圖像分割算法研究與展望

王小丫

摘 要 文章將圖像分割分為基于邊緣、閾值和區域等，通過對過去6年出現的圖像分割算法的總結與分類，總結了各算法的優缺點及其應用領域，為今后的相關研究提供了有效的研究理論基礎。

關鍵詞 圖像分割；邊緣；閾值；區域生長

中圖分類號 TP3 文獻標識碼 A 文章編號 1674-6708（2019）233-0165-02

隨著人工智能的發展，圖像處理已成為機器人技術發展的重要組成部分。圖像處理廣泛應用于：圖像引導，無人機，無人巡邏車，人臉識別，指紋識別，語音識別，車牌識別，漢字識別，醫學圖像識別等高科技領域。圖像處理是指將圖像信號轉換為數字信號并通過計算機處理圖像的過程。通常，它分為3個部分：圖像處理，圖像分割和圖像識別。圖像分割作為圖像處理的重要組成部分，其準確性極大地影響了整個系統的準確性。

如今存在各種的圖像分割技術，人們多年來一直非常關注圖像分割，已經提出了各種不同的分割算法。Nikhil等[ 1 ]把圖像分割算法分為以下六類：閾值分割，像素分割、深度圖像分割、彩色圖像分割，邊緣檢測和基于模糊集；Robert M.Haralick等[2]將圖像分割算法分為：測量空間引導的空域聚類方法，單一鏈接區域生長方法，混合鏈接區域生長方法，質心鏈接區域生長方法，空間聚類方案以及分離和合并方案。本文基于圖像分割的不同方法，將圖像分割分為以下5類：基于邊緣的圖像檢測法、基于閾值的圖像分割法、基于區域生長法的圖像分割、其他復合分割方法。

本文對圖像分割的定義進行了總結和分析，并在此基礎上對過去6年出現的各種圖像分割算法進行了分類，并討論了它們的優缺點，為今后的研究提供了有效的依據。

1 圖像分割

圖像分割是指將圖像分割成具有自身特征的區域并提取感興趣的對象的技術和過程[ 3 ]。也就是說，將目標圖像劃分為多個非交叉區域，使得相同子區域中的像素連接，并且沒有兩個相鄰區域具有相同的特性。使用集合的形式，我們可以如下定義圖像分割：將P（）定義為所有像素的集合，X是在連續像素組上均勻不相交的區域，并且分割是將集合P劃分為一組連接的子集（S1，S2，…Sn），形式如下：

2 圖像分割算法

2.1 基于邊緣的圖像檢測法

基于邊緣的圖像分割方法依賴于邊緣檢測算法，通過檢測圖像邊緣灰度級或結構有突變的地方來進行圖像分割。

倪元敏等[ 4 ]提出基于模糊形態學的圖像邊緣輪廓提取算法，實現了圖像保存完整，分割速度快，分割效果達到預期目標等效果。張闖等[5]提出基于歐式距離圖的圖像邊緣檢測，通過改進的Canny算法進行邊緣檢測，發現雖然邊緣檢測結果變少但是很好的反映了目標物體的輪廓，更利于對圖像物體的識別。孟月波等[ 6 ]提出一種具有邊緣保持的MRMRF模型圖像分割方法，它不僅有效地保持了圖像分割結果的邊緣，取得了較好的分割效果，而且具有較快的分割速度。普里相似性評價指數平均提高到0.8909，GCE差分評價指數平均降低到0.1923。

2.2 基于閾值的圖像分割法

基于閾值的圖像分割是目前被使用最多的一類圖像分割算法，通過自動或手動設定一個閾值，圖像像素即被分成了不同的類別，并且不同區域被閉合的連接邊界分開。

郎春博等[ 7 ]提出了基于改進正余弦優化算法的多閾值圖像分割，在閾值分割時優化閾值的選取過程，有效地提高了運行效率和分割的精度。楊兆龍等[8]提出基于改進差分進化算法的多閾值圖像分割，運用自適應縮放因子以及交叉系數，在取得正確分割結果的前提下提高了分割速度。聶方彥等[9]運用了一種基于Tsallis相對熵的圖像分割閾值選取方法，發現該方法運算耗時小于0.1s，具有較好的應用潛能。

2.3 基于區域生長法的圖像分割

基于區域生長方法的圖像分割的基本思想是：在確定像素或區域之后，將具有相同屬性的所有像素或小區域合并到現有區域中，直到不存在相同的區域。

洪向工等[ 1 0 ]提出了一種基于灰度共生矩陣和區域生長算法的紅外光電面板圖像分割算法。發現該算法更接近手動分割的目標區域，能有效改善分割效果，自適應性以及魯棒性較強；蔣秋霖等[ 1 1 ]提出的基于區域生長算法的腦腫瘤圖像分割，通過使用迭代法確定自適應閾值，精度達到97.41%，誤檢率和漏檢率均大幅度減少；潘家輝等[12]提出的基于區域生長算法的CT序列圖像分割，與人工分割相比，平均相對誤差為1.06%，與傳統區域生長算法相比分割效果更好。

2.4 總結和討論

在本節中，詳細描述了近6年出現的圖像分割方法，并根據他們的特征分類。表1總結和討論了每一類方法的利弊。

3 結論

該文描述了過去6年出現的圖像分割算法，并根據它們的特征進行分類和討論.在近幾年的圖像分割算法中，在近年來的圖像分割算法中，實驗設置通常限定在良好的條件下，并且尚未針對復雜條件下的圖像分割方法進行開發。若將各種干擾因素都考慮其中，準確率將會降低不少。還有許多新方法新技術的出現，比如基于圖論的SAR圖像分割方法、基于snake模型與最小生成樹分割算法、基于小波變換和粒子群改進的FCM方法等，這些方法為圖像分割算法開辟了新的局面，有待進一步深入研究，未來的研究應側重于多特征和多方法融合的上，并積極引進新方法來解決圖像分割的難題。

參考文獻

[1]Nikhil R Pal ，Sankar K Pal .A review on image segmentation techniques[J]. Pattern Recognition，1993（26）：1277-1294.

[2]Robert M.Haralick，Linda G.Shapiro .Image segmentation techniques[J].Computer Vision，Graphics， and Image Processing，1985（29）：100-132.

[3]趙陽.基于圖像工程與框架理論識別人體細胞的智能技術研究[D].包頭：內蒙古科技大學，2010.

[4]倪元敏，巫茜.基于模糊形態學的圖像邊緣輪廓提取算[J].西南師范大學學報（自然科學版），2013（12）：1-7.

[5]張闖，王婷婷，孫冬嬌，等.基于歐式距離圖的圖像邊緣檢[J].中國圖像圖形學報，2013（2）：176-183.

[6]孟月波，劉光輝，徐勝軍，等.一種具有邊緣保持的MRMRF模型圖像分割方法[J].西安交通大學學報，2019（3）：y1-y10.

[7]郎春博，賈鶴鳴，邢致凱，等.基于改進正余弦優化算法的多閾值圖像分割[J].計算機應用研究，2019（4）.

[8]楊兆龍，劉秉瀚.基于改進差分進化算法的多閾值圖像分割[J].計算機系統應用，2016（12）：199-203.

[9]聶方彥，李建奇，張平鳳，等.一種基于Tsallis相對熵的圖像分割閾值選取方法[J].激光與光電子學進展，2017（7）：137-144.

[10]洪向工，周氏芬.基于灰度共生矩陣和區域生長算法的紅外光伏面板圖像分割[J].科學技術與工程，2018（34）：92-97.

[11]蔣秋霖，王昕.提出了基于區域生長算法的腦腫瘤圖像分割[J].長春工業大學學報，2018（5）：490-493.

[12]潘家輝，朱玲利，鮑蘇蘇.提出的基于區域生長算法的CT序列圖像分割[J].洛陽師范學院學報，2015（5）：58-61.