网站首页  词典首页

请输入您要查询的论文:

 

标题 图像分割算法的分类与研究
范文

    赵诗宇

    摘 要: 图像分割是AI领域中一个重要的分支,是机器视觉技术中关于图像理解的重要一环。近年的自动驾驶技术中,也需要用到这种技术。车载摄像头探查到图像,后台计算机可以自动将图像分割归类,以避让行人和车辆等障碍。近年来传统分割算法不断被科研工作者优化和组合,相信会有更多的分割新算法井喷而出。

    关键词: 图像分割;AI;机器视觉

    1 图像分割的数学定义

    在一幅数字图像中,每个像素点的坐标设为 x,y ,每个像素点的值与坐标的关系表示成一个二元函数f x,y 。函数值可以表示灰度图像中的灰度值;也可以表示颜色。[1]图像分割其实可以看成把图像分成若干个无重叠的子区域的过程,即有如下定义:设R是整个要分割的图像区域,将此区域分成n各自区域R1,R2,R3,…,Rn的过程就是图像分割,其中子区域Ri,满足一下五个条件:

    (1)∪ni=1Ri=R;

    (2)Ri∩Rj=,对所有Ri和Rj,i≠j;

    (3)Ri是一个连通的区域,对于i=1,2,…,n;

    (4)P Ri =TRUE,对于i=1,2,…,n;

    (5)P Ri∩Rj =FALSE,对于任意相邻区域Ri和Rj。

    由以上定义可知,(1)表示图像中任意一部分都要分割到某各自区域中。(2)表示任意两个子区域不会重叠。(3)表示子区域中的任意两个像素点能连通。(4)要求所有子区域中的像素点都符合一种特点。(5)要求任意相邻子区域中没有相同之处。

    2 常见的图像分割算法

    目前图像分割方法数量已经达到上千种。随着对图像分割的更深层次研究和其他科学领域的发展,陆续出现了许多使用新理论的图像分割算法。各种图像分割算法都有其不同理论基础,下面介绍几种常见的分割方法。

    2.1 基于阈值的图像分割算法

    阈值分割法具有易于操作、功能稳定、计算简单高效等优点。阈值分割法的基本原理是:根据图像的整体或部分信息选择阈值,把图像依据灰度级别划分。[2]如何选取合适的阈值是阈值算法最重要的问题。由于该算法直接利用灰度值,因此计算方面十分简单高效。当图像中目标与背景灰度差异大时,应使用全局阈值分割法;当图像灰度差异不大或多个目标的灰度相近时,局部阈值或动态阈值分割法会更适合。基于阈值的分割方法虽然简单高效,但也有其局限性,一方面,当图像中的灰度值差异不明显或灰度范围重叠时,可能出现过分割或欠分割的情况;另一方面,阈值方法不关心图像的空间特征和纹理特征,只考虑图像的灰度信息,抗噪性能差,导致在边界处的效果不符合预期,得到的分割效果比较差。

    2.2 基于边缘检测的图像分割算法

    边缘检测分割法,是通过检测边界来把图像分割成不同的部分。[3]在一幅图像中,不同区域的边缘通常是灰度值剧烈变化的地方,边缘检测分割法就是根据灰度突变来进行图像分割的。基于边缘检测分割方法按照执行顺序的差异可分为两种,即串行边缘分割技术以及并行边缘分割技术。基于边缘检测分割方法重点是如何权衡进行检测时的抗噪性能和精度。若提高该方法检测精度,噪声引起的伪边缘会影响图像得到过多的分割结果;然而,若提高该方法抗噪性,会使得轮廓处的结果精度不高。因此研究人员在实际应用的时候,需要综合考虑检测精度与抗噪性能的相互作用进行取舍,这是边缘检测法的关键部分。边缘检测法优点是运算快,边缘定位准确;其缺点是抗噪性能差,因而在划分复杂图像时非常容易导致边缘不连续、边缘丢失或边缘模糊等问题,边缘的封闭性和连续性难以保证。

    2.3 基于区域的图像分割算法

    基于区域的图像分割原理是连通含有相似特点的像素点,最终组合成分割结果。基于區域的图像分割主要利用图像局部空间信息,能够很好地避免其他算法图像分割空间小的缺陷。域分割算法包括区域生长法以及区域分离与合并法。[4]区域生长法的总体思想是,依据某种相似性标准,不停地把符合此标准的相邻像素点加入到同一区域,最终得到目标区域。在分割过程中种子点位置选取非常重要,直接影响分割结果优劣。

    2.4 基于神经网络技术的图像分割算法

    利用神经网络进行图像分割的基本原理是这样的:将样本图像数据用来训练多层感知机,最终得到决策函数,进而用获得的决策函数对图像像素进行分类得到分割的结果。根据具体方法所处理的数据类别的不同,可以分为基于图像像素数据的神经网络分割算法和基于图像特征数据的神经网络分割算法。因为前者使用高维度的原始图像作为训练数据,而后者利用图像特征信息,所以前者拥有更多能够使用的图像信息。前者对每个像素进行单独处理,由于数据量大并且数据维度高,所以使计算速度难以提高,如果用于处理实时数据则效果并不理想。[5]总而言之,神经网络是由许多模拟生物神经的处理单元相互连接而成的结构,因它 有巨大的互连结构和分布式的处理单元,所以系统拥有很好的并行性和健壮性,同时系统较为复杂,运算速度较慢。

    3 结语

    本文针对目前主要的一些图像分割方法进行了综述,包括多阈值分割方法、边缘检测分割方法、基于区域分割方法、神经网络分割方等。由于应用场合 不同,所需分割的图像要求也有所不同,所以分割算法多种多样,但至今不存在一个通用的算法。下一步的研究方向是找出一种能够通用且鲁棒性较好的分割方法。

    参考文献:

    [1]杨红亚,赵景秀,徐冠华,etal.彩色图像分割方法综述[J].软件导刊,2018(4).

    [2]赵祥宇,陈沫涵.基于聚类的图像分割方法综述[J].信息技术,2018(6).

    [3]刘汉强,赵静.基于半监督的超像素谱聚类彩色图像分割算法[J].计算机工程与应用,2018(14).

    [4]潘晓航.医学图像分割方法[J].电子技术与软件工程,2018(11).

    [5]刘立波,程晓龙,赖军臣.基于改进全卷积网络的棉田冠层图像分割方法[J].农业工程学报,2018,34(12):193-201.

随便看

 

科学优质学术资源、百科知识分享平台,免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。

 

Copyright © 2004-2023 puapp.net All Rights Reserved
更新时间:2025/3/16 16:51:52