基于圖論的圖像分割的方法(圖像分割的分割方法)
1.圖像分割的分割方法
灰度閾值分割 法是一種最常用的并行區(qū)域技術，它是圖像分割中應用數(shù)量最多的一類。
閾值分割方法實際上是輸入圖像f到輸出圖像g的如下變換：其中，T為閾值，對于物體的圖像元素g(i,j)=1，對于背景的圖像元素g(i,j)=0。由此可見，閾值分割算法的關鍵是確定閾值，如果能確定一個合適的閾值就可準確地將圖像分割開來。
閾值確定后，將閾值與像素點的灰度值逐個進行比較，而且像素分割可對各像素并行地進行，分割的結果直接給出圖像區(qū)域。閾值分割的優(yōu)點是計算簡單、運算效率較高、速度快。
在重視運算效率的應用場合（如用于硬件實現(xiàn)），它得到了廣泛應用。人們發(fā)展了各種各樣的閾值處理技術，包括全局閾值、自適應閾值、最佳閾值等等。
全局閾值是指整幅圖像使用同一個閾值做分割處理，適用于背景和前景有明顯對比的圖像。它是根據(jù)整幅圖像確定的：T=T(f)。
但是這種方法只考慮像素本身的灰度值，一般不考慮空間特征，因而對噪聲很敏感。常用的全局閾值選取方法有利用圖像灰度直方圖的峰谷法、最小誤差法、最大類間方差法、最大熵自動閾值法以及其它一些方法。
在許多情況下，物體和背景的對比度在圖像中的各處不是一樣的，這時很難用一個統(tǒng)一的閾值將物體與背景分開。這時可以根據(jù)圖像的局部特征分別采用不同的閾值進行分割。
實際處理時，需要按照具體問題將圖像分成若干子區(qū)域分別選擇閾值，或者動態(tài)地根據(jù)一定的鄰域范圍選擇每點處的閾值，進行圖像分割。這時的閾值為自適應閾值。
閾值的選擇需要根據(jù)具體問題來確定，一般通過實驗來確定。對于給定的圖像，可以通過分析直方圖的方法確定最佳的閾值，例如當直方圖明顯呈現(xiàn)雙峰情況時，可以選擇兩個峰值的中點作為最佳閾值。
圖1(a)和（b）分別為用全局閾值和自適應閾值對經(jīng)典的Lena圖像進行分割的結果。 區(qū)域生長和分裂合并法是兩種典型的串行區(qū)域技術，其分割過程后續(xù)步驟的處理要根據(jù)前面步驟的結果進行判斷而確定。
區(qū)域生長 區(qū)域生長的基本思想是將具有相似性質的像素集合起來構成區(qū)域。具體先對每個需要分割的區(qū)域找一個種子像素作為生長的起點，然后將種子像素周圍鄰域中與種子像素有相同或相似性質的像素（根據(jù)某種事先確定的生長或相似準則來判定）合并到種子像素所在的區(qū)域中。
將這些新像素當作新的種子像素繼續(xù)進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這樣一個區(qū)域就長成了。
區(qū)域生長需要選擇一組能正確代表所需區(qū)域的種子像素，確定在生長過程中的相似性準則，制定讓生長停止的條件或準則。相似性準則可以是灰度級、彩色、紋理、梯度等特性。
選取的種子像素可以是單個像素，也可以是包含若干個像素的小區(qū)域。大部分區(qū)域生長準則使用圖像的局部性質。
生長準則可根據(jù)不同原則制定，而使用不同的生長準則會影響區(qū)域生長的過程。區(qū)域生長法的優(yōu)點是計算簡單，對于較均勻的連通目標有較好的分割效果。
它的缺點是需要人為確定種子點，對噪聲敏感，可能導致區(qū)域內(nèi)有空洞。另外，它是一種串行算法，當目標較大時，分割速度較慢，因此在設計算法時，要盡量提高效率。
區(qū)域分裂合并 區(qū)域生長是從某個或者某些像素點出發(fā)，最后得到整個區(qū)域，進而實現(xiàn)目標提取。分裂合并差不多是區(qū)域生長的逆過程：從整個圖像出發(fā)，不斷分裂得到各個子區(qū)域，然后再把前景區(qū)域合并，實現(xiàn)目標提取。
分裂合并的假設是對于一幅圖像，前景區(qū)域由一些相互連通的像素組成的，因此，如果把一幅圖像分裂到像素級，那么就可以判定該像素是否為前景像素。當所有像素點或者子區(qū)域完成判斷以后，把前景區(qū)域或者像素合并就可得到前景目標。
在這類方法中，最常用的方法是四叉樹分解法（如圖3所示）。設R代表整個正方形圖像區(qū)域，P代表邏輯謂詞。
基本分裂合并算法步驟如下：（1）對任一個區(qū)域，如果H(Ri)=FALSE就將其分裂成不重疊的四等份；（2）對相鄰的兩個區(qū)域Ri和Rj，它們也可以大小不同（即不在同一層），如果條件H(Ri∪Rj)=TRUE滿足，就將它們合并起來。（3）如果進一步的分裂或合并都不可能，則結束。
分裂合并法的關鍵是分裂合并準則的設計。這種方法對復雜圖像的分割效果較好，但算法較復雜，計算量大，分裂還可能破壞區(qū)域的邊界。
圖像分割的一種重要途徑是通過邊緣檢測，即檢測灰度級或者結構具有突變的地方，表明一個區(qū)域的終結，也是另一個區(qū)域開始的地方。這種不連續(xù)性稱為邊緣。
不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特征可以分割圖像。圖像中邊緣處像素的灰度值不連續(xù)，這種不連續(xù)性可通過求導數(shù)來檢測到。
對于階躍狀邊緣，其位置對應一階導數(shù)的極值點，對應二階導數(shù)的過零點（零交叉點）。因此常用微分算子進行邊緣檢測。
常用的一階微分算子有Roberts算子、Prewitt算子和Sobel算子，二階微分算子有Laplace算子和Kirsh算子等。在實際中各種微分算子常用小區(qū)域模板來表示，微分運算是利用模板和圖像卷積來實現(xiàn)。
這些算子對噪聲敏感，只適合于噪聲較小不太復雜的圖像。由于邊緣和噪聲都是灰度不連續(xù)點，在頻域均為高頻分量，直接采用微分運算難以克服噪聲的影響。
2.圖像分割有何實際意義
從學術角度講圖像分割主要分成3大類，一是基于邊緣的，二是基于區(qū)域的，三是基于紋理的。
由于基于紋理的也可以看成是基于區(qū)域的，所以有些專家也把分割方法分成基于邊緣和基于區(qū)域兩大類。 選擇算法的時候主要參考你要分割的圖像樣本的特點。
如果圖像的邊界特別分明，比如綠葉和紅花，在邊界處紅綠明顯不同，可以精確提取到邊界，這時候用基于邊緣的方法就可行。但如果是像醫(yī)學圖像一樣，輪廓不是特別明顯，比如心臟圖像，左心房和左心室顏色比較接近，它們之間的隔膜僅僅是顏色比它們深一些，但是色彩上來說很接近，這時候用基于邊緣的方法就不合適了，用基于區(qū)域的方法更好。
再比如帶紋理的圖像，例如條紋衫，如果用基于邊緣的方法很可能就把每一條紋都分割成一個物體，但實際上衣服是一個整體，這時候用基于紋理的方法就能把紋理相同或相似的區(qū)域分成一個整體。 不過總體來說，基于區(qū)域的方法近些年更熱一些，如Meanshift分割方法、測地線活動輪廓模型、JSEG等。
3.基于閾值的圖像分割方法有哪些
去百度文庫，查看完整內(nèi)容>
內(nèi)容來自用戶：天使小白很黑
第1章相關知識
1.1圖像分割的概述
在對圖像的研究和應用中，人們往往僅對圖像中的某些部分感興趣，這些部分稱為目標或前景（其他部分稱為背景>；，他們一般對應圖像中特定的、具有獨特性質的區(qū)域。為了辨識和分析目標，需要將他們分離提取出來，在此基礎上才有可能對目標進一步利用。圖像分割就是指把圖像分成格局特性的區(qū)域并提取出感興趣目標的技術和過程。這里特性可以是象素的灰度、顏色、紋理等，預先定義的目標可以對應單個區(qū)域，也可以對應多個區(qū)域?，F(xiàn)有的圖像分割算法有：閾值分割、邊緣檢測和區(qū)域提取法。本文著重研究基于閾值法的圖像分割技術。
所謂圖像分割是指根據(jù)灰度、彩色、空間紋理、幾何形狀等特征把圖像劃分成若干個互不相交的區(qū)域，使得這些特征在同一區(qū)域內(nèi)，表現(xiàn)出一致性或相似性，而在不同區(qū)域間表現(xiàn)出明顯的不同。簡單的講，就是在一幅圖像中，把目標從背景中分離出來，以便于進一步處理。圖像分割是圖像處理與計算機視覺領域低層次視覺中最為基礎和重要的領域之一，它是對圖像進行視覺分析和模式識別的基本前提。同時它也是一個經(jīng)典難題，到目前為止既不存在一種通用的圖像分割方法，也不存在一種判斷是否分割成功的客觀標準。
閾值法是一種傳統(tǒng)的圖像分割方法，因其實現(xiàn)簡單、計算量小、性能較穩(wěn)定而成為圖像分割中最基本和應用最廣泛的分割技術。已被應用于很多的領域，例如，在紅外技術應用中，紅外無損檢測中紅外熱圖像的分割，紅外成像跟蹤系統(tǒng)中目
4.什么是圖像分割
1 數(shù)字圖像處理技術是一個跨學科的領域。隨著計算機科學技術的不斷發(fā)展，圖像處理和分析逐漸形成了自己的科學體系，新的處理方法層出不窮，盡管其發(fā)展歷史不長，但卻引起各方面人士的廣泛關注。首先，視覺是人類最重要的感知手段，圖像又是視覺的基礎，因此，數(shù)字圖像成為心理學、生理學、計算機科學等諸多領域內(nèi)的學者們研究視覺感知的有效工具。其次，圖像處理在軍事、遙感、氣象等大型應用中有不斷增長的需求。
基于圖論的圖像分割技術是近年來國際上圖像分割領域的一個新的研究熱點。該方法將圖像映射為帶權無向圖，把像素視作節(jié)點。利用最小剪切準則得到圖像的最佳分割 該方法本質上將圖像分割問題轉化為最優(yōu)化問題。是一種點對聚類方法。對數(shù)據(jù)聚類也具有很好的應用前景。但由于其涉及的理論知識較多，應用也還處在初級階段。因此國內(nèi)這方面的研究報道并不多見，本文將對圖論方法用于圖像分割的基本理論進行簡要介紹，并對當前圖論方法用于圖像分割的最新研究進展進行綜述，并著重介紹基于等周圖割的圖像分割的方法。
2 圖像目標分割與提取技術綜述
圖像分割是一種重要的圖像技術，在理論研究和實際應用中都得到了人們的廣泛重視。圖像分割的方法和種類有很多，有些分割運算可直接應用于任何圖像，而另一些只能適用于特殊類別的圖像。有些算法需要先對圖像進行粗分割，因為他們需要從圖像中提取出來的信息。例如，可以對圖像的灰度級設置門限的方法分割。值得提出的是，沒有唯一的標準的分割方法。許多不同種類的圖像或景物都可作為待分割的圖像數(shù)據(jù)，不同類型的圖像，已經(jīng)有相對應的分割方法對其分割，同時，某些分割方法也只是適合于某些特殊類型的圖像分割。分割結果的好壞需要根據(jù)具體的場合及要求衡量。圖像分割是從圖像處理到圖像分析的關鍵步驟，可以說，圖像分割結果的好壞直接影響對圖像的理解。
3 定義及分割方法
為后續(xù)工作有效進行而將圖像劃分為若干個有意義的區(qū)域的技術稱為圖像分割（Image Segmentation）
目前，有許多的圖像分割方法，從分割操作策略上講，可以分為基于區(qū)域生成的分割方法，基于邊界檢測的分割方法和區(qū)域生成與邊界檢測的混合方法.
