圖像分割專利技術分析

龐麗金

1、概述

圖像分割是圖像處理中的一項關鍵技術，自20世紀70年代起一直受到人們的高度重視，是由圖像處理到進一步圖像分析的關鍵步驟，也是一種基本的計算機視覺技術。人們在對圖像的研究和應用中，往往對圖像中的某些部分感興趣，這些部分常被稱為目標或前景（其他部分稱為背景）。

2、技術分支及發展狀況

根據對圖像分割背景的了解以及專利文獻的解讀，確定本文將主要研究的技術分支分為：基于邊緣的分割、基于區域的分割、其他圖像分割方法。

2.1基于邊緣的分割

基于邊緣的分割方法主要基于圖像灰度級的不連續性，通過檢測不同均勻區域之間的邊界來實現。邊緣總是以強度突變的形式出現，或者說不同區域之間像素灰度值變化比較劇烈的地段；根據數學有關知識，這類方法一般采用圖像一階導數極值和二階導數過零點信息作為邊緣點的判斷依據。邊緣檢測方法常常依賴于邊緣檢測算子，從而找到圖像邊緣；常用的檢測算子有：Roberts算子（精度高、對噪聲敏感）、Sobel算子（對噪聲具有一定平滑，但精度低）、Prewitt算子、Canny算子（檢測階躍型邊緣效果好，抗噪強）、Laplacian算子和Marr算子（即LOG算子，算法簡單，速度快、但對噪聲敏感）。

隨著圖像分割的應用領域越來越廣泛，單一的分割方法已經難以滿足分割圖像的分割要求，基于邊緣的分割方法也如此。由此產生多種邊緣檢測方法結合的圖像分割方法，如申請日為20051229，公開號為CN1794262 A的申請。同時，隨著圖像處理技術的不斷發展，一些新的邊緣檢測方法逐漸提出。如申請日為201105012，公開號為CN102184529 A的申請，其公開了一種基于經驗模態分解的邊緣檢測方法。又如申請日為20140806，公開號為CN104156956 A的申請，其公開了一種基于高斯小波一維峰值識別的多角度邊緣檢測方法。通過這些專利申請的分析可以看到隨著技術的發展以及圖像處理需求的變化，基于邊緣的分割技術越來越成熟并分割的魯棒性也不斷的提高。

2.2基于區域的分割

由于處于非邊緣的像素具有相同的顏色特征，所以基于區域的分割方法通常將這些像素點當做一個子區域考慮，然后再對多個相似的子區域進行合并，從而去對圖像進行分割。該類方法通常分為區域生長和分裂合并與像素特征聚類兩類方法。

（1）區域生長和分裂合并

早期基于區域的分割方法比較簡單，主要是利用區域生長法是從單個種子像素開始不斷接納新像素最后到整個區域，以此得到分割結果。如申請日為199301129，公開號為WO9514966 A1的申請，其公開了一種醫學圖像物體分割方法，包括去噪，局部灰度值范圍確定，修正全局直方圖分析，區域生長和物體分割步驟。該方法以簡單的區域生長法進行圖像分割，效率較高，但分割結果存在較大誤差。

后續的基于區域的分割引入了區域分裂和合并法。如申請日為20031017，公開號為CN1497494 A的申請，其公開了用于低景深圖像分割的方法；又如申請日為20150212，公開號為CN104657995 A的申請，其公開了利用區域分裂技術的遙感影像分割方法。在一些基于區域生長、分裂和合并的圖像分割方法中，融合了這三種方法，是的分割結果更加準確。如申請日為20160714，公開號為CN106203451 A的申請，其公開了一種圖像區域特征提取及特征匹配的方法。

（2）像素特征聚類

所謂聚類（Clustering）就是將物體或者抽象的對象進行集合、分組，成為由類似對象組成的多個類的過程。K均值、模糊C均值（FuzzyC-Means）， EM（Expectation-Maximization）和分層聚類方法是常用的聚類算法。K均值算法先對當前的每一類求均值，然后按均值對像素進行重新分類（將像素歸入均值最近的類），對新生成的類再迭代執行前面的步驟。模糊C均值算法從模糊集合理論的角度對K均值進行了推廣。EM算法把圖像中每一個像素的灰度值看作是幾個概率分布（一般用Gaussian分布）按一定比例的混合，通過優化基于最大后驗概率的目標函數來估計這幾個概率分布的參數和它們之間的混合比例。分層聚類方法通過一系列連續合并和分裂完成，聚類過程可以用一個類似樹的結構來表示。

如申請日為19961223，公開號為WO9828710 A1的申請，其公開了一種醫學圖像分割方法，包括產生灰度直方圖數據，采用快速模糊C均值聚類對灰度直方圖數據進行聚類，再將聚類結果輸出顯示。對單一的特征進行聚類往往分割誤差較大，因此，技術開始發展為對不同空間、不同特征進行多次聚類，獲得最終的分割結果。如申請日為20020325，公開號為CN1367468 A的申請，其公開了基于k-均值聚類及信息融合的角膜病灶圖像分割方法。由于基本聚類方法的局限性，人們提出了一些更高層次的聚類方法，并應用到圖像分割領域當中。

1.3其他圖像分割方法

除了基于邊緣的圖像分割和基于區域的圖像分割外，在圖像處理中還存在著其他一些常用的其他的圖像分割方法，如基于形態學的圖像分割、基于圖切的圖像分割、基于閾值的圖像分割等。這些方法在圖像分割中同樣占有非常重要的地位。該部分將著重對基于閾值的圖像分割、基于形態學的圖像分割和基于圖切的圖像分割進行介紹。

（1）基于閾值的圖像分割

閾值分割就是尋找一個灰度值，將圖像中每個像素的灰度值與之比較，根據比較結果對圖像進行分割，閾值算法的核心問題就是如何找出這個灰度值（稱為最佳閾值）對圖像進行二值化。隨著基于閾值的圖像分割算法應用越來越廣泛，對閾值的圖像分割算法改進處理，以解決圖像分割不準確的問題。如清華大學于20060818日提出的申請號為200610112441.6的專利申請中，在分割舌頭圖像的舌質和舌苔，首先進行分裂合并處理，然后采用Ostu法對分裂合并的圖像進行分割，區分舌質和舌苔部分，這樣基于分裂合并的Ostu分割方法能夠提高分割精確度。國農業大學于20080704日提出的申請號為：200810116172.X的專利申請中，采用修正的Ostu法對增強后的棉花異性纖維圖像進行二值化分割的圖像分割，該改進的Ostu法，將閾值搜索范圍縮減到某個合理的范圍內，然后通過搜索具有最大類間差的灰度級來確定分割閾值，從而在計算最佳分割閾值這一環節，減少搜索時間，提高計算速度。

（2）基于形態學的圖像分割

傳統的形態學分割算法即分水嶺算法。分水嶺算法是一種基于數學形態學的很有效的區域圖像分割技術，它最初是Digabel和Lantujoul引入圖像處理領域，用于分析簡單的二值圖像。分水嶺算法是一種基于拓撲理論的數學形態學的分割方法，其基本思想是把圖像看作是測地學上的拓撲地貌，圖像中每一點像素的灰度值表示該點的海拔高度，每個領域都有它的局部極小值，每一個局部極小值及其影響區域稱為集水盆地，而集水盆地的邊界則形成分水嶺。中國科學院自動化研究所于20020724日提交的專利申請02126555.0，公開了一種基于水平集和分水嶺方法的醫學圖像分割方法；西門子共同研究公司于20050311日提交了專利申請200510052784.3，公開了一種將分水嶺算子應用于醫學圖像的結構分割。由于受噪聲和平坦區域內部細密紋理的影像，分水嶺算法的局部極值過多，容易產生過分割的問題。針對傳統的形態學分割算法存在的過分割問題，出現了很多基于分水嶺的改進算法，如基于標記的分水嶺分割算法和基于小波的分水嶺分割算法等等。

3、結語

本文通過基于邊緣的分割、基于區域的分割、其他圖像分割方法三個方向分析圖像分割的專利申請情況，在分析過程中可以直觀了解到圖像分割技術的發展脈絡。