运动目标分割

一、原理

        在对处理后的图像数据进行分析之前，图像分割是最重要的步骤之一，它的主要作用是将图像划分为感兴趣的图像区域和不感兴趣的图像区域两太类。在实际应用中，常用的图像分割方法可划分为三种类型：阈值化、基于边缘的分割和基于区域的分割。

1、阈值化

       阈值化处理包括灰度级阈值化、最优化阈值、多光谱阈值化以及分层数据下的阈值化。灰度级阈值化是最简单的分割处理，这种方法先确定一个处于图像灰取值范围之中的灰度阈值，然后将图像中各个像素的灰度值都与这个阈值相比较并根据比较结果将对应的像素划分为两类：像素的灰度值大于阈值的为一类，小于阈值的为另一类。这两类像素一般分别属于图像中的两类区域（也称前景和背景），所以对像素根据阈值分类达到了区域分割的目的。阈值的选择通常采用直方图分析的门限分割法。然而随着图像处理的复杂度越来越高，阈值的选择难度也越来越大。但阈值化计算简单、运行速度快�在简单的应用中仍然被广泛地使用着。

2、基于边缘的分割

      基于边缘的分割代表了一大类基于图像边缘信息的分割方法，它是最早的分割方法之一，现在仍然有着重要的应用。基于边缘的分割依赖于由边缘检测子所找到的图像的边缘，边缘意味着一个区域的终止和另一个区域的开始，标示了图像在灰度、色彩、纹理等方面不连续的位置。图像的边缘包含了物体形状的重要信息，它不仅在分析图像时大幅度的减少了需要处理的信息量，还包含了目标的边界结构。因此，边缘检测可以看作是处理许多复杂问题的关键。对于边缘的检测，常常借助于空域微分算子进行，通过将其模板与图像卷积完成。常用的方法主要有Sobe算子、Laplacian算子、Prewitt算子和Kirsch算子等。这些边缘检测器对边缘灰度值过渡比较尖锐且噪声较小的图像有较好的效果。但对于边缘复杂、采光不均匀的图像来说，效果不理想，主要表现在边缘模糊、弱边缘丢失和整体边缘的不连续等方面。

3、基于区域的分割

    上述两种方法分析的是像素点的差别，而区域跟踪是寻找具有相似性的像素群。它是从某一像素出发按照属性一致性（这个一致性可以是灰度级、彩色、梯度或其他特性）原则逐步地增加像素，即区域增长，对由这些像素组成的区域使用某种均匀测度函数测试。若为真，则继续扩大区域，直到均匀测度为假。常用的方法有区域生长法和区域分裂合并法。区域生长法是从满足检测准则的点开始，从各个方向开始“生长”物体。因为物体同一区域中像素点的灰度级或色彩值相差很小，可假设一个己满足检测准则的一小块物体，那么开始检查它所有邻近点的灰度值或色彩值，如果满足检测准则，即将该邻近点并入上述小块中，当邻近点被接受后“生长”成新的块，再用得到的新块重复上面的过程，直到没有可接受的邻近点时，生长过程中止。区域分裂合并方法是首先将图像分割为初始区域，然后分裂合并这些区域，逐步改善区域分割的性能，直到最后将图像分割为最少的均匀区域为止。通常使用一种基于金字塔四叉树结构的分割方法。区域跟踪算法更多的把灰度或色彩的同一性与空间的位置联系在一起，因此能得到满意的效果。其缺点在于它们固有的顺序特性，因为目前图像块的初始划分常常或是固定的或是人为规定的，分割结果好坏受种子点的选取和区域生长与合并的次序影响较大，而且这种方法时空代价较大。