基于自組織原理進(jìn)行圖像分割的研究和應(yīng)用進(jìn)展

王 沛

（電子科技大學(xué)自動化工程學(xué)院,四川成都,611731）

0 前言

圖像分割是指將圖像劃分為對觀察者有意義的若干區(qū)域或部分。通俗點(diǎn)說，就是將圖像中所關(guān)心的特征或區(qū)域從原圖中提取出來，即將圖像劃分成若干互補(bǔ)相交的區(qū)域，使各區(qū)域具有一致性，而相鄰區(qū)域的屬性特征有明顯的差別的過程。所謂的“自組織過程”，從系統(tǒng)學(xué)的觀點(diǎn)分析，是指一個系統(tǒng)只在內(nèi)在機(jī)制的驅(qū)動下，自行從簡單向復(fù)雜，從粗糙向細(xì)致方向發(fā)展，不斷地提高自身的復(fù)雜度和精細(xì)度的過程。通俗的解釋是一個系統(tǒng)，在沒有系統(tǒng)外因素的干預(yù)下，緊靠系統(tǒng)內(nèi)結(jié)果和元素，根據(jù)一定的算法規(guī)則變化，使整個系統(tǒng)體現(xiàn)出從不穩(wěn)定到穩(wěn)定，從雜亂到收斂的過程。

基于自組織原理進(jìn)行圖像分割的過程是在沒有系統(tǒng)外因素的影響下，圖像自發(fā)的以一種簡單的規(guī)則，使原圖像自動地進(jìn)行分割。即圖像分割的過程，體現(xiàn)的是一個自組織過程。

1 圖像分割方法的分類

目前對圖像分割的分類方法，主要從下面三個角度進(jìn)行的。根據(jù)圖像本身屬性，根據(jù)計(jì)算策略，以及根據(jù)具體算法。前兩個角度由于站在了比較高的視角，因而比較全面，避免了各種方法之間的相似性和重疊性。

根據(jù)圖像本身的分類方法，是基于圖像中區(qū)域內(nèi)像素灰度值具有相似性和連續(xù)性，區(qū)域間像素值則一般表現(xiàn)出不連續(xù)性這個特點(diǎn)，將圖像分割分為利用區(qū)域間特性的不連續(xù)性的基于邊界的算法和利用區(qū)域內(nèi)特性相似性的基于區(qū)域的算法。

如果根據(jù)分割時的計(jì)算策略，分割算法又可分為并行算法和串行算法，在并行算法中，所有判斷和決定都可獨(dú)立地和同時地作出，而在串行算法中，先前處理的結(jié)果可被其后的處理過程所利用。

第三種分類角度，是基于特定理論來進(jìn)行分類的。根據(jù)特定理論，圖像分割可有上千種分類，具有代表性的有：基于數(shù)學(xué)形態(tài)學(xué)的（多重分形、分水嶺）、基于模糊理論的、基于神經(jīng)網(wǎng)絡(luò)的、基于支持向量機(jī)的、基于圖論的、基于Markov隨機(jī)場、基于小波分析、基于遺傳算法、基于偏微分方程、基于群體智能的、基于統(tǒng)計(jì)區(qū)域合并等等。

由于圖像分割是圖像處理的關(guān)鍵技術(shù)，設(shè)計(jì)到許多其它的學(xué)科和領(lǐng)域，它的發(fā)展也與其它領(lǐng)域息息相關(guān)。所以，每當(dāng)有新的數(shù)學(xué)工具或方法提出，圖像工作者都會試圖將其用于圖像分割，因而提出了不少特殊的算法。又由于圖像分割是一個較新的領(lǐng)域，理論體系還不夠成熟，迄今尚無通用的分割算法。此外，給定一個實(shí)際圖像分析問題要選擇合適的分割算法同樣沒有標(biāo)準(zhǔn)的方法。根據(jù)自組織原理的特點(diǎn)，其實(shí)在很多具體的方法中，自組織原理的思想已經(jīng)滲透到它們當(dāng)中，運(yùn)用這些方法進(jìn)行圖像分割時，體現(xiàn)出了很好的自組織性。比如基于群體智能的分割算法、基于聚類理論的分割算法、基于免疫機(jī)制的分割算法、基于神經(jīng)網(wǎng)絡(luò)的分割算法、基于多重分形的分割算法以及基于統(tǒng)計(jì)區(qū)域合并的分割算法等等。在下面的篇幅，本文將針對這些方法進(jìn)行討論。對于每種分割算法，則從下面四個方面對其進(jìn)行討論，算法的基本思路，自組織性是如何體現(xiàn)的，該算法的特點(diǎn)以及目前的研究和應(yīng)用進(jìn)展情況。

2 基于自組織原理進(jìn)行圖像分割的方法

2.1 基于群體智能的圖像分割算法

群體智能是指鳥群、蟻群、魚群等眾多行為簡單的個體相互作用而產(chǎn)生的生物群體智能。利用群體智能對實(shí)際問題建立數(shù)學(xué)模型后，通常可以轉(zhuǎn)化為尋找目標(biāo)函數(shù)最優(yōu)解的問題。

它的自組織性體現(xiàn)在，群體中的個體思維很簡單，它們各自按照一定的規(guī)則移動，但群體這個系統(tǒng)，卻表現(xiàn)出了從一個狀態(tài)到另一個狀態(tài)的變化。因此，在某種意義上，可以把圖像分割歸結(jié)為分割目標(biāo)函數(shù)引導(dǎo)下的優(yōu)化求解問題，從而利用群體智能從仿生學(xué)角度求解。

典型的群體智能算法有蟻群算法，粒子群算法，遺傳算法以及它們的改進(jìn)算法和混合算法等，它們用于圖像分割時，都有以下幾個特點(diǎn)：自適應(yīng)性好，較強(qiáng)的魯棒性，并行計(jì)算，執(zhí)行時間長。

目前，群體智能算法的數(shù)學(xué)理論基礎(chǔ)相對薄弱，缺乏普遍意義上的理論分析，不同的群體算分應(yīng)用于圖像分割時，往往性能有很大的差異，且往往應(yīng)用于不同的圖像處理方面。群體智能算法性能評價多是利用一些數(shù)學(xué)測試函數(shù)，當(dāng)應(yīng)用于圖像處理方面，很多設(shè)置參數(shù)都是依據(jù)經(jīng)驗(yàn)來取值，不同算法間比較性研究較少，缺乏使用于性能檢測的測試平臺、測試規(guī)范和相關(guān)指標(biāo)等。在圖像分割技術(shù)中，多種基于群體智能的算法已成功運(yùn)用于各個領(lǐng)域。如利用遺傳算法對皮膚鏡像圖像進(jìn)行分割，利用遺傳算法合并子區(qū)域目標(biāo)函數(shù)，有效分割了皮膚腫瘤圖像。利用人工蜂群算法對圖像邊界進(jìn)行快速搜索，完成了基于邊緣的圖像分割。

2.2 基于聚類的圖像分割算法

聚類算法用于圖像分割的主要思路是通過迭代地執(zhí)行圖像分類算法并最小化聚類指標(biāo)來完成任務(wù)的，即首先將像素灰度等性質(zhì)特征映射到根據(jù)一定的規(guī)則分為若干區(qū)域的特征空間中，然后根據(jù)像素的性質(zhì)并搜索特征空間內(nèi)點(diǎn)的聚類情況判定其所屬的區(qū)域類別，對像素點(diǎn)加以標(biāo)記，從而實(shí)現(xiàn)圖像的區(qū)域分割。

聚類算法的自組織性體現(xiàn)在，在圖像分割過程中，每個像素單元的規(guī)則很簡單，都在循環(huán)的執(zhí)行計(jì)算隸屬度和聚類中心，接著判斷自己所屬區(qū)域的類別這一簡單的任務(wù)，但圖像整體，則逐漸的完成了分割的過程，在這一變化過程中，是沒有收到系統(tǒng)外因素影響的，這正是自組織性的體現(xiàn)。

用于圖像分割的聚類算法有C均值聚類、K均值聚類、模糊聚類、譜聚類等等。各種的聚類算法都有各自的優(yōu)缺點(diǎn)，由于實(shí)際問題的復(fù)雜性和數(shù)據(jù)的多樣性，使得無論對于哪一類聚類算法一般都只能解決某些問題，仍然不存在具有普遍適用的聚類分割理論。目前，聚類算法在圖像分割方面的研究主要分為兩個方面。一是對算法本身進(jìn)行研究以提高圖像分割的效果。如對傳統(tǒng)聚類算法的改進(jìn)、聚類算法和其它分割算法融合都屬于這一類。這些新的方法已經(jīng)應(yīng)用于紋理圖像分割、彩色圖像分割、序列圖像分割、遙感圖像分割等方面。二是在圖像的特征提取方面進(jìn)行研究。

隨著研究的深入，對基于聚類的圖像分割方面的研究又提出了許多新的要求:（1）對聚類算法在圖像分割中快速實(shí)現(xiàn)的要求極為迫切。（2）聚類算法在圖像分割中類別數(shù)目的準(zhǔn)確確定。（3）聚類算法在圖像分割中的抗噪聲性能的改善。

2.3 基于免疫的圖像分割算法

免疫算法用于圖像分割時，免疫過程與圖像分割過程的對應(yīng)關(guān)系如下：將待分割的圖像看做入侵的抗原；抵抗抗原的抗體，抽象為針對某一圖像特定的分割函數(shù)，不同分割函數(shù)組成的集合則相當(dāng)于存儲分泌抗體的記憶細(xì)胞。免疫算法用于圖像分割的基本流程為，當(dāng)輸入待分割的圖像時，相當(dāng)于有抗原入侵，這時，機(jī)體中記憶細(xì)胞會根據(jù)以前的處理情況，判斷是否有之前有類似抗原入侵，查找是否有處理該抗原的機(jī)制。也就是判斷系統(tǒng)的分割函數(shù)庫中是否有可以達(dá)到分割要求的函數(shù)，如果有則輸出分割結(jié)果；沒有則隨機(jī)產(chǎn)生抗體。

免疫算法的自組織性體現(xiàn)在，運(yùn)用免疫算法執(zhí)行圖像分割的過程中，并沒有人為的進(jìn)行控制操作，而是系統(tǒng)根據(jù)輸入待分割的圖像自行調(diào)整分割算法從而達(dá)到最優(yōu)分割的結(jié)果。整個過程體現(xiàn)了自組織系統(tǒng)不需要外接干預(yù)，通過自身內(nèi)部特征完成系統(tǒng)更新的特性。

與其它基于自組織原理的算法相比，免疫算法的最大特點(diǎn)是算法本身并沒有給出一種具體的分割方式，而僅是對分割過程進(jìn)行了控制，使系統(tǒng)具有了自組織、自適應(yīng)的特點(diǎn)。它可以和其它分割算法進(jìn)行很好的結(jié)合。由于免于疫算法自身的特點(diǎn)，使得它的思想可以運(yùn)用于幾乎所有的分割算法中。

在應(yīng)用進(jìn)展方面，免疫算法同樣也在各個領(lǐng)域的圖像分割中發(fā)揮著巨大作用。目前在自然圖像，遙感圖像，顯微圖像等方面都有所應(yīng)用。

2.4 基于自組織神經(jīng)網(wǎng)絡(luò)的圖像分割算法

自組織神經(jīng)網(wǎng)絡(luò)算法是模擬人腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和某些功能而出現(xiàn)的一種新型算法。它的基本思想還是一種聚類的思想。通過一種學(xué)習(xí)機(jī)制，僅根據(jù)輸入數(shù)據(jù)的屬性和特征調(diào)制系統(tǒng)結(jié)構(gòu)和功能，從而對像素點(diǎn)進(jìn)行聚類完成圖像的分割。

自組織行體現(xiàn)在，在該算法中，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程，是通過各個神經(jīng)元的學(xué)習(xí)過程實(shí)現(xiàn)的。每個神經(jīng)元都遵循一個簡單的規(guī)則，根據(jù)輸入調(diào)整神經(jīng)元間的影響程度（權(quán)值），每個神經(jīng)元都遵循這樣一個簡單的規(guī)則，在不斷的提供輸入不斷的自學(xué)習(xí)過程中，眾多神經(jīng)元組成的神經(jīng)網(wǎng)絡(luò)系統(tǒng)逐漸趨于穩(wěn)定。

自組織神經(jīng)網(wǎng)絡(luò)算法的特點(diǎn)主要有以下三個：神經(jīng)元對信息的處理具有并行處理的特點(diǎn)；對信息的處理具有自組織性，自學(xué)習(xí)，自適應(yīng)的特點(diǎn)；很好的容錯性。

在研究和應(yīng)用進(jìn)展方面，比較常見的自組織神經(jīng)網(wǎng)絡(luò)有Kohonen神經(jīng)網(wǎng)絡(luò)，ART神經(jīng)網(wǎng)絡(luò)，CPN神經(jīng)網(wǎng)絡(luò)，Linsker神經(jīng)網(wǎng)絡(luò)等。目前，以自組織神經(jīng)網(wǎng)絡(luò)算法為基礎(chǔ)，出現(xiàn)了下面兩個研究方向：對算法本身的改進(jìn)。以及和其它算法的結(jié)合。該算法的優(yōu)勢能很好的適應(yīng)醫(yī)學(xué)圖像具有模糊性的但又高度關(guān)注于細(xì)節(jié)的特點(diǎn)?，F(xiàn)階段，基于自組織神經(jīng)網(wǎng)絡(luò)的應(yīng)用主要集中在醫(yī)學(xué)領(lǐng)域用于對CT圖像、MRI圖像、DSA圖像、PET圖像中器官和病灶的分割。

2.5 基于多重分形的圖像分割算法

多重分形圖像分割算法是以數(shù)學(xué)中分形學(xué)為理論基礎(chǔ)，根據(jù)同一物體表面具有自相似性，不同物體表面粗糙程度不同進(jìn)行邊緣提取，之后通過區(qū)域生長和區(qū)域合并進(jìn)而完成圖像分割。該算法在圖像分割中的實(shí)現(xiàn)，是通過計(jì)算每個像素點(diǎn)的奇異值和多重分形譜，并根據(jù)多重分形譜的各種測度修正這樣一個簡單的規(guī)則，提取出圖像的邊緣信息，然后完成對整個圖像的分割。這個過程，是一個系統(tǒng)中各單元影響整體的自組織過程。

與傳統(tǒng)基于邊緣的分割算法相比,多重分形算法具有如下優(yōu)點(diǎn)：可檢測出清晰和精準(zhǔn)的邊緣圖像，邊沿連續(xù)清晰，區(qū)域性好；基本不受噪聲影響，抗噪性好。

目前，出現(xiàn)了多種改進(jìn)型和與其它算法結(jié)合的多重分形分割算法，如基于亞像素邊緣測得的多重分形算法，與自組織神經(jīng)網(wǎng)絡(luò)結(jié)合的多重分形算法。

由于多重分形圖像分割算法自身的特點(diǎn)，目前它的應(yīng)用范圍較廣，已滲透到許多領(lǐng)域，比如在遙感領(lǐng)域，已將該算法應(yīng)用到了合成孔徑雷達(dá)（SAR）圖像的分割，以及遙感圖像的分割。在醫(yī)學(xué)領(lǐng)域，基于該算法完成了對CT圖像進(jìn)行了分割等等。

2.6 基于統(tǒng)計(jì)區(qū)域合并的圖像分割算法

該算法提出一種自適應(yīng)閾值的思想。閾值的選取不再是固定的，而是每個像素點(diǎn)基于自身周圍像素點(diǎn)和整個圖的統(tǒng)計(jì)特征，根據(jù)一定規(guī)則選取閾值完成小范圍內(nèi)的分割，最后利用概率統(tǒng)計(jì)的方法對分割區(qū)域進(jìn)行合并。

自組織性體現(xiàn)在，盡管某個像素點(diǎn)僅根據(jù)一些簡單的規(guī)則來選取閾值，但所有像素點(diǎn)都按照這樣一個相同的規(guī)則，從而為整個圖像的分割做了準(zhǔn)備。系統(tǒng)中元素單元遵循相同的變化準(zhǔn)則，促成了系統(tǒng)的變化。這可以看作自組織性的體現(xiàn)。

相比傳統(tǒng)閾值分割算法，提出了一種以像素為單位自適應(yīng)的提取閾值，并用統(tǒng)計(jì)的方法完成了區(qū)域的合并。統(tǒng)計(jì)的方法站在了圖像的全局來考慮，避免了圖像中特殊點(diǎn)的影響，最大的特點(diǎn)是抗噪性較好。

雖然在圖像分割領(lǐng)域，對于該算法的研究已出現(xiàn)多年，但國內(nèi)外的研究都相對較少，僅有極個別成果出現(xiàn)。主要集中在和分水嶺算法的結(jié)合上。本算法的復(fù)雜度和在尺度性方面分割區(qū)域的一致性還有待提高。

3 總結(jié)

3.1 圖像分割技術(shù)的現(xiàn)狀

圖像分割是一種非常重要的圖像處理技術(shù)，似乎圖像分析和理解的第一步，被廣泛應(yīng)用于醫(yī)學(xué)圖像處理，遙感圖像處理，目標(biāo)跟蹤和生物特征識別等諸多方面。從不同的角度，對圖像分割的分類情況也不同。 迄今尚無通用的圖像分割理論，因此現(xiàn)已提出的分割算法大都針對具體問題，并沒有一種合適于所有圖像的通用分割算法。此外，給定一個實(shí)際圖像分析問題要選擇合適的分割算法同樣沒有標(biāo)準(zhǔn)的方法。為此需要對圖像分割的評價進(jìn)行研究。分割評價不僅是改進(jìn)和提高現(xiàn)有算法的性能，改善分割質(zhì)量和指導(dǎo)新算法研究的重要手段，而且基于評價知識還可幫助從許多圖像分割算法中根據(jù)應(yīng)用要求選擇最優(yōu)的方法。最后，分割評價通過對分割算法性能的研究以達(dá)到優(yōu)化分割的目的，它不僅可提高現(xiàn)有算法的性能，對研究新的分割技術(shù)也具有指導(dǎo)意義。但目前國內(nèi)外對圖像分割評價方法和準(zhǔn)則的系統(tǒng)研究仍很缺乏。另外，為了達(dá)到更好的分割效果，圖像分割往往和其它圖像處理技術(shù)結(jié)合使用，如圖像濾波技術(shù)等。

3.2 基于自組織原理進(jìn)行圖像分割的研究和應(yīng)用現(xiàn)狀

在以上所討論的眾多方法中，可以清楚的看到，基于自組織原理的分割技術(shù)，已經(jīng)滲透到基于邊緣和基于區(qū)域兩種分割類型中，如用于圖像分割的群體智能算法，多重分形算法是基于邊緣檢測的，而模糊聚類，統(tǒng)計(jì)區(qū)域合并則是基于區(qū)域的，免疫算法更是貫穿于兩種基本類型中。不同的算法已經(jīng)應(yīng)用于各個領(lǐng)域，它們都有各自的特點(diǎn)以及最適合的應(yīng)用場合，如自組織神經(jīng)網(wǎng)絡(luò)主要用于醫(yī)學(xué)圖像分割，統(tǒng)計(jì)區(qū)域合并算法目前主要應(yīng)用于遙感圖像分割等。但也可以看到，它們都有以下共同的特點(diǎn)：

·都具有一定的自組織性、自學(xué)習(xí)性、自適應(yīng)性。

·都具有并行計(jì)算的特點(diǎn)。

·較傳統(tǒng)算法一般具有高質(zhì)量的分割結(jié)果，但執(zhí)行時間通常較長。

對于基于自組織原理圖像分割技術(shù)的研究，為了達(dá)到更加精確、快速、更好的魯棒性和適應(yīng)性的要求，目前的研究主要集中在以下幾個方面：

·對算法本身的改進(jìn)。 即優(yōu)化相關(guān)函數(shù)等

·多種算法結(jié)合，充分利用各自的優(yōu)點(diǎn)。

·嘗試將其它自組織算法應(yīng)用于圖像分割。

本文在眾多基于自組織原理的圖像分割方法中，主要針對六個主流算法做了討論，可以發(fā)現(xiàn)很多算法都體現(xiàn)了一定的自組織性。基于自組織原理進(jìn)行圖像分割方法也具有廣闊的應(yīng)用前景和研究價值。

[1]胡中功，李靜.群智能算法的研究進(jìn)展[J].自動化技術(shù)與應(yīng)用 ,2008（2）

[2]劉艷麗.面向圖像分割的群體智能算法性能分析與優(yōu)化方法研究[D].陜西；陜西師范大學(xué)2012：2-3.

[3]MAN Bacterial foraging algorithm based iamge fusion in Contourlet domain[J]Advanced Materials Research ,2011

[4]肖永豪，余衛(wèi)宇.基于蜂群算法的圖像邊緣檢測[J].計(jì)算機(jī)應(yīng)用研究,2010(7)