圖像分割新法綜述

徐 冰，魏崇毓

青島科技大學(xué)，山東 青島 266044

0 引言

圖像分割是計(jì)算機(jī)視覺領(lǐng)域中極為重要的內(nèi)容之一，是實(shí)現(xiàn)自動(dòng)圖像分析和模式識別的首要問題，也是圖像處理的經(jīng)典難題之一。圖像分割的質(zhì)量的優(yōu)劣、區(qū)域界限定位的精度直接影響后續(xù)的區(qū)域描述以及圖像的分析和理解，是圖像處理、分析、理解中一個(gè)舉足輕重的技術(shù)。

1 遺傳算法在圖像分割中的應(yīng)用

遺傳算法是基于進(jìn)化論自然選擇機(jī)制的、并行的、統(tǒng)計(jì)的、隨機(jī)化的搜索方法。對此，科學(xué)家們進(jìn)行了大量的研究工作，并成功地將它們運(yùn)用于各種類型的優(yōu)化問題中。在分割復(fù)雜的圖像時(shí)，人們往往采用多參量進(jìn)行信息融合，在多參量參與的最優(yōu)值的求取過程中，優(yōu)化計(jì)算是最重要的，把自然進(jìn)化的特征應(yīng)用到計(jì)算機(jī)算法中，將能解決很多優(yōu)化計(jì)算的困難。遺傳算法的出現(xiàn)為解決這類問題提供了新而有效的途徑，它不僅可以得到全局最優(yōu)解，而且大量縮短了計(jì)算時(shí)間。

2 基于小波分析和變換的分割方法

小波變換是一種多尺度多通道分析工具，比較適合對圖像進(jìn)行多尺度的邊緣檢測。小波分解的級數(shù)可以控制觀察距離的“調(diào)焦”，而改變高斯函數(shù)的標(biāo)準(zhǔn)差可選擇所檢測邊緣的細(xì)節(jié)程度。小波變換的計(jì)算復(fù)雜度較低，抗噪聲能力強(qiáng)。另外，利用正交小波基的小波變換也可提取多尺度邊緣，并可通過對圖像奇異度的計(jì)算和估計(jì)來區(qū)分一些邊緣的類型。在多尺度分析下，圖像的類別信息和位置信息是一對矛盾，兩者之間存在不確定性。在利用多尺度進(jìn)行分割時(shí)，跨多個(gè)尺度的圖像分析相當(dāng)于在較粗尺度下以高位置分辨率換取較大類別分辨率。因此，如何組合跨尺度信息，恢復(fù)已丟失的空間分辨率是多尺度分割算法的難點(diǎn)。多尺度分割的任務(wù)就是根據(jù)所有尺度下的信息，平衡類別信息與位置信息之間的矛盾，使內(nèi)在的不確定性達(dá)到最小化。充分考慮尺度之間的拓?fù)潢P(guān)系和對稱性，可以大大提高分割算法的計(jì)算效率。

3 基于人工神經(jīng)網(wǎng)絡(luò)的分割方法

近幾年神經(jīng)網(wǎng)絡(luò)在圖像分割中的應(yīng)用得到了很大的發(fā)展，按照處理數(shù)據(jù)類型大致上可以分為兩類：一類是基于象素?cái)?shù)據(jù)的神經(jīng)網(wǎng)絡(luò)算法；另一類是基于特征數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)算法，即特征空間的聚類分割方法?；谙笏?cái)?shù)據(jù)分割的神經(jīng)網(wǎng)絡(luò)算法用高維的原始圖像數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本，比起基于特征數(shù)據(jù)的算法能夠提供更多的圖像信息，但是各個(gè)象素是獨(dú)立處理的，缺乏一定的拓?fù)浣Y(jié)構(gòu)，而且數(shù)據(jù)量大，計(jì)算速度相當(dāng)慢，不適合實(shí)時(shí)數(shù)據(jù)處理。目前，有很多神經(jīng)網(wǎng)絡(luò)算法是基于象素進(jìn)行圖像分割的，如Hopfield神經(jīng)網(wǎng)絡(luò)、細(xì)胞神經(jīng)網(wǎng)絡(luò)、概率自適應(yīng)神經(jīng)網(wǎng)絡(luò)等?；谔卣鞯纳窠?jīng)網(wǎng)絡(luò)算法主要是對特征空間的聚類分割方法進(jìn)行改造。特征空間聚類分割方法關(guān)鍵的問題是有效特征參數(shù)的提取和聚類方法的構(gòu)造。有效的特征提取方法有很多，大致上可以分為4種：幾何特征方法、統(tǒng)計(jì)特性方法、信號特性方法和基于圖像模型的方法。傳統(tǒng)的聚類方法效果差，且是基于一定前提假設(shè)的，神經(jīng)網(wǎng)絡(luò)打破了傳統(tǒng)聚類方法的限制，已經(jīng)成為尋找聚類新方法的基礎(chǔ)。目前，使用的神經(jīng)網(wǎng)絡(luò)模型有SOFM神經(jīng)網(wǎng)絡(luò)，LEGION神經(jīng)網(wǎng)絡(luò)模型、前向反饋神經(jīng)網(wǎng)絡(luò)等。神經(jīng)網(wǎng)絡(luò)在解決如CT圖像、遙感圖像、聲納圖像等一系列復(fù)雜的圖像分割方面顯示了其特有的優(yōu)勢，但解決問題的機(jī)理很難理解，網(wǎng)絡(luò)節(jié)點(diǎn)個(gè)數(shù)、網(wǎng)絡(luò)層數(shù)等的設(shè)計(jì)還缺乏比較系統(tǒng)的理論指導(dǎo)。另外，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練有時(shí)比較費(fèi)時(shí)。

4 結(jié)論

從上述內(nèi)容可知，圖像分割沒有一個(gè)通用的算法，只能從實(shí)際問題出發(fā)選擇合適的算法。隨越來越多人對圖像分割的研究，將會(huì)產(chǎn)生更多的新的理論、方法和工具，但是它們的方向始終會(huì)朝著對圖像分割的更智能化、精確化和實(shí)用化方向發(fā)展。