结合特定工具的图像分割算法 - 图像分割评价方法研究

　　结合特定工具的图像分割算法

　　基于小波分析和小波变换的图像分割方法

　　小波变换是近年来得到广泛应用的数学工具，它在时域和频域都具有良好的局部化性质，能将时域和频域统一于一体来研究信号。而且小波变换具有多尺度特性，能够在不同尺度上对信号进行分析，因此在图像分割方面得到了应用。

　　二进小波变换具有检测二元函数的局部突变能力，因此可作为图像边缘检测工具。图像的边缘出现在图像局部灰度不连续处，对应于二进小波变换的模极大值点。通过检测小波变换模极大值点可以确定图像的边缘小波变换位于各个尺度上，而每个尺度上的小波变换都能提供一定的边缘信息，因此可进行多尺度边缘检测来得到比较理想的图像边缘。图4是运用小波变换方法对图像进行的有效分割。

　　

　　另外，将小波方法与其他方法结合起来处理图像分割也得到广泛研究。文献［8］提出把Hilbert图像扫描方法和小波变换相结合，获得了连续光滑的阀值曲线，从而建立了一种局部自适应阀值法进行图像分割。

　　基于马儿可夫随机场模型的图像分割方法

　　马儿可夫随机场（Markov Random Field）方法建立在马尔可夫模型和Bayes理论基础上，根据统计决策和估计理论中的最优化准则确定分割问题的目标函数，求解满足这些约束条件下的最大可能分布，从而将分割问题转化为优化问题。MRF最重要的一个特点是，图像中每个点的取值由其领域像素决定，其本质上是一种基于局部区域的分割方法。

　　如果我们把图像理解为定义在矩形点阵上的随即过程，则Markov性很好的描述了各个像素之间的空间依赖性，即一个像素可以由它周围的像素确定。而事实表明，图像像素的这种空间相关性总是存在的。因此可以使用马尔可夫随机场对图像进行建模。文献［9］讨论了基于马尔可夫随机场的图像分割方法，建立了相应的基于马尔可夫随机场的图像分割模型，以实现复杂遥感图像的快速分割，并由此将图像分割问题转化为图像标记问题，进而转化成求解图像的最大后验概率估计的问题。利用此方法得到的效果图如图5、6所示：

　　

　　基于遗传算法的图像分割方法

　　遗传算法（Genetic Algorithms，简称GA）是1973年由美国教授Holland提出的，是一种借鉴生物界自然选择和自然遗传机制的随机化搜索算法。是仿生学在数学领域的应用。其基本思想是，模拟由一些基因串控制的生物群体的进化过程，把该过程的原理应用到搜索算法中，以提高寻优的速度和质量。此算法的搜索过程不直接作用在变量上，而是在参数集进行了编码的个体，这使得遗传算法可直接对结构对象（图像）进行操作。整个搜索过程是从一组解迭代到另一组解，采用同时处理群体中多个个体的方法，降低了陷入局部最优解的可能性，并易于并行化。搜索过程采用概率的变迁规则来指导搜索方向，而不采用确定性搜索规则，而且对搜索空间没有任何特殊要求（如连通性、凸性等），只利用适应性信息，不需要导数等其他辅助信息，适应范围广。

　　遗传算法擅长于全局搜索，但局部搜索能力不足，所以常把遗传算法和其他算法结合起来应用。将遗传算法运用到图像处理主要是考虑到遗传算法具有与问题领域无关且快速随机的搜索能力。其搜索从群体出发，具有潜在的并行性，可以进行多个个体的同时比较，能有效的加快图像处理的速度。但是遗传算法也有其缺点：搜索所使用的评价函数的设计、初始种群的选择有一定的依赖性等。要是能够结合一些启发算法进行改进且遗传算法的并行机制的潜力得到充分的利用，这是当前遗传算法在图像处理中的一个研究热点。

　　基于人工智能的图像分割方法

　　基于人工神经网络的图像分割方法

　　在20世纪80年代后期，在图像处理、模式识别和计算机视觉的主流领域，受到人工智能发展的影响，出现了将更高层次的推理机制用于识别系统的做法，于是出现了基于人工神经网络模型（Artificial Neural Networks， ANN）的图像分割方法。人工神经网络是由大规模神经元互联组成的高度非线性动力系统，是在认识、理解人脑组织机构和运行机制的基础上模拟其结构和智能行为的一种工程系统。

　　基于神经网络分割的基本思想是：通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。近几年神经网络在图像分割中的应用按照处理数据类型大致上可以分为两类：一类是基于像素数据的神经网络算法；另一类是基于特征数据的神经网络算法也即特征空间的聚类分割方法。基于像素数据分割的神经网络算法用高维的原始图像数据作为神经网络训练样本，比起基于特征数据的算法能够提供更多的图像信息，但是各个像素是独立处理的，缺乏一定的拓扑结构而且数据量大，计算速度非常慢，不适合实时数据处理。目前有很多神经网络算法是基于像素进行图像分割的，如Hopfield神经网络、细胞神经网络、概率自适应神经网络等。

　　随着技术的不断发展，第三代脉冲耦合网络PCNN的研究，为图像分割提供了新的处理模式，它能克服图像中物体灰度范围值有较大重叠的不利影响，达到较好的分割效果。

　　基于聚类的分割方法

　　对灰度图像和彩色图像中的相似灰度或色度合并的方法称之为聚类，通过聚类将图像表示为不同区域即所谓的聚类分割方法。此方法的实质是将图像分割问题转化为模式识别的聚类分析，如k均值、参数密度估计、非参数密度估计等方法都能用于图像分割。实际中受到普遍欢迎的是基于目标函数的模糊C-均值算法（Fuzzy C-Means），简称FCM。由Bezdek于1981年提出，利用初始化方法确定聚类中心、聚类数，通过不断迭代循环，调整和优化聚类中心，最终使类内方差达到最小，从而实现聚类。

　　目前常用的还有基于支持向量机聚类、基于遗传算法聚类等以及与其他算法相结合的聚类方法。

　　基于主动轮廓模型的分割方法

　　主动轮廓模型（active contours）是图像分割的一种重要方法，具有统一的开放式的描述形式，为图像分割技术的研究和创新提供了理想的框架。在实现主动轮廓模型时，可以灵活的选择约束力、初始轮廓和作用域等，以得到更佳的分割效果，所以主动轮廓模型方法受到越来越多的关注。

　　该方法是在给定图像中利用曲线演化来检测目标的一类方法，基于此可以得到精确的边缘信息。其基本思想是，先定义初始曲线C，然后根据图像数据得到能量函数，通过最小化能量函数来引发曲线变化，使其向目标边缘逐渐逼近，最终找到目标边缘。这种动态逼近方法所求得的边缘曲线具有封闭、光滑等优点。

　　传统的主动轮廓模型大致分为参数主动轮廓模型和几何主动轮廓模型。参数主动轮廓模型将曲线或曲面的形变以参数化形式表达，Kass等人提出了经典的参数活动轮廓模型即“Snake”模型［10］，其中Snake定义为能量极小化的样条曲线，它在来自曲线自身的内力和来自图像数据的外力的共同作用下移动到感兴趣的边缘，内力用于约束曲线形状，而外力则引导曲线到特征此边缘。参数主动轮廓模型的特点是将初始曲线置于目标区域附近，无需人为设定曲线的的演化是收缩或膨胀，其优点是能够与模型直接进行交互，且模型表达紧凑，实现速度快；其缺点是难以处理模型拓扑结构的变化。比如曲线的合并或分裂等。而使用水平集（level set）的几何活动轮廓方法恰好解决了这一问题。文献［11］针对Snake模型在弱边缘处容易溢出等不足，通过引入区域信息、粒子群优化算法等优化特性和良好的数值稳定性来对Snake模型的分割结果进行优化。