图像分割技术

czz

在计算机图像理解中,将广义图像的一些部分聚集成单元,这些单元对某一种或某几种
特性是均一的,这就形成了分割图像。分割图像是广义图像在一个重要方面的扩展,它包含
了初步的域相关解释。在这个描述级,物体的内在域相关模型开始影响广义图像结构的聚集
,使得划分的单元相对于该应用领域是有意义的。
早在50年代,计算机图像理解的研究中就出现了图像分割的概念,从那时开始,图像分割
一直是计算机图像理解中一个十分活跃的研究领域。一种好的图像分割要求分割区域相对
于某些特征,如灰度值或纹理等,是均一的;区域内部简单且不存在许多小孔;邻接的区域相
对于在其上的均一特征有明显可区分的值;区域间的边界简单,平滑无毛刺,且空间位置精确
等。要想获得所有这些特性是十分困难的,因为严格均一的区域通常有许多小孔,并且其边
界带有毛刺。坚持邻接区域有较大的特征值差会引起区域合并,从而丢失边界。
由于没有聚类理论,因此,也不存在图像分割理论。图像分割技术基本上是专用的,并且
在各自所强调要获得的特性方面存在着不同。根据图像分割过程中所使用知识的多少,可将
图像分割按技术分成:信号层技术、物理层技术和语义层技术。信号层技术在图像分割过程
中纯粹基于数字图像中的数值;物理层技术在图像分割过程中使用了有关图像生成的知识;
而语义层技术则在图像分割过程中还使用了有关景物类型的领域专用知识。

czz

一、区域分割
区域分割的目标是利用图像特征,将图像中的单个像素映射成一个称为区域的像素集。
通常,区域被认为是相连的二维表面。区域也可以是不相连的,非简单相连的(有孔),或应当
有平滑的边界等等。所有这些都随区域分割方法的研究目的而定。最终,将整个图像划分成
准分离的区域通常是区域分割的目的,即:区域之间没有二维的重叠,没有任何像素属于两个
或更多个区域的内部元素。但是,并不存在一个有关区域的单一定义——它们也可能允许
重叠,或整个图像不可能被划分等等。
区域分割算法的有效性很大程度上取决于应用领域和
输入图像。如果图像非常简单,比如说在一个亮的背景上有一个黑团,用简单的局部方法就
可以得到非常满意的效果。反之,在非常复杂的景物上,如室外景物,即使最高级的方法也无
法得到满意的分割。在这种情况下,往往谨慎地采用区域分割作为一种图像预处理,以供下
一步采用更有知识能力的处理。目前,关于区域分割已经开发出各种不同的处理方法,它们
可分为如下几类:
·单连接区域生长;
·混合连接区域生长;
·质心连接区域生长;
·分裂与合并;
·测量空间引导的空域聚类;
·空域聚类;
·基于知识的图像分割方法。
单连接区域生长是最简单的方法,但往往产生不希望的区域合并错误。混合和质心连接
区域生长方法在这一方面效果好一些。分裂-合并方法虽然不会出现上述问题,但它消耗大
量的存储空间,并产生过多的块状区域边界。测量空间引导的空域聚类方法可以避免区域合
并错误和块状边界问题,但它对点噪声比较敏感,不容易使区域边界平滑,且区域内部多孔。
空域聚类在这方面效果可能会好一些,但还没有得到足够的实验。将各种区域生长方法加以
综合使用,似乎能够提供具有平滑边界和较少不希望的区域合并之间的最佳折衷。基于知识
的图像分割方法能够对范围很广的各类图像产生较好的结果,但其复杂性和计算时间大大增
加,从而降低了效率。

czz

二、边缘检测
边缘是图像中局部灰度级以简单(即单调)方式发生极快变化的小区域。边缘算子是具
有小的空间范围的一种数学算子(或计算上的等效形式),专门用于检测图像函数中边缘的存
在。要事先规定哪些局部边缘对应于图像中有关的边界是困难的。根据特定的任务领域,不
同的局部变化都可能被认为有边缘存在。不同种类的边缘算子分别在不同的任务领域中表
现出其最好的性能,这一事实已促使研究各种各样的算子。然而,大多数有用的边缘算子有
一个共同的特点,就是都计算与最大灰度级变化方向相一致的方向,并计算描述这种变化程
度的大小。
目前,边缘算子大致可分为如下三类:
·与数学的梯度算子相近的算子;
·利用多个不同方向模板的模板匹配算子;
·用参数式边缘模型模拟局部亮度的算子。
如果边缘是图像强度变化很快的位置,则寻找边缘的最明显的方法是计算空间微分。这
可以通过梯度的离散模拟来完成。而许多研究人员都是通过计算邻接像素之间的差来估算
梯度的。
模板匹配是另一种很普遍的边缘检测方法。其基本思想是首先假定待检测边缘的理想
模型,再求出与给定图像局部区域内的灰度变化最吻合的边缘模板参数,则根据最佳边缘模
板进行计算,可以检测出边缘。
理想的边缘可以认为是一维或二维斜坡函数,因而实际图像函数可以与这一理想的边缘
模型匹配或拟合。如果在给定图像位置上拟合得足够准确,便认为存在一个参数与理想边缘
模型相同的边缘。
对于大多数图像来说,梯度等于零的地方是有的,但是很少。况且,即使图像中没有任何
内容,随机波动也很可能引起小的梯度量值。因而在实际情况下,为了减少噪声的影响,一般
认为只有当边缘强度大于某个阈值时,才有边缘元素存在。不论对于采用梯度算子,还是模
板匹配算子来检测边缘,阈值的选取都是很关键的。阈值取得过高,便不能检测出低强度的
边缘元素;反之,阈值取得过低,会将噪声误检为图像边缘。

czz

三、边界检测
边缘检测得到的结果是一些基本的边缘元素,但只是一些不相连的边缘元
素构成的图像是没有什么意义的,必须用附加处理将边缘元素聚集成更适于解释过程的结构
形式,即由许多单独的局部边缘元素形成连贯的边界。一般地说,边界检测可使用如下几种
方法:
·近似位置附近搜索;
·Hough变换;
·图搜索;
·动态规划;
·轮廓跟踪。
近似位置附近搜索的基本思想是根据由较低分辨率图像,或利用高级知识确定的一条边
界的近似位置或先验可能位置,对该边界进行精化工作。Hough变换是通过将像素点变换到
参数空间中的直线来检测边界。而图搜索则是将边缘像素看成为一个图中的节点,因此,搜
索一个物体的边界,即是搜索图中两个节点间具有最低耗费值的路径。动态规划通过定义一
个体现"最优边界"概念的估价函数,将边界追踪方法表示成动态规划的公式。轮廓跟踪是一
种比较简单的方法,其主要思想是由确信为边界上的某一点出发,通过在轮廓方向添加边界
点而使边界延伸。

czz

四、图像分割的困难
阻止计算机图像理解技术进步的最基本的问题,可能就是缺乏能够产生合理的中层表示
的稳定而有效的低层图像处理算法。图像理解系统所必须处理的一个问题是将极其大量的
感知数据(在一幅具有合理分辨率的图像中,大约有512×512=25万(像素)动态地转换成一个
小得多的图像结构集合(如:具有均一颜色和纹理的区域,直线段和局部表面片断等),从而可
以据此产生假设。

czz

图像分割问题是一个十分困难,并且是病态形式的问题。因为它是系统目标的一个函数
,所以根本不存在理想的或正确的分割。物体及其组成部件的二维表现形式受到光照条件、
透视畸变、观察点变化、遮挡等的影响。此外,物体及其组成部件与背景之间在视觉上可能
是无法区分的。因此,人们无法预测能够从图像中抽取出哪些与物体识别相关的初始信息,
唯一一件可以肯定的事情是这一过程将在本质上具有不可靠性。当然,某些有用的信息能够
被抽取出,但同时也会出现许多错误。因此,在任何应用领域中都不存在最优解。一般地,对
任何算法而言,都不存在一组参数设置,它们能使算法抽取出所希望的图像结构,并且不产生
额外的非最优或不希望的图像结构。对一组给定的参数设置,图像分割算法可能会在某个应
用领域中产生太多的图像结构;但在另一个应用领域中却又产生太少的图像结构。由于参数
是变化的,因此,划分也将是变化的。但图像分割算法绝不可能处理产生最优或接近最优的
结果,它们将以变化的并且是不可预测的方式产生过多或过少的图像结构。