基于区域的图像分割算法.doc

基于区域的图像分割算法论述及其补充
摘要:图像分割是图像处理和计算机视觉的基本问题之一，是图像处理和图像分析的关键步骤。本文对基于区域的图像分割方法进行了综述，具体介绍了阈值法、区域生长和分裂合并法、基于统计学的算法等三种方法，并分析出各算法在应用中的优缺点。
关键词：图像分割，阈值法，区域生长，分裂合并，统计学算法
SurveyofImageSegmentationMethodBasedonRegion
Abstract:Imagesegmentationisoneofbasicproblemsinimageprocessingandcomputervision,andisakeystepinimageprocessingandimageanalysis.Theimagesegmentationmethodsbasedonregionaresurveyedhere,includingthreemethodsaboutthresholding,regiongrowing,splittingandmergingandthemethodsbasedonstatisticsmethods,andthemeritsanddemeritsofeachmethodinusingareanalyzed.
Keywords:Imagesegmentation，Thresholding，Regiongrowing，Splittingandmerging，Statisticsmethods
设计目的：通过本文的讨论，让我们熟悉并掌握几种常见的图像分割的方法。并熟知这几种常用方法的优缺点和适用条件，了解它们的发展趋势及方向。对于以后算法的优化与分析做好铺垫。
可行性讨论：这篇文章讨论的数字图像处理的几种常用方法，很适合初学者快速了解并掌握它的算法，为以后的学习做了很好的引导，所以我认为这篇文章涉及的方法很实用，也很可行。
设计过程
图像分割是数字图像处理中的一项关键技术，在许多领域均有所应用，多年来一直受到研
究人员的高度重视。然而，目前使用的上千种图像分割算法大都是针对具体问题所提出的，虽然
每年都有新的图像分割算法提出，但是并没有一种通用的算法能适用于所有的图像分割处理。基
于区域的图像分割算法是图像分割算法中较常用的一部分。本文对基于区域的图像分割算法作以
系统的分类和基本的介绍，并分析出各算法的优缺点。根据图像分割的处理方式不同，可以将基于区域的图像分割算法分为以下三大类：（1）阈值法（2）区域生长和分裂合并（3）基于统计学的算法。
1阈值法
阈值法是一种简单有效的图像分割方法。阈值是用于区分目标和背景的灰度门限。如果像只有目标和背景两大类，那么只选取一个阈值称为单阈值分割。如果图像中有多个目标，就需要选取多个阈值将目标及背景分开，这种方法称为多阈值分割[1]。阈值法的数学描述[2]如下：
设（x，y）是二维数字图像的平面坐标，图像灰度级的取值范围是G={0，1，2，…，L－1}(习
惯0代表最暗的像素点，L－1代表最亮的像素点)，位于坐标点（x，y）上的像素点的灰度级表示为f(x，y)。设t∈G为分割阈值，B={b0，b1}代表一个二值灰度级，并且b0，b1∈G。于是图像函数f(x，y)在阈值t上的分割结果可以表示为

阈值分割法实际就是按某个准则函数求最优阈值t的过程。常用的阈值选取方法有：灰度直方图峰谷法[3]、最小误差法[4]、最大类间方差法[5]、最大熵自动阈值法[6]等。
阈值法的优点是计算简单，速度快，易于实现。尤其是对于不同类的物体灰度值或其他特征
值相差很大时，能很有效地对图像进行分割。阈值法的缺点是当图像中不存在明显的灰度
差异或灰度值范围有较大的重叠时，分割效果不理想。并且阈值法仅仅考虑图像的灰度信息而没有考虑图像的空间信息，致使阈值法对噪声和灰度不均匀十分地敏感。
2区域生长和分裂合并

区域生长和分裂合并是两种典型的串行区域分割算法。其特点是将分割过程分解为顺序的多个步骤，其中后续步骤要根据前面步骤的结果进行判断而确定。
区域生长的基本思想是将具有相似性质的像素集合起来构成区域，该方法需要先选取一个种子点，然后依次将种子像素周围的相似像素合并到种子像素所在的区域中。区域合并的基本思想是将输入图像分成多个相似的区域，然后类似的相邻区根据某种判断准则迭代地进行合并。在区域分裂技术中，整个图像先被看成一个区域，然后区域不断被分裂为四个矩形区域，直到每个区域内部都是相似的。分裂合并算法中，区域先从整幅图像开始分裂，然后将相邻的区域进行合并。
区域生长算法的优点是计算简单，特别适合于分割小的结构。缺点是需要人工交互以获得种子点，同时对噪声也比较敏感。当对区域面积较大的图像分割时，计算缓慢[7]。分裂合并算法的优点是不需要预