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(jì)算機(jī)視覺(jué)的基本問(wèn)題之一，是圖像處理和圖像分析的關(guān)鍵步驟。本文對(duì)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(zhǎng)和分裂合并法、基于統(tǒng)計(jì)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(zhǎng)，分裂合并，統(tǒng)計(jì)學(xué)算法SurveyofImageSegmentationMethodBasedonRe

2、gionAbstract:Imagesegmentationisoneofbasicproblemsinimageprocessingcomputervisionisakeystepinimageprocessingimageanalysis.Theimagesegmentationmethodsbasedonregionaresurveyedhereincludingthreemethodsaboutthresholdingregio

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

4、見(jiàn)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(shì)及方向。對(duì)于以后算法的優(yōu)化與分析做好鋪墊。可行性討論：可行性討論：這篇文章討論的數(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(jì)過(guò)程設(shè)計(jì)過(guò)程圖像分割是數(shù)字圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，在許多領(lǐng)域均有所應(yīng)用，多年來(lái)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(duì)具體問(wèn)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(méi)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(duì)基于區(qū)域的圖像分割算法作以系統(tǒng)的分類(lèi)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(lèi)：（1）閾值法（2）區(qū)域生長(zhǎng)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(huì)使分割

6、區(qū)域的邊界被破壞。3基于統(tǒng)計(jì)學(xué)的算法基于統(tǒng)計(jì)學(xué)的算法統(tǒng)計(jì)學(xué)方法的實(shí)質(zhì)是從統(tǒng)計(jì)學(xué)的角度出發(fā)對(duì)數(shù)字圖像進(jìn)行建模，把圖像中各個(gè)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(guān)察到的圖像中恢復(fù)實(shí)際物體或正確分割觀(guān)察的圖像。從統(tǒng)計(jì)學(xué)的角度來(lái)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(lái)。從貝葉斯定理的角度看，就是求出具有最大后驗(yàn)概率的分布[8]。常用的統(tǒng)計(jì)學(xué)方法包括分類(lèi)器和聚類(lèi)、基于隨機(jī)場(chǎng)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(lèi)器和聚類(lèi)[9]分類(lèi)是模式識(shí)別領(lǐng)域中一種基本的統(tǒng)計(jì)分析方法。分類(lèi)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(xiàn)(2D)、曲面(3D)或超曲面(多維)，從而實(shí)現(xiàn)對(duì)圖像的劃分。用分類(lèi)器進(jìn)行分割是一種有監(jiān)督的統(tǒng)計(jì)方法，它需要用手工分割所得到的樣本集作為對(duì)新的圖像進(jìn)行自動(dòng)分割的參考。分類(lèi)器分為非參數(shù)(nonparametric)分類(lèi)器和參數(shù)(parametric)分類(lèi)器兩

8、種。典型的非參數(shù)分類(lèi)器包括K近鄰(KNN)以及Parzen窗(一種投票分類(lèi)器)，它們對(duì)圖像數(shù)據(jù)的統(tǒng)計(jì)結(jié)構(gòu)沒(méi)有要求。參數(shù)分類(lèi)器的代表是Byes分類(lèi)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(lèi)算法[10]與分類(lèi)器算法極為類(lèi)似，只是它不需要訓(xùn)練樣本，因此聚類(lèi)是一種無(wú)監(jiān)督的(unsupervised)統(tǒng)計(jì)方法。因?yàn)闆](méi)有訓(xùn)練樣本集，聚類(lèi)算法迭代地執(zhí)行圖像分類(lèi)和提取各類(lèi)的特征值。從某種意義上說(shuō)，聚類(lèi)是一種自我訓(xùn)練的分類(lèi)。其中，K均值、模糊

9、C均值(FuzzyMeans)EM(ExpectationMaximization)和分層聚類(lèi)方法是常用的聚類(lèi)算法。K均值算法先對(duì)當(dāng)前的每一類(lèi)求均值，然后按均值對(duì)像素進(jìn)行重新分類(lèi)(將像素歸入均值最近的類(lèi))，對(duì)新生成的類(lèi)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(duì)K均值進(jìn)行了推廣。EM算法把圖像中每一個(gè)像素的灰度值看作是幾個(gè)概率分布(一般用G過(guò)一系列連續(xù)合并和分裂完成，聚類(lèi)過(guò)程可以用一個(gè)類(lèi)似樹(shù)的結(jié)構(gòu)來(lái)表示。分類(lèi)的優(yōu)點(diǎn)是不需要