原⽂链接：烧芭
科学发展观的基本内涵是什么作者：
1图像分割原理
图像分割的研究多年来⼀直受到⼈们的⾼度重视，⾄今提出了各种类型的分割算法。Pal把图像分割算法分成了6类：阈值分割，像素分割、深度图像分割、彩⾊图像分割，边缘检测和基于模糊集的⽅法。但是，该⽅法中，各个类别的内容是有重叠的。为了涵盖不断涌现的新⽅法，有的研究者将图像分割算法分为以下六类：并⾏边界分割技术、串⾏边界分割技术、并⾏区域分割技术、串⾏区域分割技术、结合特定理论⼯具的分割技术和特殊图像分割技术。⽽在较近的⼀篇综述中，更有学者将图像分割简单的分割数据驱动的分割和模型驱动的分割两类。下⾯将图像分割⽅法主要分以下⼏类：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、基于数学形态的分割⽅法以及基于特定理论的分割⽅法等，对其中主要的分别进⾏简要介绍。 棉杆1.1灰度阈值分割法
是⼀种最常⽤的并⾏区域技术，它是图像分割中应⽤数量最多的⼀类。阈值分割⽅法实际上是输⼊图像f
到输出图像g的如下变换：
其中，T为阈值，对于物体的图像元素g(i,j)=l，对于背景的图像元素g(i,j)=0。
由此可见，阈值分割算法的关键是确定阈值，如果能确定⼀个合适的阈值就可准确地将图像分割开来。如果阈值选取过⾼，则过多的⽬标区域将被划分为背景，相反如果阈值选取过低，则过多的背景将被划分到⽬标区[7]。阈值确定后，将阈值与像素点的灰度值⽐较和像素分割可对各像素并⾏地进⾏，分割的结果直接给出图像区域。
阈值分割必须满⾜⼀个假设条件：图像的直⽅图具有较明显的双峰或多峰，并在⾕底选择闭值。因此这种⽅法对⽬标和背景反差较⼤的图像进⾏分割的效果⼗分明显，⽽且总能⽤封闭、连通的边界定义不交叠的区域。
阈值分割法主要分为全局和局部两种，⽬前应⽤的闭值分割⽅法都是在此基础上发展起来的，⽐如最⼩误差法、最⼤相关法、最⼤嫡法、矩量保持法、Otsu最⼤类间⽅差法等，⽽应⽤最⼴泛的是Otsu最⼤类间⽅差法。
⼈们发展了各种各样的阈值处理技术，包括全局阈值、⾃适应阈值、最佳阈值等等。 全局阈值是指整幅图像使⽤同⼀个阈值做分割处理，适⽤于背景和前景有明显对⽐的图像。它是根据整幅图像确定
的：T=T(f)。但是这种⽅法只考虑像素本⾝的灰度值，⼀般不考虑空间特征，因⽽对噪声很敏感。常⽤的全局阈值选取⽅法有利⽤图像灰度直⽅图的峰⾕法、最⼩误差法、最⼤类间⽅差法、最⼤熵⾃动阈值法以及其它⼀些⽅法。在许多情况下，物体和背景的对⽐度在图像中的各处不是⼀样的，这时很难⽤⼀个统⼀的阈值将物体与背景分开。这时可以根据图像的局部特征分别采⽤不同的阈值进⾏分割。实际处理时，需要按照具体问题将图像分成若⼲⼦区域分别选择阈值，或者动态地根据⼀定的邻域范围选择每点处的阈值，进⾏图像分割。这时的阈值为⾃适应阈值。阈值的选择需要根据具体问题来确定，⼀般通过实验来确定。对于给定的图像，可以通过分析直⽅图的⽅法确定最佳的阈值，例如当直⽅图明显呈现双峰情况时，可以选择两个峰值的中点作为最佳阈值。
阈值分割的优点是计算简单、运算效率较⾼、速度快，在算法上容易实现，在重视运算效率的应⽤场合(如⽤于硬件实现)，它得到了⼴泛应⽤。它对⽬标和背景对⽐度反差较⼤图像这种分割很有效, ⽽且总能⽤封闭、连通的边界定义不交叠的区域。但它不适⽤于多通道图像和特征值相关不⼤的图像，对图像中不存在明显灰度差异或各物体的灰度值范围有较⼤重叠的图像分割问题难以得到准确结果。另外由于阈值确定主要依赖于灰度直⽅图, ⽽很少考虑图像中像素的空间位置关系，因此当背景复杂，特别在是同⼀背景上重叠出现若⼲个研究⽬标时，或图像中噪声信号较多时，⽬标的灰度值与背景相差⽆⼏等情形下，容易丧失部分边界信息，按照固定的阈值进⾏分割所得到的结果就不准确，造成分割不完整，需要进⼀步的精确定位。
1.2基于区域的分割⽅法
区域⽣长和分裂合并法是两种典型的串⾏区域技术，其分割过程后续步骤的处理要根据前⾯步骤的结果进⾏判断⽽确定。
（1）区域⽣长
区域⽣长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域⼀个种⼦像素作为⽣长的起点，然后将种⼦像素周围邻域中与种⼦像素有相同或相似性质的像素(根据某种事先确定的⽣长或相似准则来判定)合并到种⼦像素所在的区域中。将这些新像素当作新的种⼦像素继续进⾏上⾯的过程，直到再没有满⾜条件的像素可被包括进来。
区域⽣长需要选择⼀组能正确代表所需区域的种⼦像素，确定在⽣长过程中的相似性准则，制定让⽣长停⽌的条件或准则。相似性准则可以是灰度级、彩⾊、纹理、梯度等特性。选取的种⼦像素可以是单个像素，也可以是包含若⼲个像素的⼩区域。⼤部分区域⽣长准则使⽤图像的局部性质。⽣长准则可根据不同原则制定，⽽使⽤不同的⽣长准则会影响区域⽣长的过程。
区域⽣长法的优点是计算简单，对于较均匀的连通⽬标有较好的分割效果，对有复杂物体定义的复杂场景的分割或者对⾃然景物的分割等类似先验知识不⾜的图像分割, 效果均较理想，Wu H S等提出利
⽤肺部癌细胞图像的均值、标准偏差构成的⽮量作为细胞分割的特征, 提出的区域增长分割算法分割肺部癌细胞纹理图像, 取得较好结果[10]。它的缺点是需要⼈为确定种⼦点，虽然其抗噪性能优于边缘分割和直⽅图分割，但仍对噪声敏感，可能导致区域内有空洞；另外，它是⼀种串⾏算法，当⽬标较⼤时，分割速度较慢，因此在设计算法时，要尽量提⾼
效率；⽽且在计算过程中引⼊的预定误差值选取不当时，还会引⼊误判，易受分析⽬标内部组织之间的重叠⼲扰影响。因此，基于区域⽣长的分割⽅法⼀般适合于边缘光滑、⽆重叠的细胞图象的分割。
（2）区域分裂合并
区域⽣长是从某个或者某些像素点出发，最后得到整个区域，进⽽实现⽬标提取。分裂合并差不多是区域⽣长的逆过程：从整个图像出发，不断分裂得到各个⼦区域，然后再把前景区域合并，实现⽬标提取。分裂合并的假设是对于⼀幅图像，前景区域由⼀些相互连通的像素组成的，因此，如果把⼀幅图像分裂到像素级，那么就可以判定该像素是否为前景像素。当所有像素点或者⼦区域完成判断以后，把前景区域或者像素合并就可得到前景⽬标。在这类⽅法中，最常⽤的⽅法是四叉树分解法。设R代表整个正⽅形图像区域，P代表逻辑谓词。基本分裂合并算法步骤如下：
闽南语电影
①对任⼀个区域，如果H(Ri)=FALSE就将其分裂成不重叠的四等份；
②对相邻的两个区域Ri和Rj，它们也可以⼤⼩不同（即不在同⼀层），如果条件H(Ri∪Rj)=TRUE满⾜，就将它们合并起来。
③如果进⼀步的分裂或合并都不可能，则结束。
分裂合并法的关键是分裂合并准则的设计。这种⽅法对复杂图像的分割效果较好，但算法较复杂，计算量⼤，分裂还可能破坏区域的边界。
1.3基于边缘的分割⽅法
图像分割的⼀种重要途径是通过边缘检测，即检测灰度级或者结构具有突变的地⽅，表明⼀个区域的终结，也是另⼀个区域开始的地⽅。这种不连续性称为边缘。不同的图像灰度不同，边界处⼀般有明显的边缘，利⽤此特征可以分割图像。图像中边缘处像素的灰度值不连续，这种不连续性可通过求导数来检测到。对于阶跃状边缘，其位置对应⼀阶导数的极值点，对应⼆阶导数的过零点(零交叉点)。因此常⽤微分算⼦进⾏边缘检测[11]。
中国河流警钟长鸣常⽤的⼀阶微分算⼦有Roberts算⼦、Prewitt算⼦和Sobel算⼦，⼆阶微分算⼦有Laplace算⼦和Kirsh算⼦等。在实际中各种微分算⼦常⽤⼩区域模板来表⽰，微分运算是利⽤模板和图像卷积来实现。这些算⼦对噪声敏感，只适合于噪声较⼩不太复杂的图像。由于边缘和噪声都是灰度不连续点，在频域
均为⾼频分量，直接采⽤微分运算难以克服噪声的影响。因此⽤微分算⼦检测边缘前要对图像进⾏平滑滤波。
Roberts算⼦有利于对具有陡峭边缘的低噪声图像的分割；laplacian算⼦具有各向同性的特点；Roberts算⼦和laplacian算⼦在实施过程中⼤⼤增强了噪声，恶化了信噪⽐。Prewitt算⼦、Sobel算⼦等有利于对具有较多噪声且灰度渐变图像的分割。Log算⼦和Canny算⼦是具有平滑功能的⼆阶和⼀阶微分算⼦，边缘检测效果较好。其中Log算⼦是采⽤Laplacian算⼦求⾼斯函数的⼆阶导数，Canny算⼦是⾼斯函数的⼀阶导数，它在噪声抑制和边缘检测之间取得了较好的平衡。Marr算法对有较多噪声的图像具有平滑作⽤，且其边缘检测效果优于以上⼏种算⼦，但Marr算法在平滑的同时导致图像对⽐度下降[7]。Kirch算法利⽤对梯度图像适当的阈值进⾏⼆值化, 使得⽬标和背景像素点低于阈
值, ⽽⼤多数边缘点⾼于阀值, 同时为了提⾼性能, 在该类算法中可引⼊分⽔岭算法以进⾏准确分割[1]。
Hough变换法利⽤图像全局特性⽽直接检测⽬标轮廓，将边缘像素连接起来组成区域封闭边界的⼀种常见⽅法。在预先知道区域形状的条件下，利⽤哈夫变换可以⽅便地得到边界曲线⽽将不连续的边界像素点连接起来。它的主要优点是受噪声和曲线间断的影响较⼩。
对于灰度变化复杂和细节较丰富图象，边缘检测算⼦均很难完全检测出边缘，⽽且⼀旦有噪声⼲扰时，
上述算⼦直接处理效果更不理想。这⼀⽅法⽤来分割显微图象的例⼦不多，因为显微图象中的许多纹理或颗粒会掩盖真正的边缘，虽然可以通过有关算法改进，但效果并不太好。
拟合算⼦( 即参数模型匹配算法)原理：⽤边缘的参数模型对图像的局部灰度值进⾏拟合, 再在拟合的参数模型上进⾏边缘检测。优缺点：此类算⼦在检测边缘的同时, 还平滑了噪声, 对有较⼤噪声和⾼纹理细胞图像处理效果较好, 但由于参数模型记录着更多的边缘结构信息, 计算开销很⼤, 算法复杂, ⽽且对边缘类型要求较⾼。
以上三种⽅法中，基于边缘分割的最常见的问题是在没有边界的地⽅出现了边缘以及在实际存在边界的地⽅没有出现边界, 这是由图像噪声或图像中的不适合的信息造成的[24]。基于区域增长⽅法分割后的图像，时常是由于参数的设置⾮最优性造成, 不是含有太多的区域就是含有过少的区域。阈值化是最简单的分割处理, 计算代价⼩, 速度快, ⽤⼀个亮度常量即阈值来分割物体和背景。
张之洞路
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议