图像分割技术与MATLAB仿真剖析

图像分割技术研究及MATLAB仿真

摘要：作为一项热门的计算机科学技术，图像分割技术已经在我们生活中越来越普及。顾名思义这项技术的目的就是，将目标图像从背景图像中分离出去。由于这些被分割的图像区域在某些属性上很相近，因此图像分割与模式识别以及图像压缩编码有着密不可分的关系。完成图像分割所采用的方法各式各样，所应用的原理也不同。但他们的最终目的都是把图像中性质相似的某些区域归为一类，把性质差异明显的不同区域分割开来。通常在分割完成之后，我们就要对某些特定区域进行分析、计算、评估等操作，因而分割质量的好坏直接影响到了下一步的图像处理[[1]]，因此图像分割是图像处理的一个关键步奏。图像分割技术在各个领域都有着及其重要的意义；在工业上有卫星遥感，工业过程控制监测等等；在医学方面，水平集的分割方法还可以通过医学成像帮助医生识别模糊的病变区域；在模式识别领域还可应用到指纹扫描、手写识别、车牌号识别等等。

本课题的研究内容是对图像分割技术的几种常用的方法进行综述和比较，并基于其中一种方法进行MATLAB仿真测试，给出性能分析比较结果。

引言

数字图像技术是计算机科学技术兴起后的一项对图像进行加工处理的技术。该技术利用计算机系统的数字识别能力，把图像信息转化为数字信息，并对之进行分析、加工、处理，以满足人们的具体需求，处理过后的图像易于识别且方便理解。数字图像处理是图像技术的总称，它的分支学科很多[[2]]。图像分割技术就是其中的一种，它的主要目的是简化图像，确定我们所感兴趣的图像区域。图像分割技术的兴起推动了图像领域跨出了关键的一步，是图像领域进阶的一个分界点。

图像分割技术的目的就是把我们指定的目标区域从原图像中分离出来，使得下一步的操作更加简便。而图像的分割程度与我们所关注的问题紧密一致，现有的图像分割技术大抵可分为两类；第1类主要应用图像中某些区域的相似性来完成分割，如：图像区域处理；第2类主要应用图像边缘区域像素值会发生突变的性质来完成分割，如：边缘处理技术

本文对当前常用的几种图像分割技术做了系统的分类，介绍了分割技术的发展状况，再此基础上对阈值分割、区域分割、边缘分割以及水平集分割的原理进行简单的介绍，然后得出每个方法的优缺点；最后根据结论得出各个方法的应用领域，适应范围并对这些方法的性能进行评估。最后基于其中一种方法实现MATLAB软件仿真，完成对不同图像的分割，最后做出自己对这一方法进行合理性的评估并做出展望。

1 图像分割技术

1.1 图像工程与图像分割

图像是自然生物或人造生物对自然界某种现象的记录，有学者做过统计，图像中所蕴含的内容和信息占人类所获得信息的80%，图像传递的信息真实、贴切、丰富，从狭义角度来说用来提取、研究、处理图像信息的学科称为图像科学；从广义角度来说图像科学是各种视觉相关技术的总称。

把所有与图像相关的技术归结到一个整体流程框架，我们就得到了图像工程的概念。根据研究的层次和内容不同，图像工程可以被分为三个部分：图像处理、图像分析与图像理解。[[3]]

图1.1 图像工程的三个层次

图像处理旨在对图像中各个元素进行人们所要求的特定的转换，转换之后得到的新图像用来进行下一步的操作和应用；图像分析主要是对图像中指定目标区域做检测与测量，依照这些测定结果来对客观信息做出分析与评判；而图像理解则是在建立在图像分析结果基础上研究各个部分之间的相关性或者是对原场景做出解释。本文重点研究的图像分割是图像处理和图像分析之间的一项流程，它把我们所感兴趣的研究区域信息进行重点提取，这样做可以帮助我们更好地进行下一步图像分析的研究。图像分割使得图像分析和图像理解成为可能，它是图像工程中一项必不可少的环节，图像分割受到了人们广泛的重视和认可。

1.2 图像分割的方法分类

从上个世纪发展至今，图像分割的研究发展一直层出不穷，百花争芳，据不完全统计现已有上千种关于图像分割的算法被提出，而这些算法大多数都与图像的两个特性有关：相似性和不连续性。无论何种技术，都会用到两者之一或者兼之，这是图像本身的性质所决定的。基于第一种性质的分割算法有一个共同特点，即是所有的分割算法都会根据某一特定的准则来进行分割，这个准则可以是确定某种相似的性质，比如区域生长分割；也可以是确定某种划分界限的值，比如阈值分割技术，也可以是两者兼有，比如区域生长合并技术。基于第二种特性的分割算法往往会用到一个关于图像的性质，图像中某一事物区域和外界背景区域的边缘部分的灰度值会发生突变，这种突变在人体视觉上的反应就是人们会明显察觉到这个地区是一个分界区域，应用这一知识人们做出了边缘分割算法。

从分割过程的处理与决策角度来看，图像分割技术又可分为串行分割技术与并行分割技术，这种分类方法在数字科学领域十分常见，所以它们的分类依据也大致一样：串行分割技术的工作流程是依次进行的，前一工作流程得出的结果会对下一工作流程提供帮助和依据，因而也会产生影响。假如前一工作完成的不充分或者产生偏差，后面的工作效果也会大打折扣，所以这种分割方式需要保证每一步的分割流程都有较好的效果，否则会导致分割效果较差。并行分割技术中每个判定和流程都会独立的完成，不会影响其他步奏的进行。因此并行分割技术的抗噪性也比较好。根据以上介绍，可以把分割算法的分类如下:①并行边界（Parallel Boundary ，PB）；②串行边界 （Serial Boundary ，SB）；③并行区域（Parallel Region ，PR）；④串行区域（Serial Region ，SR）。

分类	相似性（区域）	不连续性（边界）
串行处理	SR	SB
并行处理	PR	PB

表1.1 图像分割算法分类

1.3 图像分割技术的发展

图像分割分割技术大致兴起于二十世纪七十年代，当时正是计算机科学兴起和发展的黄金时期，而计算机处理功能的扩展必然与图像处理密切相关，因此图像分割技术也引起了人们的注意。在当时人们还只是简单的运用阈值法来分割图像，这种早期的分割算法我们在下一章会提到，它的实现简单但局限性太大，所以随后慢慢被其他方法所取代。人们纷纷开始寻求一种适应范围更广的分割算法。边缘分割算法计算能力强，适应性较阈值法好，得到人们的认可，但它的抗噪性不好，尤其是区域边缘不明显时，分割效果不好；再加之区域分割技术的兴起，这种分割技术慢慢被取代。

20 世纪八十年代以后，越来越多的学者开始将模糊理论、马尔可夫模型、遗传算法理论、分形理论、神经网络、形态学理论、小波分析等研究成果运用于图像分割的研究中，取得了很大进展[[4]]。但是无论哪一种分割技术都无法完全适应任何一种图像，由于图像的多样性，我们也无法用某一个精确的计算式来表达图像的分割过程。

近来，有一种基于活动轮廓模型的图像分割的算法变得热门起来，这种分割算法把图像分割领域带到了一个全新的高度，它的适应范围更大，处理面更广，再加之它更接近人们的视觉活动过程，得到了广泛的应用。本文的第三章水平集分割技术，也用到了这项分割算法。在不久的将来