圖像分割方法綜述【文獻綜述】

《圖像分割方法綜述【文獻綜述】》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、畢業(yè)論文文獻綜述電子信息工程圖像分割方法綜述摘要：圖像分割是圖像理解的基礎(chǔ)，圖像分割的算法研究越來越受到關(guān)注，早期的圖像分割算法在之后的研究中得到完善。活動輪廓模型是圖像分割和邊界提取的重要工具之一，主要包括了參數(shù)形式活動輪廓模型和幾何形式活動輪廓模型兩大類，本文對這兩類模型進行了大概的說明，簡單敘述了相對的優(yōu)點，如幾何活動輪廓模型在變形的過程中能處理曲線拓撲變化。鑒于活動輪廓模型所存在的缺點，提出了水平集算法，使得計算的范圍和簡易程度有了很大的發(fā)展。最后指出了圖像分割的算法還有一些進一步優(yōu)化的研究發(fā)展方向。關(guān)鍵詞：圖像分割，參數(shù)活動輪廓模型，幾何活動輪廓

2、模型，水平集1.引言對圖像進行處理，通過圖像分割、目標分離、特征提取、參數(shù)測量等技術(shù)，將原始的圖象轉(zhuǎn)化為更抽象更緊湊的形式，使得更高層的圖像分析和理解成為可能。其中圖像分割已經(jīng)越來越受到人們的關(guān)注，作為一種圖像處理與計算機視覺操作的預處理手段，已經(jīng)應用到了很多的領(lǐng)域，圖像分割可以定義為：根據(jù)圖像特征對圖像進行區(qū)域劃分[1]過程，圖像分割的效果好壞會直接影響到后續(xù)的處理結(jié)果，所以圖像分割是一個基本而又關(guān)鍵的技術(shù)，為此人們提出了很多有效的、具有魯棒性的分割算法。圖像分割方法有很多，按知識的特點和層次可分為數(shù)據(jù)驅(qū)動和模型驅(qū)動兩大類[2]，前者有Roberts算子

3、、Sobel算子和Canny算子、閾值分割、分水嶺算法和模糊聚類分割算法等；后者是直接建立在先驗知識的基礎(chǔ)上的，如基于活動輪廓模型的圖像分割。水平集的應用領(lǐng)域是隱含曲線（曲面）的運動[3]，現(xiàn)在水平集已經(jīng)廣泛應用于圖像恢復、圖像增強、圖像分割、物體跟蹤、形狀檢測與識別、曲面重建、最小曲面、最優(yōu)化以及流體力學中的一些方面。一個好的圖像分割算法應具有以下特點：1、有效性，能將圖像中感興趣的區(qū)域或目標分割出來的有效規(guī)則。2、整體性。能得到圖像中感興趣區(qū)域或目標的無斷點和離散點的封閉邊界。3、精確性，分割所得到的感興趣區(qū)域或目標邊界與實際情況貼近。4、穩(wěn)定性，算法

4、受噪聲的影響性很小。5、自動化，分割過程不需要人工的干預。但是讓一種具體的圖像分割方法全部滿足上述特點是很難的，各種圖像分割的方法都存在著必然的局限性，所以只能根據(jù)不同的適用領(lǐng)域和所要分割的圖像區(qū)域特征來選擇所對應的圖像分割方法。2．早期的圖像分割方法早期的圖像分割方法，根據(jù)方法所利用的圖像特征，分為邊界法和區(qū)域法兩類[4]。前者是根據(jù)區(qū)域間像素特征的突變性或不連續(xù)性實現(xiàn)；后者是通過架設(shè)分割結(jié)果的某子區(qū)域具有一定的相似性質(zhì)，而不同區(qū)域的像素沒有共同性質(zhì)，即通過判斷區(qū)域的相似性來進行的分割。它們都存在著各自的優(yōu)點和缺點，基于區(qū)域分割的方法，常見的有：閾值法[

5、5]，常用的并行區(qū)域分割技術(shù)，閾值是用于區(qū)分不同目標的灰度值，選擇合適的閾值是該分割法的關(guān)鍵；區(qū)域生長法：從圖像的某個像素出發(fā)，按一定的準則對領(lǐng)域像素點進行判斷，將符合要求的像素點逐步加入，至滿足一定條件時終止。此方法計算簡單，但需要人為的設(shè)置初始點，對噪聲敏感；分裂合并法：從整個圖像出發(fā)，不斷分裂成各個子區(qū)域，按照一定條件對前景區(qū)域進行合并，該方法雖分割效果好，但算法復雜，計算量大，也有可能破壞區(qū)域的邊界等?；谶吘壍姆指钏惴煞譃椴⑿羞吘墮z測和串行邊緣檢測兩種[6]，并行邊緣檢測是基于圖像邊緣處的灰度值不連續(xù)性，而利用微分算子進行檢測，常用的有Robe

6、rts算子，Prewitt算子，Sobel算子，Laplace算子，Marr算子，Krisch算子等。而串行邊界分割不但利用了本身像素的信息，還利用了其他已處理的像素信息，常用的算法有邊界跟蹤。在實際應用中，為了更好的分割效果，經(jīng)常把各種的分割算法結(jié)合起來用，這也成為了圖像分割的重點研究方向之一。3．圖像分割的發(fā)展3.1參數(shù)形式的活動輪廓模型（snake模型）（2-1）1987年，Kass等人提出來參數(shù)活動輪廓模型（Snake模型），（2-1）為Snake模型的能量函數(shù)表示，將一系列的圖像處理問題統(tǒng)一的轉(zhuǎn)換為能量極小化的問題。跟其他傳統(tǒng)方法一樣，傳統(tǒng)的參數(shù)

7、活動輪廓模型存在很多的局限性，由于模型是由演化曲線自身的內(nèi)力和圖像信息的外力構(gòu)成的，由內(nèi)力約束它的形狀，外力引導它的行為，模型外力的作用范圍小是很大的缺陷，而且，這個方法對輪廓的初始位置敏感，不能收斂到輪廓的凹陷區(qū)域及處理拓撲變化，計算復雜度也很高。針對外力的缺陷，在后期的研究中產(chǎn)生了很多改進版的模型，Cohen等人在模型外力中，為了使得模型輪廓在圖像同質(zhì)區(qū)域內(nèi)能夠穩(wěn)定的進行收斂，增加了一項氣球膨脹力。Xv等人提出的GVF(GradientVectorFlow)模型和廣義GVF（GeneralizedGVF）模型，這兩個模型在擴大外力作用范圍上有很大的幫助

8、，同時也可以擴大收斂的凹陷區(qū)域。Li等人提出的VFC(Vector