王小丫

摘 要 文章將圖像分割分為基于邊緣、閾值和區(qū)域等，通過對過去6年出現(xiàn)的圖像分割算法的總結(jié)與分類，總結(jié)了各算法的優(yōu)缺點及其應(yīng)用領(lǐng)域，為今后的相關(guān)研究提供了有效的研究理論基礎(chǔ)。

關(guān)鍵詞 圖像分割；邊緣；閾值；區(qū)域生長

中圖分類號 TP3 文獻標識碼 A 文章編號 1674-6708（2019）233-0165-02

隨著人工智能的發(fā)展，圖像處理已成為機器人技術(shù)發(fā)展的重要組成部分。圖像處理廣泛應(yīng)用于：圖像引導，無人機，無人巡邏車，人臉識別，指紋識別，語音識別，車牌識別，漢字識別，醫(yī)學圖像識別等高科技領(lǐng)域。圖像處理是指將圖像信號轉(zhuǎn)換為數(shù)字信號并通過計算機處理圖像的過程。通常，它分為3個部分：圖像處理，圖像分割和圖像識別。圖像分割作為圖像處理的重要組成部分，其準確性極大地影響了整個系統(tǒng)的準確性。

如今存在各種的圖像分割技術(shù)，人們多年來一直非常關(guān)注圖像分割，已經(jīng)提出了各種不同的分割算法。Nikhil等[ 1 ]把圖像分割算法分為以下六類：閾值分割，像素分割、深度圖像分割、彩色圖像分割，邊緣檢測和基于模糊集；Robert M.Haralick等[2]將圖像分割算法分為：測量空間引導的空域聚類方法，單一鏈接區(qū)域生長方法，混合鏈接區(qū)域生長方法，質(zhì)心鏈接區(qū)域生長方法，空間聚類方案以及分離和合并方案。本文基于圖像分割的不同方法，將圖像分割分為以下5類：基于邊緣的圖像檢測法、基于閾值的圖像分割法、基于區(qū)域生長法的圖像分割、其他復合分割方法。

本文對圖像分割的定義進行了總結(jié)和分析，并在此基礎(chǔ)上對過去6年出現(xiàn)的各種圖像分割算法進行了分類，并討論了它們的優(yōu)缺點，為今后的研究提供了有效的依據(jù)。

1 圖像分割

圖像分割是指將圖像分割成具有自身特征的區(qū)域并提取感興趣的對象的技術(shù)和過程[ 3 ]。也就是說，將目標圖像劃分為多個非交叉區(qū)域，使得相同子區(qū)域中的像素連接，并且沒有兩個相鄰區(qū)域具有相同的特性。使用集合的形式，我們可以如下定義圖像分割：將P（）定義為所有像素的集合，X是在連續(xù)像素組上均勻不相交的區(qū)域，并且分割是將集合P劃分為一組連接的子集（S1，S2，…Sn），形式如下：

2 圖像分割算法

2.1 基于邊緣的圖像檢測法

基于邊緣的圖像分割方法依賴于邊緣檢測算法，通過檢測圖像邊緣灰度級或結(jié)構(gòu)有突變的地方來進行圖像分割。

倪元敏等[ 4 ]提出基于模糊形態(tài)學的圖像邊緣輪廓提取算法，實現(xiàn)了圖像保存完整，分割速度快，分割效果達到預(yù)期目標等效果。張闖等[5]提出基于歐式距離圖的圖像邊緣檢測，通過改進的Canny算法進行邊緣檢測，發(fā)現(xiàn)雖然邊緣檢測結(jié)果變少但是很好的反映了目標物體的輪廓，更利于對圖像物體的識別。孟月波等[ 6 ]提出一種具有邊緣保持的MRMRF模型圖像分割方法，它不僅有效地保持了圖像分割結(jié)果的邊緣，取得了較好的分割效果，而且具有較快的分割速度。普里相似性評價指數(shù)平均提高到0.8909，GCE差分評價指數(shù)平均降低到0.1923。

2.2 基于閾值的圖像分割法

基于閾值的圖像分割是目前被使用最多的一類圖像分割算法，通過自動或手動設(shè)定一個閾值，圖像像素即被分成了不同的類別，并且不同區(qū)域被閉合的連接邊界分開。

郎春博等[ 7 ]提出了基于改進正余弦優(yōu)化算法的多閾值圖像分割，在閾值分割時優(yōu)化閾值的選取過程，有效地提高了運行效率和分割的精度。楊兆龍等[8]提出基于改進差分進化算法的多閾值圖像分割，運用自適應(yīng)縮放因子以及交叉系數(shù)，在取得正確分割結(jié)果的前提下提高了分割速度。聶方彥等[9]運用了一種基于Tsallis相對熵的圖像分割閾值選取方法，發(fā)現(xiàn)該方法運算耗時小于0.1s，具有較好的應(yīng)用潛能。

2.3 基于區(qū)域生長法的圖像分割

基于區(qū)域生長方法的圖像分割的基本思想是：在確定像素或區(qū)域之后，將具有相同屬性的所有像素或小區(qū)域合并到現(xiàn)有區(qū)域中，直到不存在相同的區(qū)域。

洪向工等[ 1 0 ]提出了一種基于灰度共生矩陣和區(qū)域生長算法的紅外光電面板圖像分割算法。發(fā)現(xiàn)該算法更接近手動分割的目標區(qū)域，能有效改善分割效果，自適應(yīng)性以及魯棒性較強；蔣秋霖等[ 1 1 ]提出的基于區(qū)域生長算法的腦腫瘤圖像分割，通過使用迭代法確定自適應(yīng)閾值，精度達到97.41%，誤檢率和漏檢率均大幅度減少；潘家輝等[12]提出的基于區(qū)域生長算法的CT序列圖像分割，與人工分割相比，平均相對誤差為1.06%，與傳統(tǒng)區(qū)域生長算法相比分割效果更好。

2.4 總結(jié)和討論

在本節(jié)中，詳細描述了近6年出現(xiàn)的圖像分割方法，并根據(jù)他們的特征分類。表1總結(jié)和討論了每一類方法的利弊。

3 結(jié)論

該文描述了過去6年出現(xiàn)的圖像分割算法，并根據(jù)它們的特征進行分類和討論.在近幾年的圖像分割算法中，在近年來的圖像分割算法中，實驗設(shè)置通常限定在良好的條件下，并且尚未針對復雜條件下的圖像分割方法進行開發(fā)。若將各種干擾因素都考慮其中，準確率將會降低不少。還有許多新方法新技術(shù)的出現(xiàn)，比如基于圖論的SAR圖像分割方法、基于snake模型與最小生成樹分割算法、基于小波變換和粒子群改進的FCM方法等，這些方法為圖像分割算法開辟了新的局面，有待進一步深入研究，未來的研究應(yīng)側(cè)重于多特征和多方法融合的上，并積極引進新方法來解決圖像分割的難題。

參考文獻

[1]Nikhil R Pal ，Sankar K Pal .A review on image segmentation techniques[J]. Pattern Recognition，1993（26）：1277-1294.

[2]Robert M.Haralick，Linda G.Shapiro .Image segmentation techniques[J].Computer Vision，Graphics， and Image Processing，1985（29）：100-132.

[3]趙陽.基于圖像工程與框架理論識別人體細胞的智能技術(shù)研究[D].包頭：內(nèi)蒙古科技大學，2010.

[4]倪元敏，巫茜.基于模糊形態(tài)學的圖像邊緣輪廓提取算[J].西南師范大學學報（自然科學版），2013（12）：1-7.

[5]張闖，王婷婷，孫冬嬌，等.基于歐式距離圖的圖像邊緣檢[J].中國圖像圖形學報，2013（2）：176-183.

[6]孟月波，劉光輝，徐勝軍，等.一種具有邊緣保持的MRMRF模型圖像分割方法[J].西安交通大學學報，2019（3）：y1-y10.

[7]郎春博，賈鶴鳴，邢致凱，等.基于改進正余弦優(yōu)化算法的多閾值圖像分割[J].計算機應(yīng)用研究，2019（4）.

[8]楊兆龍，劉秉瀚.基于改進差分進化算法的多閾值圖像分割[J].計算機系統(tǒng)應(yīng)用，2016（12）：199-203.

[9]聶方彥，李建奇，張平鳳，等.一種基于Tsallis相對熵的圖像分割閾值選取方法[J].激光與光電子學進展，2017（7）：137-144.

[10]洪向工，周氏芬.基于灰度共生矩陣和區(qū)域生長算法的紅外光伏面板圖像分割[J].科學技術(shù)與工程，2018（34）：92-97.

[11]蔣秋霖，王昕.提出了基于區(qū)域生長算法的腦腫瘤圖像分割[J].長春工業(yè)大學學報，2018（5）：490-493.

[12]潘家輝，朱玲利，鮑蘇蘇.提出的基于區(qū)域生長算法的CT序列圖像分割[J].洛陽師范學院學報，2015（5）：58-61.