圖像分割方法綜述【文獻綜述】

1、文獻綜述電子信息工程摘要：圖像分割是圖像理解的基礎(chǔ)，圖像分割的算法研究越來越受到關(guān)注，早期的圖像分割算法在之后的研究中得到完善?；顒虞喞Ｐ褪菆D像分割和邊界提取的重要工具之一，主要包括了參數(shù)形式活動輪廓模型和幾何形式活動輪廓模型兩大類，本文對這兩類模型進行了大概的說明，簡單敘述了相對的優(yōu)點，如幾何活動輪廓模型在變形的過程中能處理曲線拓撲變化。鑒于活動輪廓模型所存在的缺點，提出了水平集算法，使得計算的范圍和簡易程度有了很大的發(fā)展。最后指出了圖像分割的算法還有一些進一步優(yōu)化的研究發(fā)展方向。關(guān)鍵詞：圖像分割，參數(shù)活動輪廓模型，幾何活動輪廓模型，水平集1.引言對圖像進行處理，通過圖像分割、目標分離、特

2、征提取、參數(shù)測量等技術(shù)，將原始的圖象轉(zhuǎn)化為更抽象更緊湊的形式，使得更高層的圖像分析和理解成為可能。其中圖像分割已經(jīng)越來越受到人們的關(guān)注，作為一種圖像處理與計算機視覺操作的預處理手段，已經(jīng)應用到了很多的領(lǐng)域，圖像分割可以定義為：根據(jù)圖像特征對圖像進行區(qū)域劃分1過程，圖像分割的效果好壞會直接影響到后續(xù)的處理結(jié)果，所以圖像分割是一個基本而又關(guān)鍵的技術(shù)，為此人們提出了很多有效的、具有魯棒性的分割算法。圖像分割方法有很多，按知識的特點和層次可分為數(shù)據(jù)驅(qū)動和模型驅(qū)動兩大類2，前者有Roberts算子、Sobel算子和Canny算子、閾值分割、分水嶺算法和模糊聚類分割算法等；后者是直接建立在先驗知識的基礎(chǔ)上

3、的，如基于活動輪廓模型的圖像分割。水平集的應用領(lǐng)域是隱含曲線（曲面）的運動3，現(xiàn)在水平集已經(jīng)廣泛應用于圖像恢復、圖像增強、圖像分割、物體跟蹤、形狀檢測與識別、曲面重建、最小曲面、最優(yōu)化以及流體力學中的一些方面。一個好的圖像分割算法應具有以下特點：1、有效性，能將圖像中感興趣的區(qū)域或目標分割出來的有效規(guī)則。2、整體性。能得到圖像中感興趣區(qū)域或目標的無斷點和離散點的封閉邊界。3、精確性，分割所得到的感興趣區(qū)域或目標邊界與實際情況貼近。4、穩(wěn)定性，算法受噪聲的影響性很小。5、自動化，分割過程不需要人工的干預。但是讓一種具體的圖像分割方法全部滿足上述特點是很難的，各種圖像分割的方法都存在著必然的局限性

4、，所以只能根據(jù)不同的適用領(lǐng)域和所要分割的圖像區(qū)域特征來選擇所對應的圖像分割方法。2早期的圖像分割方法早期的圖像分割方法，根據(jù)方法所利用的圖像特征，分為邊界法和區(qū)域法兩類4。前者是根據(jù)區(qū)域間像素特征的突變性或不連續(xù)性實現(xiàn)；后者是通過架設分割結(jié)果的某子區(qū)域具有一定的相似性質(zhì)，而不同區(qū)域的像素沒有共同性質(zhì)，即通過判斷區(qū)域的相似性來進行的分割。它們都存在著各自的優(yōu)點和缺點，基于區(qū)域分割的方法，常見的有：閾值法5，常用的并行區(qū)域分割技術(shù)，閾值是用于區(qū)分不同目標的灰度值，選擇合適的閾值是該分割法的關(guān)鍵；區(qū)域生長法：從圖像的某個像素出發(fā)，按一定的準則對領(lǐng)域像素點進行判斷，將符合要求的像素點逐步加入，至滿足一

5、定條件時終止此方法計算簡單，但需要人為的設置初始點，對噪聲敏感；分裂合并法：從整個圖像出發(fā)，不斷分裂成各個子區(qū)域，按照一定條件對前景區(qū)域進行合并，該方法雖分割效果好，但算法復雜，計算量大，也有可能破壞區(qū)域的邊界等?；谶吘壍姆指钏惴煞譃椴⑿羞吘墮z測和串行邊緣檢測兩種6，并行邊緣檢測是基于圖像邊緣處的灰度值不連續(xù)性，而利用微分算子進行檢測，常用的有Roberts算子，Prewitt算子，Sobel算子，Laplace算子，Marr算子，Krisch算子等。而串行邊界分割不但利用了本身像素的信息，還利用了其他已處理的像素信息，常用的算法有邊界跟蹤。在實際應用中，為了更好的分割效果，經(jīng)常把各種的分

6、割算法結(jié)合起來用，這也成為了圖像分割的重點研究方向之一。3圖像分割的發(fā)展31參數(shù)形式的活動輪廓模型(snake模型)2-1)E二f1E(c(s)ds二J1e(c(s)+E(c(s)ksnake00intext1987年，Kass等人提出來參數(shù)活動輪廓模型(Snake模型)，(2-1)為Snake模型的能量函數(shù)表示，將一系列的圖像處理問題統(tǒng)一的轉(zhuǎn)換為能量極小化的問題。跟其他傳統(tǒng)方法一樣，傳統(tǒng)的參數(shù)活動輪廓模型存在很多的局限性，由于模型是由演化曲線自身的內(nèi)力和圖像信息的外力構(gòu)成的，由內(nèi)力約束它的形狀，外力引導它的行為，模型外力的作用范圍小是很大的缺陷，而且，這個方法對輪廓的初始位置敏感，不能收斂到

7、輪廓的凹陷區(qū)域及處理拓撲變化，計算復雜度也很高。針對外力的缺陷，在后期的研究中產(chǎn)生了很多改進版的模型，Cohen等人在模型外力中，為了使得模型輪廓在圖像同質(zhì)區(qū)域內(nèi)能夠穩(wěn)定的進行收斂，增加了一項氣球膨脹力。Xv等人提出的GVF(GradientVectorFlow)模型和廣義GVF(GeneralizedGVF)模型，這兩個模型在擴大外力作用范圍上有很大的幫助，同時也可以擴大收斂的凹陷區(qū)域。Li等人提出的VFC(VectorFieldConvolution)模型在有上述作用的基礎(chǔ)上，同時對圖像噪聲具有一定的魯棒性7。由于傳統(tǒng)的參數(shù)輪廓模型采用的是變分法來極小化能量模型，而變分法需要較高階次的求導

8、和對能量函數(shù)連續(xù)的要求，導致數(shù)值計算的穩(wěn)定性較差和一些約束性條件不能有效的運用。Amini等人提出的基于動態(tài)規(guī)劃(DynamicProgramming，DP)的優(yōu)化算法可以去掉變分法的求導過程，但是計算復雜度是0(nm3)，Williams和Shah在此基礎(chǔ)上提出了一種局部最優(yōu)的貪婪優(yōu)化算法(GreedyOptimization)在保持動態(tài)規(guī)劃等優(yōu)點的基礎(chǔ)上，使得計算復雜降為0(nm)。32水平集方法水平集(LevelSet)函數(shù)以隱含的方式表達基于幾何活動輪廓模型的輪廓曲線運動，最先是由Osher,Sethian提出，當時提出是用來求解描述火苗外形變化的偏微分方程。水平集方法是將演化曲線CC

9、,t)嵌入到比它高一維的水平集函數(shù)0(x,y,t)中，得到C(s,J=y)o(x,y,)=0。傳統(tǒng)的水平集函數(shù)定義如(2-2)所示，其中d(x,y)C(s,t)表示坐標G,y)到曲線C的距離。嵌入其中的曲線C隨著高維函數(shù)的變化而變化，所以當是被確定的時候，曲線C一定是確定的。0(x,y,t)=-d(x,y)C(s,t)d(x,y),C(s,t)if(x,y)insideC(s,t)if(x,y)atC(s,t)if(x,y)outsideC(s,t)2-2)水平集方法的優(yōu)點如下：a.能較容易的實現(xiàn)低維向高維的擴展，能輕易的將二維平面演化問題擴展到三維閉合曲面上，有利于實現(xiàn)三維立體圖像的分割。b

10、演化曲線的幾何特征可以用水平集函數(shù)0(x,y,t)直接計算出來。c水平集函數(shù)0(x,y,t)的零水平集可以自然的處理變拓撲結(jié)構(gòu)。d.只要速度函數(shù)F保持為連續(xù)的光滑函數(shù)，水平集函數(shù)0(x,y,t)就始終為可微函數(shù)，從而利用離散的有限差分法實現(xiàn)其數(shù)值近似算法。33幾何形式的活動輪廓模型幾何活動輪廓模型是由Caselles等人與Malladi等人分別獨立提出的首個水平集活動輪廓模型10，基于曲線進化理論和水平集的思想，先將平面閉合曲線隱含的表達為二維曲面函數(shù)的水平集，再通過曲面的進化來隱含的求解曲線的進化，相對于Snake模型，可以處理曲線的拓撲變化、對初值不敏感、具有穩(wěn)定唯一的數(shù)值解。最初的幾何輪

11、廓模型對于邊緣不明顯或不連續(xù)的圖像處理效果不理想in。Caselles等人通過測地活動輪廓模型(geodesicactivecontour)解決這個問題，當輪廓曲線越過正確的物體邊緣的時候?qū)η€修正，該模型采取了與原始Sanke模型相似的設計模式,以間接的方式來設計輪廓線的演化方程。測地活動輪廓模型關(guān)于演化曲線C的能力泛函被定義為(2-3)，其中g(shù)表示圖像的邊緣指示函數(shù)。E(C)=gdC,idpdp(2-3)G0測地活動輪廓模型的水平集方程可以寫為(2-4)0+div-Vg2-4)Mumford和Shah于20世紀80年代提出一種模型口2綜合了圖像的邊界和區(qū)域信息，此模型利用同質(zhì)區(qū)域的相似性原

12、則來驅(qū)使活動輪廓向目標物體邊界逼近，對模糊或不連續(xù)的邊界的分割效果很好，因為此模型的輪廓線演化與邊界的梯度無關(guān)。Mumford-Shah模型同時將圖像分割、噪聲去除和圖像重建用一個廣義能量泛函的最小值問題來描述。4未來的發(fā)展趨勢討論圖像分割是一個很復雜的問題，需要不斷的進一步的研究和改進問題，本文大概的羅列了一些圖像分割的方法，闡述了方法的一些優(yōu)缺點，在保持優(yōu)點的基礎(chǔ)上，如何去對缺點進行研究，使其克服，是很重要的任務。在參數(shù)活動輪廓模型方面，可以在新的外力模型或者對現(xiàn)有模型改進來克服對初始值和噪聲方面的問題。計算量龐大的幾何活動輪廓模型算法方面，可以研究如何簡化計算，加快算法的收斂速度等等。參

13、考文獻：王志勇，池哲儒，余英林.分形編碼在圖像檢索中的應用J.電子學報，2000,28(6):1923.毛紅達.基于區(qū)域活動輪廓模型的圖像分割D.浙江：浙江大學，2008.王大凱，侯榆青，彭進業(yè).圖像處理的微分方程方法M.北京：科學出版社，2008.章毓晉.圖像工程(中冊)M.北京:清華大學出版社，2005.付峰,應義斌.生物圖像閾值分割方法的研究J.浙江大學報，2003，29(1):108112.黃藝，杜宇人.基于邊緣信息的圖像分割技術(shù)研究J.現(xiàn)代電子技術(shù)，2005，5:11620.曹遠星，董宇寧.蛇模型綜述J.信息技術(shù)，2006，3:113116.X.Yang，D.J.Sorlovitz，L.T.Cheng，W.E.LevelSetSimulationsofDislocation-ParticlebypassMethanismsJ.ActaMater，2004，52:1745-1760.S.Osher，J.Sethian，F(xiàn)rontspropagationwithcurvature-dependentspeed:AlgorithmsbasedonHamilton-JacobiformulationJ.JournalofComputationalPhysics，1988，79(1):1249.Caselles