基于圖論的圖像分割的方法(圖像分割的分割方法)
1.圖像分割的分割方法
灰度閾值分割 法是一種最常用的并行區(qū)域技術(shù)，它是圖像分割中應(yīng)用數(shù)量最多的一類。
閾值分割方法實際上是輸入圖像f到輸出圖像g的如下變換：其中，T為閾值，對于物體的圖像元素g(i,j)=1，對于背景的圖像元素g(i,j)=0。由此可見，閾值分割算法的關(guān)鍵是確定閾值，如果能確定一個合適的閾值就可準(zhǔn)確地將圖像分割開來。
閾值確定后，將閾值與像素點的灰度值逐個進行比較，而且像素分割可對各像素并行地進行，分割的結(jié)果直接給出圖像區(qū)域。閾值分割的優(yōu)點是計算簡單、運算效率較高、速度快。
在重視運算效率的應(yīng)用場合（如用于硬件實現(xiàn)），它得到了廣泛應(yīng)用。人們發(fā)展了各種各樣的閾值處理技術(shù)，包括全局閾值、自適應(yīng)閾值、最佳閾值等等。
全局閾值是指整幅圖像使用同一個閾值做分割處理，適用于背景和前景有明顯對比的圖像。它是根據(jù)整幅圖像確定的：T=T(f)。
但是這種方法只考慮像素本身的灰度值，一般不考慮空間特征，因而對噪聲很敏感。常用的全局閾值選取方法有利用圖像灰度直方圖的峰谷法、最小誤差法、最大類間方差法、最大熵自動閾值法以及其它一些方法。
在許多情況下，物體和背景的對比度在圖像中的各處不是一樣的，這時很難用一個統(tǒng)一的閾值將物體與背景分開。這時可以根據(jù)圖像的局部特征分別采用不同的閾值進行分割。
實際處理時，需要按照具體問題將圖像分成若干子區(qū)域分別選擇閾值，或者動態(tài)地根據(jù)一定的鄰域范圍選擇每點處的閾值，進行圖像分割。這時的閾值為自適應(yīng)閾值。
閾值的選擇需要根據(jù)具體問題來確定，一般通過實驗來確定。對于給定的圖像，可以通過分析直方圖的方法確定最佳的閾值，例如當(dāng)直方圖明顯呈現(xiàn)雙峰情況時，可以選擇兩個峰值的中點作為最佳閾值。
圖1(a)和（b）分別為用全局閾值和自適應(yīng)閾值對經(jīng)典的Lena圖像進行分割的結(jié)果。 區(qū)域生長和分裂合并法是兩種典型的串行區(qū)域技術(shù)，其分割過程后續(xù)步驟的處理要根據(jù)前面步驟的結(jié)果進行判斷而確定。
區(qū)域生長 區(qū)域生長的基本思想是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域。具體先對每個需要分割的區(qū)域找一個種子像素作為生長的起點，然后將種子像素周圍鄰域中與種子像素有相同或相似性質(zhì)的像素（根據(jù)某種事先確定的生長或相似準(zhǔn)則來判定）合并到種子像素所在的區(qū)域中。
將這些新像素當(dāng)作新的種子像素繼續(xù)進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這樣一個區(qū)域就長成了。
區(qū)域生長需要選擇一組能正確代表所需區(qū)域的種子像素，確定在生長過程中的相似性準(zhǔn)則，制定讓生長停止的條件或準(zhǔn)則。相似性準(zhǔn)則可以是灰度級、彩色、紋理、梯度等特性。
選取的種子像素可以是單個像素，也可以是包含若干個像素的小區(qū)域。大部分區(qū)域生長準(zhǔn)則使用圖像的局部性質(zhì)。
生長準(zhǔn)則可根據(jù)不同原則制定，而使用不同的生長準(zhǔn)則會影響區(qū)域生長的過程。區(qū)域生長法的優(yōu)點是計算簡單，對于較均勻的連通目標(biāo)有較好的分割效果。
它的缺點是需要人為確定種子點，對噪聲敏感，可能導(dǎo)致區(qū)域內(nèi)有空洞。另外，它是一種串行算法，當(dāng)目標(biāo)較大時，分割速度較慢，因此在設(shè)計算法時，要盡量提高效率。
區(qū)域分裂合并 區(qū)域生長是從某個或者某些像素點出發(fā)，最后得到整個區(qū)域，進而實現(xiàn)目標(biāo)提取。分裂合并差不多是區(qū)域生長的逆過程：從整個圖像出發(fā)，不斷分裂得到各個子區(qū)域，然后再把前景區(qū)域合并，實現(xiàn)目標(biāo)提取。
分裂合并的假設(shè)是對于一幅圖像，前景區(qū)域由一些相互連通的像素組成的，因此，如果把一幅圖像分裂到像素級，那么就可以判定該像素是否為前景像素。當(dāng)所有像素點或者子區(qū)域完成判斷以后，把前景區(qū)域或者像素合并就可得到前景目標(biāo)。
在這類方法中，最常用的方法是四叉樹分解法（如圖3所示）。設(shè)R代表整個正方形圖像區(qū)域，P代表邏輯謂詞。
基本分裂合并算法步驟如下：（1）對任一個區(qū)域，如果H(Ri)=FALSE就將其分裂成不重疊的四等份；（2）對相鄰的兩個區(qū)域Ri和Rj，它們也可以大小不同（即不在同一層），如果條件H(Ri∪Rj)=TRUE滿足，就將它們合并起來。（3）如果進一步的分裂或合并都不可能，則結(jié)束。
分裂合并法的關(guān)鍵是分裂合并準(zhǔn)則的設(shè)計。這種方法對復(fù)雜圖像的分割效果較好，但算法較復(fù)雜，計算量大，分裂還可能破壞區(qū)域的邊界。
圖像分割的一種重要途徑是通過邊緣檢測，即檢測灰度級或者結(jié)構(gòu)具有突變的地方，表明一個區(qū)域的終結(jié)，也是另一個區(qū)域開始的地方。這種不連續(xù)性稱為邊緣。
不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特征可以分割圖像。圖像中邊緣處像素的灰度值不連續(xù)，這種不連續(xù)性可通過求導(dǎo)數(shù)來檢測到。
對于階躍狀邊緣，其位置對應(yīng)一階導(dǎo)數(shù)的極值點，對應(yīng)二階導(dǎo)數(shù)的過零點（零交叉點）。因此常用微分算子進行邊緣檢測。
常用的一階微分算子有Roberts算子、Prewitt算子和Sobel算子，二階微分算子有Laplace算子和Kirsh算子等。在實際中各種微分算子常用小區(qū)域模板來表示，微分運算是利用模板和圖像卷積來實現(xiàn)。
這些算子對噪聲敏感，只適合于噪聲較小不太復(fù)雜的圖像。由于邊緣和噪聲都是灰度不連續(xù)點，在頻域均為高頻分量，直接采用微分運算難以克服噪聲的影響。
2.圖像分割有何實際意義
從學(xué)術(shù)角度講圖像分割主要分成3大類，一是基于邊緣的，二是基于區(qū)域的，三是基于紋理的。
由于基于紋理的也可以看成是基于區(qū)域的，所以有些專家也把分割方法分成基于邊緣和基于區(qū)域兩大類。 選擇算法的時候主要參考你要分割的圖像樣本的特點。
如果圖像的邊界特別分明，比如綠葉和紅花，在邊界處紅綠明顯不同，可以精確提取到邊界，這時候用基于邊緣的方法就可行。但如果是像醫(yī)學(xué)圖像一樣，輪廓不是特別明顯，比如心臟圖像，左心房和左心室顏色比較接近，它們之間的隔膜僅僅是顏色比它們深一些，但是色彩上來說很接近，這時候用基于邊緣的方法就不合適了，用基于區(qū)域的方法更好。
再比如帶紋理的圖像，例如條紋衫，如果用基于邊緣的方法很可能就把每一條紋都分割成一個物體，但實際上衣服是一個整體，這時候用基于紋理的方法就能把紋理相同或相似的區(qū)域分成一個整體。 不過總體來說，基于區(qū)域的方法近些年更熱一些，如Meanshift分割方法、測地線活動輪廓模型、JSEG等。
3.基于閾值的圖像分割方法有哪些
去百度文庫，查看完整內(nèi)容>
內(nèi)容來自用戶：天使小白很黑
第1章相關(guān)知識
1.1圖像分割的概述
在對圖像的研究和應(yīng)用中，人們往往僅對圖像中的某些部分感興趣，這些部分稱為目標(biāo)或前景（其他部分稱為背景>；，他們一般對應(yīng)圖像中特定的、具有獨特性質(zhì)的區(qū)域。為了辨識和分析目標(biāo)，需要將他們分離提取出來，在此基礎(chǔ)上才有可能對目標(biāo)進一步利用。圖像分割就是指把圖像分成格局特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程。這里特性可以是象素的灰度、顏色、紋理等，預(yù)先定義的目標(biāo)可以對應(yīng)單個區(qū)域，也可以對應(yīng)多個區(qū)域。現(xiàn)有的圖像分割算法有：閾值分割、邊緣檢測和區(qū)域提取法。本文著重研究基于閾值法的圖像分割技術(shù)。
所謂圖像分割是指根據(jù)灰度、彩色、空間紋理、幾何形狀等特征把圖像劃分成若干個互不相交的區(qū)域，使得這些特征在同一區(qū)域內(nèi)，表現(xiàn)出一致性或相似性，而在不同區(qū)域間表現(xiàn)出明顯的不同。簡單的講，就是在一幅圖像中，把目標(biāo)從背景中分離出來，以便于進一步處理。圖像分割是圖像處理與計算機視覺領(lǐng)域低層次視覺中最為基礎(chǔ)和重要的領(lǐng)域之一，它是對圖像進行視覺分析和模式識別的基本前提。同時它也是一個經(jīng)典難題，到目前為止既不存在一種通用的圖像分割方法，也不存在一種判斷是否分割成功的客觀標(biāo)準(zhǔn)。
閾值法是一種傳統(tǒng)的圖像分割方法，因其實現(xiàn)簡單、計算量小、性能較穩(wěn)定而成為圖像分割中最基本和應(yīng)用最廣泛的分割技術(shù)。已被應(yīng)用于很多的領(lǐng)域，例如，在紅外技術(shù)應(yīng)用中，紅外無損檢測中紅外熱圖像的分割，紅外成像跟蹤系統(tǒng)中目
4.什么是圖像分割
1 數(shù)字圖像處理技術(shù)是一個跨學(xué)科的領(lǐng)域。隨著計算機科學(xué)技術(shù)的不斷發(fā)展，圖像處理和分析逐漸形成了自己的科學(xué)體系，新的處理方法層出不窮，盡管其發(fā)展歷史不長，但卻引起各方面人士的廣泛關(guān)注。首先，視覺是人類最重要的感知手段，圖像又是視覺的基礎(chǔ)，因此，數(shù)字圖像成為心理學(xué)、生理學(xué)、計算機科學(xué)等諸多領(lǐng)域內(nèi)的學(xué)者們研究視覺感知的有效工具。其次，圖像處理在軍事、遙感、氣象等大型應(yīng)用中有不斷增長的需求。
基于圖論的圖像分割技術(shù)是近年來國際上圖像分割領(lǐng)域的一個新的研究熱點。該方法將圖像映射為帶權(quán)無向圖，把像素視作節(jié)點。利用最小剪切準(zhǔn)則得到圖像的最佳分割 該方法本質(zhì)上將圖像分割問題轉(zhuǎn)化為最優(yōu)化問題。是一種點對聚類方法。對數(shù)據(jù)聚類也具有很好的應(yīng)用前景。但由于其涉及的理論知識較多，應(yīng)用也還處在初級階段。因此國內(nèi)這方面的研究報道并不多見，本文將對圖論方法用于圖像分割的基本理論進行簡要介紹，并對當(dāng)前圖論方法用于圖像分割的最新研究進展進行綜述，并著重介紹基于等周圖割的圖像分割的方法。
2 圖像目標(biāo)分割與提取技術(shù)綜述
圖像分割是一種重要的圖像技術(shù)，在理論研究和實際應(yīng)用中都得到了人們的廣泛重視。圖像分割的方法和種類有很多，有些分割運算可直接應(yīng)用于任何圖像，而另一些只能適用于特殊類別的圖像。有些算法需要先對圖像進行粗分割，因為他們需要從圖像中提取出來的信息。例如，可以對圖像的灰度級設(shè)置門限的方法分割。值得提出的是，沒有唯一的標(biāo)準(zhǔn)的分割方法。許多不同種類的圖像或景物都可作為待分割的圖像數(shù)據(jù)，不同類型的圖像，已經(jīng)有相對應(yīng)的分割方法對其分割，同時，某些分割方法也只是適合于某些特殊類型的圖像分割。分割結(jié)果的好壞需要根據(jù)具體的場合及要求衡量。圖像分割是從圖像處理到圖像分析的關(guān)鍵步驟，可以說，圖像分割結(jié)果的好壞直接影響對圖像的理解。
3 定義及分割方法
為后續(xù)工作有效進行而將圖像劃分為若干個有意義的區(qū)域的技術(shù)稱為圖像分割（Image Segmentation）
目前，有許多的圖像分割方法，從分割操作策略上講，可以分為基于區(qū)域生成的分割方法，基于邊界檢測的分割方法和區(qū)域生成與邊界檢測的混合方法.
