读后感---图像分割的新理论和新方法

读后感之《图像分割的新理论和新方法》

我阅读的论文题目是《图像分割的新理论和新方法》，这篇论文发表在2010年2月，第2A期的《电子学报》上。选择该论文阅读的主要目的在于，一方面是出于对图像分割是个人兴趣，另一方面是为了了解个人学习方向的领域知识。从宏观上理解图像分割的相关知识，并在一定程度上做较为深入的学习。

图像分割是计算机视觉研究中的一个经典难题。该篇论文的作者综合论述了近年来图像分割方法的研究现状与新进展。首先，简介了图像分割的传统方法。然后，论文分别从形态学，神经网络，图论等方面对图像分割方法进行了重点讨论，并对每一种理论的最新研究进行了评述。最后，对图分割方法的发展和趋势进行了展望。

视觉是人类最重要的感知手段，图像又是视觉的基础。其中图像分割是进行图像处理其他环节的重要基础。因为自己是初步接触有关图像处理的知识，所以选择了这篇综述性较强的论文进行学习，以此来帮助自己了解数字图像处理，了解图像分割。从中我学习并理解的知识内容如下：

1.初识图像分割的基本概念及其重要性

图像分割，即将图像中有意义的特征或区域提取出来的过程。这些有意义的特征，分为图像的原始特征，如像素的灰度值、颜色、纹理等和空间频谱，如直方图特征。

在计算机视觉理论中，自底向上有三大任务：图像分割，特征提取与目标识别。其中，图像分割的目的是把图像划分成若干不相交区域，使各区域具有一致性，而相邻区域间的属性特征有明显的差别。因此，图像分割的好坏直接影响了后续的特征提取和目标识别。

2.对传统图像分割方法的理解

传统图像分割方法主要有三种：基于区域、基于边缘和二者的结合。

（1）基于区域的分割方法是以直接寻找区域为基础的分割技术，从中衍生两种基本形式的区域提取方法：一种是以点及面的形式，即从单个元素出发，逐步合成所需的分割区域；另一种是由面到点的形式，即逐步切割至所需的分割区域。

（2）基于边缘检测的分割方法，其中假设不同区域之间的边缘上灰度值变换较大，先检测图像中的边缘点，再按一定策略连接成轮廓，从而构成分割区域。

（3）区域与边缘相结合的分割方法，边缘检测可以获得灰度值的局部变化强度，区域分割可以检测特征的相似性与均匀性。结合二者特性，即可避免区域的过分切割，也可使切割轮廓更加完整。

3.对部分结合特定理论的图像分割方法的认知

这里作者介绍了七大类分割方法，分别基于数学形态学、模糊理论、神经网络、支持向量机、图论、免疫算法和粒度计算理论。论文中作者简述了各方法目前的实现情况。由于个人领域知识不足，对多数方法难以理解，以下是我对部分方法进行查阅后的浅薄认识。

（1）基于数学形态学的图像分割方法

 数学形态学的基本思想是用具有一定形态结构的元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。其中，最典型的例子是分水岭方法，详细描述如下：

分水岭的基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。

其中分水岭的计算主要有两个步骤：排序和淹没。首先对每个像素的灰度级进行从低到高排序，然后从低到高实现淹没过程中，其中对每一个局部极小值在n阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。

通过对分水岭方法的基本思想和计算步骤的理解，不难发现，其本质仍是基于区域增长的图像分割方法。但对比传统方法，其优势在于可以得到边界连续、封闭、闭合的目标图像，这同样表现为分水岭算法对微弱边缘具有良好的响应。也正因如此，图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象。

针对这个问题，目前有三种解决方法：

a.分割预处理，如图像去噪，形态学重建等，原则是减少小的积水盆，从而减少过分分割的数量；

b.分割后处理，在分割后对产生的许多小区域，选择合适的算法进行整合，可想而知，该方法的时间复杂度是相当的高；

c.分割预处理和后处理结合，根据实际需求对图像分别进行适度的分割预处理和后处理。

（2）基于神经网络的图像分割方法

在人工智能的发展下，出现了基于神经网络的图像分割技术。其基本思想是用训练样本集对神经网络进行训练以确定节点间的连接权值，再用训练好的神经网络对于新输入的图像进行成分割。

（3）基于粒度计算理论的图像分割方法

粒度就是取不同大小的对象。也就是说，将原来“粗粒度”的大对象分割成为若干“细粒度”的小对象，或者把若干小对象合并成一个大的粗粒度对象，进行研究。

粒度计算，是信息处理的一种新概念和计算方式，覆盖了有关粒度的理论、方法、技术和工具的研究。主要用于处理不精确的、模糊的、不完整的及海量的信息。

根据粒度计算理论，图像分割就是图像由粗粒度空间转变成细粒度空间的过程。在对图像进行分割时，采用分层的方法，先进行粗分割，逐步细化，在得到图像的一些重要区域特征后，如原图像中心区域的个数，位置等信息。然后，在细粒度空间上实现对图像的局部细化，最终实现对指定信息区域的分割。

4.我对图像分割技术发展趋势的推测

通过阅读结合特定理论的图像分割方法，尽管其中的大多数方法没有理解，但我可以深深的感受到，图像分割与人工智能的发展是紧密相连的。其中基于神经网络、免疫算法等图像分割方法都是源自于人工智能领域的。如何使计算机做到深度分割，智能分割可能是今后的发展趋势。并且如何提高分割精度，分割效率也需要我们做进一步的研究。当然，结合作者所说，面向专门领域的应用也是有助于图像分割技术的发展与应用。

5.自我总结

第一次阅读这类的研究综述性论文，在阅读完后，给我最大的感触就是自身知识储备太少。兴趣只能是自己初识某一领域最浅薄的动机，要想真正的深入自己的研究领域，大量的知识储备是必不可少的。这篇综述性很强的论文，让我清楚的意识到了自己专业知识的匮乏。当然，这篇论文也使我对与图像处理的学习更有兴趣。我需要规划一下自己学习框架，需要认真规划一下自己的研究生学习生涯。不断的学习，不断的自我总结才会在今后的道路上更稳健的前行。

 

2016年9月5日

 

参考文献

【1】许新征,丁世飞, 史忠植,等.图像分割的新理论和新方法[J].电子学报, 2010, 38(s1):76-82.

【2】李道国,苗夺谦, 张红云.粒度计算的理论、模型与方法[J].复旦学报(自然科学版), 2004, 43(5):837-841.

【3】苗夺谦王国胤 刘清. 粒计算: 过去、现在与展望[M].科学出版社, 2007.

【4】深之JohnChen的专栏.[Z].http://blog.csdn.net/byxdaz/article/details/4377753.