论文部分内容阅读
1、概述
图像分割是图像处理中的一项关键技术，自20世紀70年代起一直受到人们的高度重视，是由图像处理到进一步图像分析的关键步骤，也是一种基本的计算机视觉技术。人们在对图像的研究和应用中，往往对图像中的某些部分感兴趣，这些部分常被称为目标或前景（其他部分称为背景）。
2、技术分支及发展状况
根据对图像分割背景的了解以及专利文献的解读，确定本文将主要研究的技术分支分为：基于边缘的分割、基于区域的分割、其他图像分割方法。
2.1基于边缘的分割
基于边缘的分割方法主要基于图像灰度级的不连续性，通过检测不同均匀区域之间的边界来实现。边缘总是以强度突变的形式出现，或者说不同区域之间像素灰度值变化比较剧烈的地段；根据数学有关知识，这类方法一般采用图像一阶导数极值和二阶导数过零点信息作为边缘点的判断依据。边缘检测方法常常依赖于边缘检测算子，从而找到图像边缘；常用的检测算子有：Roberts算子（精度高、对噪声敏感）、Sobel算子（对噪声具有一定平滑，但精度低）、Prewitt算子、Canny算子（检测阶跃型边缘效果好，抗噪强）、Laplacian算子和Marr算子（即LOG算子，算法简单，速度快、但对噪声敏感）。
随着图像分割的应用领域越来越广泛，单一的分割方法已经难以满足分割图像的分割要求，基于边缘的分割方法也如此。由此产生多种边缘检测方法结合的图像分割方法，如申请日为20051229，公开号为CN1794262 A的申请。同时，随着图像处理技术的不断发展，一些新的边缘检测方法逐渐提出。如申请日为201105012，公开号为CN102184529 A的申请，其公开了一种基于经验模态分解的边缘检测方法。又如申请日为20140806，公开号为CN104156956 A的申请，其公开了一种基于高斯小波一维峰值识别的多角度边缘检测方法。通过这些专利申请的分析可以看到随着技术的发展以及图像处理需求的变化，基于边缘的分割技术越来越成熟并分割的鲁棒性也不断的提高。
2.2基于区域的分割
由于处于非边缘的像素具有相同的颜色特征，所以基于区域的分割方法通常将这些像素点当做一个子区域考虑，然后再对多个相似的子区域进行合并，从而去对图像进行分割。该类方法通常分为区域生长和分裂合并与像素特征聚类两类方法。
（1）区域生长和分裂合并
早期基于区域的分割方法比较简单，主要是利用区域生长法是从单个种子像素开始不断接纳新像素最后到整个区域，以此得到分割结果。如申请日为199301129，公开号为WO9514966 A1的申请，其公开了一种医学图像物体分割方法，包括去噪，局部灰度值范围确定，修正全局直方图分析，区域生长和物体分割步骤。该方法以简单的区域生长法进行图像分割，效率较高，但分割结果存在较大误差。
后续的基于区域的分割引入了区域分裂和合并法。如申请日为20031017，公开号为CN1497494 A的申请，其公开了用于低景深图像分割的方法；又如申请日为20150212，公开号为CN104657995 A的申请，其公开了利用区域分裂技术的遥感影像分割方法。在一些基于区域生长、分裂和合并的图像分割方法中，融合了这三种方法，是的分割结果更加准确。如申请日为20160714，公开号为CN106203451 A的申请，其公开了一种图像区域特征提取及特征匹配的方法。
（2）像素特征聚类
所谓聚类（Clustering）就是将物体或者抽象的对象进行集合、分组，成为由类似对象组成的多个类的过程。K均值、模糊C均值（FuzzyC-Means）， EM（Expectation-Maximization）和分层聚类方法是常用的聚类算法。K均值算法先对当前的每一类求均值，然后按均值对像素进行重新分类（将像素归入均值最近的类），对新生成的类再迭代执行前面的步骤。模糊C均值算法从模糊集合理论的角度对K均值进行了推广。EM算法把图像中每一个像素的灰度值看作是几个概率分布（一般用Gaussian分布）按一定比例的混合，通过优化基于最大后验概率的目标函数来估计这几个概率分布的参数和它们之间的混合比例。分层聚类方法通过一系列连续合并和分裂完成，聚类过程可以用一个类似树的结构来表示。
如申请日为19961223，公开号为WO9828710 A1的申请，其公开了一种医学图像分割方法，包括产生灰度直方图数据，采用快速模糊C均值聚类对灰度直方图数据进行聚类，再将聚类结果输出显示。对单一的特征进行聚类往往分割误差较大，因此，技术开始发展为对不同空间、不同特征进行多次聚类，获得最终的分割结果。如申请日为20020325，公开号为CN1367468 A的申请，其公开了基于k-均值聚类及信息融合的角膜病灶图像分割方法。由于基本聚类方法的局限性，人们提出了一些更高层次的聚类方法，并应用到图像分割领域当中。
1.3其他图像分割方法
除了基于边缘的图像分割和基于区域的图像分割外，在图像处理中还存在着其他一些常用的其他的图像分割方法，如基于形态学的图像分割、基于图切的图像分割、基于阈值的图像分割等。这些方法在图像分割中同样占有非常重要的地位。该部分将着重对基于阈值的图像分割、基于形态学的图像分割和基于图切的图像分割进行介绍。
（1）基于阈值的图像分割
阈值分割就是寻找一个灰度值，将图像中每个像素的灰度值与之比较，根据比较结果对图像进行分割，阈值算法的核心问题就是如何找出这个灰度值（称为最佳阈值）对图像进行二值化。随着基于阈值的图像分割算法应用越来越广泛，对阈值的图像分割算法改进处理，以解决图像分割不准确的问题。如清华大学于20060818日提出的申请号为200610112441.6的专利申请中，在分割舌头图像的舌质和舌苔，首先进行分裂合并处理，然后采用Ostu法对分裂合并的图像进行分割，区分舌质和舌苔部分，这样基于分裂合并的Ostu分割方法能够提高分割精确度。国农业大学于20080704日提出的申请号为：200810116172.X的专利申请中，采用修正的Ostu法对增强后的棉花异性纤维图像进行二值化分割的图像分割，该改进的Ostu法，将阈值搜索范围缩减到某个合理的范围内，然后通过搜索具有最大类间差的灰度级来确定分割阈值，从而在计算最佳分割阈值这一环节，减少搜索时间，提高计算速度。
（2）基于形态学的图像分割
传统的形态学分割算法即分水岭算法。分水岭算法是一种基于数学形态学的很有效的区域图像分割技术，它最初是Digabel和Lantujoul引入图像处理领域，用于分析简单的二值图像。分水岭算法是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每个领域都有它的局部极小值，每一个局部极小值及其影响区域称为集水盆地，而集水盆地的边界则形成分水岭。中国科学院自动化研究所于20020724日提交的专利申请02126555.0，公开了一种基于水平集和分水岭方法的医学图像分割方法；西门子共同研究公司于20050311日提交了专利申请200510052784.3，公开了一种将分水岭算子应用于医学图像的结构分割。由于受噪声和平坦区域内部细密纹理的影像，分水岭算法的局部极值过多，容易产生过分割的问题。针对传统的形态学分割算法存在的过分割问题，出现了很多基于分水岭的改进算法，如基于标记的分水岭分割算法和基于小波的分水岭分割算法等等。
3、结语
本文通过基于边缘的分割、基于区域的分割、其他图像分割方法三个方向分析图像分割的专利申请情况，在分析过程中可以直观了解到图像分割技术的发展脉络。
图像分割是图像处理中的一项关键技术，自20世紀70年代起一直受到人们的高度重视，是由图像处理到进一步图像分析的关键步骤，也是一种基本的计算机视觉技术。人们在对图像的研究和应用中，往往对图像中的某些部分感兴趣，这些部分常被称为目标或前景（其他部分称为背景）。
2、技术分支及发展状况
根据对图像分割背景的了解以及专利文献的解读，确定本文将主要研究的技术分支分为：基于边缘的分割、基于区域的分割、其他图像分割方法。
2.1基于边缘的分割
基于边缘的分割方法主要基于图像灰度级的不连续性，通过检测不同均匀区域之间的边界来实现。边缘总是以强度突变的形式出现，或者说不同区域之间像素灰度值变化比较剧烈的地段；根据数学有关知识，这类方法一般采用图像一阶导数极值和二阶导数过零点信息作为边缘点的判断依据。边缘检测方法常常依赖于边缘检测算子，从而找到图像边缘；常用的检测算子有：Roberts算子（精度高、对噪声敏感）、Sobel算子（对噪声具有一定平滑，但精度低）、Prewitt算子、Canny算子（检测阶跃型边缘效果好，抗噪强）、Laplacian算子和Marr算子（即LOG算子，算法简单，速度快、但对噪声敏感）。
随着图像分割的应用领域越来越广泛，单一的分割方法已经难以满足分割图像的分割要求，基于边缘的分割方法也如此。由此产生多种边缘检测方法结合的图像分割方法，如申请日为20051229，公开号为CN1794262 A的申请。同时，随着图像处理技术的不断发展，一些新的边缘检测方法逐渐提出。如申请日为201105012，公开号为CN102184529 A的申请，其公开了一种基于经验模态分解的边缘检测方法。又如申请日为20140806，公开号为CN104156956 A的申请，其公开了一种基于高斯小波一维峰值识别的多角度边缘检测方法。通过这些专利申请的分析可以看到随着技术的发展以及图像处理需求的变化，基于边缘的分割技术越来越成熟并分割的鲁棒性也不断的提高。
2.2基于区域的分割
由于处于非边缘的像素具有相同的颜色特征，所以基于区域的分割方法通常将这些像素点当做一个子区域考虑，然后再对多个相似的子区域进行合并，从而去对图像进行分割。该类方法通常分为区域生长和分裂合并与像素特征聚类两类方法。
（1）区域生长和分裂合并
早期基于区域的分割方法比较简单，主要是利用区域生长法是从单个种子像素开始不断接纳新像素最后到整个区域，以此得到分割结果。如申请日为199301129，公开号为WO9514966 A1的申请，其公开了一种医学图像物体分割方法，包括去噪，局部灰度值范围确定，修正全局直方图分析，区域生长和物体分割步骤。该方法以简单的区域生长法进行图像分割，效率较高，但分割结果存在较大误差。
后续的基于区域的分割引入了区域分裂和合并法。如申请日为20031017，公开号为CN1497494 A的申请，其公开了用于低景深图像分割的方法；又如申请日为20150212，公开号为CN104657995 A的申请，其公开了利用区域分裂技术的遥感影像分割方法。在一些基于区域生长、分裂和合并的图像分割方法中，融合了这三种方法，是的分割结果更加准确。如申请日为20160714，公开号为CN106203451 A的申请，其公开了一种图像区域特征提取及特征匹配的方法。
（2）像素特征聚类
所谓聚类（Clustering）就是将物体或者抽象的对象进行集合、分组，成为由类似对象组成的多个类的过程。K均值、模糊C均值（FuzzyC-Means）， EM（Expectation-Maximization）和分层聚类方法是常用的聚类算法。K均值算法先对当前的每一类求均值，然后按均值对像素进行重新分类（将像素归入均值最近的类），对新生成的类再迭代执行前面的步骤。模糊C均值算法从模糊集合理论的角度对K均值进行了推广。EM算法把图像中每一个像素的灰度值看作是几个概率分布（一般用Gaussian分布）按一定比例的混合，通过优化基于最大后验概率的目标函数来估计这几个概率分布的参数和它们之间的混合比例。分层聚类方法通过一系列连续合并和分裂完成，聚类过程可以用一个类似树的结构来表示。
如申请日为19961223，公开号为WO9828710 A1的申请，其公开了一种医学图像分割方法，包括产生灰度直方图数据，采用快速模糊C均值聚类对灰度直方图数据进行聚类，再将聚类结果输出显示。对单一的特征进行聚类往往分割误差较大，因此，技术开始发展为对不同空间、不同特征进行多次聚类，获得最终的分割结果。如申请日为20020325，公开号为CN1367468 A的申请，其公开了基于k-均值聚类及信息融合的角膜病灶图像分割方法。由于基本聚类方法的局限性，人们提出了一些更高层次的聚类方法，并应用到图像分割领域当中。
1.3其他图像分割方法
除了基于边缘的图像分割和基于区域的图像分割外，在图像处理中还存在着其他一些常用的其他的图像分割方法，如基于形态学的图像分割、基于图切的图像分割、基于阈值的图像分割等。这些方法在图像分割中同样占有非常重要的地位。该部分将着重对基于阈值的图像分割、基于形态学的图像分割和基于图切的图像分割进行介绍。
（1）基于阈值的图像分割
阈值分割就是寻找一个灰度值，将图像中每个像素的灰度值与之比较，根据比较结果对图像进行分割，阈值算法的核心问题就是如何找出这个灰度值（称为最佳阈值）对图像进行二值化。随着基于阈值的图像分割算法应用越来越广泛，对阈值的图像分割算法改进处理，以解决图像分割不准确的问题。如清华大学于20060818日提出的申请号为200610112441.6的专利申请中，在分割舌头图像的舌质和舌苔，首先进行分裂合并处理，然后采用Ostu法对分裂合并的图像进行分割，区分舌质和舌苔部分，这样基于分裂合并的Ostu分割方法能够提高分割精确度。国农业大学于20080704日提出的申请号为：200810116172.X的专利申请中，采用修正的Ostu法对增强后的棉花异性纤维图像进行二值化分割的图像分割，该改进的Ostu法，将阈值搜索范围缩减到某个合理的范围内，然后通过搜索具有最大类间差的灰度级来确定分割阈值，从而在计算最佳分割阈值这一环节，减少搜索时间，提高计算速度。
（2）基于形态学的图像分割
传统的形态学分割算法即分水岭算法。分水岭算法是一种基于数学形态学的很有效的区域图像分割技术，它最初是Digabel和Lantujoul引入图像处理领域，用于分析简单的二值图像。分水岭算法是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每个领域都有它的局部极小值，每一个局部极小值及其影响区域称为集水盆地，而集水盆地的边界则形成分水岭。中国科学院自动化研究所于20020724日提交的专利申请02126555.0，公开了一种基于水平集和分水岭方法的医学图像分割方法；西门子共同研究公司于20050311日提交了专利申请200510052784.3，公开了一种将分水岭算子应用于医学图像的结构分割。由于受噪声和平坦区域内部细密纹理的影像，分水岭算法的局部极值过多，容易产生过分割的问题。针对传统的形态学分割算法存在的过分割问题，出现了很多基于分水岭的改进算法，如基于标记的分水岭分割算法和基于小波的分水岭分割算法等等。
3、结语
本文通过基于边缘的分割、基于区域的分割、其他图像分割方法三个方向分析图像分割的专利申请情况，在分析过程中可以直观了解到图像分割技术的发展脉络。