圖像分割方法研究綜述

圖像分割方法研究綜述

1圖像分割特征在計(jì)算視覺(jué)理論中，圖像分割、資源提取和目標(biāo)識(shí)別構(gòu)成了三個(gè)級(jí)別的任務(wù)。目標(biāo)識(shí)別和資源提取基于圖像分割。圖像分割結(jié)果的質(zhì)量直接影響后續(xù)資源提取和目標(biāo)識(shí)別。圖像分割是將圖像中有意義的特征或區(qū)域提取出來(lái)的過(guò)程.這些特征可以是圖像的原始特征,如像素的灰度值、物體輪廓、顏色、反射特征和紋理等,也可以是空間頻譜等,如直方圖特征.圖像分割的目的是把圖像劃分成若干互不相交的區(qū)域,使各區(qū)域具有一致性,而相鄰區(qū)域間的屬性特征有明顯的差別.圖像分割的應(yīng)用非常廣泛,幾乎出現(xiàn)在有關(guān)圖像處理的所有領(lǐng)域,并涉及各種類(lèi)型.圖像分割作為前沿學(xué)科充滿了挑戰(zhàn),吸引了眾多學(xué)者從事這一領(lǐng)域研究.本文在查閱國(guó)內(nèi)外大量參考文獻(xiàn)的基礎(chǔ)上,將圖像分割方法分為傳統(tǒng)的和結(jié)合特定理論的方法,主要介紹了與特定理論結(jié)合的圖像分割方法.本文結(jié)構(gòu)安排如下:第1節(jié)簡(jiǎn)單介紹了三種傳統(tǒng)的圖像分割方法;第2節(jié)重點(diǎn)闡述7個(gè)與特定理論結(jié)合的圖像分割方法;第3節(jié)對(duì)圖像分割方法的發(fā)展趨勢(shì)進(jìn)行了討論;第4節(jié)對(duì)本文進(jìn)行了總結(jié),并展望了下一步的研究方向.2圖像塊分割方法傳統(tǒng)傳統(tǒng)的圖像分割方法包括基于區(qū)域的,基于邊緣的和兩者結(jié)合的圖像分割方法.2.1區(qū)域提取方法的提取機(jī)理基于區(qū)域的分割方法是以直接尋找區(qū)域?yàn)榛A(chǔ)的分割技術(shù),具體算法有區(qū)域生長(zhǎng)和區(qū)域分離與合并算法.基于區(qū)域提取方法有兩種基本形式:一種是區(qū)域生長(zhǎng),從單個(gè)像素出發(fā),逐步合并以形成所需要的分割區(qū)域;另一種是從全局出發(fā),逐步切割至所需的分割區(qū)域.在實(shí)際中使用的通常是這兩種基本形式的結(jié)合.該類(lèi)算法對(duì)某些復(fù)雜物體定義的復(fù)雜場(chǎng)景的分割或者對(duì)某些自然景物的分割等類(lèi)似先驗(yàn)知識(shí)不足的圖像分割,效果較理想.2.2邊緣檢測(cè)的基礎(chǔ)基于邊緣檢測(cè)的分割方法試圖通過(guò)檢測(cè)不同區(qū)域的邊緣來(lái)解決問(wèn)題,通常不同的區(qū)域之間的邊緣上灰度值的變化往往比較大,這是邊緣檢測(cè)方法得以實(shí)現(xiàn)的主要假設(shè)之一.它的基本思想是先檢測(cè)圖像中的邊緣點(diǎn),再按一定策略連接成輪廓,從而構(gòu)成分割區(qū)域.其難點(diǎn)在于邊緣檢測(cè)時(shí)抗噪性和檢測(cè)精度的矛盾,若提高檢測(cè)精度則噪聲產(chǎn)生的偽邊緣會(huì)導(dǎo)致不合理的輪廓;若提高抗噪性則會(huì)產(chǎn)生輪廓漏檢和位置偏差.2.3邊緣與區(qū)域相結(jié)合分割.邊緣檢測(cè)能夠獲得灰度值的局部變化強(qiáng)度,而區(qū)域分割能夠檢測(cè)特征的相似性與均勻性.邊緣與區(qū)域相結(jié)合分割的主要思想是結(jié)合二者的優(yōu)點(diǎn),通過(guò)邊緣點(diǎn)的限制,避免區(qū)域的過(guò)分割;同時(shí),通過(guò)區(qū)域分割補(bǔ)充漏檢的邊緣,使輪廓更加完整.3圖像分割算法近年來(lái),隨著各學(xué)科許多新理論和新方法的提出,人們也提出了許多結(jié)合一些特定理論、方法和工具的圖像分割技術(shù).由于圖像分割技術(shù)至今尚無(wú)通用的自身理論,所以每當(dāng)有新的數(shù)學(xué)工具或方法提出來(lái),人們就嘗試著將其用于圖像分割,因而提出了不少特殊的算法.3.1經(jīng)典海洋分析方法數(shù)學(xué)形態(tài)學(xué)是由法國(guó)數(shù)學(xué)家MathernG.和SerraJ.于1964年創(chuàng)立并在此后多年里得到不斷豐富和完善.1982年SerraJ.的專(zhuān)著的問(wèn)世標(biāo)志著數(shù)學(xué)形態(tài)學(xué)開(kāi)始在圖像處理、模式識(shí)別和計(jì)算機(jī)視覺(jué)等領(lǐng)域得到長(zhǎng)足的發(fā)展.數(shù)學(xué)形態(tài)學(xué)以圖像的形態(tài)特征為研究對(duì)象,用具有一定形態(tài)的結(jié)構(gòu)元素描述圖像中元素與元素、部分與部分之間的關(guān)系,以達(dá)到對(duì)圖像分析和識(shí)別的目的.數(shù)學(xué)形態(tài)學(xué)用于圖像分割,既可以與基于邊緣的方法結(jié)合,也可以和基于區(qū)域的方法結(jié)合.數(shù)學(xué)形態(tài)學(xué)用于基于區(qū)域的圖像分割最典型的例子就是分水嶺(Watershed)方法.經(jīng)典分水嶺方法主要由兩個(gè)步驟組成:“排序”和“淹沒(méi)”.在“排序”步驟中,主要完成圖像灰度級(jí)的頻率分布計(jì)算,根據(jù)計(jì)算結(jié)果對(duì)灰度級(jí)進(jìn)行排序,然后將圖像中的每一個(gè)像素分配到與灰度相對(duì)應(yīng)的存儲(chǔ)陣列中去;在“淹沒(méi)”過(guò)程中,使用“先進(jìn)先出(FirstInFirstOut)”的隊(duì)列計(jì)算地理影響區(qū)域,通過(guò)遞歸運(yùn)算實(shí)現(xiàn)積水盆地的不斷膨脹,最終完成圖像的分割.2007年,VíctorO.R.等提出了一種改進(jìn)的分水嶺算法.該算法通過(guò)模擬下雨過(guò)程,以像素代替雨滴,來(lái)計(jì)算灰度數(shù)字圖像的分水嶺變換.它盡可能減少了在分水嶺變換中最耗時(shí)的鄰域操作,以及在原始圖像上執(zhí)行的掃描次數(shù).該算法僅用了4個(gè)簡(jiǎn)化的隊(duì)列和一個(gè)簡(jiǎn)單的與輸入圖像規(guī)模一致的輸出矩陣,來(lái)存儲(chǔ)中間計(jì)算結(jié)果.實(shí)驗(yàn)結(jié)果表明,針對(duì)不同規(guī)模的各類(lèi)數(shù)字圖像,該算法較同類(lèi)其他算法可以減少大約31%的運(yùn)行時(shí)間;在保證算法運(yùn)行效率相同的前提下,該算法無(wú)論是在執(zhí)行時(shí)間還是占用內(nèi)存空間方面,都比其它算法有效.2008年,ParvatiK.等提出了一種使用灰度形態(tài)學(xué)和控制標(biāo)記符的分水嶺變換算法,用來(lái)對(duì)彩色圖像、灰度醫(yī)學(xué)圖像和航空?qǐng)D像等進(jìn)行分割.該算法基于灰度形態(tài)學(xué)理論,分水嶺通過(guò)區(qū)域增長(zhǎng)來(lái)完成,并利用前景標(biāo)記符來(lái)避免過(guò)度分割.具有前景標(biāo)記符的分水嶺分割算法可以分割包含嚴(yán)重噪聲的實(shí)時(shí)圖像,優(yōu)于標(biāo)準(zhǔn)的分水嶺分割算法.該算法的完成基于標(biāo)記符和簡(jiǎn)單形態(tài)學(xué)理論,分水嶺容易規(guī)則化.同時(shí),算法比較靈活,方便進(jìn)一步的參數(shù)調(diào)整.該算法只能對(duì)灰度圖像分割或提取感興趣的部分,但是可以結(jié)合先進(jìn)理論,如小波變換等,來(lái)提高算法在處理高分辨率圖像時(shí)的執(zhí)行效果.3.2模糊模糊技術(shù).在整個(gè)圖像的拉格朗日乘子中,區(qū)模糊集與系統(tǒng)理論是近年來(lái)在工程技術(shù)領(lǐng)域中十分活躍的數(shù)學(xué)分支之一,可以有效地解決模式識(shí)別中不同層次的由于信息不全面、不準(zhǔn)確、含糊、矛盾等造成的內(nèi)在不確定性問(wèn)題,己經(jīng)成為圖像分割的重要數(shù)學(xué)工具.應(yīng)用模糊技術(shù)進(jìn)行圖像分割的指導(dǎo)思想和出發(fā)點(diǎn)是:圖像分割的結(jié)果應(yīng)該是定義在像素空間上的模糊子集,而不是分明子集.這是因?yàn)?在許多情況下,特別是采用3×3或5×5尺寸的窗口時(shí),同質(zhì)性的特征在區(qū)域邊界處可能沒(méi)有急劇的變化,很難確定一個(gè)像素是否應(yīng)該隸屬于一個(gè)區(qū)域.此時(shí),對(duì)于每一個(gè)像素、每一個(gè)區(qū)域,都指派一個(gè)像素隸屬于區(qū)域的隸屬度值,當(dāng)用隸屬程度考慮區(qū)域的性質(zhì)時(shí),就會(huì)獲得區(qū)域性質(zhì)的更精確的估計(jì).應(yīng)用模糊技術(shù)進(jìn)行圖像分割的基本步驟是,將圖像及其相關(guān)特征表示成相應(yīng)的模糊集或模糊概念;經(jīng)過(guò)模糊技術(shù)的處理,獲得圖像的模糊分割;反模糊化后得到圖像的分割結(jié)果.2008年,Masooleh等提出一種的改進(jìn)模糊算法,使用粒子群優(yōu)化方法來(lái)優(yōu)化模糊系統(tǒng),并用于彩色圖像分類(lèi)和分割,具有最少的規(guī)則和最小的錯(cuò)誤識(shí)別率.在該方法中,群中的每一個(gè)粒子都被編碼成一個(gè)模糊規(guī)則集,適應(yīng)度函數(shù)則由分類(lèi)正確率的高低和規(guī)則的多少共同決定.在進(jìn)化階段,每個(gè)粒子不斷調(diào)整各自的適應(yīng)值.最后,適應(yīng)值最高的粒子對(duì)應(yīng)的規(guī)則集被選擇作為用于圖像分割的模糊規(guī)則集.該模糊集由HSL顏色空間中的H、S和L三個(gè)元素來(lái)定義,并以此來(lái)建立模仿人類(lèi)感知顏色能力的模糊模型.該算法用于機(jī)器人視覺(jué)時(shí)表現(xiàn)出良好的特性,機(jī)器人在參數(shù)只需設(shè)定一次的情況下,能適應(yīng)外界環(huán)境的變化.在機(jī)器人世界杯大賽上的實(shí)驗(yàn)表明該算法對(duì)噪音和光線變化有較強(qiáng)的魯棒性.同年,王彥春等提出一種基于圖像模糊熵鄰域非一致性的過(guò)渡區(qū)直接提取算法.該算法利用過(guò)渡區(qū)和目標(biāo)區(qū)/背景區(qū)性質(zhì)上的差異,能夠有效地消除椒鹽噪聲和高斯噪聲對(duì)過(guò)渡區(qū)提取的影響,對(duì)同時(shí)存在椒鹽噪聲和高斯噪聲的過(guò)渡區(qū)的提取是非常有效的.該算法擺脫了對(duì)灰度剪切值的依賴(lài),從而使過(guò)渡區(qū)能夠很好地分布在目標(biāo)周?chē)?理論分析和實(shí)驗(yàn)結(jié)果表明,該算法能夠有效地提取含有混合噪聲圖像中的過(guò)渡區(qū),從而得到正確的分割閾值和良好的圖像分割質(zhì)量.3.3基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像分割算法20世紀(jì)80年代后期,受到人工智能發(fā)展的影響,出現(xiàn)了基于神經(jīng)網(wǎng)絡(luò)的的圖像分割技術(shù).利用神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分割,其基本思想是用訓(xùn)練樣本集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練以確定節(jié)點(diǎn)間的連接權(quán)值,再用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)新輸入的圖像數(shù)據(jù)進(jìn)行分割.由于神經(jīng)網(wǎng)絡(luò)具有可并行計(jì)算、自學(xué)習(xí)等和便于硬件實(shí)現(xiàn)等特性,所以它比傳統(tǒng)方法有更大的潛力,其理論及應(yīng)用探討引起了學(xué)術(shù)界學(xué)者的重視,并提出了基于各種神經(jīng)網(wǎng)絡(luò)模型的圖像分割方法.根據(jù)相應(yīng)類(lèi)型的圖像,可以選用Hopfield神經(jīng)網(wǎng)絡(luò)、BP神經(jīng)網(wǎng)絡(luò)、振子神經(jīng)網(wǎng)絡(luò)、細(xì)胞神經(jīng)網(wǎng)絡(luò)、概率自適應(yīng)神經(jīng)網(wǎng)絡(luò)、自組織神經(jīng)網(wǎng)絡(luò)、脈沖耦合神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)和Kohonen神經(jīng)網(wǎng)絡(luò)等.其中,基于脈沖耦合神經(jīng)網(wǎng)絡(luò)(PulseCoupledNeuralNetwork,PCNN)的圖像分割方法成為近年來(lái)的關(guān)注熱點(diǎn).2007年,Zhang等結(jié)合人類(lèi)視覺(jué)系統(tǒng)(HumanVisualSystem,HVS)對(duì)圖像信息含量區(qū)域敏感度不同這一特性,以神經(jīng)元接近點(diǎn)火程度的一致性描述圖像空間鄰域所含的信息量,對(duì)通常的PCNN進(jìn)行了改進(jìn),提出了一種基于改進(jìn)PCNN的圖像自適應(yīng)分割算法.該算法根據(jù)象素及其周邊區(qū)域的信息量大小發(fā)放不同值的脈沖,從而自適應(yīng)地將圖像分為多個(gè)不同等級(jí)的高低信息區(qū)域,較好地仿真了人類(lèi)視覺(jué)系統(tǒng)特性.最后對(duì)用這種方法進(jìn)行圖像分割的結(jié)果進(jìn)行基于信息量的圖像壓縮,在壓縮比和重建圖像主觀視覺(jué)感知質(zhì)量上均達(dá)到了良好的性能,表明了算法的可行性和有效性都優(yōu)于傳統(tǒng)的PCNN.2008年,BergH.等提出了一種脈沖耦合神經(jīng)元的自動(dòng)設(shè)計(jì)方法.首先將PCNN的神經(jīng)元作為ADATE(AutomaticDesignofAlgorithmsthroughEvolution)系統(tǒng)的遞歸函數(shù),然后使用ADATE自動(dòng)演變產(chǎn)生更好的神經(jīng)元并用于圖像分割.該方法適用于多數(shù)圖像處理方法和神經(jīng)計(jì)算方法的自動(dòng)改進(jìn),也可以面向特定問(wèn)題改進(jìn)或裁剪原有的工具.3.4支持向量機(jī)多尺度sar圖像分割方法近年來(lái),建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的支持向量機(jī)(SupportVectorMachine,SVM)方法表現(xiàn)出很多優(yōu)于已有方法的性能,基于支持向量機(jī)的圖像分割方法引起研究人員的注意和研究興趣.支持向量機(jī)方法已經(jīng)被看作是對(duì)傳統(tǒng)學(xué)習(xí)方法的一個(gè)好的替代,特別在小樣本、高維非線性情況下,具有較好的泛化性能.應(yīng)用SVM分割圖像時(shí),由于輸入向量通過(guò)非線性映射映射到高維特征空間的分布結(jié)構(gòu)由核函數(shù)決定,同時(shí),最優(yōu)超平面與最近的訓(xùn)練樣本之間的最大距離和最小分類(lèi)誤差通過(guò)懲罰因子C進(jìn)行折衷,因此,核函數(shù)設(shè)計(jì)與懲罰因子C的選擇將直接影響到圖像分割效果.目前常用的核函數(shù)有:線性核、多項(xiàng)式核以及高斯徑向核等.2007年,魏鴻磊等提出了一種采用支持向量機(jī)分類(lèi)的指紋圖像分割方法.該方法將指紋圖像分塊,并根據(jù)圖像塊的對(duì)比度特征進(jìn)行初分割,以去除灰度變化較小的白背景塊,對(duì)剩下的圖像塊提取方向偏差和頻率偏差,并根據(jù)對(duì)比度、方向偏差和頻率偏差三個(gè)特征分割出特征明顯的前景塊和背景塊,采用支持向量機(jī)將經(jīng)前兩次分割不能判決的圖像塊分為前景和前景兩類(lèi),采用形態(tài)學(xué)方法進(jìn)行后處理以減少分割錯(cuò)誤.2008年,Liu等提出了一種使用支持向量機(jī)的多尺度SAR圖像分割方法.該方法集成了多尺度技術(shù)、混合模型和支持向量機(jī)等方法.首先,采用多尺度自回歸模型提取SAR圖像中的多尺度特征;然后,將該特征作為支持向量機(jī)輸入,并對(duì)支持向量機(jī)進(jìn)行訓(xùn)練;最后將訓(xùn)練后的支持向量機(jī)應(yīng)用于圖像分割.該模型充分利用了SAR圖像中多尺度序列方面的統(tǒng)計(jì)信息和支持向量機(jī)的分類(lèi)能力.實(shí)驗(yàn)結(jié)果表明,該方法用于圖像分割時(shí),具有較好地計(jì)算能3.5節(jié)點(diǎn)顯著性圖基于圖論的圖像分割技術(shù)是近年來(lái)國(guó)際上圖像分割領(lǐng)域的一個(gè)新的研究熱點(diǎn).該方法將圖像映射為帶權(quán)無(wú)向圖,把像素視作節(jié)點(diǎn),利用最小剪切準(zhǔn)則得到圖像的最佳分割.該方法本質(zhì)上將圖像分割問(wèn)題轉(zhuǎn)化為最優(yōu)化問(wèn)題,是一種點(diǎn)對(duì)聚類(lèi)方法,對(duì)數(shù)據(jù)聚類(lèi)也具有很好的應(yīng)用前景.目前,基于圖論的圖像分割方法的研究主要集中在以下幾個(gè)方面:(1)最優(yōu)剪切準(zhǔn)則的設(shè)計(jì);(2)譜方法用于分割;(3)快速算法的設(shè)計(jì)等.基于圖論的圖像分割方法的基本原理如下:令G=(V,E)表示一個(gè)無(wú)向圖,其中節(jié)點(diǎn)vi∈V表示圖像像素,邊(vi,vj)∈E連接節(jié)點(diǎn)vi和vj.每條邊有一個(gè)相應(yīng)的非負(fù)權(quán)重w(vi,vj),表示相鄰節(jié)點(diǎn)vi和vj的不相似度.在圖像分割中,邊的權(quán)重表示兩個(gè)像素間的不相似性度量,如灰度、顏色、運(yùn)動(dòng)、位置或其它局部分布的差別.2003年,Pavan等提出一種新的用于圖像分割的圖論聚類(lèi)理論框架.該方法源自聚類(lèi)直覺(jué)觀念與節(jié)點(diǎn)顯性集之間的類(lèi)比關(guān)系.節(jié)點(diǎn)顯性集將最大完全子圖推廣到邊緣帶權(quán)圖文中建立了顯性集與標(biāo)準(zhǔn)單形(standardsimplex)的二次極值之間的關(guān)系,使得算法可以使用連續(xù)最優(yōu)技術(shù)并用于局部交互計(jì)算單元的并行網(wǎng)絡(luò),顯示出某些生物學(xué)優(yōu)勢(shì).2006年,BilodeauG.A.等提出一種基于多段圖的圖像分割方法.在該方法中,首先選擇遞歸最短生成樹(shù)的有效參數(shù),完成對(duì)圖像進(jìn)行初始的粗分割;然后,根據(jù)灰度級(jí)相似、區(qū)域大小和普通邊長(zhǎng)度等特征,使用多段圖按照類(lèi)似的方法對(duì)已經(jīng)分割出的區(qū)域進(jìn)一步合并成更有意義的結(jié)構(gòu)或物體.通過(guò)對(duì)胸腔圖像的分割實(shí)驗(yàn)表明,該方法可以從多種復(fù)雜的胸腔圖像中將空腔從其它組織中分割出來(lái).相對(duì)于采用單一標(biāo)準(zhǔn)的基于圖的分割方法,該方法在空間相關(guān)性、邊緣準(zhǔn)確性和感興趣區(qū)域分割等方面具有較好地效果.2008年,劉丙濤等提出一種新的基于圖論的SAR圖像分割方法,證明了算法具有最優(yōu)解,分析了算法的復(fù)雜度,驗(yàn)證了算法具有實(shí)時(shí)性.該算法通過(guò)構(gòu)造多尺度結(jié)構(gòu)快速找到收縮圖以及初始圖的子圖集合,然后對(duì)其分別應(yīng)用Gomory-Hu算法得到對(duì)應(yīng)的等價(jià)樹(shù),最后根據(jù)規(guī)則得到初始圖的等價(jià)樹(shù),按照割值由小到大依次去邊后,可得到對(duì)原圖的最優(yōu)劃分,映射回圖像則可得分割結(jié)果.同年,馮林等人提出了一種融合分水嶺變換和圖論的圖像分割方法.利用圖像的局部灰度信息進(jìn)行分水嶺變換后,將圖像分割成多個(gè)小區(qū)域,再結(jié)合各小區(qū)域的灰度和空間信息從全局角度用NormalizedCut方法在區(qū)域之間進(jìn)行分割,產(chǎn)生最終的分割結(jié)果.實(shí)驗(yàn)結(jié)果表明,該方法可以消除分水嶺變換后所產(chǎn)生的過(guò)分割現(xiàn)象,是一種有效的圖像自動(dòng)分割方法.3.6基于遺傳算法和免疫克隆選擇算法的圖像分割實(shí)驗(yàn)仿真實(shí)驗(yàn)人工免疫系統(tǒng)(ArtificialImmuneSystem,AIS)是模仿自然免疫系統(tǒng)功能的一種智能方法,它實(shí)現(xiàn)一種受生物免疫系統(tǒng)啟發(fā),通過(guò)學(xué)習(xí)外界物質(zhì)的自然防御機(jī)理的學(xué)習(xí)技術(shù),提供噪聲忍耐、無(wú)教師學(xué)習(xí)、自組織、記憶等進(jìn)化學(xué)習(xí)機(jī)理,結(jié)合了分類(lèi)器、神經(jīng)網(wǎng)絡(luò)和機(jī)器推理等系統(tǒng)的一些優(yōu)點(diǎn),因此具有提供新穎的解決問(wèn)題的潛力.2006年,叢琳等在圖像閾值分割方法基礎(chǔ)上,將免疫克隆選擇優(yōu)化算法應(yīng)用到圖像分割中,提出了一種新的圖像分割算法.該算法根據(jù)適應(yīng)度函數(shù)的大小,不斷更新種群克隆的規(guī)模,來(lái)求得最優(yōu)的圖像分割閾值,達(dá)到了較好的圖像分割效果.在仿真實(shí)驗(yàn)中,將遺傳算法和免疫克隆選擇算法分別獨(dú)立運(yùn)行10次,對(duì)10次得到的閾值以及均值、方差進(jìn)行了比較,并將函數(shù)評(píng)價(jià)次數(shù)作為算法復(fù)雜度的評(píng)價(jià)指標(biāo).該算法不僅能夠?qū)D像進(jìn)行準(zhǔn)確的分割,而且在同樣的種群規(guī)模下能夠以較少的迭代代數(shù)和較低的函數(shù)評(píng)價(jià)次數(shù)得到最優(yōu)閾值.2007年,薄華等人基于SAR圖像中不同類(lèi)別的區(qū)域呈現(xiàn)不同的灰度信息,且區(qū)域間同類(lèi)像素的相鄰概率大于異類(lèi)像素的相鄰概率這一特點(diǎn),應(yīng)用空間矩陣的概念和免疫算法,提出了一種結(jié)合灰度信息和空間信息的分割算法.該方法不需要對(duì)圖像模型進(jìn)行假設(shè),也不需要先驗(yàn)知識(shí).該算法將SAR圖像的空間矩陣特征作為免疫算法中的疫苗,用免疫算法搜索分割結(jié)果,并收斂到最優(yōu).2008年,Huang等提出一種用于非監(jiān)督圖像分割的核聚類(lèi)人工免疫網(wǎng)絡(luò),該網(wǎng)絡(luò)的設(shè)計(jì)受啟發(fā)于人工免疫網(wǎng)絡(luò)和支持向量域描述的思想.在該網(wǎng)絡(luò)中,借鑒大腦皮層的長(zhǎng)期記憶模式,提出了新的免疫抗體鄰域和自適應(yīng)學(xué)習(xí)系數(shù)的概念.從核聚類(lèi)人工免疫網(wǎng)絡(luò)算法執(zhí)行開(kāi)始,通過(guò)抗體將圖像特征集劃分為子集,并使用Mercer核將每一個(gè)子集映射到高維特征空間.此時(shí),每一個(gè)免疫抗體鄰域由一個(gè)支持向量超球面來(lái)表示.在不需要給定聚類(lèi)數(shù)目的情況下,局部的支持向量超球面通過(guò)最小生成樹(shù)算法結(jié)合產(chǎn)生全局的聚類(lèi)結(jié)果.通過(guò)對(duì)人工合成數(shù)據(jù)集和SAR圖像數(shù)據(jù)集的仿真實(shí)驗(yàn),并和傳統(tǒng)的聚類(lèi)算法比較(FCM和RABNET),表明該網(wǎng)絡(luò)可以減少異常數(shù)據(jù)的影響,是運(yùn)行效果和執(zhí)行時(shí)間之間一種很好的折中.3.7多光譜圖像分割方法粒度計(jì)算(GranularComputing,GrC)是信息處理的一種新的概念和計(jì)算范式,覆蓋了所有有關(guān)粒度的理論、方法、技術(shù)和工具的研究,主要用于處理不精確的、模糊的、不完整的及海量的信息,業(yè)已成為人工智能、軟計(jì)算和控制科學(xué)等領(lǐng)域的研究熱點(diǎn)之一.它的理論基礎(chǔ)主要有:Zadeh提出的詞計(jì)算理論、Pawlak提出的粗糙集理論和我國(guó)學(xué)者張玲和張鈸提出的商空間理論.根據(jù)粒度計(jì)算理論,圖像分割就是圖像由粗粒度空間轉(zhuǎn)變成細(xì)粒度空間的過(guò)程.在對(duì)復(fù)雜圖像進(jìn)行分割時(shí),經(jīng)常采用分層方法,先對(duì)圖像進(jìn)行粗分割,再向更高層次分析,即粒度由粗到細(xì),逐步細(xì)化.圖像粗分割后,可以得到圖像的一些重要區(qū)域特征,如可以獲得原圖像中區(qū)域的個(gè)數(shù)、區(qū)域中心的位置等信息.然后,在細(xì)粒度空間上進(jìn)一步對(duì)圖像局部進(jìn)行細(xì)化.2002年,PalS.K.等提出了一種多光譜圖像分割方法.該方法集成了基于粗糙集理論的知識(shí)提取方法,EM算法和最小生成樹(shù)聚類(lèi)方法等.其中,EM算法提供了數(shù)據(jù)的統(tǒng)計(jì)模型,處理數(shù)據(jù)的關(guān)聯(lián)措施和不確定性表示;粗糙集理論有助于快速收斂和避免局部極小,從而提高了EM算法的性能;最小生成樹(shù)完成非凸聚類(lèi).2005年,劉仁金等從商空間粒度理論角度分析圖像分割概念,研究已有的圖像分割方法,提出了圖像分割的商空間粒度原理.用商空間的三元組(X,f,τ)?([X],[f],[τ])來(lái)描述圖像分割過(guò)程,闡述基于商空間粒度計(jì)算理論的圖像分割原理及基于粒度分層、合成及其綜合技術(shù)下圖像分割的方法,并提出了基于粒度合成原理的復(fù)雜紋理圖像的分割算法.該算法通過(guò)分別提取多紋理圖像中紋理區(qū)域的方向性及粗細(xì)度特征,形成圖像的不同粒度,然后根據(jù)粒度合成原則,對(duì)所形成的粒度進(jìn)行合成,從而實(shí)現(xiàn)對(duì)紋理圖像的分割,實(shí)驗(yàn)表明該算法對(duì)復(fù)雜紋理圖像分割是有效的.2007年,張向榮等將商空間粒度計(jì)算引入SAR圖像的分類(lèi)中,結(jié)合SAR圖像特性,提出了一種基于粒度合成理論的SAR圖像分類(lèi)方法.該方法首先利用具有良好推廣能力的支撐矢量機(jī)基于不同紋理特征獲得SAR圖像的不同分類(lèi)結(jié)果,并認(rèn)為這些分類(lèi)結(jié)果構(gòu)成不同的商空間,再根據(jù)粒度合成理論將這些商空間組織起來(lái)得到SAR圖像的最終分類(lèi)結(jié)果.實(shí)驗(yàn)結(jié)果驗(yàn)證了這種方法的有效性和正確性以及商空間的粒度計(jì)算在SAR圖像分析中的應(yīng)用潛力.2008年,史忠植等提出了面向相容粒度空間模型的圖像分割方法.相容粒度空間模型的基本思想來(lái)源于模擬人在特定任務(wù)下對(duì)資源進(jìn)行粒度化生成粒度空間從而輔助問(wèn)題求解的能力.該模型是基于相容關(guān)系構(gòu)建的粒度計(jì)算模型,它由四個(gè)部分組成:對(duì)象集系統(tǒng),相容關(guān)系系統(tǒng),轉(zhuǎn)換函數(shù)和嵌套覆蓋系統(tǒng),主要特點(diǎn)在于對(duì)粒的定義以及通過(guò)粒度空間的層次嵌套結(jié)構(gòu)進(jìn)行問(wèn)題求解的方法.將該模型應(yīng)用于圖像分割時(shí),需要先構(gòu)建一個(gè)嵌套相容覆蓋系統(tǒng),用來(lái)定義了不同層次的粒和基于對(duì)象系統(tǒng)和相容關(guān)系系統(tǒng)的粒度化過(guò)程.除了上述提到的結(jié)合特定的理論工具的圖象分割技術(shù)之外,一些研究者還將分形幾何、動(dòng)態(tài)規(guī)劃、組合優(yōu)化、Markov隨機(jī)場(chǎng)、小波分析理論、遺傳算法和偏微分方程等