图像分割是个广义的概念,包括图像处理中狭义的分割,即将图像特定性质的区域分离开的技术,还包括对图像中目标物体与其它背景物体的分离技术,尤其是后者一直是一个图像处理和计算机视觉领域中的基本难题。在这些领域中,分割都是重要的图像分析技术,为物体识别、图像各种度量和图像的理解等提供定量依据,在静态和动态图像信息处理中有广泛的应用。人们往往感兴趣的图像区域只是特定的部分,其中,物体分割特指将语义上的目标物体区域或对象从背景中分割出来,传统的狭义图像分割更多的是提取特征相似或特定特征的区域,受复杂的背景和各种成像干扰影响,特定特征的区域有时难以确定,最困难的还是来自物体内部较大的特征差异,狭义图像分割难以将物体从背景区分开来。这样导致依靠图像中特定目标的后续计算工作没有建立很好的基础,造成物体识别、测量等方面的困难。和其它的图像处理、计算机视觉技术一样,图像分割的技术也从与其它学科的交叉中获得发展。其中,联系较密切的是视觉感知系统的心理和生理研究。生物的视觉感知系统具有非常优秀的信息处理机制,是生物进化的完美结果,对物体与背景的分离轻而易举,对物体的识别判断准确快速。受到生物视觉系统的启发,许多研究都在寻找一种机器智能计算与生物活动的对应联系,以求将计算机的处理流程不断优化。本文从视觉感知启发的角度认识分割,并借鉴生物视觉活动的流程,对分割技术的分类和发展思路作了一定的分析,研究了与两个典型视觉活动流程相关的分割技术,即自底向上(Bottom-up)分割和自顶向下(Top-down)分割,在这两个方面作了一定的创新研究。与本文有关的视觉感知启发包括多尺度分析,注意机制和Top-down & Bottom-up分割识别一体化流程。涉及的主要计算机技术领域包括非线性尺度空间的建立和分割应用,基于注意机制和区域竞争的图像分割和层次化Top-down和Bottom-up结合的物体分割体系。还涉及的其它Bottom-up技术还包括水平集分割方法。现在图像分割领域新发展的自顶向下(Top-down)分割技术就是将物体的分割引入到物体识别的范畴,与Bottom-up分割技术互补,视觉通路中的对照的是视觉神经反馈和前馈回路,主要是通过建立先验知识和物体模型,以模型驱动图像分割,模仿生物认知高级活动的预测和决策功能。针对上面提到的分割所面临的复杂情况,跳出Bottom-up分割技术最常见的聚类技术的局限,发展到以物体的种类为基本特征单元,完成物体识别和分割同步协调的渐进处理流程。本文的主要工作是从新的角度建立物体的树结构层次表示模型,树结点是含局部特征的碎片或其子碎片,模型含有形状,表面和位置等信息。训练学习阶段中,提取碎片的标准包括常见的按形状和表面灰度特点,还包括对物体的拓扑结构分析求得物体骨架,本文创新地建立一套以骨架为标准的碎片提取方法和碎片匹配方法,将碎片与图像匹配,获得物体的形状、位置等估计,形成物体的Top-down相似程度图。对物体估计,除了Top-down结果,还需配合按通常Bottom-up分割方法求出图像区域的相似程度图,共同构成总的物体的估计图完成分割。面对外部环境中物体有繁简和疏密的差异,视觉系统应对的方法是多尺度、多分辨率地描述物体特征,提高感知的稳定性。这个特点很早地被图像处理的研究工作者注意到,并形成以尺度空间为代表的图像多尺度分析,给图像处理带来一种主要的技术手段,几乎是所有图像分割都考虑的环节。尺度空间分线性和非线性两种,实现方法有线性和非线性滤波,程度不同的滤波可以对应不同程度的尺度。采用各向异性的非线性滤波可以保持边界结构进而保持物体形状,这样可以建立起非线性尺度空间,逐层地描述物体的整体结构和细致结构。本文工作之一是建立一种快速非线性尺度空间的构造方法,更好地为多尺度分割提供图像结构信息。与以往的全变分模型不同,本文研究了尺度参数选择问题,提出尺度全变分概念,修改全变分的算法,将尺度的选择从扩散时间延伸到扩散空间,根据结构张量,定义了变化空间域的散度计算的新概念,形成以大小逐级变化的滤波邻域为参数。克服以往尺度局限在时间参数上时迭代次数会很长的缺点,现改为的空间尺度,加快滤波处理,也符合尺度概念的常识。本文介绍了滤波方法构建尺度空间的基础,分析尺度参数的选择,设计多尺度处理新方法,分析了停止条件,以在多尺度基础上的图像分割和光滑为应用,说明尺度全变分的优点和不足。基于区域的分割一个特点是设定种子点,例如,相关的技术有模糊连接度方法,这已成为医学图像分割的实用方法,但其中比较困难的步骤是设定多种子点,目前自动给定的手段还不是很有效。如果不作显性设置,则需要同时对分割目标和背景考虑,判断像素是否属于目标还是背景,实际上是隐性设置种子点。尽管种子点的提取或设定可以用很多的定量标准,但从视觉注意的机制定量分析还不多见。经过从视觉活动的规律分析,本文借助视觉注意机制对物体区域的感知,设计注意模型引导物体的正确识别,即可以将物体与背景分割开来。本文工作之一是将种子点等价于视觉特征显著点,提出了视觉注意模型引导下种子点给定的新方法。通过研究显著点定位与图像特征概率密度估计之间的关系,引入新的视觉特征估计地图,构造了注意计算模型,采用无阈值方法定位各类物体的视觉显著点并用于引导区域增长方式的图像分割。新的注意计算模型的定量描述能力较以往的模型有很大提高,适用于处理模糊图像。新方法能完全自动定位种子点,有效分割图像,提高准确率。多种子点之间引入的竞争策略加快了图像分割中的区域增长处理过程。近年来发展的水平集分割来自主动轮廓模型方法,是经典的分割方法,主动轮廓模型本来就是一种Top-down分割雏形,现在的水平集方法研究也从Bottom-up流程为主走向Top-down流程,即图像的底层特征与高层的物体统计模型结合。主动轮廓模型本身还是需要不断完善,包括Bottom-up和Top-down两个流程。当然,Top-down流程的影响作用加强,能提高目标物体分割的鲁棒性,所以水平集分割技术还是很有发展前途的。本文的工作之一主要从Bottom-up的角度研究水平集分割,对Chan-Vese模型进行改进,发展新的基于区域的水平集分割方法,针对模糊图像以及弱边界的情况,增强区域的特征对比,获得更准确的物体特征估计,解决类似弱边界的问题。强调区域的相互作用,可以将弱边界的问题转化到不同物体的分类上,实际效果是对全局性质的特征处理,避免单独区域的扩张或收缩,也避免对弱边界特征的判据只是借助局部性质。本文提出的图像分解方法和合并方法,密切配合水平集分割,引入多区域之间的竞争关系,将图像区域按类似二叉树结构不断分解形成子区域,避免一般的多区域竞争关系中区域只有合并没有分裂的问题,将多目标物体的水平集分割先变成子区域的合并和分裂过程,作为初始阶段,后续阶段再采用水平集分割的完整过程。本文对区域合并的能量判断,采用分别测量区域不同性质的特征,不同特征对应的能量变化处理也不同,避免简单采用灰度特征逼近的标准,在一定条件下,更关注区域灰度逼近程度同曲线曲率最小化的配合协调。