常用数字图像分割方法

图像分割是一种重要的图像处理技术。

人们在对图像的认知，理解和应用中，往往仅对其中的某些特定部分感兴趣，这些部分通常被称为目标或前景，它们一般对应图像中特定的，具有独特性质的区域。

这里所说的特定部分的独特性质可以是灰度值，目标的轮廓，图形的纹理，颜色等。

在图像处理中有时候会需要对图像中的特定目标进行分析处理，这时候就需要首先将它们从图像中提取出来，在此基础上才能进一步对特定目标进行分析。

图像分割是根据图像的应用需求或组成结构将图像划分成若干个互不相交的子区域的过程。

这些子区域指的是某种意义下具有共同属性的像素的连通集合。

例如图像中特定形状目标所占的连通区域、图像背景所占的连通区域等。

在图像处理中，连通指的是集合中任意两点之间都存在完全属于该集合的连通路径。

连通包含4连通和8连通两种情况，如下图所示。

4连通是指从该区域内任一点出发，在不超过该区域的前提下，可以通过上、下、左、右4个方向移动的组合，从而到达该区域内的任意像素点；同理8连通是从区域内任意一点出发，在不超过该区域的前提下，通过8个方向，即上、下、左、右、左上、左下、右上、右下移动的组合，从而到达该区域内的任意像素点。

四连通和八连通示意图

根据上述连通基本概念，可以给出图像分割的一般定义，即图像分割是指将一幅离散数字图像信号f(m,n)进行分割，将f分割为若干连通的、非空的子区域f1,f2,…fn，并且要满足以下均一性准则。

1） f1∪f2∪…∪fn =f .

2） "i ,当i=1,2…n时，fi是连通的。

3） "fi均一性准则都是满足的。

4） 对于任意两个相连的fi和fj ，E(fi∪fj)=f.

上述条件（1）说明了分割得到的所有子区域的并集应该包含图像中所有像素，即图像分割不能漏掉任何像素；条件（2）说明了分割得到的子区域的连通性；条件（3）说明分割得到的子区域都有其本身的特性，即在各个子区域内像素性质是相似均一的；条件（4）指出任何两个子区域都不重叠，即同一个像素不会被分在两个不同的子区域中。

根据以上图像分割的定义，人们已经研究出了上千种不同的图像分割方法，典型而传统的方法可以分为基于阈值的方法、基于边缘的方法和基于区域的分割方法等。

灰度阈值法分割

常用的阈值化分割方法是将图像的灰度分成不同的级别，然后设置灰度门限值，再基于这个门限值将图像分割为不同的区域。

阈值化分割由于其直观性和易操作性成为最常见的图像分割方法之一。

图像分割阈值化处理的公式如下：

上式所反应的阈值化处理是一种阶梯函数，其变换曲线如下图所示。

可以看见，它的功能是以一定方式指定一个门限值，如果图像中某个灰度值大于该门限值，则将其置为一，否则，置为零。

由于基于灰度阈值的分割方法是一种“一刀切”的分割方式。

阈值的合理选取就对图像处理的结果有相当大的影响，若阈值选取过大，则会出现提取了图像的多余部分的情况；若阈值过小，则又会出现丢失感兴趣部分的情况。

对于合理的选取分割阈值目前已经有很多成熟的方法可以借鉴，如最小误差阈值法，最大方差阈值法，最佳阈值法，差别分析法等。

边缘检测法分割

物体的边缘是图像局部亮度变化最显著的部分。

利用边缘检测来分割图像，其基本思想是先检测边缘点，再按照一定方法将边缘点连接成边缘线，从而分割图像区域。

边缘检测技术是数字图像处理中的一项非常重要的技术。

由于图像上边缘线邻域是图像中一个灰度级变化比较剧烈的地带，衡量这种变化最有效的两个特征就是变化率和变化方向。

从数学上来讲就是梯度向量的幅值和方向。

因此对于一幅图像f(x,y)来讲,求其梯度的局部最大值和方向即为边缘检测。

已知f(x,y)在q方向沿r的梯度定义如下：

达到最大值的条件是，即

得到，或者

梯度最大值，一般称其为梯度模。

梯度模算子具有各向同性和位移不变性，适用于边缘检测，而灰度变化的方向，

即边界的方向则可由计算得到。

在实际应用中，一般以微分算子的形式表示，以卷积函数来实现，常用的算子有Roberts 算子、Prewitt算子、 Sobel算子等。

其外，还有利用拐点位置处的二阶导数为0来检测边缘线的方法，如Laplacian算子就是最为常用的二阶导数算子。

Laplacian算子对灰度突变比一般的一阶导数算子更加敏感，它虽然可以检测出绝大部分的边缘，但也存在一些缺点，如边缘不够连续、容易丢失一些边缘、不能获得边缘方向信息、对噪声敏感等。

在使用Laplacian算子之前需要对图像做平滑处理。

还有一个重要的边缘检测算子Canny算子，从一定意义上讲，它对受白噪声影响的阶跃型边缘检测是最优的。

Canny边缘检测的基本思想是：首先使用Gauss滤波器对图像进行平滑滤波，再求取一阶偏导，最后对求导后的图像进行非极大值抑制，得到最后的边缘图像。

它是具有图像平滑功能的边缘检测算子。

区域分割

区域分割法利用同区域内像素灰度值的相似性，将相似的区域合并，不相似的区域分割开。

该方法认为分割出来的同一区域的像素有着相同或相似的性质，最为常见的区域分割方法有区域生长法和分裂合并法。

区域生长法的基本思想是将具有相似性质的像素集合起来生长成为特定区域。

其具体步骤是：首先在每个需要分割的区域内找到一个像素点作为该区域的种子点；然后按照一定的连通规则将种子点周围与其有相似性质的像素，按照一定准则合并到种子点的区域中；最后将这些新像素当作新的种子点继续以上步骤。

区域生长法要首先解决的三个问题是：

1）选择一组正确代表所需区域数目的种子点；

2）确定生长准则；

3）确定生长过程停止的条件。

根据所需邻域和生长准则的不同，区域生长法可分为简单生长法、质心生长法、混合生长法等。

分裂合并法是在事先完全不了解区域形状和区域数目时可采用的方法。

这种方法先将图像分解成互不重叠、任意大小的区域，再按相似准则进行合并。

这种分裂合并方法有一个方便的表示方法—四叉树，即将整个图像表示成一棵树，树中的每个节点都有四个后代，树可以一层一层被细分开来。

如下图所示，设R0代表整个图像区域，从最高层开始，按照一定的相似性准则，将图像一层一层分裂，直到不能分为止。

仅仅使用分裂是不够的，最后很有可能出现相邻的两个区域属于同一个目标的情况。

为解决这一问题，在分裂后需要对图像进一步合并。

合并过程只是合并相邻的区域，且经过合并组成的新区域需要满足一定的一致性测度准则。

图像区域及四叉树

可以将分裂合并算法总结为如下的步骤：

1）给定一定相似性准则P，若对图像中的任一区域Ri，有P(Ri)=false，即不满足相似性准则，则将Ri 区域等分为四份子区域Ri1，Ri2，Ri3，Ri4 。

2）对于相邻的区域Ri，Rj 若P(Ri ∪Ri)=true，则合并这两个区域。

3）继续以上步骤直到分裂合并都不能进行时。

最大类间方差阈值分割

最大类间方差算法也叫大津算法，是1980年有日本学者大津提出的。

最大类间方差法的原理是按照灰度特性将待分割图像分为背景和目标两部分，将背景和目标看作是两类，这两类间的方差越大，则说明其差别就越大，也就是说将目标类错分为背景或是将背景类错分为目标的概率就越小，因此使类间方差达到最大的分割就意味着此时的分割效果最好，错分概率最小。

设一幅图像的灰度值为1~m级，灰度值i的像素数为ni，这时可以得到：

像素总数为：

各个灰度值的概率为：

再用阈值T将其分为两组C0={1~T}和C1={T+1~m}，各组产生的概率由下式给出。

C0 产生的概率为：

C1 产生的概率为：

C0 的平均值为：

C1的平均值为：

其中，是整个图像的灰度平均值；指灰度为T的灰度均值，

因此全部采样的灰度均值为：

下式给出两组之间的方差：

实际运用时，我们在1~m范围内改变T，求方差为最大时的T值，此时确定的T* 便是最大类间方差算法的阈值。

此方法被公认为是阈值自动选择的最优方法。