圖像分割算法的分類與研究

趙詩宇

摘 要： 圖像分割是AI領域中一個重要的分支，是機器視覺技術中關于圖像理解的重要一環(huán)。近年的自動駕駛技術中，也需要用到這種技術。車載攝像頭探查到圖像，后臺計算機可以自動將圖像分割歸類，以避讓行人和車輛等障礙。近年來傳統(tǒng)分割算法不斷被科研工作者優(yōu)化和組合，相信會有更多的分割新算法井噴而出。

關鍵詞： 圖像分割;AI;機器視覺

1 圖像分割的數學定義

在一幅數字圖像中，每個像素點的坐標設為 x，y ，每個像素點的值與坐標的關系表示成一個二元函數f x，y 。函數值可以表示灰度圖像中的灰度值;也可以表示顏色。[1]圖像分割其實可以看成把圖像分成若干個無重疊的子區(qū)域的過程，即有如下定義：設R是整個要分割的圖像區(qū)域，將此區(qū)域分成n各自區(qū)域R1，R2，R3，…，Rn的過程就是圖像分割，其中子區(qū)域Ri，滿足一下五個條件：

（1）∪ni=1Ri=R;

（2）Ri∩Rj=，對所有Ri和Rj，i≠j;

（3）Ri是一個連通的區(qū)域，對于i=1，2，…，n;

（4）P Ri =TRUE，對于i=1，2，…，n;

（5）P Ri∩Rj =FALSE，對于任意相鄰區(qū)域Ri和Rj。

由以上定義可知，（1）表示圖像中任意一部分都要分割到某各自區(qū)域中。（2）表示任意兩個子區(qū)域不會重疊。（3）表示子區(qū)域中的任意兩個像素點能連通。（4）要求所有子區(qū)域中的像素點都符合一種特點。（5）要求任意相鄰子區(qū)域中沒有相同之處。

2 常見的圖像分割算法

目前圖像分割方法數量已經達到上千種。隨著對圖像分割的更深層次研究和其他科學領域的發(fā)展，陸續(xù)出現了許多使用新理論的圖像分割算法。各種圖像分割算法都有其不同理論基礎，下面介紹幾種常見的分割方法。

2.1 基于閾值的圖像分割算法

閾值分割法具有易于操作、功能穩(wěn)定、計算簡單高效等優(yōu)點。閾值分割法的基本原理是：根據圖像的整體或部分信息選擇閾值，把圖像依據灰度級別劃分。[2]如何選取合適的閾值是閾值算法最重要的問題。由于該算法直接利用灰度值，因此計算方面十分簡單高效。當圖像中目標與背景灰度差異大時，應使用全局閾值分割法;當圖像灰度差異不大或多個目標的灰度相近時，局部閾值或動態(tài)閾值分割法會更適合。基于閾值的分割方法雖然簡單高效，但也有其局限性，一方面，當圖像中的灰度值差異不明顯或灰度范圍重疊時，可能出現過分割或欠分割的情況;另一方面，閾值方法不關心圖像的空間特征和紋理特征，只考慮圖像的灰度信息，抗噪性能差，導致在邊界處的效果不符合預期，得到的分割效果比較差。

2.2 基于邊緣檢測的圖像分割算法

邊緣檢測分割法，是通過檢測邊界來把圖像分割成不同的部分。[3]在一幅圖像中，不同區(qū)域的邊緣通常是灰度值劇烈變化的地方，邊緣檢測分割法就是根據灰度突變來進行圖像分割的。基于邊緣檢測分割方法按照執(zhí)行順序的差異可分為兩種，即串行邊緣分割技術以及并行邊緣分割技術。基于邊緣檢測分割方法重點是如何權衡進行檢測時的抗噪性能和精度。若提高該方法檢測精度，噪聲引起的偽邊緣會影響圖像得到過多的分割結果;然而，若提高該方法抗噪性，會使得輪廓處的結果精度不高。因此研究人員在實際應用的時候，需要綜合考慮檢測精度與抗噪性能的相互作用進行取舍，這是邊緣檢測法的關鍵部分。邊緣檢測法優(yōu)點是運算快，邊緣定位準確;其缺點是抗噪性能差，因而在劃分復雜圖像時非常容易導致邊緣不連續(xù)、邊緣丟失或邊緣模糊等問題，邊緣的封閉性和連續(xù)性難以保證。

2.3 基于區(qū)域的圖像分割算法

基于區(qū)域的圖像分割原理是連通含有相似特點的像素點，最終組合成分割結果。基于區(qū)域的圖像分割主要利用圖像局部空間信息，能夠很好地避免其他算法圖像分割空間小的缺陷。域分割算法包括區(qū)域生長法以及區(qū)域分離與合并法。[4]區(qū)域生長法的總體思想是，依據某種相似性標準，不停地把符合此標準的相鄰像素點加入到同一區(qū)域，最終得到目標區(qū)域。在分割過程中種子點位置選取非常重要，直接影響分割結果優(yōu)劣。

2.4 基于神經網絡技術的圖像分割算法

利用神經網絡進行圖像分割的基本原理是這樣的：將樣本圖像數據用來訓練多層感知機，最終得到決策函數，進而用獲得的決策函數對圖像像素進行分類得到分割的結果。根據具體方法所處理的數據類別的不同，可以分為基于圖像像素數據的神經網絡分割算法和基于圖像特征數據的神經網絡分割算法。因為前者使用高維度的原始圖像作為訓練數據，而后者利用圖像特征信息，所以前者擁有更多能夠使用的圖像信息。前者對每個像素進行單獨處理，由于數據量大并且數據維度高，所以使計算速度難以提高，如果用于處理實時數據則效果并不理想。[5]總而言之，神經網絡是由許多模擬生物神經的處理單元相互連接而成的結構，因它 有巨大的互連結構和分布式的處理單元，所以系統(tǒng)擁有很好的并行性和健壯性，同時系統(tǒng)較為復雜，運算速度較慢。

3 結語

本文針對目前主要的一些圖像分割方法進行了綜述，包括多閾值分割方法、邊緣檢測分割方法、基于區(qū)域分割方法、神經網絡分割方等。由于應用場合 不同，所需分割的圖像要求也有所不同，所以分割算法多種多樣，但至今不存在一個通用的算法。下一步的研究方向是找出一種能夠通用且魯棒性較好的分割方法。

參考文獻：

[1]楊紅亞，趙景秀，徐冠華，etal.彩色圖像分割方法綜述[J].軟件導刊，2018（4）.

[2]趙祥宇，陳沫涵.基于聚類的圖像分割方法綜述[J].信息技術，2018（6）.

[3]劉漢強，趙靜.基于半監(jiān)督的超像素譜聚類彩色圖像分割算法[J].計算機工程與應用，2018（14）.

[4]潘曉航.醫(yī)學圖像分割方法[J].電子技術與軟件工程，2018（11）.

[5]劉立波，程曉龍，賴軍臣.基于改進全卷積網絡的棉田冠層圖像分割方法[J].農業(yè)工程學報，2018，34（12）：193-201.