文献综述
通信工程
摘要：本文首先介绍了图像分割的定义，再介绍了几种图像分割常用方法：基于阈值的分割方法、基于轮廓的分割方法、基于区域的分割方法，并对其优缺点进行了比较，最后介绍了图像分割的研究现状及发展前景。 关键词：图像分割；数字图像处理；阈值；边缘；区域离子键
一、图像分割文献分析
在中国知网搜索关键词“图像分割”，且包含关键词“基于”共有12070条记录。在结果中检索，并将词频设置为2次以上，得：且包含“阈值”的有1731条记录，且包含“边缘”的有1780条记录，且包含“区域”的有3048条记录。分析结果如下表1所示：
表1 图像分割常用方法所占的研究比例
从表1可以看出，图像分割的几种经典方法的研究依旧占据了大半，尤其是基于区域的研究方法，更是研究的重点之一。当然对于新方法的研究也很热门。
在中国知网搜索关键词“图像分割”，且包含关键词“应用”共有6326条记录。在结果中检索，并将词频设置为2次以上，得：且包含“阈值”的有791条记录，且包含“边缘”的有957条记录，且包含“区域”的有1432条记录。分析结果如下表2所示：
表2 图像分割常用方法所占的应用比例
表2的数据与表1接近，说明现在的数字图像分割的研究成果应用到实际的比例相当之高，可谓硕果累
累。在中国知网搜索关键词“图像分割”，并将时间限定为2007年到2011年，共有9313条记录，其中在计算机软件及计算机应用领域的记录就有7209条，占了总量
的77%，说明计算机技术与图像分割技术相结合对双方都有着巨大的促进作用。就以此为例，对图像分割近年来的应用趋势进行分析。
孔燕松 孔瑶竹
图1 图像分割在计算机软件及计算机应用领域的年度分析
从图1可以看出，近年来图像分割在实际应用上的研究保持着较为平稳的势头。由于2011年的数据是不完全统计，但现有数量也已相当庞大，依照这个趋势，图像分割将在计算机领域长期占据着一个极其重要的地位，当然随着研究的深入，相信在其他各个领域，图像分割都将发挥自己独特的作用。
二、图像分割的定义
视觉是人类最高级的感知系统，图像在其中有着极其重要的意义。然而人类的感知仅限于电磁波谱的视觉波段，成像机器则可覆盖几乎所有电磁波谱，从伽马射线到无线电波。成像机器可以对很多图像源进行加工，而非仅仅人们生活中所熟悉或者常见的，比如超声波、电子显微镜及计算机产生的图像等[1]，所以随着计算机技术的不断发展，数字图像技术的应用领域将越来越广泛，而图像分割又是数字图像处理中的关键技术之一。钛复合板
图像分割是进行视觉分析和模式识别的前提，其根据图像的某些特性，将图像分成若干有意义的区域，使这些特征在某一区域内表现出相似性，不同区域则有显著不同。分割产生的区域是图像内容的一种表示，其质量直接影响分析、识别等后续操作[2]。图像分割的结果一般用数字、文字、符号、几何图形或其组合表示的内容和特征，用以对图像进行详尽的描述和解释。
三、图像分割常用方法分析
接下来将介绍几类图像分割的主要方法：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。当然，近年来在原有的方法上或者结合一些其他学科的理论，又提出了很多新的分割方法。
1．基于阈值的分割方法
阈值法是通过对图像进行逐行像素扫描并将像素标记为对象或背景以实现分割。假设图像中每个区域都是由许多灰度级近似的像素所组成的[3]，而目标和背景之间则会有显著的区别。所以，图像的灰度级直方图会呈现明显的峰值，然后我们根据所需选择合适的阈值t ，即可对图像进行分割。其数学表达式可表示如下：
此类方法的关键在于阈值t 的选择[3]，基于此提出了很多不同的方法：直方图变换法、框计算
最大类空间方差法、最小误差法、均匀化误差法、共生矩阵法、最大熵法、简单统计法、局部特性法、模糊聚类法、基于过渡区的阈值选取法等。虽然目前出现了各种基于阈值分割的改进算法，图像分割的效果有所改进，但在阈值的设置上还是没有很好的解决方法，关于如何筛选阈值，并选取能最优分割图像的阈值，这可能是基于阈值分割的图像分割法的发展趋势。
表3 灰度阈值法的优缺点
2.基于边缘的分割方法
边缘是图像最基本的特征之一。所谓边缘是指其周围像素灰度有阶跃变化的那些像素的集合。它存在于目标与背景之间，是图像分割所依赖的最重要的特征。因此 ，边缘检测可以看作是处理许多复杂问题的关键。边缘检测是图像处理和计算机视觉中的基本问题，其目的是识别图像中各种参数变化明显的点。所谓边缘是指图像局部特性的不连续性，边缘总是以f(x,y)= 1 若f(x,y)≥t
0 其他
强度突变的形式出现，例如，灰度突变、颜突变、纹理等，这些都是分割两个不同区域的标志[5]。目前的边缘检测一般通过空间微分算子法来进行，常用算子有Sobel算子、Roberts 算子、Marr算子、Kirsch算子、Prewitt算子等。在有噪声存在时，各种算子得到的边缘像素常常是孤立或分小段连续，
双盲所以我们首先检测出图像局部特性的不连续性，然后将这些不连续性的边缘像素连接成完整的边界，再确定图像的轮廓。所以存在干扰因素时，大致流程如图3所示。
图3 边缘检测跟踪法流程
东芝as100这种方法的难点在于边缘检测时抗噪性和检测精度的矛盾，若提高检测精度，则噪声产生的伪边缘会导致不合理的轮廓，若提高抗噪性，则会产生轮廓漏检和位置偏差。如果图像的边缘灰度值过滤比较尖锐且噪声较小，此类方法能取得良好的效果[6]。
在未来的研究中，用于提取初始边缘点的自适应阈值选取用于图像层次分割的更大区域的选取以及如何确认重要边缘以去除假边缘将变的非常重要[7]。
表4 边缘检测跟踪法的优缺点
3.基于区域的分割方法
基于区域的分割方法主要能分为区域生长法和区域分裂合并法两类。
区域生长法在计算机视觉领域中有着相当重要的地位。它把图像分割成特征相同的若干小区域，比较相邻小区域特征的相似性（平均灰度值、纹理、颜等），若它们足够相似，则作为同一区域合并，以此方法将特征相似的小区域不断合并，直到不能合并为止，最后形成特征不同的各区域此方法尽量保持区域中像素的临近性和一致性的统一，以便更好的分辨图像真正的边界[8]。采用区域生长法的关键在于种子点的位置选择、生长准则和生长顺序。此方法最简单的形式是先人工给出一个种子点，然后提取出和此种子点具有相同灰度值的所有像素。如何定义区域一致性准则可能成为接下来的研究重点。
表5 区域生长法的优缺点
上面介绍的区域生长法是从单个子像素开始不断吸收新像素最后到整个区域，区域分裂合并则是先将整幅图像看成一个区域，然后开始不断分裂，再将相邻区域合并得到整个区域。分裂合并法被认为是一种很有发展前景的分割方法。实际中常先把图像分成任意大小且不重叠的区域，然后再合并或分裂以满足分裂的要求[8]。该方法的关健是如何对区域进行初始划分和分裂合并准则的设计。其大致流程如图4所示：
图4 区域分裂合并法流程
表6 区域分裂合并法的优缺点
四、图像分割的发展前景
虽然近年来图像分割的研究成果越来越多，但由于其本身所具有的难度又尚无通用分割理论，因此现已提出的分割算法大都是针对具体问题的，并没有一种适于所有图像的通用的分割方法。缺少一个判断图像分割是否成功的客观标准，这不仅是图像分割研究中的一个瓶颈，同样也成为了计算机视觉研究中的一个瓶颈[11].
纵观图像分割研究的历史，图像分割的研究有以下几个趋势：1）对原有算法的不断改进。2）新方法、新概念的引入和多种方法的有效综合运用。3）交互式分割研究的深入。4）对特殊图像分割的研究越来越重视[12]，比如合成孔径雷达图像[13]的研究，已经取得了一定的成果。
图像分割技术有着巨大的潜力，相信随着研究的深入，许多现有的问题都将逐一得到解决，届时，图像分割对人们的意义将显得更为重要。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议