河南理工大学计算机学院杨合超,几种图像分割技术的比较

几种图像分割技术的比较,包括现在技术界得大多数的分割算法了,特别是毕业设计必不可少的东东。

ISSN 1009-3044

Computer Knowledge and Technology

Vol.5 No.9, March 2009

电脑知识与技术

几种图像分割技术的比较

杨合超1 , 周雪梅2

(1. 河南理工大学 计算机科学与技术学院，河南 焦作 454000 ; 2. 河南理工大学，河南 焦作 454000)

摘要：本文主要介绍了图像分割的几种方法：基于阈值的分割方法、基于边缘的分割方法和基于区域的分割方法及其各自存在的问题和最新进展，同时介绍了结合特定理论工具的分割方法，最后指出了图像分割技术的发展趋势。

关键词：图像分割；阈值分割；边缘检测；区域分割

中图分类号：TP391.41 文献标识码：A 文章编号：1009-3044(2009)09-2440-02

Comparison of Image Segmentation Methods

YANG He-chao1, Zhou Xue-mei2

(1.College of Computer Science&Technology, Henan Polytechnic University, JiaoZuo 454000, China; 2. Henan Polytechnic University, Jiaozuo 454000,China)

Abstract: Several methods of image segmentation are introduced in this paper: the threshold-based segmentation method , the boundary-based segmentation method and the zone-based segmentation method. Meanwhile, the problems of these methods and the latest progress are described. Then, image segmentation methods combined special theories tools are introduced .Finally, some remarks on the further research and directions of image segmentation are presented.

Key words: image segmentation; threshold segmentation; boundary check; zone segmentation

图像分割是图像处理中的一项关键技术,自20世纪70年代起一直受到人们的高度重视,至今已提出上千种分割算法。然而,由于尚无通用的分割理论,现提出的分割算法大都是针对具体问题的,并没有一种适合所有图像的通用分割算法。另外,还没有制定出选择合用分割算法的标准,这给图像分割技术的应用带来许多实际问题。

多年来人们对图像提出了不同的解释和表达,借助集合概念对图像分割可给出如下定义:

令集合R代表整个图像区域,对R的分割可看作将R分成N个满足下列五个条件的非空子集(子区域) R1 , R2 , …, RN :

(1) 分割成的所有子区域的并应能构成原来的区域R

(2) 对所有的i和j , i≠j，有Ri∩Rj =；

(3) 对i=1,2, …,N , 有P(Ri)=True；

(4) 对i≠j,有P(Ri∪Rj)=False；

(5) 对i=1,2,…,N,有Ri是连通的区域。

其中P(Ri)是对所有在集合Ri中元素的逻辑谓词, 代表空集。

1 图像分割的方法

1.1 基于阈值的分割方法

对灰度图像的取阈值分割就是先确定一个处于图像灰度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与之相比较，灰度值大于阈值的像素为一类，灰度值小于阈值的像素为另一类。这两类像素一般分属图像的两类区域，从而达到分割的目的。从该方法中可以看出，确定一个最优阈值是分割的关键，阈值分割实质上就是按照某个准则求出最佳阈值的过程。常用的阈值选取法有利用图像灰度直方图的峰谷法、大律法、灰度拉伸法、最小误差法等．现有的大部分算法都集中在阈值确定的研究上。

阈值分割的优点是计算简单、运算效率较高、速度快。全局阈值对于灰度相差很大的不同目标和背景能进行有效的分割。当图像的灰度差异不明显或不同目标的灰度值范围有重叠时，应采用局部阈值或动态阈值分割法。另一方面，这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。在实际应用中，阈值法通常与其他方法结合使用。

1.2 基于边缘的分割方法

图像最基本的特征是边缘,它是图像局部特性不连续(或突变)的结果。基于边界的分割方法是利用不同区域间像素灰度不连续的特点检测出区域间的边缘，从而实现图像分割。边缘检测是所有基于边界分割方法的第一步。根据处理的顺序，边缘检测可分为并行边缘检测和串行边缘检测。图像中相邻的不同区域间总存在边缘，边缘处像素的灰度值不连续，这种不连续性可通过求导数来检测到，因此常用灰度的一阶或二阶微分算子进行边缘检测。常用的微分算子有一次微分(Sobel算子、Roberts算子等)、二次微分(拉普拉斯算子等)和模板操作(Prewit算子、Kirsch算子等)，它是一种并行边界技术。而串行边界查找法是先检测到边缘再串行连接成闭合边界的方法，这种方法在很大程度上受起始点的影响。

基于边缘的分割方法其难点就在于边缘检测时抗噪性和检测精度之间的矛盾。若提高检测精度，则噪声产生的伪边缘会导致不合理的轮廓；若提高抗噪性，则会产生轮廓漏检和位置偏差。为此，人们提出各种多尺度边缘检测方法，根据实际问题设计多尺度边缘信息的结合方案，以较好地兼顾抗噪性和检测精度。

1.3 基于区域的分割方法

区域分割的实质就是把具有某种相似性质的像索连通，从而构成最终的分割区域。它利用了图像的局部空间信息，可有效地克服其他方法存在的图像分割空间小连续的缺点。在此类方法中，如果从全图出发，按区域属性特征一致的准则决定每个像元的区域归属，形成区域图，常称之为区域生长的分割方法。如果从像元出发，按区域属性特征一致的准则，将属性接近的连通像元聚集为区域，则是区域增长的分割方法。若综合利用上述两种方法，就是分裂合并的方法。它是先将图像分割成很多的一致性较强的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的。

基于区域的分割方法往往会造成图像的过度分割，而单纯的基于边缘检测方法有时不能提供较好的区域结构，为此可将基于区域的方法和边缘检测的方法结合起来，发挥各自的优势以获得更好的分割效果。

2 结合特定理论工具的分割方法

近年来，随着各学科许多新理论和新方法的提出，人们也提出了许多与一些特定理论、方法和工具相结合的分割技术 。

2.1 基于人工神经网络的分割方法

2440系统软件与软件工程