圖像分割專利技術(shù)分析

龐麗金

1、概述

圖像分割是圖像處理中的一項關(guān)鍵技術(shù)，自20世紀(jì)70年代起一直受到人們的高度重視，是由圖像處理到進一步圖像分析的關(guān)鍵步驟，也是一種基本的計算機視覺技術(shù)。人們在對圖像的研究和應(yīng)用中，往往對圖像中的某些部分感興趣，這些部分常被稱為目標(biāo)或前景（其他部分稱為背景）。

2、技術(shù)分支及發(fā)展?fàn)顩r

根據(jù)對圖像分割背景的了解以及專利文獻的解讀，確定本文將主要研究的技術(shù)分支分為：基于邊緣的分割、基于區(qū)域的分割、其他圖像分割方法。

2.1基于邊緣的分割

基于邊緣的分割方法主要基于圖像灰度級的不連續(xù)性，通過檢測不同均勻區(qū)域之間的邊界來實現(xiàn)。邊緣總是以強度突變的形式出現(xiàn)，或者說不同區(qū)域之間像素灰度值變化比較劇烈的地段；根據(jù)數(shù)學(xué)有關(guān)知識，這類方法一般采用圖像一階導(dǎo)數(shù)極值和二階導(dǎo)數(shù)過零點信息作為邊緣點的判斷依據(jù)。邊緣檢測方法常常依賴于邊緣檢測算子，從而找到圖像邊緣；常用的檢測算子有：Roberts算子（精度高、對噪聲敏感）、Sobel算子（對噪聲具有一定平滑，但精度低）、Prewitt算子、Canny算子（檢測階躍型邊緣效果好，抗噪強）、Laplacian算子和Marr算子（即LOG算子，算法簡單，速度快、但對噪聲敏感）。

隨著圖像分割的應(yīng)用領(lǐng)域越來越廣泛，單一的分割方法已經(jīng)難以滿足分割圖像的分割要求，基于邊緣的分割方法也如此。由此產(chǎn)生多種邊緣檢測方法結(jié)合的圖像分割方法，如申請日為20051229，公開號為CN1794262 A的申請。同時，隨著圖像處理技術(shù)的不斷發(fā)展，一些新的邊緣檢測方法逐漸提出。如申請日為201105012，公開號為CN102184529 A的申請，其公開了一種基于經(jīng)驗?zāi)B(tài)分解的邊緣檢測方法。又如申請日為20140806，公開號為CN104156956 A的申請，其公開了一種基于高斯小波一維峰值識別的多角度邊緣檢測方法。通過這些專利申請的分析可以看到隨著技術(shù)的發(fā)展以及圖像處理需求的變化，基于邊緣的分割技術(shù)越來越成熟并分割的魯棒性也不斷的提高。

2.2基于區(qū)域的分割

由于處于非邊緣的像素具有相同的顏色特征，所以基于區(qū)域的分割方法通常將這些像素點當(dāng)做一個子區(qū)域考慮，然后再對多個相似的子區(qū)域進行合并，從而去對圖像進行分割。該類方法通常分為區(qū)域生長和分裂合并與像素特征聚類兩類方法。

（1）區(qū)域生長和分裂合并

早期基于區(qū)域的分割方法比較簡單，主要是利用區(qū)域生長法是從單個種子像素開始不斷接納新像素最后到整個區(qū)域，以此得到分割結(jié)果。如申請日為199301129，公開號為WO9514966 A1的申請，其公開了一種醫(yī)學(xué)圖像物體分割方法，包括去噪，局部灰度值范圍確定，修正全局直方圖分析，區(qū)域生長和物體分割步驟。該方法以簡單的區(qū)域生長法進行圖像分割，效率較高，但分割結(jié)果存在較大誤差。

后續(xù)的基于區(qū)域的分割引入了區(qū)域分裂和合并法。如申請日為20031017，公開號為CN1497494 A的申請，其公開了用于低景深圖像分割的方法；又如申請日為20150212，公開號為CN104657995 A的申請，其公開了利用區(qū)域分裂技術(shù)的遙感影像分割方法。在一些基于區(qū)域生長、分裂和合并的圖像分割方法中，融合了這三種方法，是的分割結(jié)果更加準(zhǔn)確。如申請日為20160714，公開號為CN106203451 A的申請，其公開了一種圖像區(qū)域特征提取及特征匹配的方法。

（2）像素特征聚類

所謂聚類（Clustering）就是將物體或者抽象的對象進行集合、分組，成為由類似對象組成的多個類的過程。K均值、模糊C均值（FuzzyC-Means）， EM（Expectation-Maximization）和分層聚類方法是常用的聚類算法。K均值算法先對當(dāng)前的每一類求均值，然后按均值對像素進行重新分類（將像素歸入均值最近的類），對新生成的類再迭代執(zhí)行前面的步驟。模糊C均值算法從模糊集合理論的角度對K均值進行了推廣。EM算法把圖像中每一個像素的灰度值看作是幾個概率分布（一般用Gaussian分布）按一定比例的混合，通過優(yōu)化基于最大后驗概率的目標(biāo)函數(shù)來估計這幾個概率分布的參數(shù)和它們之間的混合比例。分層聚類方法通過一系列連續(xù)合并和分裂完成，聚類過程可以用一個類似樹的結(jié)構(gòu)來表示。

如申請日為19961223，公開號為WO9828710 A1的申請，其公開了一種醫(yī)學(xué)圖像分割方法，包括產(chǎn)生灰度直方圖數(shù)據(jù)，采用快速模糊C均值聚類對灰度直方圖數(shù)據(jù)進行聚類，再將聚類結(jié)果輸出顯示。對單一的特征進行聚類往往分割誤差較大，因此，技術(shù)開始發(fā)展為對不同空間、不同特征進行多次聚類，獲得最終的分割結(jié)果。如申請日為20020325，公開號為CN1367468 A的申請，其公開了基于k-均值聚類及信息融合的角膜病灶圖像分割方法。由于基本聚類方法的局限性，人們提出了一些更高層次的聚類方法，并應(yīng)用到圖像分割領(lǐng)域當(dāng)中。

1.3其他圖像分割方法

除了基于邊緣的圖像分割和基于區(qū)域的圖像分割外，在圖像處理中還存在著其他一些常用的其他的圖像分割方法，如基于形態(tài)學(xué)的圖像分割、基于圖切的圖像分割、基于閾值的圖像分割等。這些方法在圖像分割中同樣占有非常重要的地位。該部分將著重對基于閾值的圖像分割、基于形態(tài)學(xué)的圖像分割和基于圖切的圖像分割進行介紹。

（1）基于閾值的圖像分割

閾值分割就是尋找一個灰度值，將圖像中每個像素的灰度值與之比較，根據(jù)比較結(jié)果對圖像進行分割，閾值算法的核心問題就是如何找出這個灰度值（稱為最佳閾值）對圖像進行二值化。隨著基于閾值的圖像分割算法應(yīng)用越來越廣泛，對閾值的圖像分割算法改進處理，以解決圖像分割不準(zhǔn)確的問題。如清華大學(xué)于20060818日提出的申請?zhí)枮?00610112441.6的專利申請中，在分割舌頭圖像的舌質(zhì)和舌苔，首先進行分裂合并處理，然后采用Ostu法對分裂合并的圖像進行分割，區(qū)分舌質(zhì)和舌苔部分，這樣基于分裂合并的Ostu分割方法能夠提高分割精確度。國農(nóng)業(yè)大學(xué)于20080704日提出的申請?zhí)枮椋?00810116172.X的專利申請中，采用修正的Ostu法對增強后的棉花異性纖維圖像進行二值化分割的圖像分割，該改進的Ostu法，將閾值搜索范圍縮減到某個合理的范圍內(nèi)，然后通過搜索具有最大類間差的灰度級來確定分割閾值，從而在計算最佳分割閾值這一環(huán)節(jié)，減少搜索時間，提高計算速度。

（2）基于形態(tài)學(xué)的圖像分割

傳統(tǒng)的形態(tài)學(xué)分割算法即分水嶺算法。分水嶺算法是一種基于數(shù)學(xué)形態(tài)學(xué)的很有效的區(qū)域圖像分割技術(shù)，它最初是Digabel和Lantujoul引入圖像處理領(lǐng)域，用于分析簡單的二值圖像。分水嶺算法是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法，其基本思想是把圖像看作是測地學(xué)上的拓?fù)涞孛?，圖像中每一點像素的灰度值表示該點的海拔高度，每個領(lǐng)域都有它的局部極小值，每一個局部極小值及其影響區(qū)域稱為集水盆地，而集水盆地的邊界則形成分水嶺。中國科學(xué)院自動化研究所于20020724日提交的專利申請02126555.0，公開了一種基于水平集和分水嶺方法的醫(yī)學(xué)圖像分割方法；西門子共同研究公司于20050311日提交了專利申請200510052784.3，公開了一種將分水嶺算子應(yīng)用于醫(yī)學(xué)圖像的結(jié)構(gòu)分割。由于受噪聲和平坦區(qū)域內(nèi)部細(xì)密紋理的影像，分水嶺算法的局部極值過多，容易產(chǎn)生過分割的問題。針對傳統(tǒng)的形態(tài)學(xué)分割算法存在的過分割問題，出現(xiàn)了很多基于分水嶺的改進算法，如基于標(biāo)記的分水嶺分割算法和基于小波的分水嶺分割算法等等。

3、結(jié)語

本文通過基于邊緣的分割、基于區(qū)域的分割、其他圖像分割方法三個方向分析圖像分割的專利申請情況，在分析過程中可以直觀了解到圖像分割技術(shù)的發(fā)展脈絡(luò)。