标签：理论知识 通过 预处理 发展 控制 ecc 精度 关注 简化
图像分割方法综述
崔悦
(西安交通大学软件学院 陕西西安710049)
摘要：通过检索近近年来不断改进的图像分割方法，以下几类方法比较活跃的出现，分别是：基于阈值的分割方法、基于区域生长的分割方法、基于小波变换的分割方法、基于神经网络的分割方法、基于能力泛函的分割方法、基于概率统计的分割方法和基于特定理论的分割方法。文中对各种方法基本原理进行了阐述，并介绍了基于这些分割方法的一些最新研究成果。
关键字：图像分割 图像处理
图像分割是指根据一定的相似性准则将图像划分成不同区域的过程,是计算机视觉、图像处理等领域的基础性问题之一,是图像分类、场景解析、物体检测、图像 3D 重构等任务的预处理.其研究从 20 世纪 60 年代开始,至今仍然是研究的热点之一,并且被广泛应用于医学影像分析、交通控制、气象预测、地质勘探、人脸与指纹识别等诸多领域.
一、基于阈值的分割方法
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)=1，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，如果能确定一个适合的阈值就可准确地将图像分割开来。阈值确定后，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。
阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算效率的应用场合（如用于软件实现），它得到了广泛应用。
常见的阈值分割法主要有最大类间方差法（即OTSU算法），于熵的阈值分割法、 最小误差法、共生矩阵法、矩量保持法、概率松弛法、模糊集法以及与其他方法结合的阈值分割法。
高敏[1]等以OTSU算法为基础，经过大量实验和分析，阐释了复杂背景下OTSU分割失败的本质原因，提出了对背景区域像素和灰度级别进行约束的思想，对OTSU算法进行了改进，并在实际应用中取得了良好的效果。
龙建武[2]等为有效分割非均匀光照图像，提出一种在高斯尺度空间下估计背景的自适应阈值分割算法。首先，利用二维高斯函数对待处理图像进行卷积操作来构建一个高斯尺度空间，在此空间下进行背景估计，并采用背景差法来消除非均匀光照干扰，从而提取出目标图像。
刘丁【5】等为提高对单晶硅直径检测图像高亮光环的分割精度，提出了一种基于多目标人工鱼群算法的二维直方图区域斜分多阈值分割方法。
二、基于区域生长的分割方法
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找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。这样一个区域就长成了。
李启翮[13]等通过将梯度向量流(GVF)场与种子区域生长(SRG)法相结合，提出一种新型的快速的自动图像分割法。该方法首先基于梯度向量流场构建一个流向标量场, 然后提出一种新型的快速种子区域生长分割法——快速扫掠法 (Fastscanning method, FSM) 对标量场进行初始分割, 最后采用区域邻接图对初始分割结果进行区域合并得到最终结果。该方法特点是分割速度快。
三、基于小波变换的分割方法
小波变换是近年来得到广泛应用的数学工具，它在时域和频域都具有良好的局部化性质，并且小波变换具有多尺度特性，能够在不同尺度上对信号进行分析，因此在图像处理和分析等许多方面得到应用。
基于小波变换的阈值图像分割方法的基本思想是首先由二进小波变换将图像的直方图分解为不同层次的小波系数，然后依据给定的分割准则和小波系数选择阈值门限，最后利用阈值标出图像分割的区域。整个分割过程是从粗到细，由尺度变化来控制，即起始分割由粗略的L2(R)子空间上投影的直方图来实现，如果分割不理想，则利用直方图在精细的子空间上的小波系数逐步细化图像分割。分割算法的计算会与图像尺寸大小呈线性变化。
孙超男[14]等通过对示温漆彩色图像进行小波变换处理,提取小波特征值,并与颜色信息一起作为特征值进行模糊聚类。与传统的单独应用小波变换或模糊聚类进行图像分割的方法相比,这种算法对于示温漆彩色图像的分割具有很好的效果。
四、基于神经网络的分割方法
近年来，人工神经网络识别技术已经引起了广泛的关注，并应用于图像分割。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接，容易引入空间信息，能较好地解决图像中的噪声和不均匀问题。选择何种网络结构是这种方法要解决的主要问题。
为了进一步延伸脉冲耦合神经网络（Plulse coupled neural network, PCNN）在图像分割中的应用，周东国[10]等对PCNN模型进行了简化和改进，利用阈值和脉冲输出所对应的区域均值之间的关系，提出一种优化连接系数的方法，使得模型以迭代的方式得到分割结果。
唐思源[15]等为了改善传统BP神经网络对医学图像分割时存在的对初始权重值敏感、学习速率固定、收敛速度慢和易陷入局部极小值等问题，提出了一种基于改进的粒子群优化算法的 BP 神经网络的医学图像分割方法。
五、基于能量泛函的分割方法
该类方法主要指的是活动轮廓模型(active contour model)以及在其基础上发展出来的算法，其基本思想是使用连续曲线来表达目标边缘，并定义一个能量泛函使得其自变量包括边缘曲线，因此分割过程就转变为求解能量泛函的最小值的过程，～般可通过求解函数对应的欧拉(Euler．Lagrange)方程来实现，能量达到最小时的曲线位置就是目标的轮廓所在。
肖春霞[3]等人分别结合了两种边缘停止函数的优点（基于高斯混合模型颜色分布的边缘停止函数和定义在多尺度图像梯度上的边缘停止函数），提出一个边缘停止函数的混合模型，根据图像颜色、边缘特征自适应的引导level set函数演化。这种算法不仅能有效地检测出纹理目标区域，同时有效的计算出纹理区域精确、光滑的边界。
张迎春[4]等人，为了提高水平集图像分割的质量和减少水平集迭代次数，提出了新的能量公式和水平集函数。在粗糙集数据离散化基础上引入了针对该数据的离散化方法，根据图像离散区域的信息对新能量函数和核函数进行加权，将原始离散图像映射到高维空间，从而使该模型能够处理多种类型的图像甚至一定信噪比的图像。
张明慧[6]等提出一种新的多图谱活动轮廓模型框架，有效的利用了图谱的先验信息和待分割图像的灰度信息，将多图谱的形状先验项引入到活动轮廓模型中并在融合标号图像的过程中利用活动轮廓模型校正配准引起的误差，得到光滑准确的分割结果。
张帆[9]等把材料学中的位错理论引入到水平集方法中，运用位错动力学机制推导出驱使水平集曲线演化的位错组态力，可有效的避免在局部图像梯度异常的情况下发生曲线停止演进的现象，或者避免在弱边缘处由于图像梯度较小发生局部边界泄露的现象。
六、基于概率统计的分割方法
目前，基于概率统计的图像分割算法主要可分为三种模型，一是标准高斯混合模型；二是使用Gibbs概率分布的隐式马尔科夫随机场模型，通过像素邻域引入了空间信息从而对像素进行类别标记；三是使用马尔科夫随机场计算先验分布从而得到类别标记，同时考虑了像素的灰度信息和空间信息[8]。
为了解决MRF模型分割结果容易出现过平滑现象的缺陷，宋艳涛[8]等提出一种新的基于图像片权重方法的马尔科夫随机场图像分割模型。通过对图像片引入权重，采用KL距离引入 关于熵的惩罚，得到的算法有较强的自适应性，能够克服噪声对于分割结果的影响，并获得较高的分割精度。
七、基于特定理论的分割方法
图像分割至今尚无通用的自身理论。随着各学科新理论和新方法的提出，出现了与一些特定理论、方法相结合的图像分割方法，主要有：基于聚类分析的图像分割方法、基于模糊集理论的分割方法，等。
董卓莉[7]等提出一种基于两段多组件图割的彩色图像分割算法。新算法基于MAP和ML（最大似然）估计框架，使用多组件策略代替区域重标记，每次MAP估计后，同一分割下不相邻的区域不再使用新的标签进行重标记，而是处理为该分割的多个组件，从而控制标签数量不再递增。
陈子阳[11]等提出一种基于三维直方图和抑制式模糊Kohonen聚类网络(RFKCN)的图像分割方法。该方法首先对像素模糊化，通过模糊均值和模糊中值构造两幅冗余图像，然后通过冗余图像和原始图像组成一个三维特征矢量集，并利用RFKCN聚类网络对该特征矢量集进行聚类，从而达到图像分割的目的。
Zhiwei TANG[12]等提出一种综合运用最大类间方差法和基于模糊理论求阈值的图像分割算法。该方法通过预分割处理，将图像分为目标区、背景区和模糊区，然后再将模糊区进一步处理划分为目标区和背景区。该方法能较大程度保留细节，对信噪比低，对比度差的情况能取得良好分割效果，但运算时间较长。
九、结语
就目前的各种图像分割方法的情况来看，各种方法分别有各自适用的特定范畴，并没有出现一种普适的分割方法。在单种理论研究出现瓶颈的情况下，不同方法的融合和结合学科理论知识成为了寻求突破的方向，并取得的不错的成果。随着深度学习、神经网络的兴起和广泛应用，在图像分割领域也取得了不错的成果。而随着无人驾驶、自动导航、人脸识别等应用的兴起和渐渐普及，系统对图像分割效果的要求也越来越高，图像分割在将来也会是研究的热点之一，具有广阔的前景。
References:
[1] 高敏, 李怀胜, 周玉龙, 方丹, 张宝全. 背景约束的红外复杂背景下坦克目标分割方法. 自动化学报, 2016, 42(3):416-430
[2] 龙建武, 申铉京, 臧慧, 陈海鹏. 高斯尺度空间下估计背景的自适应阈值分割算法. 自动化学报, 2014, 40(8):1773-1782
[3] 肖春霞, 初雨, 张青. 高斯混合函数区域匹配引导的Level Set纹理图像分割. 计算机学报,2010,33(7)
[4] 张迎春, 郭禾. 基于粗糙集和新能量公式的水平集图像分割. 自动化学报, 2015, 41(11): 1913-1925
[5] 刘丁, 张新雨, 陈亚军. 基于多目标人工鱼群算法的硅单晶直径检测图像阈值分割方法. 自动化学报, 2016, 42(3):431-442
[6] 张明慧, 卢振泰, 张娟, 阳维, 陈武凡, 张煜. 基于多图谱活动轮廓模型的脑部图像分割. 计算机学报,2016,39(7)
[7] 董卓莉, 李磊, 张德贤. 基于两段多组件图割的非监督彩色图像分割算法. 自动化学报, 2014, 40(6): 1223-1232
[8] 宋艳涛, 纪则轩, 孙权森. 基于图像片马尔科夫随机场的脑 MR 图像分割算法. 自动化学报, 2014, 40(8):1754-1763
[9] 张帆, 张新红. 基于位错理论的距离正则化水平集图像分割算法. 自动化学报, 2018, 44(5): 943-952
[10] 周东国, 高潮, 郭永彩. 一种参数自适应的简化 PCNN 图像分割方法. 自动化学报, 2014, 40(6): 1191-1197
[11] 陈子阳, 王保平. 一种基于三维直方图和RFKCN的图像分割方法. 计算机学报,2011,34(8)
[12] Zhiwei TANG, Yixuan WU. one image segmentation method based on Otsu and fuzzy theory seeking image segment threshold. 2011 International Conference on Electronics, Communications and Control (ICECC). 2011, 2170-2173
[13] 李启翮,罗予频,萧德云. 基于流向标量场与快速扫掠法的图像分割. 自动化学报, 2008,34(8)
[14] 孙超男, 易芹, 崔丽. 小波变换结合模糊聚类在示温漆彩色图像分割中的应用. Journal of Software,2012,23(Suppl.(2)):64?68
[15] 唐思源, 邢俊凤, 杨敏. 基于BP神经网络的医学图像分割新方法. 计算机科学. 2017,44(6A)
标签：理论知识 通过 预处理 发展 控制 ecc 精度 关注 简化
原文地址：https://www.cnblogs.com/LuffysMan/p/9830588.html
