武漢輕工大學(xué)　胡　乾

?

數(shù)字圖像處理的區(qū)域分割淺析

武漢輕工大學(xué)胡乾

【摘要】圖像分割一般是指把圖像分解成不同區(qū)域后從中提取出感興趣目標(biāo)的過程和技術(shù)。不同分割方法產(chǎn)生的結(jié)果會(huì)有一定差異，該差異則會(huì)進(jìn)一步影響視覺系統(tǒng)性能。本文給出了目前常用圖像分割的幾種不同算法并進(jìn)行了系統(tǒng)分析，分別是基于邊緣檢測(cè)法、閾值分割法以及基于區(qū)域生成的法?；谶@些算法的MATLAB仿真，得到理想的分割結(jié)果，并分析了各種算法的優(yōu)缺點(diǎn)。

【關(guān)鍵詞】邊緣檢測(cè)；區(qū)域生成；圖像分割；算法；閾值分割

0　引言

學(xué)者們通過對(duì)圖像的研究，發(fā)現(xiàn)一個(gè)特別的規(guī)律，即當(dāng)大家看到一個(gè)圖像的時(shí)候，一般都只會(huì)對(duì)這個(gè)圖像的其中一部分產(chǎn)生比較大的興趣，該部分(一般定義為圖像在特定的或特定區(qū)域)被稱為目標(biāo)或前景，而其它部分稱為背景。圖像分割研究的問題就是把目標(biāo)從給定圖像中孤立出來，進(jìn)而對(duì)該部分進(jìn)行處理，分割圖像研究結(jié)果可直接影響整體視覺系統(tǒng)的性能。

圖像分割是圖像技術(shù)中相對(duì)較為重要的，在不同領(lǐng)域中有時(shí)叫法也不一樣：如閾值化(threshold)技術(shù)、目標(biāo)識(shí)別(target recognition)技術(shù)等。[1]圖像分割有著巨大的應(yīng)用范圍，涵蓋了有關(guān)圖像處理的近乎全部領(lǐng)域。例如：在道路交通領(lǐng)域，可以利用圖像分割技術(shù)將車輛信息從道路的背景下分割出來，極大的利于交管部門電子警察工作；在醫(yī)學(xué)檢測(cè)領(lǐng)域，可以將肝臟從CT圖像中分割出來， 為臨床治療和病理研究提供可靠依據(jù)，還可以從MRI、PET等其他模式醫(yī)學(xué)影像中提取有價(jià)值的信息；在以不改變其特定對(duì)象的前提下對(duì)圖像進(jìn)行壓縮后，可根據(jù)圖像內(nèi)容特點(diǎn)進(jìn)行區(qū)域劃分。在這篇文章中我們會(huì)對(duì)圖像分割的三種算法(閾值分割、邊緣檢測(cè)以及區(qū)域分割)進(jìn)行分析。

1　閾值分割

閾值分割法是一種最常見，同時(shí)操作起來較為簡(jiǎn)單的基于區(qū)域劃分的基本算法，根據(jù)目標(biāo)圖像和背景圖像在回復(fù)特性上的不同，分為兩個(gè)不同的區(qū)域，選擇一個(gè)合適的閾值，以確定圖像中的每個(gè)像素屬于哪個(gè)區(qū)域。圖像分割最重要的一點(diǎn)是選擇最優(yōu)閾值，目前己提出的閾值分割方法，相應(yīng)的分類是：根據(jù)圖像本身的特點(diǎn)，可分為單閾值分割和多閾值分割；根據(jù)特征或標(biāo)準(zhǔn)進(jìn)行分割算法。閾值分割法根據(jù)操作方法可細(xì)分為直方圖法、迭代法、大律法、過渡區(qū)閾值選取法等。

1.1迭代法

迭代閾值選取的原理為根據(jù)圖像內(nèi)不同對(duì)象間灰度分布的差異，將差異較小的圖像認(rèn)為其初始閾值近似，或直接將圖像中目標(biāo)圖像灰度值作為初始閾值參考標(biāo)準(zhǔn)，會(huì)得到最佳閾值，通過迭代的圖像修改和分割閾值。具體操作方法如下：

(1)根據(jù)灰度選擇初始閾值T，初始閾值的選取直接關(guān)系到后面算法的正確性。

(2)利用初始閾值T將已知圖像分割成為目標(biāo)圖像和背景圖像兩組，分別記為R1和R2。

(3)計(jì)算R1和R2均值u1和u2。

(4)選取新的閾值T，且：

(5)重復(fù)第(2)步到第(4)步，直至R1和R2均值u1和u2均值不再變化為止。

雙峰直方圖顯示的明顯谷深圖像，用迭代法可以更快速獲得滿意效果，但不明顯的雙峰或比例的目標(biāo)與背景的差異很明顯，選擇閾值從結(jié)果效果來說比其他方法要差一些。選擇好的迭代閾值后對(duì)圖像切割得到目標(biāo)圖像和背景圖像則具有良好的切割效果，原因是該圖能較好區(qū)分前景的主要領(lǐng)域，但不能區(qū)分細(xì)節(jié)領(lǐng)域?？傮w比較迭代法和雙峰法可知，迭代法的效果更好。

1.2大律法

大律法又稱為Otsu算法或最大類間方差值法，首先仍然是設(shè)定初始閾值，記為t，利用初始閾值T將已知圖像分割成為目標(biāo)圖像和背景圖像兩組，其中目標(biāo)圖案稱為前景，背景圖案稱為背景。設(shè)背景圖案中有效點(diǎn)數(shù)占整體圖像有效點(diǎn)數(shù)的比例為w1，平均灰度為u1，前景圖案中有效點(diǎn)數(shù)占整體圖像有效點(diǎn)數(shù)比例為w0，平均灰度為u0；那么整體圖像總平均灰度可以寫成：

從最小灰度值到最大灰度值遍歷t，當(dāng)t使得值

最大的時(shí)候t就是分割的最佳閾值。

以上公式可理解為首先使用閾值t將整體圖像進(jìn)行分割，被分割部分分別稱為前景與背景，其中背景平均灰度設(shè)為u1，有效點(diǎn)數(shù)發(fā)生概率設(shè)為w1，前景平均灰度設(shè)為u0，有效點(diǎn)數(shù)發(fā)生概率設(shè)為w0，可知w1+w0=1；總均值為u。從式2-2可知，計(jì)算結(jié)果中方差值越大，則說明圖像中灰度分布越均勻，目標(biāo)圖像和背景圖像相差值越大，若在閾值設(shè)置過程中發(fā)生偏差，則會(huì)導(dǎo)致結(jié)果中方差值比實(shí)際偏小，即目標(biāo)圖像和背景圖像分割不準(zhǔn)確。大律法的計(jì)算量很大，造成計(jì)算工作負(fù)擔(dān)較重，因此在實(shí)際運(yùn)用過程中，計(jì)算人員會(huì)根據(jù)經(jīng)驗(yàn)選擇以下公式：

一般可認(rèn)為大津法所選取閾值是最穩(wěn)定的分割閾值。

2　邊緣檢測(cè)算法研究

圖像邊緣檢測(cè)即利用圖像本身所屬風(fēng)格，對(duì)目標(biāo)區(qū)域進(jìn)行識(shí)別，然后提取圖像信息，達(dá)到檢測(cè)的目的。區(qū)域分化及形狀提取是圖像分析中非常重要的基礎(chǔ)，是數(shù)字圖像處理中非常重要的。兩者肯定不是連續(xù)的灰度值檢測(cè)灰度值之間的相鄰地區(qū)一致的邊緣通?？梢允褂梅奖愕姆绞秸业?。需要好的措施來解決邊緣檢測(cè)，一般可采用邊緣增強(qiáng)算子，即將圖像邊緣有效信息部分明顯放大，利用設(shè)置的閾值將邊緣有效信息提取并設(shè)置成點(diǎn)集。但它比圖像模糊和意志的存在的噪聲，這些都不可能被打斷的邊界提取。下面分別介紹常用的兩種檢測(cè)算子：log算子和canny算子。

2.1拉普拉斯高斯算子

拉普拉斯—高斯算子是一種二階微分算法，其計(jì)算方式為在圖像邊緣處形成線性連續(xù)陡峭0交叉，然后利用查找二階微分的0點(diǎn)的方法來確定邊緣點(diǎn)的檢測(cè)[3]。圖1所示為拉普拉斯—高斯運(yùn)算模板。利用模板及拉普拉斯運(yùn)算可知，可將暗區(qū)域內(nèi)的亮點(diǎn)放大。在算法運(yùn)算時(shí)，可認(rèn)為圖像中的邊緣區(qū)灰度會(huì)發(fā)生跳躍，同時(shí)跳躍過程是灰度發(fā)生跳變的區(qū)域，也增強(qiáng)了噪聲。因此在利用拉普拉斯—高斯算子進(jìn)行邊緣檢測(cè)過程中，應(yīng)根據(jù)實(shí)際情況對(duì)圖像進(jìn)行平滑處理，減少其不平整現(xiàn)象。

圖1　拉普拉斯運(yùn)算模板

2.2Canny算子

Canny算子是一種相對(duì)新穎的邊緣檢測(cè)算子，邊緣檢測(cè)性能量好，它的應(yīng)用范圍正在提升。Canny算子的算法步驟可采用以下方式表達(dá)：(1)首先利用Gaussian濾波器對(duì)圖像進(jìn)行處理，濾去不必要的影響因子；(2)將圖像定好三維坐標(biāo)，用于標(biāo)識(shí)圖像中不同梯度的方向及幅值；(3)對(duì)不同梯度圖像的方向和幅值均采用非極大值抑制，即設(shè)立原點(diǎn)。(4)最后利用canny算子來檢測(cè)細(xì)胞圖像。

3　區(qū)域分割算法研究

區(qū)域分割和生長(zhǎng)即將性質(zhì)不同的像素區(qū)域分開，將性質(zhì)相同的像素區(qū)域集合，將每個(gè)像素點(diǎn)均看作一個(gè)起始位點(diǎn)，不斷集合與自身相似性質(zhì)的其他位點(diǎn)，直到?jīng)]有像素性質(zhì)相似的位點(diǎn)為止。區(qū)域經(jīng)濟(jì)增長(zhǎng)是適度增長(zhǎng)或類似的局部性質(zhì)的最重要的選擇標(biāo)準(zhǔn)，會(huì)用到其中大部分區(qū)域生長(zhǎng)準(zhǔn)則圖像。不同像素區(qū)域及位點(diǎn)的成長(zhǎng)標(biāo)準(zhǔn)不同，一般根據(jù)自身性質(zhì)決定，不同生長(zhǎng)的過程中的區(qū)域經(jīng)濟(jì)增長(zhǎng)的影響。下面介紹3種常見的生長(zhǎng)準(zhǔn)則及方法[4]。

3.1灰度差準(zhǔn)則

灰度差準(zhǔn)則為不同區(qū)域利用自身區(qū)域圖像像素作為最小單元格，并以此往上拓展，其主要步驟如下：①將不同圖像區(qū)域進(jìn)行分段掃描，將像素歸類，并標(biāo)記無歸屬的像素；②將無歸屬像素與其他鄰域像素進(jìn)行對(duì)比分析，找到灰度差值最小的像素集后，將無歸屬像素并入該像素集；③重復(fù)以上操作直至所有無歸屬像素均找到所屬像素集，同時(shí)擴(kuò)大像素區(qū)域，則整個(gè)生長(zhǎng)過程結(jié)束。

3.2灰度分布統(tǒng)計(jì)準(zhǔn)則

灰度分布統(tǒng)計(jì)是將灰度分布相似的區(qū)域進(jìn)行合并，其主要步驟如下：①首先將圖像區(qū)域進(jìn)行劃分，注意不要出現(xiàn)重疊區(qū)域；②將不同區(qū)域根據(jù)灰度分布相似性定律進(jìn)行合并和區(qū)分；③重復(fù)以上操作直至所有所有區(qū)域合并完成。

采用此算法的結(jié)果好壞跟劃分的區(qū)域的大小和確定的閾值密卻相關(guān)。通常情況下劃分的區(qū)域過大，則會(huì)導(dǎo)致過度合并而遺漏區(qū)域；相反，如果劃分的區(qū)域過小，就會(huì)導(dǎo)致合并不充分導(dǎo)致而區(qū)域被隔斷。除此之外，圖像本身的復(fù)雜程度和原圖像生成狀況的區(qū)別對(duì)上面參數(shù)選取會(huì)產(chǎn)生影響[5]。

3.3區(qū)域形狀準(zhǔn)則

區(qū)域形狀準(zhǔn)則判斷方法包括：

(1)將圖像根據(jù)灰度值劃分成不同區(qū)域，并固定該區(qū)域，設(shè)預(yù)定閾值為T1，相鄰區(qū)域周長(zhǎng)是P1、P2，而它們共同邊界線兩邊灰度差小于給定值的長(zhǎng)度為L(zhǎng)，若滿足以下條件：

則認(rèn)為這兩個(gè)相鄰區(qū)域可以合并。

(2)同樣將圖像根據(jù)灰度值劃分成不同區(qū)域，并固定該區(qū)域，設(shè)預(yù)定閾值為T2，而它們共同邊界線長(zhǎng)度為B，L所代表含義與上式相同，若：

則認(rèn)為這兩個(gè)相鄰區(qū)域可以合并。

利用MATLAB編程，實(shí)現(xiàn)區(qū)域生長(zhǎng)法分割圖像如圖2所示：

圖2　區(qū)域生長(zhǎng)法分割效果圖

4　結(jié)束語

本文對(duì)目前常用的灰度圖像分割算法進(jìn)行類比分析和總結(jié)，提出了不同算法的優(yōu)缺點(diǎn)，不同的人在不同的事件和環(huán)境中的數(shù)據(jù)提供了一定的依據(jù)不同的劃分算法，這種分類不是絕對(duì)的，從不同的角度，那里的劃分可以不一樣。

閾值分割算法與迭代法，可有效從不同類間方差法的計(jì)算公式中得到閾值邊緣檢測(cè)算法。當(dāng)利用邊緣檢測(cè)Canny算子的圖像時(shí)，該方法不容易由于噪聲的干擾，能夠檢測(cè)到微弱的相似性為基礎(chǔ)的區(qū)域生長(zhǎng)方法過程滿足一定的標(biāo)準(zhǔn)圖像中的像素的或次區(qū)域的面積較大的需求。

參考文獻(xiàn)

[1]賀東霞,李竹林,王靜.淺談數(shù)字圖像處理的應(yīng)用與發(fā)展趨勢(shì)[J].延安大學(xué)學(xué)報(bào)(自然科學(xué)版),2013,35(04):12-17.

[2]胡晶.數(shù)字圖像的優(yōu)勢(shì)及設(shè)計(jì)應(yīng)用[J].美術(shù)教育研究,2015, 23(05):61-65.

[3]鄭燦香.數(shù)字圖像處理技術(shù)及其應(yīng)用的相關(guān)研究[J].數(shù)字技術(shù)與應(yīng)用,2013,32(09):34-38.

[4]保華,王菁,梁欣.Matlab在《數(shù)字圖像處理》教學(xué)中的應(yīng)用研究[J].教育教學(xué)論壇,2016,12(02):54-57.

[5]Simona E.Grigorescu,Nicolai Petkov and Peter Kruizinga. Comparison of TextureFeatures Based on Gabor Filters.IEEE Transactions on image processing[J].2002,11(10):1160-1167.