图像分割算法研究与展望

王小丫

摘 要 文章将图像分割分为基于边缘、阈值和区域等，通过对过去6年出现的图像分割算法的总结与分类，总结了各算法的优缺点及其应用领域，为今后的相关研究提供了有效的研究理论基础。

关键词 图像分割；边缘；阈值；区域生长

中图分类号 TP3 文献标识码 A 文章编号 1674-6708（2019）233-0165-02

随着人工智能的发展，图像处理已成为机器人技术发展的重要组成部分。图像处理广泛应用于：图像引导，无人机，无人巡逻车，人脸识别，指纹识别，语音识别，车牌识别，汉字识别，医学图像识别等高科技领域。图像处理是指将图像信号转换为数字信号并通过计算机处理图像的过程。通常，它分为3个部分：图像处理，图像分割和图像识别。图像分割作为图像处理的重要组成部分，其准确性极大地影响了整个系统的准确性。

如今存在各种的图像分割技术，人们多年来一直非常关注图像分割，已经提出了各种不同的分割算法。Nikhil等[ 1 ]把图像分割算法分为以下六类：阈值分割，像素分割、深度图像分割、彩色图像分割，边缘检测和基于模糊集；Robert M.Haralick等[2]将图像分割算法分为：测量空间引导的空域聚类方法，单一链接区域生长方法，混合链接区域生长方法，质心链接区域生长方法，空间聚类方案以及分离和合并方案。本文基于图像分割的不同方法，将图像分割分为以下5类：基于边缘的图像检测法、基于阈值的图像分割法、基于区域生长法的图像分割、其他复合分割方法。

本文对图像分割的定义进行了总结和分析，并在此基础上对过去6年出现的各种图像分割算法进行了分类，并讨论了它们的优缺点，为今后的研究提供了有效的依据。

1 图像分割

图像分割是指将图像分割成具有自身特征的区域并提取感兴趣的对象的技术和过程[ 3 ]。也就是说，将目标图像划分为多个非交叉区域，使得相同子区域中的像素连接，并且没有两个相邻区域具有相同的特性。使用集合的形式，我们可以如下定义图像分割：将P（）定义为所有像素的集合，X是在连续像素组上均匀不相交的区域，并且分割是将集合P划分为一组连接的子集（S1，S2，…Sn），形式如下：

2 图像分割算法

2.1 基于边缘的图像检测法

基于边缘的图像分割方法依赖于边缘检测算法，通过检测图像边缘灰度级或结构有突变的地方来进行图像分割。

倪元敏等[ 4 ]提出基于模糊形态学的图像边缘轮廓提取算法，实现了图像保存完整，分割速度快，分割效果达到预期目标等效果。张闯等[5]提出基于欧式距离图的图像边缘检测，通过改进的Canny算法进行边缘检测，发现虽然边缘检测结果变少但是很好的反映了目标物体的轮廓，更利于对图像物体的识别。孟月波等[ 6 ]提出一种具有边缘保持的MRMRF模型图像分割方法，它不仅有效地保持了图像分割结果的边缘，取得了较好的分割效果，而且具有较快的分割速度。普里相似性评价指数平均提高到0.8909，GCE差分评价指数平均降低到0.1923。

2.2 基于阈值的图像分割法

基于阈值的图像分割是目前被使用最多的一类图像分割算法，通过自动或手动设定一个阈值，图像像素即被分成了不同的类别，并且不同区域被闭合的连接边界分开。

郎春博等[ 7 ]提出了基于改进正余弦优化算法的多阈值图像分割，在阈值分割时优化阈值的选取过程，有效地提高了运行效率和分割的精度。杨兆龙等[8]提出基于改进差分进化算法的多阈值图像分割，运用自适应缩放因子以及交叉系数，在取得正确分割结果的前提下提高了分割速度。聂方彦等[9]运用了一种基于Tsallis相对熵的图像分割阈值选取方法，发现该方法运算耗时小于0.1s，具有较好的应用潜能。

2.3 基于区域生长法的图像分割

基于区域生长方法的图像分割的基本思想是：在确定像素或区域之后，将具有相同属性的所有像素或小区域合并到现有区域中，直到不存在相同的区域。

洪向工等[ 1 0 ]提出了一种基于灰度共生矩阵和区域生长算法的红外光电面板图像分割算法。发现该算法更接近手动分割的目标区域，能有效改善分割效果，自适应性以及鲁棒性较强；蒋秋霖等[ 1 1 ]提出的基于区域生长算法的脑肿瘤图像分割，通过使用迭代法确定自适应阈值，精度达到97.41%，误检率和漏检率均大幅度减少；潘家辉等[12]提出的基于区域生长算法的CT序列图像分割，与人工分割相比，平均相对误差为1.06%，与传统区域生长算法相比分割效果更好。

2.4 总结和讨论

在本节中，详细描述了近6年出现的图像分割方法，并根据他们的特征分类。表1总结和讨论了每一类方法的利弊。

3 結论

该文描述了过去6年出现的图像分割算法，并根据它们的特征进行分类和讨论.在近几年的图像分割算法中，在近年来的图像分割算法中，实验设置通常限定在良好的条件下，并且尚未针对复杂条件下的图像分割方法进行开发。若将各种干扰因素都考虑其中，准确率将会降低不少。还有许多新方法新技术的出现，比如基于图论的SAR图像分割方法、基于snake模型与最小生成树分割算法、基于小波变换和粒子群改进的FCM方法等，这些方法为图像分割算法开辟了新的局面，有待进一步深入研究，未来的研究应侧重于多特征和多方法融合的上，并积极引进新方法来解决图像分割的难题。

参考文献

[1]Nikhil R Pal ，Sankar K Pal .A review on image segmentation techniques[J]. Pattern Recognition，1993（26）：1277-1294.

[2]Robert M.Haralick，Linda G.Shapiro .Image segmentation techniques[J].Computer Vision，Graphics， and Image Processing，1985（29）：100-132.

[3]赵阳.基于图像工程与框架理论识别人体细胞的智能技术研究[D].包头：内蒙古科技大学，2010.

[4]倪元敏，巫茜.基于模糊形态学的图像边缘轮廓提取算[J].西南师范大学学报（自然科学版），2013（12）：1-7.

[5]张闯，王婷婷，孙冬娇，等.基于欧式距离图的图像边缘检[J].中国图像图形学报，2013（2）：176-183.

[6]孟月波，刘光辉，徐胜军，等.一种具有边缘保持的MRMRF模型图像分割方法[J].西安交通大学学报，2019（3）：y1-y10.

[7]郎春博，贾鹤鸣，邢致凯，等.基于改进正余弦优化算法的多阈值图像分割[J].计算机应用研究，2019（4）.

[8]杨兆龙，刘秉瀚.基于改进差分进化算法的多阈值图像分割[J].计算机系统应用，2016（12）：199-203.

[9]聂方彦，李建奇，张平凤，等.一种基于Tsallis相对熵的图像分割阈值选取方法[J].激光与光电子学进展，2017（7）：137-144.

[10]洪向工，周氏芬.基于灰度共生矩阵和区域生长算法的红外光伏面板图像分割[J].科学技术与工程，2018（34）：92-97.

[11]蒋秋霖，王昕.提出了基于区域生长算法的脑肿瘤图像分割[J].长春工业大学学报，2018（5）：490-493.

[12]潘家辉，朱玲利，鲍苏苏.提出的基于区域生长算法的CT序列图像分割[J].洛阳师范学院学报，2015（5）：58-61.