图像分割比较解读.doc

图像分割比较解读.doc图像分割技术
计算机应用技术杨瑞娟
图像分割是图像分析的第一步，是计算机视觉的 基础，是图像理解的重要组成部分，是图像处理到图 像分析的关键步骤，同时也是图像处理中最古老和最 困难的问题之一。
图像分割：将图像表示为物理上有意义的连通区 域的集合，也就是根据目标与背景的先验知识，对图 像中的目标、背景进行标记、定位，然后将目标从背 景或其他伪目标中分离出来。由于这些被分割的区域 在某些特性上相近，因而，图像分割常用于模式识别 与图像理解以及图像压缩与编码两大类不同的应用目 的。
图像分割的方法
> 早期的图像分割方法可以分为两大类：
一类是边界方法，这种方法假设图像分割结果 的某个子区域在原来图像中一定会有边缘存在；
一类是区域方法，这种方法假设图像分割结果 的某个子区域一定会有相同的性质，而不同区域的 像素则没有共同的性质。
4 这两种方法都有优点和缺点。
根据应用目的不同，分为粗分割和细分割：对于模式识别应用，一个 物体对象内部的细节与颜色（或灰度）渐变应被忽略，而且一个物体对象只 应被表示为一个或少数几个分割区域，即粗分割；而对于基于区域或对象 的图像压缩与编码，其分割的目的是为了得到色彩信息一致的区域，以利 于高效的区域编码。若同一区域内含有大量变化细节，则难以编码，图像 需要细分割，即需要捕捉图像的细微变化。
根据分割方法的不同，可分为并行边界分割（边界检测），串行边界 分割（边界跟踪），并行区域分割（阈值分割、聚类），串行区域分割
（区域生长、分裂合并）。
根据分刼对象的属性;可被分为灰度图像分割和彩色图像分割。 根据分割对象的状态，可被分为静态图像分割和动态图像分割。
根据分割对象的应用领域，可分为医学图像分割、工业图像分割、安 全图像分割、军事图像分割、交通图像分割等。
并行边界分割
不同图像灰度不同，边界处一般会有明显的边缘，利用 此特征可以分割图像。
说明：边缘和物体间的边界并不等同。边缘：图像中像 素的值有突变的地方；而物体间的边界：现实场景中的存在 于物体之间的边界。有可能有边缘的地方并非边界，也有可 能边界的地方并无边缘，因为现实世界中的物体是三维的， 而图像只具有二维信息，从三维到二维的投影成像不可避免 的会丢失一部分信息。
另外，成像过程中的光照和噪声也是不可避免的重要因
素。正是因为这些原因，基于边缘的图像分割仍然是当前图 像研究中的世界级难题，目前研究者正在试图在边缘提取中 加入高层的语义信息。
在实际的图像分割中，往往只用到一阶和二阶导 数，虽然，原理上可以用更高阶的导数，但是，因为 噪声的影响，三阶以上的导数信息往往失去了应用价 值。二阶导数还可以说明灰度突变的类型。在有些情 况下，如灰度变化均匀的图像，只利用一阶导数可能 找不到边界，此时二阶导数就能提供很有用的信息。
二阶导数对噪声也比较敏感，解决的方法是先对 图像进行平滑滤波，消除部分噪声，再进行边缘检测。 不过，利用二阶导数信息的算法是基于过零检测的， 因此得到的边缘点数比较少，有利于后继的处理和识 别工作。
Roberts算了：边缘定位准，但是对噪声敏感。适用于边缘明显且噪声 较少的图像分割。
Prewitt算子：对噪声有抑制作用，抑制噪声的原理是通过像素平均， 但是像素平均相当于对图像的低通滤波，所以Prewitt算子对边缘的定位不 如Roberts算子。
Sobel算子:
Sobel算子和Prewitt算子都是加权平均，但是Sobel算了
认为，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像 素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越远, 产生的影响越小。
离,
Isotropic Sobel算子：加权平均算了，权值反比于邻点与中心点的距
当沿不同方向检测边缘时梯度幅度一致，就是通常所说的各向同性。
上面的算子是利用一阶导数的信息。
Laplacian算了：是二阶微分算了。其具有各向同性，即与坐标轴方向 无关，坐标轴旋转后梯度结果不变。但是，其对噪声比较敏感，所以，图 像一般先经过平滑处理，因为平滑处理也是用模板进行的，所以，通常的 分割算法都是把LaplacianW T和平滑算子结合起来生成一个新的模板。