图像区域分割算法综述及比较

□王媛媛

在图像工程中，图像分割是图像处理中的经典问题，国内外众多学者对图像分割涉及的各个算法技术都开展了许多研究，目前已经被广泛应用于工业医学图像、航空航天、地理测绘等不同专业领域。

一、图像分割述评

图像分割的定义是将图像按一定条件划分成为若干个具有不同含义的子区域，其中分割主要依据为图像亮度值，目前有三大类主流图像分割算法，分别为基于区域信息的图像分割、基于边缘信息的图像分割以及基于特定理论的图像分割[2～3]。

(一)基于区域信息的图像分割。根据亮度相似性高的像素点所属为一个区域的假设所实现的分割算法被称为基于区域信息的分割。其中区域生长算法是最为古老的一种方法，其他典型区域分割算法还包括基于阈值的图像分割算法和基于聚类和分类器的图像分割算法。

(二)基于边缘信息的图像分割。图像边缘信息作为图像的最基本特征之一，通过找到图像边界线的方式来实现图像分割的算法称之为基于边缘信息的分割算法，其中检测边缘信息算法的主要依据为亮度的不连续性，较为典型的算法为边缘检测算法[4]。

(三)基于特定理论的图像分割。作为研究历史较久的图像分割算法，不同学者在研究过程中结合其他领域的学科知识不断地对已有的图像分割算法进行丰富和完善，形成了许多基于特定理论的分割算法，较为代表性的为基于人工神经网络的分割算法、基于模糊集理论的分割算法等。

二、区域分割

(一)研究意义。现今，区域分割技术发展迅猛，总体来说有三种发展趋势[5]，一是区域分割算法的分割标准难以统一，有一部分研究人员倾向于采用结合不同区域分割算法以实现更好的分割，尽管取得了一定的成效，但对于不同分割算法组合方式的研究仍在完善当中；二是通过引进其他学科知识，通过注入新技术来完成区域分割算法，以实现区域分割的最佳效果；三是鉴于区域分割处理的应用面越来越多，处理的数据量也与日俱增，更多学者致力于提高区域分割算法的效率，主要途径为应用各类架构及其适用的各类并行算法来实现算法的并行优化。

(二)算法分类。

1.基于区域生长的区域分割。区域生长算法作为发展历史较久的区域分割算法，具有较高的应用普遍性。种子点是区域生长算法中非常重要的一个概念，算法选取合适的种子点，通过种子点的不断生长蔓延，实现不同区域的汇集，从而完成图像区域的分割。

2.基于区域分裂与合并的区域分割。与区域生长算法不同，区域分裂与合并过程为区域生长过程的逆过程。区域分裂与合并算法的起点为图像，明确一定的分割准则，通过递归的方式不断地将图像划分为若干具有不同含义的子区域，子区域根据准则相应的实现再分裂或合并，直到形成具有较高分布均匀性的子区域，即完成区域分割过程。

3.基于阈值的区域分割。基于阈值的区域分割算法是应用较为广泛，且实现较为简单的区域分割算法。阈值的选择为算法的关键，算法主要根据阈值来对图像的各个像素点进行划分，通过将不同像素点划分到不同集合，进而实现图像的区域分割。一般来说，阈值的多少决定了最后分割区域的个数。由于实现简单，阈值分割的结果往往存在精度不高的问题。现有的较为代表性的阈值分割算法主要包括最大类空间分割方法、最大熵分割法等。

4.基于分类器的区域分割[7]。在模式识别领域，分类属于一种较为基础的统计分析方法。训练样本集的选择是分类器算法的关键，基于分类器的区域分割的原理是根据训练样本集对图像进行分割，该算法适用于多通道图像，且具有实现简单、计算量小等优点。基于分类器的区域分割主要可以分为无参数分类器和有参数分类器两种，其中K近邻和Parazen窗是两种较为代表性的无参数分类器算法。

5.基于聚类的区域分割。基于聚类的区域分割算法与基于分类器的区域分割算法在核心思想上较为类似，这两种算法之间最大的不同是基于聚类的分割不需要训练样本集。算法过程主要是通过对图像信息的特征值进行迭代的分类和提取，从而将图像划分成为不同的子集。尽管作为自我训练算法，聚类分割不需要训练样本集，但算法仍然需要一个初始分割参数，该参数的选择对最终的分类结果具有较大的影响，也因此聚类分割对噪声较为敏感，这也是聚类分割算法的主要缺陷。

(三)算法评价。对于区域分割算法的评价主要从主客观两个角度进行评估。其中主观评价的评判标准主要以主观因素为主，不容易被量化和计算，应用型不强；客观评价的评判标准一般为量化的参数指标，对比主观评价来说，具有较高的参考价值。由于区域分割算法种类较多，分割结果不同，目前仍然不存在一个能适用于所有区域分割算法的统一标准，应用较为广泛的评价标准主要包括以下三种。

1.根据分割得到的不同区域之间的差异性、对比度进行算法评估。区域分割算法最终得到的是具有较大差异，且分布均匀的子区域，通过对各个子区域之间的对比度进行分析，可以较为直观地对区域分割算法进行评判。

2.根据分割结果的错误率进行算法评估。由于区域分割算法种类繁多，且分割依据各有不同，分割结果也会存在着不同的错误像素点数。通过统计不同算法的错误率可以较为客观地统计算法的质量。

3.根据分割子区域的内部均匀性进行算法评估。区域分割所得到的各个子区域内部具有较大的相似性，因此对区域内部的均匀度的考查也能作为对分割结果进行评估的重要指标。

如今，基于区域的分割算法的评价标准多种多样，但并不存在一个通用的区域分割算法评估标准，因此，对区域分割评价标准的深入研究应该成为未来研究的主要方向，从而保证区域分割的精度和质量。

三、结语

纵观近年来与图像分割相关领域的文献，可以得出基于区域信息的图像分割仍是研究的热点和难点，基于区域信息的分割从本质上来说是一个聚类的问题，对于区域分割的评价目前也存在理论体系不完善和通用性不高等问题，因此，找到能实现分割成满意的分割结果的区域分割算法以及相应评价体系仍有很长的路要走。