數字圖像處理中的圖像分割技術及其應用

李月月 李宗賀 王思雨

摘 要：不同算法在實際運用中往往遇到一些問題，都有著各自的局限性和缺陷，提取效果往往不盡人意。本文從圖像分割技術的基本原理出發，比較 全面地總結了有代表性的圖像分割方法，以期為數字圖像處理提供幫助。

關鍵詞：數字圖像;基本原理;分割方法

1引言

圖像分割是圖像處理中的關鍵問題，近年來已經提出了新的圖像分割算法。隨著計算機技術的快速發展，以及經過國內外學者長時間的研究 和發展，目前已經成功提出了很多種不同功能的數字圖像邊緣檢測算法， 這些算法在圖像處理領域占據不可替代的地位，在圖像處理問題中，邊緣 作為圖像的一種基本特征，為人們描述或識別目標以及解釋圖像提供了 一個重要的特征參數。圖像邊緣檢測最終的需求是獲得精確的邊緣定位， 并且能夠有效的進行噪聲抑制。但是，目前沒有針對每個圖像處理任務的 最佳算法。通常，通過測試每種可能的算法或使用先前問題的知識來選擇 最合適的算法，這些過程可能具有很高的計算成本。

2 圖像邊緣提取新算法

2.1 SAR 圖像分割方法

多尺度SAR 圖像分割方法。首先，使用Curvelet 變換來獲取多個尺度上分解的SAR 圖像的集合。通過規則的細分將它們的域劃分為一組塊， 其中塊的數量假定為具有Poisson 分布的隨機變量。在分區域上，遵循貝葉斯范式建立具有未知類數的基于區域和多尺度的圖像分割模型。此外， 設計了通用多次嘗試可逆跳轉（GMTRJ）算法來模擬分割模型。在分割模型的迭代仿真過程中，當前尺度的分割結果被視為下一尺度的初始分割。 對應于最佳比例的分割結果被認為是最佳圖像分割。SAR 圖像驗證了 該方法的有效性。測試的模擬SAR 圖像的Kappa 系數最高為0.998，測試 的真實SAR 圖像的Kappa 系數最高為0.903。從定量和定性評估的測試結果可以發現，該方法不僅可以確定分類的數量，而且可以很好地分割均勻 區域。

2.2 差分進化算法

圖像分割是基于地理對象的圖像分析中的關鍵問題，因此確定適當的分割參數是允許獲得準確分割的前提。最新的的利用局部空間統計量 的差分進化分割參數選擇方法，以實現圖像分割的自動參數優化。使用局 部空間統計方法計算段內同質性（WSH）和段間異質性（BSH）的兩種度 量，然后將其集成到用于指示整體分割質量的全局值中。另外，在BSH 計算中考慮了每個段與其相鄰段之一之間的公共邊界的貢獻，以獲得更客 觀的評估。對于此實驗，使用多分辨率分割（MRS）方法作為分割算法，并 使用GF-1 圖像作為測試數據。所提方法的度量分析實驗表明，BSH 對分段不足更為敏感。與其他四種方法相比，該方法的視覺和差異測量結果表 明，該方法更有可能識別適當的分割參數，從而可以實現高質量的分割。

2.3 Otsu 算法

Otsu 算法作為一種根據于閾值的圖像分割方法被提出，也被稱之為最大類間方差算法，屬于全局閾值化方法。Otsu 算法作為圖像分割界的一種算法在電子技術領域得到了較為普遍的推行，它是實現閾值分割的經 典算法之一，Otsu 算法的最為關鍵之處是分割閾值t 需要使得目標和背景兩類的類間方差達到最大。方差能夠較為全面映射出一個隨機變量對應 的一組數值的離散程度，也就是均衡性的大小，在同一個情況之下，方差 值越大也就在一定程度上表明此組數據的波動情況也在增大，其均衡性 就差，相反的方差越小，表這組數據越趨向穩定，均衡性也就很高[1]。圖像一般包含目標物體、背景和噪聲，基于一幅圖像的統計學特性，將人為假 定的某一的灰度值將原始圖像的灰度設置成兩類，包含背景和目標。當這 兩類本身內部像素的灰度值的均衡性越高，所對應的方差就越小，反之，當兩類之間的均衡性越小時，那么與此同時所對應的方差能夠達到最大， 此時的灰度值能代表的就是最為合適的分割閾值。

3 圖像分割技術的應用 3.1 在醫學上的應用

隨著醫學圖像采集系統的發展，已經廣泛研究了使用多模式的分割。

圖像融合的不同策略，例如概率論、模糊概念、信度函數和機器學習已經 成功開發[2]。醫學圖像分割在許多臨床應用中發揮重要作用，例如疾病診斷，手術計劃和計算機輔助治療。但是，由于圖像質量不同，物體形狀復雜 以及離群值的存在，這是一項非常具有挑戰性的任務。多模態被廣泛用于 醫學成像中，因為它可以提供有關目標（腫瘤，器官或組織）的多種信息。

使用多模態的細分包括融合多種信息以改善細分。最近，基于深度學習的 方法在圖像分類，分割，對象檢測和跟蹤任務中展現了最先進的性能。由 于其對大量數據的自學習和泛化能力，最近也引起了人們對多模式醫學 圖像分割的極大興趣。

3.2 圖像分割在遙感中的應用

圖像分割是基于地理對象圖像分析中至關重要的基礎步驟。許多多 尺度分割算法已廣泛用于高分辨率（HR）遙感圖像中。這些分割算法需要 一個預設參數（稱為scale 參數）來控制每個對象的平均大小。但是，由于空

間變化，單一尺度參數很難描述具有不同土地覆被的區域的邊界。為了克 服這一局限性，可采用一種用于多尺度分割的自適應參數優化方法。為了 找到物體的最佳比例，通過計算物體間和物體內的光譜角來應用局部光 譜異質性度量。

4 結語

圖像的分割是圖像處理中最困難的任務之一，圖像分割技術能借助數字處理的底層技術來實現模式的識別功能，因此得到廣泛應用。今后要加 強圖像分割技術的基本原理的研究。

參考文獻

[1] 姜維. 淺析數字圖像處理技術及其應用[J]. 信息與電腦（理論版）（3）：136-137.

[2] 張晶，王黎，高曉蓉，王澤勇，周小紅，彭建平. 數字圖像處理中的圖像分割技術及其應用[J]. 信息技術（11）：36-39，43.