圖像區域分割算法綜述及比較

□王媛媛

在圖像工程中，圖像分割是圖像處理中的經典問題，國內外眾多學者對圖像分割涉及的各個算法技術都開展了許多研究，目前已經被廣泛應用于工業醫學圖像、航空航天、地理測繪等不同專業領域。

一、圖像分割述評

圖像分割的定義是將圖像按一定條件劃分成為若干個具有不同含義的子區域，其中分割主要依據為圖像亮度值，目前有三大類主流圖像分割算法，分別為基于區域信息的圖像分割、基于邊緣信息的圖像分割以及基于特定理論的圖像分割[2～3]。

(一)基于區域信息的圖像分割。根據亮度相似性高的像素點所屬為一個區域的假設所實現的分割算法被稱為基于區域信息的分割。其中區域生長算法是最為古老的一種方法，其他典型區域分割算法還包括基于閾值的圖像分割算法和基于聚類和分類器的圖像分割算法。

(二)基于邊緣信息的圖像分割。圖像邊緣信息作為圖像的最基本特征之一，通過找到圖像邊界線的方式來實現圖像分割的算法稱之為基于邊緣信息的分割算法，其中檢測邊緣信息算法的主要依據為亮度的不連續性，較為典型的算法為邊緣檢測算法[4]。

(三)基于特定理論的圖像分割。作為研究歷史較久的圖像分割算法，不同學者在研究過程中結合其他領域的學科知識不斷地對已有的圖像分割算法進行豐富和完善，形成了許多基于特定理論的分割算法，較為代表性的為基于人工神經網絡的分割算法、基于模糊集理論的分割算法等。

二、區域分割

(一)研究意義。現今，區域分割技術發展迅猛，總體來說有三種發展趨勢[5]，一是區域分割算法的分割標準難以統一，有一部分研究人員傾向于采用結合不同區域分割算法以實現更好的分割，盡管取得了一定的成效，但對于不同分割算法組合方式的研究仍在完善當中；二是通過引進其他學科知識，通過注入新技術來完成區域分割算法，以實現區域分割的最佳效果；三是鑒于區域分割處理的應用面越來越多，處理的數據量也與日俱增，更多學者致力于提高區域分割算法的效率，主要途徑為應用各類架構及其適用的各類并行算法來實現算法的并行優化。

(二)算法分類。

1.基于區域生長的區域分割。區域生長算法作為發展歷史較久的區域分割算法，具有較高的應用普遍性。種子點是區域生長算法中非常重要的一個概念，算法選取合適的種子點，通過種子點的不斷生長蔓延，實現不同區域的匯集，從而完成圖像區域的分割。

2.基于區域分裂與合并的區域分割。與區域生長算法不同，區域分裂與合并過程為區域生長過程的逆過程。區域分裂與合并算法的起點為圖像，明確一定的分割準則，通過遞歸的方式不斷地將圖像劃分為若干具有不同含義的子區域，子區域根據準則相應的實現再分裂或合并，直到形成具有較高分布均勻性的子區域，即完成區域分割過程。

3.基于閾值的區域分割。基于閾值的區域分割算法是應用較為廣泛，且實現較為簡單的區域分割算法。閾值的選擇為算法的關鍵，算法主要根據閾值來對圖像的各個像素點進行劃分，通過將不同像素點劃分到不同集合，進而實現圖像的區域分割。一般來說，閾值的多少決定了最后分割區域的個數。由于實現簡單，閾值分割的結果往往存在精度不高的問題。現有的較為代表性的閾值分割算法主要包括最大類空間分割方法、最大熵分割法等。

4.基于分類器的區域分割[7]。在模式識別領域，分類屬于一種較為基礎的統計分析方法。訓練樣本集的選擇是分類器算法的關鍵，基于分類器的區域分割的原理是根據訓練樣本集對圖像進行分割，該算法適用于多通道圖像，且具有實現簡單、計算量小等優點。基于分類器的區域分割主要可以分為無參數分類器和有參數分類器兩種，其中K近鄰和Parazen窗是兩種較為代表性的無參數分類器算法。

5.基于聚類的區域分割。基于聚類的區域分割算法與基于分類器的區域分割算法在核心思想上較為類似，這兩種算法之間最大的不同是基于聚類的分割不需要訓練樣本集。算法過程主要是通過對圖像信息的特征值進行迭代的分類和提取，從而將圖像劃分成為不同的子集。盡管作為自我訓練算法，聚類分割不需要訓練樣本集，但算法仍然需要一個初始分割參數，該參數的選擇對最終的分類結果具有較大的影響，也因此聚類分割對噪聲較為敏感，這也是聚類分割算法的主要缺陷。

(三)算法評價。對于區域分割算法的評價主要從主客觀兩個角度進行評估。其中主觀評價的評判標準主要以主觀因素為主，不容易被量化和計算，應用型不強；客觀評價的評判標準一般為量化的參數指標，對比主觀評價來說，具有較高的參考價值。由于區域分割算法種類較多，分割結果不同，目前仍然不存在一個能適用于所有區域分割算法的統一標準，應用較為廣泛的評價標準主要包括以下三種。

1.根據分割得到的不同區域之間的差異性、對比度進行算法評估。區域分割算法最終得到的是具有較大差異，且分布均勻的子區域，通過對各個子區域之間的對比度進行分析，可以較為直觀地對區域分割算法進行評判。

2.根據分割結果的錯誤率進行算法評估。由于區域分割算法種類繁多，且分割依據各有不同，分割結果也會存在著不同的錯誤像素點數。通過統計不同算法的錯誤率可以較為客觀地統計算法的質量。

3.根據分割子區域的內部均勻性進行算法評估。區域分割所得到的各個子區域內部具有較大的相似性，因此對區域內部的均勻度的考查也能作為對分割結果進行評估的重要指標。

如今，基于區域的分割算法的評價標準多種多樣，但并不存在一個通用的區域分割算法評估標準，因此，對區域分割評價標準的深入研究應該成為未來研究的主要方向，從而保證區域分割的精度和質量。

三、結語

縱觀近年來與圖像分割相關領域的文獻，可以得出基于區域信息的圖像分割仍是研究的熱點和難點，基于區域信息的分割從本質上來說是一個聚類的問題，對于區域分割的評價目前也存在理論體系不完善和通用性不高等問題，因此，找到能實現分割成滿意的分割結果的區域分割算法以及相應評價體系仍有很長的路要走。