基于電視圖像分割技術的研究

1.圖像分割技術

1.1 基于區(qū)域的圖像分割

圖像分割中常用的直方圖門限法、區(qū)域生長法、基于圖像的隨機場模型法、松弛標記區(qū)域分割法等均屬于基于區(qū)域的方法。

1.1.1 直方圖門限法

直方圖門限分割就是在一定的準則下，用一個或幾個門限值將圖像的灰度直方圖（一維的或多維的）分成幾個類，認為圖像中灰度值在同一個灰度類內的像素屬于同一個物體，可以采用的準則包括直方圖的谷底、最小類內方差（或最大類間方差）、最大熵（可使用各種形式的熵）、最小錯誤率、矩不變、最大繁忙度（由共生矩陣定義）等。門限法的缺陷在于它僅僅考慮了圖像的灰度信息，而忽略了圖像中的空間信息，對于圖像中不存在明顯的灰度差異或各物體的灰度值范圍有較大重疊的圖像分割問題難以得到準確的結果。

1.1.2 區(qū)域生長法

區(qū)域生長是一種古老的圖像分割方法，最早的區(qū)域生長圖像分割方法是由Levine等人提出的。該方法一般有兩種方式，一種是先給定圖像中要分割的目標物體內的一個小塊或者說種子區(qū)域，再在種子區(qū)域基礎上不斷將其周圍的像素點以一定的規(guī)則加入其中，達到最終將代表該物體的所有像素點結合成一個區(qū)域的目的；另一種是先將圖像分割成很多的一致性較強，如區(qū)域內像素灰度值相同的小區(qū)域，再按一定的規(guī)則將小區(qū)域融合成大區(qū)域，達到分割圖像的目的，典型的區(qū)域生長法如T.C.Pong等人提出的基于小面（facet）模型的區(qū)域生長法，區(qū)域生長法固有的缺點是往往會造成過度分割，即將圖像分割成過多的區(qū)域。

1.1.3 基于圖像的隨機場模型法

基于圖像的隨機場模型法主要以Markov隨機場作為圖像模型，并假定該隨機場符合吉布斯（Gibbs）分布。使用MRF模型進行圖像分割的問題包括：鄰域系統(tǒng)的定義、能量函數(shù)的選擇及其參數(shù)的估計；通過極小化能量函數(shù)從而獲得最大的后驗概率。鄰域系統(tǒng)一般是事先定義的，因而主要是后面兩個問題。

S.Geman首次將基于Gibbs分布的Markov隨機場模型用于圖像處理，詳細討論了MRF模型的鄰域系統(tǒng)，能量函數(shù)，Gibbs采樣方法等各種問題，提出用模擬退火算法來極小化能量函數(shù)的方法，并給出了模擬退火算法收斂性的證明，同時給出了MRF模型在圖像恢復中的應用實例。在此基礎上，人們提出了大量的基于MRF模型的圖像分割算法。

1.1.4 松弛標記區(qū)域分割法

標記法（labeling）就是將圖像欲分割成的幾個區(qū)域各以一個不同的標號來表示，對圖像中的每一個像素，用一定的方式賦之以這些標記中的某一個，標記相同的連通像素就組成該標記所代表的區(qū)域。

標記法常采用松弛技術來給圖像中的各個像素賦予標記，一般可分為離散松弛、概率松弛、模糊松弛等三種。Smith等人最先采用松弛標記技術進行圖像分割，以后人們又提出了大量的圖像松弛分割算法。另外，松弛標記不僅可用于圖像分割，還可用于邊緣檢測、目標識別等。

2.基于邊緣的圖像分割

基于邊緣的分割方法則與邊緣檢測理論緊密相關，此類方法大多是基于局部信息的，一般利用圖像—階導數(shù)的極大值或二階導數(shù)的過零點信息來提供判斷邊緣點的基本依據(jù)，進一步還可以采用各種曲線擬合技術獲得劃分不同區(qū)域邊界的連續(xù)曲線。根據(jù)檢測邊緣所采用的方式的不同，邊緣檢測方法可大致分為以下幾類：基于局部圖像函數(shù)的方法、圖像濾波法、基于邊界曲線擬合的方法及活動輪廊法等。

2.1 基于局部圖像函數(shù)的方法

基于局部圖像函數(shù)法的基本思想是將灰度看成高度，用一個曲面來擬合一個小窗口內的數(shù)據(jù)，然后根據(jù)該曲面來決定邊緣點。

其中這種方法比較適合于醫(yī)學圖像的分割。除了用Fourier模型來描述曲線外，近年來還研究了一些其它的曲線描述方法，如A.Goshtasby詳細介紹了用有理Gaussian曲線和曲面來設計和擬合二維及三維形狀的方法。R.Legault等人給出了一種曲線平滑的方法。M.F.Wu等人給出了一種雙變量三維Fourier描述子來描述三維曲面。由于本人閱讀文獻有限，這里不多做介紹了。

2.2 圖像濾波法

圖像濾波法是基于如下理論的：即對濾波算子與圖像的卷積結果求導，相當于用算子的同階導數(shù)與圖像做卷積。于是，只要事先給出算子的一階或二階導數(shù)，就可以將圖像平滑濾波與對平滑后的圖像求一階或二階導數(shù)在一步完成。因而，這種方法的核心問題是濾波器的設計問題。

常用的濾波器主要是高斯函數(shù)的一階和二階層數(shù)，Canny認為高斯函數(shù)的一階導數(shù)是他求得的最優(yōu)濾波器的較好似近，一般采用Laplacian算子求高斯函數(shù)的二階導數(shù)得到LOG濾波算子，該算子由計算機視覺的創(chuàng)始人Marr首先提出。

2.3 基于邊界曲線擬合的方法

基于邊界曲線擬合的方法用平面曲線來表示不同區(qū)域之間的圖像邊界線，試圖根據(jù)圖像梯度等信息找出能正確表示邊界的曲線從而得到圖像分割的目的，而且由于它直接給出的是邊界曲線而不像一般的方法找出的是離散的、不相關的邊緣點，因而對圖像分割的后繼處理如物體識別等高層處理有很大幫助。

L.H.Staib等人在文獻中給出了一種用Fourier參數(shù)模型來描述曲線的方法，并根據(jù)貝葉斯定理（Bayes），按極大后驗概率的原則給出了一個目標函數(shù)，通過極大化該目標函數(shù)來決定Fourier系數(shù)。實際應用中，先根據(jù)對同類圖像的分割經驗，給出一條初始曲線，再在具體分割例子中根據(jù)像數(shù)據(jù)優(yōu)化目標函數(shù)來改變初始曲線的參數(shù)，擬合圖像數(shù)據(jù)，得到由圖像數(shù)據(jù)決定的具體曲線。

2.4 活動輪廓法

活動輪廓（又稱Snake模型）是一種可變形模型，最初由Kass等人提出?；顒虞喞ㄟ吘墮z測認為圖像中各區(qū)域的輪廓線應為平滑曲線，各輪廓線的能量由內部能量及外部能量兩部分組成，其中內部能量表征了輪廓線的光滑約束，圖像能量由輪廓線上對應點的灰度、梯度和角點曲率半徑等決定，而控制能量則代表了圖像平面上固定點對輪廓線的吸引或排斥作用。

[1]王慧燕.圖像邊緣檢測和圖像匹配研究及應用[D].浙江:浙江大學,2003:5-10.

[2]曾歡,王浩.圖像邊緣檢測算法的性能比較與分析[J].現(xiàn)代電子技術,2006(14):20-21.

[3]游素亞,楊靜.圖像邊緣檢測技術的發(fā)展與現(xiàn)狀[J].電子科技導報,1995(8):13-15.

[4]李騫,陳占偉.圖像邊緣檢測新技術及其應用[N].許昌學院學報,2006(25).

[5]伍尤富.圖像處理中邊緣檢測研究方法[J].艦船電子工程,2006(4):10-12.

[6]李翠華,鄭南寧,張永平.基于樣條修勻公式的圖象邊緣檢測[J].電子學報,1999,27(1):1-9.