? ? 圖像分割是從圖像處理到圖像分析的關鍵技術。圖像分割的種類和方法很多，有些分割算法可直接用于任何圖像，而另一些算法只能適用于分割特殊類別的圖像。有些算法需要先對圖像進行粗分割，因為它們需要從圖像中提取出來的信息。沒有唯一的標準的方法。分割結果的好壞需要根據具體的場合要求衡量。
早期的圖像分割方法可以分為兩大類。一類是邊界方法，這種方法假設圖像分割結果的某個子區域在原來圖像中一定會有邊緣存在；一類是區域方法，這種方法假設圖像分割結果的某個子區域一定會有相同的性質，而不同區域的像素則沒有共同的性質。這兩種方法都有優點和缺點，有的學者考慮把兩者結合起來進行研究。現在，隨著計算機處理能力的提高，很多方法不斷涌現，如基于彩色分量分割、紋理圖像分割。所使用的數學工具和分析手段也是不斷的擴展，從時域信號到頻域信號處理，小波變換等等。
圖像分割主要包括4種技術：并行邊界分割技術、串行邊界分割技術、并行區域分割技術和串行區域分割技術。下面是分別對每一項做簡單的介紹。
?1、并行邊界分割
不同圖像灰度不同，邊界處一般會有明顯的邊緣，利用此特征可以分割圖像。需要說明的是：邊緣和物體間的邊界并不等同，邊緣指的是圖像中像素的值有突變的地方，而物體間的邊界指的是現實場景中的存在于物體之間的邊界。有可能有邊緣的地方并非邊界，也有可能邊界的地方并無邊緣，因為現實世界中的物體是三維的，而圖像只具有二維信息，從三維到二維的投影成像不可避免的會丟失一部分信息；另外，成像過程中的光照和噪聲也是不可避免的重要因素。正是因為這些原因，基于邊緣的圖像分割仍然是當前圖像研究中的世界級難題，目前研究者正在試圖在邊緣提取中加入高層的語義信息。
在實際的圖像分割中，往往只用到一階和二階導數，雖然，原理上，可以用更高階的導數，但是，因為噪聲的影響，三階以上的導數信息往往失去了應用價值。二階導數還可以說明灰度突變的類型。在有些情況下，如灰度變化均勻的圖像，只利用一階導數可能找不到邊界，此時二階導數就能提供很有用的信息。二階導數對噪聲也比較敏感，解決的方法是先對圖像進行平滑濾波，消除部分噪聲，再進行邊緣檢測。不過，利用二階導數信息的算法是基于過零檢測的，因此得到的邊緣點數比較少，有利于后繼的處理和識別工作。
Roberts算子：邊緣定位準，但是對噪聲敏感。適用于邊緣明顯且噪聲較少的圖像分割。
Prewitt算子：對噪聲有抑制作用，抑制噪聲的原理是通過像素平均，但是像素平均相當于對圖像的低通濾 ? ??波，所以Prewitt算子對邊緣的定位不如Roberts算子。
Sobel算子：Sobel算子和Prewitt算子都是加權平均，但是Sobel算子認為，鄰域的像素對當前像素產生的影 ? ? ?響不是等價的，所以距離不同的像素具有不同的權值，對算子結果產生的影響也不同。一般來 ? ?說，距離越遠，產生的影響越小。
Isotropic Sobel算子：加權平均算子，權值反比于鄰點與中心點的距離，當沿不同方向檢測邊緣時梯度幅 ? ?度一致，就是通常所說的各向同性。
上面的算子時利用一階導數的信息。
Laplacian算子：這時二階微分算子。其具有各向同性，即與坐標軸方向無關，坐標軸旋轉后梯度結果不變。但是，其對噪聲比較敏感，所以，圖像一般先經過平滑處理，因為平滑處理也是用模板進行的，所以，通常的分割算法都是把Laplacian算子和平滑算子結合起來生成一個新的模板。
2、串行邊界分割

? ?并行邊緣檢測的方法，對圖像的每一點上所做的處理不依賴于其它的點處理結果。串行邊界分割在處理圖像時不但利用了本身像素的信息，而且利用前面處理過像素的結果。對某個像素的處理，以及是否把它分類成為邊界點，和先前對其它點的處理得到的信息有關。串行邊界分割技術通常是通過順序的搜索邊緣點來工作的，一般有三個步驟：1.起始邊緣點的確定。

2.搜索準則，將根據這個準則確定下一個邊緣點。

3.終止條件，設定搜索過程結束的條件。

? ? 邊界跟蹤是一種串行邊界分割的方法。
? ? 邊界跟蹤是由梯度圖中一個邊緣點出發，搜索并連接邊緣點進而逐步檢測所有邊界的方法。在并行邊界分割法中，邊緣像素不一定能夠組合成閉合的曲線，因為邊界上有可能會遇到缺口。缺口可能太大而不能用一條直線或曲線連接，也有可能不是一條邊界上的缺口。邊界跟蹤的方法者可以在一定程度上解決這些問題，對某些圖像，這種方法的分割結果更好。具體算法是，先對原圖像進行梯度運算，然后進行邊界跟蹤算法。1.起始點：對梯度圖搜索，找到梯度最大點，做為邊界跟蹤的開始點。2.生長規則：在這個點的8鄰域像素中，梯度最大的點被當做邊界，同時，這個點還會做為下一個搜索的起始點。3.終止條件：按照2的準則一直搜索，直到梯度絕對值小于一個閾值時，搜索停止。有時為了保證邊界的光滑性，每次只是在一定的范圍的像素中選擇，這樣得到的邊界點不但能保證連通性，還能保證光滑性。
3、并行區域分割
? ? ?并行區域分割主要有兩種方法：閾值分割和聚類。
? ? ?直接的閾值分割一般不能適用于復雜景物的正確分割，如自然場景，因為復雜景物的圖像，有的區域很難判斷究竟是前景還是背景。不過，閾值分割在處理前景和背景有很強的對比的圖像時特別有用，此時需要的計算復雜度小。當物體的灰度級比較集中時，簡單的設置灰度級閾值提取物體是一個有效的辦法。
? ? ?閾值方法分為全局閾值和局部閾值兩種，如果分割過程中對圖像上每個像素所使用的閾值都相等，則為全局閾值方法；如果每個像素所使用的閾值可能不同，則為局部閾值方法。最佳全局閾值的確定的常用方法一般有下面幾種：試驗法，直方圖法，最小誤差法（這種方法是假設背景和前景的灰度分布都是正態分布的）。當光照不均勻、有突發噪聲，或者背景灰度變化比較大時，整幅圖像分割將沒有合適的單一門限，因為單一的閾值不能兼顧圖像各個像素的實際情況。這時，可對圖像按照坐標分塊，對每一塊分別選一閾值進行分割，這種與坐標相關的閾值稱為動態閾值方法，也稱為自適應閾值方法。這類方法的時間和空間復雜度比較大，但是抗噪聲能力比較強，對采用全局閾值不容易分割的圖像有較好的效果。自適應閾值選取的比較簡單的方法時對每一個像素確定以它為中心的一個鄰域窗口，計算窗口內像素的最大和最小值，然后取它們的均值做為閾值。對圖像分塊后的每一個子塊可以采用直方圖分析，如果某個子塊內有目標和背景，則直方圖呈雙峰。如果塊內只有目標或背景，則直方圖沒有雙峰，可根據鄰域各塊分割得到的參數插值進行分割。實際的自適應閾值分割完全可以根據圖像的實際性質，對每個像素設定閾值，但這個過程要考慮到實際的要求和計算的復雜度問題。
4.串行區域分割

? ? 串行區域分割一般可分為兩種方法：一種是區域生長，二是分裂合并。區域生長是指從某個像素出發，按照一定的準則，逐步加入鄰近像素，當滿足一定的條件時，區域生長終止。

? ? 區域生長的好壞決定于1.初始點（種子點）的選取2.生長準則3.終止條件。

? ? 區域生長是從某個或者某些像素點出發，最后得到整個區域，進而實現目標的提取。分裂合并差不多是區域生長的逆過程：從整個圖像出發，不斷分裂得到各個子區域，然后再把前景區域合并，實現目標的提取。分裂合并的假設是對于一幅圖像，前景區域由一些相互連通的像素組成，因此，如果把一幅圖像分裂到像素級，那么就可以判定該像素是否為前景像素，當所有像素點或者子區域完成判斷后，把前景區域或像素合并就可得到前景目標。

總結

以上是生活随笔為你收集整理的图像分割方法介绍的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。