基于MATLAB的图像分割的技术研究

马永慧

(中北大学电子与计算机科学技术学院，山西太原030051)

图像分割就是把图像分成各具特性的区域并提出感兴趣目标的技术和过程。在对计算机视觉的研究中，图像分割是连接低级视觉和高级视觉的桥梁和纽带，图像分割的结果既取决于低级视觉中各种预处理的效果，又决定了高级视觉中的各种应用中最终输出的质量。

MATLAB应用较为简单，它把计算、图示和编程集成到一个环境中，用起来非常方便。同时，MATLAB具有很强的开放性和适应性，在保持内核不变的情况下，MATLAB推出了适合不同学科的工具箱，如图像处理工具箱，小波分析工具箱、信号处理工具箱、神经网络工具箱等，极大地方便了不同学科的研究工作［5］。

1 基于阈值的图像分割

灰度阈值分割法是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类［1］。阈值分割方法实际上是输入图像f到输出图像g的如下变换:

其中，T为阈值，对于物体的图像元素g(i，j)=1，对于背景的图像元素g(i，j)=0。

由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等［2］。

2 基于区域特性的分割

区域生长法是典型的串行区域技术，其分割过程后续步骤的处理要根据前面步骤的结果进行判断而确定。

区域生长法的主要过程是［3］:从一个已知种子点开始，依次检测其邻近点，根据检测标准，加入与其特性相似的邻近点形成一个区域，在各个方向上生长区域，当新的点被合并后再用新的区域重复这一过程，直到没有可接受的邻近点时生长过程终止;对于有多个目标区域的图像，可在之前已划分的区域外再选取一种子点，按同样过程生成新的区域;最终将图像分割成若干个目标区域。

3 基于特定理论的分割方法

脉冲耦合神经网络(PCNN)被引入到图像分割中，它是一种不同于传统人工神经网络的新型神经网络，是由Eckhorn为解释在猫的大脑视觉皮层中实验所观察到的与特征有关的神经元同步行为现象而提出的［4］。

PCNN的单个神经元由树突、非线性连接调制、脉冲产生三部分构成，如图1所示。

图1 标准PCNN神经元模型

树突部分即接收部分用来接收来自其他神经元与外部的输入。接收域将接收到的输入通过两条通道进行传输，一个通道称为F通道，用于接收包含外部输入信号的馈送输入(Feeding Inputs)，其运算关系为:

另一个则用于接收来自其他神经元的连接输入(Linking Inputs)，其运算关系为:

式(2)、式(3)中，M和W是内部连接矩阵(一般M=W);Y(k)为神经元点火与否的信息;αF和αL分别为Fij(k)，Lij(k)的衰减时间常量;VL和VF为连接和馈入常量;Sij为第(i，j)个神经元接受的外部刺激(这里为图像像素构成的矩阵中第(i，j)个像素的灰度值)。在连调制部分馈送输入Fij和连接输入Lij，再经过调制后产生第(i，j)个神经元的内部活动项，其运算关系为:

式中，Uij为神经元的内活动，为连接调制常量。利用连接输入对馈送输入进行调制是PCNN神经元之间进行通信的关键［5］。

神经元的脉冲生成器根据内部活动项Uij的一个跃函数产生二值输出，并根据第(i，j)个神经元点火与否的状态自动调整阈值大小。在时间k，如果内部活动项Uij比阈值函数θij大，Yij取值为 1，称第(i，j)个神经元点火;否则 Yij取值为0，称第(i，j)个神经元未点火。如果第(i，j)个神经元点火，则根据Vθ对阈值函数按照下面两式进行调整:

式中:αθ为时间衰减常量;Vθ为阈值常量。

4 计算机仿真及结果

通过MATLAB编程实现图像分割的仿真，图2为基于阈值的图像分割的仿真，确定合适的阈值是关键，具体仿真结果如图2(a)～(d)所示。图3为基于区域的图像分割，区域生长法分割属于中行分割方法，实际应用中要解决三个问题:第一就是确定一组能正确代表所需区域的种子像素;第二确定生长准则;第三确定让生长停止的条件或规则。具体仿真结果如图3(a)，(b)所示。图4提出的是基于PCNN的图像分割算法，将背景色设为黑色，目标色为白色，并与普通的二值分割图像进行了比较，刚好颜色相反。

图2 基于阈值的图像分割

图3 基于区域的图像分割

图4 基于PCNN的图像分割

5 结束语

经过以上三幅图的仿真实现结果可见:

(1)阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算效率的应用场合(如用于硬件实现)，它得到了广泛应用。

(2)区域生长法的优点是计算简单，对于较均匀的连通目标有较好的分割效果。它的缺点是需要人为确定种子点，对噪声敏感，可能导致区域内有空洞。

(3)基于PCNN的图像分割算法，它具有相似神经元同步点火特性，非常适合于各类图像的分割。而且经过改进的PCNN算法将会有更高的灵活性，更广阔的运用空间。

各种图像分割方法有着相同的分割基理，即利用图像中像素间的相似性和跳变性。这是多种图像分割方法能够整合的基础。合理整合多种分割方法，使之兼具不同分割方法的优势，可以达到更好的分割效果。

［1］李久权，王平，王永强，等.CT图像分割几种算法［J］.微计算机信息，2006，22(21):240 －242.

［2］冈萨雷斯.数字图像处理(MATLAB版)［M］.北京:电子工业出版社，2005.

［3］蒋翠翠，李明.浅析基于MATLAB的图像分割方法［J］.电脑与电信，2010(6):68 －70.

［4］ECKHORN H，REITBOECK H J，ARNDT M，et al.Feature Linking Via Synchronization Among Distributed Assemblies:Simulation of Results From Cat Cortex［J］.Neural Computation，1990，2(3):293 －307.

［5］马义德，苏茂君.基于PCNN的图像二值化及分割评价方法［J］.华南理工大学学报(自然科学版)，2009，37(5):50－51.

［6］贾伟.MATLAB在数字图像处理中的应用［J］.硅谷，2010(8):98+139.