，下面的算法可以自動(dòng)獲得全局閾值：

　　1）選取一個(gè)的初始估計(jì)值T；

　　2）用T分割圖像。這樣便會(huì)生成兩組像素集合：G1由所有灰度值大于T的像素組成，而G2由所有灰度值小于或等于T的像素組成。

　　3）對(duì)G1和G2中所有像素計(jì)算平均灰度值u1和u2。 4）計(jì)算新的閾值：T=1/2（u1 + u2）。

　　重復(fù)步驟（2）到（4），直到得到的T值之差小于一個(gè)事先定義的參數(shù)T。 下圖是迭代閾值選擇法圖像分割的結(jié)果與Otsu（即最大相關(guān)性原則選擇閾值的方法）閾值選擇法圖像分割的結(jié)果比較 兩種方法效果相差不大。

　　4.區(qū)域分割方法

　　區(qū)域增長法和分裂合并法是基于區(qū)域信息的圖像分割的主要方法。區(qū)域增長有兩種方式，一種是先將圖像分割成很多的一致性較強(qiáng)的小區(qū)域，再按一定的規(guī)則將小區(qū)域融合成大區(qū)域，達(dá)到分割圖像的目的。另一種實(shí)現(xiàn)是給定圖像中要分割目標(biāo)的一個(gè)種子區(qū)域，再在種子區(qū)域基礎(chǔ)上將周圍的像素點(diǎn)以一定的規(guī)則加入其中，最終達(dá)到目標(biāo)與背景分離的目的；分裂合并法對(duì)圖像的分割是按區(qū)域生長法沿相反方向進(jìn)行的，無需設(shè)置種子點(diǎn)。其基本思想是給定相似測度和同質(zhì)測度。從整幅圖像開始，如果區(qū)域不滿足同質(zhì)測度，則分裂成任意大小的不重疊子區(qū)域，如果兩個(gè)鄰域的子區(qū)域滿足相似測度則合并。

　　區(qū)域生長是區(qū)域分割最基本的方法。所謂區(qū)域生長就是一種根據(jù)事先定義的準(zhǔn)則將像素或者子區(qū)域聚合成更大區(qū)域的過程。

　　基本思想：

　　以一組生長點(diǎn)（可以是單個(gè)像素，也可以是某個(gè)小區(qū)域）開始，搜索其鄰域，把圖像分割成特征相似的若干區(qū)域，比較相鄰區(qū)域與生長點(diǎn)特征的相似性，若它們足夠相似，則作為同一區(qū)域合并，形成新的生長點(diǎn)。以此方式將特征相似的區(qū)域不斷合并、直到不能合并為止，最后形成特征不同的各區(qū)域。這種分割方式也稱區(qū)域擴(kuò)張法。

　　在實(shí)際應(yīng)用時(shí)，要解決三個(gè)問題： 1）確定區(qū)域的數(shù)目，也就是選擇一組能正確代表所需區(qū)域的生長點(diǎn)像素；

　　2）選擇有意義的特征，也就是確定在生長過程中將相鄰區(qū)域像素包括進(jìn)來的

　　方式；

　　3）確定相似性準(zhǔn)則，即獲取生長過程停止的準(zhǔn)則。

　　特征相似性是構(gòu)成與合并區(qū)域的基本準(zhǔn)則，相鄰性是指所取的鄰域方式。根據(jù)所用的鄰域方式和相似性準(zhǔn)則的不同，產(chǎn)生各種不同的區(qū)域生長法。

　　將灰度相關(guān)的值作為區(qū)域生長準(zhǔn)則，區(qū)域生長可分為單一型（像素與像素）、質(zhì)心型（像素與區(qū)域）和混合型（區(qū)域與區(qū)域）三種。 單一型區(qū)域生長法原理：

　　以圖像的某個(gè)像素為生長點(diǎn)，將特征相似的相鄰像素合并為同一區(qū)域；然后以合并的像素為生長點(diǎn)，重復(fù)以上的操作，最終形成具有相似特征的像素的最大連通集合。

　　下面給出以像素灰度為特征進(jìn)行簡單區(qū)域生長的步驟。

　?。?）對(duì)圖像進(jìn)行光柵掃描，找出尚沒有歸屬的像素。當(dāng)尋找不到這樣的像素時(shí)結(jié)束操作。

　?。?）把這個(gè)像素灰度同其周圍（4-鄰域或8-鄰域）不屬于任何一個(gè)區(qū)域的像素進(jìn)行比較，若灰度差值小于某一閾值，則將它們合并為同一個(gè)區(qū)域，并對(duì)合并的像素賦予標(biāo)記。

　?。?）從新合并的像素開始，反復(fù)進(jìn)行（2）的操作，直到區(qū)域不能再合并為止。 （4）返回（1）操作，尋找能作為新區(qū)域出發(fā)點(diǎn)的像素。 優(yōu)缺點(diǎn)：

　　這種方法簡單，但如果區(qū)域之間的邊緣灰度變化很平緩或邊緣交于一點(diǎn)時(shí)，兩個(gè)區(qū)域會(huì)合并起來。 解決方法：

　　為消除這一點(diǎn)，在步驟（2）中不是比較相鄰像素灰度，而是比較已存在區(qū)域的像素灰度平均值與該區(qū)域鄰接的像素灰度值。

　　下圖是選擇三個(gè)生長點(diǎn)的區(qū)域生長法圖像分割的結(jié)果與選擇另外三個(gè)不同生長點(diǎn)的區(qū)域生長法圖像分割的結(jié)果比較

　　第一副圖的生長點(diǎn)為 橫坐標(biāo) ［30， 40， 82］ 縱坐標(biāo)［56， 30， 35］。 第二副圖的生長點(diǎn)為 橫坐標(biāo) ［63， 10， 85］ 縱坐標(biāo)［30， 56， 60］。 生長點(diǎn)在第一幅圖像中用綠色方塊表示

　　從對(duì)比可以看出，區(qū)域生長法的缺點(diǎn)就是分割結(jié)果決定于生長點(diǎn)的選擇。

　　雖然近年來圖像分割的研究成果越來越多，但由于圖像分割本身所具有的難度，使研究仍然存在一些問題，現(xiàn)有的許多種算法都是針對(duì)不同的圖像，并沒有一種普遍適用的分割算法。迄今為止，沒有一個(gè)好的通用的分割評(píng)價(jià)標(biāo)準(zhǔn)，如何對(duì)分割結(jié)果作出量化的評(píng)價(jià)是一個(gè)值得研究的問題，該量化測度應(yīng)有助于視覺系統(tǒng)中的自動(dòng)決策及評(píng)價(jià)算法的優(yōu)劣，該測度應(yīng)考慮到均質(zhì)性、對(duì)比度、緊致性、連續(xù)性、心理一視覺感知等因素，伴隨著數(shù)字圖像處理的應(yīng)用領(lǐng)域不斷擴(kuò)大，實(shí)時(shí)處理技術(shù)已成研究的熱點(diǎn)，在實(shí)時(shí)圖像處理系統(tǒng)中，算法的運(yùn)行時(shí)間也成為今后研究的方向和目標(biāo)。

　　雖然圖像分割目前尚無通用的理論，但是近年來大量學(xué)者致力于將新概念、新方法應(yīng)用于圖像分割，結(jié)合特定理論的圖像分割方法在圖像分割方面取得了較好的應(yīng)用效果。如小波分析和小波變換、神經(jīng)網(wǎng)絡(luò)、遺傳算法等數(shù)學(xué)工具的利用，有效地改善了分割效果用。

　　圖像分割方法是將相鄰的像素連接起來形成一個(gè)區(qū)域，且同一個(gè)區(qū)域內(nèi)的像素必須具有某種相似性。這類分割方法往往根據(jù)像素點(diǎn)的灰度值、紋理、統(tǒng)計(jì)特征和顏色等來建立聯(lián)系，保證同一區(qū)域內(nèi)具有相似性和連續(xù)性，但分割效果的優(yōu)劣表現(xiàn)出對(duì)相似性條件具有強(qiáng)烈的依賴性，且分割結(jié)果極易出現(xiàn)過分割?；趨^(qū)域的圖像分割方法主要包括分裂合并和區(qū)域生長。分裂合并法首先分裂整幅圖像，然后通過某種準(zhǔn)則判斷分裂區(qū)域的相似性，合并相鄰的相似分裂區(qū)域，得到分割結(jié)果。區(qū)域生長法需事先設(shè)定相似性原則和生長種子，從生長種子出發(fā)將滿足相似性原則的相鄰像素不斷合并，構(gòu)成一個(gè)區(qū)域，達(dá)到劃分區(qū)域完成圖像分割的目的，其中最關(guān)鍵的是相似性原則的設(shè)定和生長種子的選取。ZhuSong等提出了一種結(jié)合Snake模型的幾何特征與區(qū)域增長的統(tǒng)計(jì)特征的分割方法，該算法首先利用區(qū)域生長將圖像分割層若干區(qū)域，再利用貝葉斯和最小描述長度進(jìn)行區(qū)域競爭，合并壞種子所在的區(qū)域，從而得到正確的分割圖像。張餛等提出了一種自適應(yīng)分裂合并的聚類算法，通過定義空間連通率，并利用中垂線分割來對(duì)聚類進(jìn)行自適應(yīng)地分裂合并。

　　基于區(qū)域的圖像分割技術(shù)主要用來識(shí)別圖像中具有特性相似的區(qū)域，要求同 一區(qū)域的像素具有相似的特征且連通，正因?yàn)檫@樣，它具有消除孤立噪聲點(diǎn)的能力。但是，區(qū)域生長法對(duì)種子點(diǎn)的選取要求很高，選取的結(jié)果將直接影響圖像分 割的效果。分裂合并法雖然不需要選擇生長種子點(diǎn)，但是其分割效果與分裂程度 之間存在一個(gè)很大的矛盾，即當(dāng)分裂相對(duì)充分時(shí)，具有較好的分割效果，但分割 的時(shí)間和工作量將增大;若要提高效率只能減少分裂工作，這將影響分割的質(zhì)量

　　1. 基于遺傳算法的圖像分割

　　遺傳算法是模擬自然界生物進(jìn)化過程與機(jī)制求解問題的一類自組織與自適應(yīng)的人工智能技術(shù)。對(duì)此，科學(xué)家們進(jìn)行了大量的研究工作，并成功地運(yùn)用于各種類型的優(yōu)化問題，在分割復(fù)雜的圖像時(shí)，人們往往采用多參量進(jìn)行信息融合，在多參量參與的最優(yōu)值求取過程中，優(yōu)化計(jì)算是最重要的，把自然進(jìn)化的特征應(yīng)用到計(jì)算機(jī)算法中，將能解決很多問題。遺傳算法的出現(xiàn)為解決這類問題提供了新而有效的方法，不僅可以得到全局最優(yōu)解，而且大量縮短了計(jì)算時(shí)間。王月蘭等人提出的基于信息融合技術(shù)的彩色圖像分割方法，該方法應(yīng)用剝殼技術(shù)將問題的復(fù)雜度降低，然后將信息融合技術(shù)應(yīng)用到彩色圖像分割中，為彩色分割在不同領(lǐng)域中的應(yīng)用提供了一種新的思路與解決辦法。

　　2. 基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的圖像分割

　　基于神經(jīng)網(wǎng)絡(luò)的分割方法的基本思想是先通過訓(xùn)練多層感知器來得到線性決策函數(shù)，然后用決策函數(shù)對(duì)像素進(jìn)行分類來達(dá)到分割的目的。近年來，隨著神經(jīng)學(xué)的研究和進(jìn)展，第三代脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）作為一種新型人工神經(jīng)網(wǎng)絡(luò)模型，其獨(dú)特處理方式為圖像分割提供了新的思路。脈沖耦合神經(jīng)網(wǎng)絡(luò)具有捕獲特性，會(huì)產(chǎn)生點(diǎn)火脈沖傳播，對(duì)輸入圖像具有時(shí)空整合作用，相鄰的具有相似輸入的神經(jīng)元傾向于同時(shí)點(diǎn)火。因此對(duì)于灰度圖像，PCNN具有天然的分割能力，與輸入圖像中不同目標(biāo)區(qū)域?qū)?yīng)的神經(jīng)元在不同的時(shí)刻點(diǎn)火，從而將不同區(qū)域分割開來。如果目標(biāo)區(qū)域灰度分布有重疊，由于PCNN的時(shí)空整合作用，如果灰度分布符合某種規(guī)律，PCNN也能克服灰度分布重疊所帶來的不利影響，從而實(shí)現(xiàn)較完美的分割 。這是其一個(gè)突出的優(yōu)點(diǎn)，而這恰恰是其他的分割方法所欠缺的，其在未來的圖像分割中將起主導(dǎo)作用。

　　3. 基于小波分析和變換的圖像分割 性和多分辨率分析能力，在圖像處理等領(lǐng)域得到了廣泛的應(yīng)用。小波變換是一種多尺度多通道分析工具，比較適合對(duì)圖像進(jìn)行多尺度的邊緣檢測。從圖像

　　處理角度看，小波變換具有“變焦”特性，在低頻段可用高頻率分辨率和低時(shí)間分辨率，在高頻段可用低頻率分辨率和高時(shí)間分辨率，小波交換在實(shí)現(xiàn)上有快速算法具有多分辨率，也叫多尺度的特點(diǎn)，可以由粗及精地逐步觀察信號(hào)等優(yōu)點(diǎn)。近年來多進(jìn)制小波也開始用于邊緣檢測。另外，把小波變換和其它方法結(jié)合起來的圖像分割技術(shù)也是現(xiàn)在研究的熱點(diǎn)。

　　近年來，小波理論得到了迅速的發(fā)展，而且由于其具有良好的時(shí)頻局部化特