基于區(qū)域的圖像分割算法

1、基于區(qū)域的圖像分割算法論述及其補(bǔ)充基于區(qū)域的圖像分割算法論述及其補(bǔ)充摘要摘要:圖像分割是圖像處理和計算機(jī)視覺的基本問題之一，是圖像處理和圖像分析的關(guān)鍵步驟。本文對基于區(qū)域的圖像分割方法進(jìn)行了綜述，具體介紹了閾值法、區(qū)域生長和分裂合并法、基于統(tǒng)計學(xué)的算法等三種方法，并分析出各算法在應(yīng)用中的優(yōu)缺點(diǎn)。關(guān)鍵詞：關(guān)鍵詞：圖像分割，閾值法，區(qū)域生長，分裂合并，統(tǒng)計學(xué)算法SurveyofImageSegmentationMethodBasedonRe

2、gionAbstract:Imagesegmentationisoneofbasicproblemsinimageprocessingcomputervisionisakeystepinimageprocessingimageanalysis.Theimagesegmentationmethodsbasedonregionaresurveyedhereincludingthreemethodsaboutthresholdingregio

3、ngrowingsplittingmergingthemethodsbasedonstatisticsmethodsthemeritsdemeritsofeachmethodinusingareanalyzed.Keywds:Imagesegmentation，Thresholding，Regiongrowing，Splittingmerging，Statisticsmethods設(shè)計目的設(shè)計目的：通過本文的討論，讓我們熟悉并掌握幾種常

4、見的圖像分割的方法。并熟知這幾種常用方法的優(yōu)缺點(diǎn)和適用條件，了解它們的發(fā)展趨勢及方向。對于以后算法的優(yōu)化與分析做好鋪墊?？尚行杂懻摚嚎尚行杂懻摚哼@篇文章討論的數(shù)字圖像處理的幾種常用方法，很適合初學(xué)者快速了解并掌握它的算法，為以后的學(xué)習(xí)做了很好的引導(dǎo)，所以我認(rèn)為這篇文章涉及的方法很實(shí)用，也很可行。設(shè)計過程設(shè)計過程圖像分割是數(shù)字圖像處理中的一項關(guān)鍵技術(shù)，在許多領(lǐng)域均有所應(yīng)用，多年來一直受到研究人員的高度重視。然而，目前使用的上千種圖像分割算

5、法大都是針對具體問題所提出的，雖然每年都有新的圖像分割算法提出，但是并沒有一種通用的算法能適用于所有的圖像分割處理?；趨^(qū)域的圖像分割算法是圖像分割算法中較常用的一部分。本文對基于區(qū)域的圖像分割算法作以系統(tǒng)的分類和基本的介紹，并分析出各算法的優(yōu)缺點(diǎn)。根據(jù)圖像分割的處理方式不同，可以將基于區(qū)域的圖像分割算法分為以下三大類：（1）閾值法（2）區(qū)域生長和分裂合并（3）基于統(tǒng)裂合并算法的優(yōu)點(diǎn)是不需要預(yù)先指定種子點(diǎn)。缺點(diǎn)是分裂合并算法可能會使分割

6、區(qū)域的邊界被破壞。3基于統(tǒng)計學(xué)的算法基于統(tǒng)計學(xué)的算法統(tǒng)計學(xué)方法的實(shí)質(zhì)是從統(tǒng)計學(xué)的角度出發(fā)對數(shù)字圖像進(jìn)行建模，把圖像中各個像素點(diǎn)的灰度值看作是具有一定概率分布的隨機(jī)變量。從觀察到的圖像中恢復(fù)實(shí)際物體或正確分割觀察的圖像。從統(tǒng)計學(xué)的角度來看就是要找出最有可能，即以最大的概率得到該圖像的物體組合來。從貝葉斯定理的角度看，就是求出具有最大后驗概率的分布[8]。常用的統(tǒng)計學(xué)方法包括分類器和聚類、基于隨機(jī)場的方法、混合分布法和隱含馬爾科夫模型HMM

7、(HiddenMarkovamodels)等等。3.1分類器和聚類[9]分類是模式識別領(lǐng)域中一種基本的統(tǒng)計分析方法。分類的目的是利用己知的訓(xùn)練樣本集在圖像的特征空間找到點(diǎn)(1D)、曲線(2D)、曲面(3D)或超曲面(多維)，從而實(shí)現(xiàn)對圖像的劃分。用分類器進(jìn)行分割是一種有監(jiān)督的統(tǒng)計方法，它需要用手工分割所得到的樣本集作為對新的圖像進(jìn)行自動分割的參考。分類器分為非參數(shù)(nonparametric)分類器和參數(shù)(parametric)分類器兩

8、種。典型的非參數(shù)分類器包括K近鄰(KNN)以及Parzen窗(一種投票分類器)，它們對圖像數(shù)據(jù)的統(tǒng)計結(jié)構(gòu)沒有要求。參數(shù)分類器的代表是Byes分類器，它是假定圖像的概率密度函數(shù)要符合高斯獨(dú)立分布。聚類算法[10]與分類器算法極為類似，只是它不需要訓(xùn)練樣本，因此聚類是一種無監(jiān)督的(unsupervised)統(tǒng)計方法。因為沒有訓(xùn)練樣本集，聚類算法迭代地執(zhí)行圖像分類和提取各類的特征值。從某種意義上說，聚類是一種自我訓(xùn)練的分類。其中，K均值、模糊

9、C均值(FuzzyMeans)EM(ExpectationMaximization)和分層聚類方法是常用的聚類算法。K均值算法先對當(dāng)前的每一類求均值，然后按均值對像素進(jìn)行重新分類(將像素歸入均值最近的類)，對新生成的類再迭代執(zhí)行前面的步驟。模糊C均值算法從模糊集合理論的角度對K均值進(jìn)行了推廣。EM算法把圖像中每一個像素的灰度值看作是幾個概率分布(一般用G過一系列連續(xù)合并和分裂完成，聚類過程可以用一個類似樹的結(jié)構(gòu)來表示。分類的優(yōu)點(diǎn)是不需要