彩色圖像分割方法及現(xiàn)狀討論

朱姝　王鵬　周星勇

【摘 要】彩色圖像分割是數(shù)字圖像處理和計(jì)算機(jī)視覺(jué)鄰域的關(guān)鍵問(wèn)題。文章對(duì)傳統(tǒng)的彩色圖像分割方法進(jìn)行了總結(jié)，對(duì)新型分割算法進(jìn)行了闡述，最后對(duì)彩色圖像分割方法發(fā)展趨勢(shì)進(jìn)行了展望。

【關(guān)鍵詞】彩色圖像分割；數(shù)學(xué)形態(tài)學(xué)；蟻群算法；熵；Meanshift

圖像分割是根據(jù)像素間性質(zhì)將其劃分為圖像中滿足一致性條件的區(qū)域的過(guò)程。近年來(lái)，由于包含了更為豐富的色彩信息，彩色圖像分割研究受到越來(lái)越多的關(guān)注。文章在查閱國(guó)內(nèi)外相關(guān)文獻(xiàn)的基礎(chǔ)上，將彩色圖像分割方法分為基于閾值、基于邊緣、基于區(qū)域和基于理論融合等方法并對(duì)每一類方法進(jìn)行總結(jié)。

一、彩色圖像分割方法

（一）基于閾值分割方法

基于閾值的分割方法基于兩個(gè)假設(shè)：第一，圖像上存在明顯的目標(biāo)與背景的區(qū)別，兩者之間有較強(qiáng)的亮度（灰度）對(duì)比；第二，圖像灰度直方圖上有明顯的目標(biāo)和背景所對(duì)應(yīng)的峰，兩峰之間谷底所對(duì)應(yīng)的灰度值便是較理想的分割閾值。閾值分割利用目標(biāo)和背景的差異將原圖分割為一幅二值圖。

（二）基于邊緣分割方法

基于邊緣的彩色圖像分割方法通過(guò)檢測(cè)區(qū)域邊緣從而通過(guò)邊緣確定區(qū)域內(nèi)的灰度或顏色信息，進(jìn)行圖像分割。邊緣檢測(cè)之后還需進(jìn)行結(jié)果修飾處理，如連接邊緣、去除毛刺和虛假邊緣等。

（三）基于區(qū)域分割方法

區(qū)域生長(zhǎng)與區(qū)域分裂合并是最主要的兩類基于區(qū)域的彩色圖像分割方法。區(qū)域生長(zhǎng)從單個(gè)像素出發(fā)，根據(jù)像素與相鄰點(diǎn)的顏色相似度判斷是否“生長(zhǎng)”，直到生長(zhǎng)為一個(gè)完整區(qū)域。區(qū)域分裂與合并恰好相反，它從圖像整體出發(fā)，不斷地將圖像“分裂”為更小的區(qū)域，直到像素間滿足相似條件為止停止分裂，得到所需結(jié)果。

（四）基于特定理論融合的分割方法

隨著其他學(xué)科不斷發(fā)現(xiàn)新理論方法，人們?yōu)樘岣邎D像分割處理的效率和質(zhì)量，提出了新的融合特定理論的彩色圖像分割算法。

1982年Serra J.首先將數(shù)學(xué)形態(tài)學(xué)用于圖像分割。分水嶺是數(shù)學(xué)形態(tài)學(xué)在圖像分割中的經(jīng)典案例，包括兩個(gè)主要步驟：排序和淹沒(méi)。排序是對(duì)灰度級(jí)進(jìn)行排序，并將像素分配到對(duì)應(yīng)的灰度級(jí)中；淹沒(méi)計(jì)算了地理影響區(qū)域，對(duì)積水盆地進(jìn)行膨脹，完成圖像分割。

蟻群算法是根據(jù)螞蟻覓食過(guò)程中選擇路徑這一行為提出的群體智能算法。2011年，Horng將人工蜂群算法應(yīng)用于圖像閾值分割。2013年，邢旭東等提出了一種基于雙搜索方程的人工蜂群彩色圖像分割算法，實(shí)現(xiàn)了分割速度和精度的提高。

熵與圖像分割的融合研究一直備受關(guān)注，借助熵構(gòu)造不同的熵函數(shù)能夠確定最優(yōu)分割閾值。1980年，Pun首次提出了最大后驗(yàn)熵上界法；2005年，常發(fā)亮等提出了基于可變碼長(zhǎng)遺傳算法的二維熵多閾值方法自動(dòng)確定分割閾值，完成彩色圖像分割。

均值漂移算法是一種無(wú)參估計(jì)方法，其本質(zhì)是使核函數(shù)中心不斷向概率密度梯度方向移動(dòng)，直到收斂至概率密度最大處。2010年，王晏等提出了基于自適應(yīng)均值漂移的彩色圖像分割方法；2012年，桂陽(yáng)等融合均值飄逸和加權(quán)譜聚類用于彩色圖像分割，取得了較好效果。

二、彩色圖像分割發(fā)展趨勢(shì)

隨著數(shù)學(xué)形態(tài)學(xué)、群體智能算法、信息熵及均值漂移等方法與傳統(tǒng)分割算法的不斷融合，彩色圖像分割的發(fā)展趨勢(shì)向優(yōu)化算法性能、新理論突破、面向特定應(yīng)用等方面轉(zhuǎn)變。如何研發(fā)出一種通用、準(zhǔn)確、高效的彩色圖像分割算法，在很長(zhǎng)一段時(shí)間內(nèi)仍是國(guó)內(nèi)外學(xué)者的研究熱點(diǎn)。

三、結(jié)語(yǔ)

當(dāng)前，彩色圖像分割在圖像處理及計(jì)算機(jī)視覺(jué)領(lǐng)域占有一席之地。文章從傳統(tǒng)方法和新理論融合兩個(gè)方面對(duì)彩色圖像分割方法進(jìn)行了總結(jié)，今后將繼續(xù)彩色圖像分割的學(xué)習(xí)，致力于研發(fā)一種通用、高效的彩色圖像智能分割算法。

參考文獻(xiàn)

[1] 許新征，丁世飛，史忠植等.圖像分割的新理論和新方法[J].電子學(xué)報(bào)，2010，38（z1）：76-82.

[2] Grzeszczuk R P，Levin D N.“Brownian strings”：Segmenting images with stochastically deformable contours[J].Pattern Analysis & Machine Intelligence IEEE Transactions on，1997，19：1100-1114.

[3] 翁秀梅，肖志濤，楊洪薇.基于邊緣檢測(cè)和區(qū)域生長(zhǎng)的自然彩色圖像分割[J].天津工業(yè)大學(xué)學(xué)報(bào)，2008，27（01）：50-52.

[4] Serra J.Mathematical Morphology[M].London，UK：Academic Press，1982.

[5] Dorigo M，Di C G，Gambardella L M.Ant algorithm for discrete optimization[J].Artificial Life，1999，5（2）：137 - 172.

[6] Horng M H.Multilevel thresholding selection based on the artificial bee colony algorithm for image segmentation[J].Expert Systems with Applications，2011，38（11）：13785-13791.

[7] 邢旭東，周旭，米健.基于改進(jìn)的人工蟻群的圖像分割算法[J].無(wú)線電通信技術(shù)，2013（06）：71-73+81.

[8] Pun T.A new method for gray-level picture threshold using the entropy of the histogram[J].Signal Processing，1980，2（03）：223-237.

[9] 常發(fā)亮，劉靜，喬誼正.基于遺傳算法的彩色圖像二維熵多閾值自適應(yīng)分割[J].控制與決，2005，20（06）：674-678.

[10] 王晏，孫怡.自適應(yīng)Mean Shift算法的彩色圖像平滑與分割算法[J].自動(dòng)化學(xué)報(bào)，2010，36（12）：1637-1644.

[11] 桂陽(yáng)，苑云，杜晶.融合均值漂移和加權(quán)譜聚類的彩色圖像分割[J].計(jì)算機(jī)應(yīng)用研究，2012，29（09）：3528-3530.

基金項(xiàng)目：文章為四川省國(guó)土資源廳科研資助項(xiàng)目，項(xiàng)目編號(hào)：KJ-2016-15；文章為四川省教育廳科研資助項(xiàng)目，項(xiàng)目編號(hào)：15ZA0060。

作者簡(jiǎn)介：朱姝（1991- ），女，四川自貢人，碩士，研究方向：計(jì)算機(jī)視覺(jué)與圖像處理。