图像分割综述

摘 要 图像分割是把图像划分为有意义的若干区域的图像处理技术，分割技术在辅助医学诊断及运动分析、结构分析等领域都有着重要的研究价值和广泛的应用发展前景。 在阅读大量文献的基础上，本文对图像分割技术的理论基础、发展历程及图像分割方法的热点、难点问题进行了分类综述，对不同分割算法优缺点进行了和归纳，并对图像分割的发展趋势进行了初步的展望和预测。在此基础上，为了对图像分割理论有更直观的认识，本文选取并行边界算法和分水岭算法这两种方法，用MATLAB软件进行了基础的仿真，并对结果进行了分析和总结， 本文重点对一些近年来新兴的算法，比如水平集（Level-set）算法、马尔科夫随机场算法（Markov）、模糊算法、遗传算法、数学形态学算法等进行了概略性的探讨，对这些新兴算法的特点、原理、研究动态进行了分析和总结。 关键词：图像分割；边界；区域；水平集；马尔科夫 Abstract Image segmentation is an image processing technology that divides the image into a number of regions. Image segmentation has very important significance in supporting medical diagnosis, motion analysis, structural analysis and other fields. Based on recent research, a survey on the theory and development of image segmentation, hot and difficult issues in image segmentation is given in this article. And describes the characteristics of each method as well as their respective advantages and disadvantages in image segmentation .This article introduces and analyzes some basic imaging and image segmentation methods in theory and describes the development trends of medical image segmentation. To have a better understanding of image segmentation, I use MATLAB software to stimulate on images about the parallel edge algorithms and watershed algorithm. And the analysis of the segmentation results is given in the article. This article introduces and analyzes the new algorithms in recent years such as Level-set algorithm, Markov algorithm, Fuzzy algorithm, Genetic algorithm and Morphological algorithm. In this paper, the features, theory and research trends of these algorithms are analyzed and summarized. Keywords: Image segmentation; Border; Area；Level-set；Markov 第1章  引 言 1.1 图像分割的背景和重要作用 图像是传达信息的一种方式，图像中含有大量的有用信息，理解图像并从图像中抽取信息以用来完成其他工作是数字图像技术中一个重要的应用领域，而理解图像的第一步就是图像的分割。图像分割是对图像进行分析和理解的关键步骤，是数字图像处理中最重要和最基本的技术手段，是一种基本的计算机视觉技术，准确地对图像进行分割，对工程实践及量化分析都有重要的价值。其中，感兴趣目标的参数测量和特征提取等过程都是以图像分割为预处理的，图像的分割技术使得进一步的图像理解和应用成为可能。在实际工程中，研究者不是对图像的所有部分都感兴趣的，而图像分割的目的就是把图像空间分割成一些有意义的区域,从而把感兴趣的区域提取出来，以便进行进一步的图像应用和处理，因此图像分割算法的研究有着重要的理论价值和实际意义。 图像分割技术在医学、军事工程等领域中都有着广泛的应用。图像分割技术可以便于对获得的各种定量定性的图像数据进行分析,使这些数据更好的应用到工程实践中。例如在医学上，随着影像医学技术在医学中的作用越来越大，图像分割在医学应用中具有特殊的重要意义，分割技术使得人们能够获得有效的医学图像信息。分割后的图像广泛应用于病变部位诊断、术前制定、术后监测等各个重要的环节。图像分割是一个经典难题，图像分割是提取数字图像中组织信息的关键步骤，图像分割技术的发展更是决定了数字图像处理中其它相关技术的发展。而如何找到科学、准确的分割方法，使分割后的图像具有良好的分割效果，从而具有非常广泛的应用，是分割方法研究领域的重点。本文综述和讨论了图像分割技术的应用，分割技术的发展趋势、研究热点及其图像分割的评价等问题, 并重点讨论了每类分割方法的原理、特点, 展望了医学图像分割的前景和面临的挑战。 1.2 本文的安排和结构框架 本文基于如下结构展开： 第二章中介绍了图像分割的基础性理论、发展历程及应用中存在的难点问题；第三章中分析了图像分割算法的原理及特点，包括传统的分割算法和近年来新兴的分割算法，并分析了相关的研究动态；第四部分对并行边界算法和分水岭算法进行了MATLAB仿真，对仿真结果进行了分析和归纳；在第五章中进行了总结和展望，在这个部分，对上文进行了总结，并对图像分割的发展趋势和前景进行了简单的概括。 第2章  图像分割方法 本章中对图像分割的相关研究状况进行了总结，其中包括、图像分割的历史和分割算法等方面的内容，并重点对图像分割的方法进行了归纳和分析。 2.1 图像分割理论介绍 图像分割是指将图像分成具有不同特性的区域并提取出感兴趣目标的技术和过程，它是图像处理到图像分析的关键步骤，是一种基本的数字计算机视觉技术。图像分割的过程是将整个图像区域分割成若干个非空子区域，并且确保所分割后的每个子区域是内部连通的，并且不同子区域间无交叠的现象，同一区域的内部具有相同或相似的特性。即满足以下特点： (1)图像分割的结果中所有子区域的总和应等于原图像； (2)分割结果中各个子区域互不重叠； (3)分割结果中同一子区域的任意两个像素在本子区域内是相互连通的。 (4)分割结果中同一子区域的像素具有相似性； (5)分割结果中位于不同子区域的像素具有不同的特性。 待分割图像用R来表示，图像被分割成若干部分，即 ，其数学描述如下： (1) ； (2) (3) 是连通的区域, ； (4) ； (5) ; 图2-1 图像分割在数字图像技术中的位置 2.2 图像分割的发展过程 图像分割技术是一个从“手工分割”到“半自动分割”、“自动分割”的逐步发展的过程。早期的图像分割完全是靠人工来完成的，随着计算机技术的不断发展,半自动的分割方法随即应运而生，它是一种人机交互式的图像分割方法,它把操作者的主观能力和计算机高速的数据处理能力有机地结合起来，从而完成对图像的分割处理。与人工方法相比，半自动的分割方法大大减少了人的主观因素的影响,而且分割速度和精度都得到了提高，但操作者的经验和知识仍然是图像分割过程的一个重要组成部分。近年来，由于大量的新兴技术如模糊分割算法和遗传算法在图像分割领域中的应用，图像分割领域中也涌现出一些自动的分割技术，自动分割方法是由计算机实现图像分割的整个过程。近年来图像分割技术的发展重点是研究出实用的自动分割方法，并希望最终能够取代非常繁琐的人工分割和主观性很强的半自动分割。 近几年来，研究人员做了大量的工作，提出了很多实用的医学图像分割算法，本文将介绍几种传统的分割算法以及近几年提出的一些分割的新方法和新观念。 2.3 图像分割在应用发展中的难点 图像分割是提取图像中特殊组织的定量信息的不可或缺的途径和手段，同时也是三维可视化实现的前提和进行预处理的关键步骤。分割后的图像在实践中有着极其重要的作用，在组织容积的定量分析，病症诊断，病变组织的定位等领域中有着很高的理论价值和实际意义，是实现集成化图像可视化系统中最基本的研究内容之一，是成功进行图像分析、理解与描述的至关重要的组成部分。 图像分割技术可以对图像数据进行更好的分析和处理，运动分析、结构分析、三维可视化等后续操作，以及图像引导手术以及治疗效果的评估等应用研究都是以图像分割为前提和基础的。而如何提供科学、便捷、准确的图像信息，并为其分析处理提供辅助性的建议，研究出更有效的图像分割方法成为人们的主要研究目标。因此，对图像分割相关原理的研究具有重要的实际意义和应用价值。 目前，图像分割技术仍然是制约数字图像处理中其它相关技术发展和应用的一个瓶颈。近些年来，图像分割领域中涌现出不少自动分割方法技术，虽然它们完全由计算机来实现图像分割的全部过程，脱离了人为的主观性干预，但算法复杂，计算量大，还存在很多亟待解决的问题。 图像分割是图像分析和处理中的一项重要技术,自20世纪70年代起一直受到人们的高度重视,至今已提出很多种分割算法。目前，现提出的很多分割算法大都是针对具体问题来说的，对于图像分割方法的选择, 在很大程度上取决于图像的成像方式以及成像过程中的人为因素和其他不可预测的因素。近年来，图像分割技术研究中的难点是实用的自动分割方法，原因在于图像本身所具有的复杂性和多样性。例如医学图像常表现为对比度低、组织特征可变、不同软组织之间或软组织与病灶之问边界模糊、形状结构和微细结构的分布复杂等特征，因此对研究自动分割技术造成了极大的困难。另外，在临床实践中，由于人体的解剖组织结构和形状非常复杂，并且人与人之间差异非常大，这就导致了分割中很大的不确定性。 由于图像中存在的噪音、偏移场效应(bias field effect)、和局部体效应(partial volume effect)等因素的影响，获取的图像不可避免的具有模糊、不均匀等特点。其中，局部体效应主要指一个像素内包含多个目标，这就加大了区分不同目标之间边界区分的难度，而噪声则会使得分割区域变得不连续，并且大部分非均匀场是由不均匀的扫描磁场造成的，这使得组织器官亮度在空间变化缓慢。 为了把握图像分割算法的性能,需要对各种算法进行分割效果评价。医学图像分割算法的评价应具有一般性、客观性和定量性。一般性是指该方法应适用于多个分割算法的评价,客观性是指该方法不包含主观因素,定量性是指分割评价的结果是定量的。分割评价是改进和提高现有算法的性能，改善分割效果和指导新算法研究的重要手段。对于评价方法的分类，一般大致分为两大类[1]：一种是直接对分割算法的原理及效果进行评估的分析法，其缺点是没有考虑环境等空间因素的影响;另一种则是通过对分割结果进行测试、效果对比来进行评估的实验法。关于图像分割评价方法方面，实验法应用比较广泛，运用这类准则得到的评价也具有说服力，该评价准则主要包括：区域内部均匀性、区域间对比度、目标计数一致性、形状测度、像素数量误差、像素距离误差、最终测量精度等。 现在值得关注的是，对图像分割质量的评价还没有一个客观的方法，目前医学图像分割算法的评估仍需主观评价。由于图像的复杂性、多样性和图像分割理论的不完善性，人们还难以完全用客观的方法对图像分割方法进行评估。 第三章 图像分割方法 3.1 图像处理领域中传统的图像分割方法 图像分割方法主要可分为基于区域的分割方法和基于边界的分割方法。基于区域的分割方法，依赖于图像的空间特征，例如灰度、像素统计特性的均匀性等。典型的基于区域的分割方法有阈值法、区域生长法、分裂合并等方法。 3.1.1 基于区域的分割方法 基于区域的分割方法是利用区域特征的相似性把图像划分为一系列感兴趣的区域。 1. 阈值法 阈值分割是一种最常见的并行分割方法，是以区分不同目标的灰度值为基础来进行分割的，是一种常见的直接对图像灰度信息阈值化处理的分割算法。阈值分割方法的结果很大程度上依赖于阈值的选取。 阈值分割可以分为局部阈值方法和全局阈值方法，全局阈值方法通过单一阈值将图像分割为目标和背景两个区域；局部阈值方法需要选取多个分割阈值，通过多个阈值将图像分割为多个目标区域和背景。阈值的个数和取值往往要根据实际图像的分割要求，由一些先验知识和实验统计数据来确定。 阈值法的优点是计算简单、运算速度比较快, 特别是目标与背景具有高对比度时, 能够得到很好的分割效果，阈值分割对于CT图像中骨骼和皮肤的分割效果比较好。缺点是对于目标与背景或目标之间灰度差异不明显的情况，或者目标与背景的灰度值范围有较大重叠的图像，则难以得到精确的分割结果，并且阈值法对噪声很敏感，原因是阈值法只考虑了像素本身灰度值的而没有考虑图像的空间信息。在实际医学图像处理过程中，阈值法不适用于MRI 和超声图像数据。 阈值分割中，阈值的选取是至关重要的问题。其中，应用Jaynes[2]提出的最大熵原理进行阈值选择是最重要的阈值分割方法之一。从信息论的角度来说，最大熵原理的基本是通过选择合适的阈值，可以获得的最大的信息量，从而对图像有更准确的认识，具有一定的实际意义。该方法可以提高分割的精度和准确度，但在实际应用中存在搜索空间大，收敛速度慢的问题。 近年来，一些研究者提出了不同的阈值分割准则，比如局部阈值、模糊阈值, 随机阈值方法等，使得存在的问题得到了很大的改善。 2. 区域生长法 它是一种典型的串行区域分割算法，区域生长的基本思想是将具有相似性质的像素集合起来构成区域，该方法需要先选取一个种子像素，然后依次将种子像素周围的相似像素合并到种子像素所在的区域中。区域生长的好坏决定于以下三个方面: (1)初始点（种子点）的选取; (2)生长准则; (3)终止准则。 区域生长法简单，特别适用于分割小的结构，效果明显，比如肿瘤和伤疤；如果对面积较大的区域进行分割, 则计算速度就会减慢很多，分割效率比较低。 3.1.2 基于边界的分割方法 物体边缘是以图像的局部特征不连续的形式出现的，即是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等。利用不连续性检测出边缘，从而达到实现图像的分割目的。基于边界的分割主要分为两类：串行边缘检测（边界跟踪）和并行边缘检测。 1. 串行边缘检测： 根据某种相似性搜索准则顺序的搜索边缘点来进行检测，这种边缘检测的方法即为边缘跟踪（串行边缘检测）。根据跟踪方法不同又可分为轮廓跟踪、光棚跟踪和全向跟踪三种方法。串行边缘检测[2]一般有三个步骤： (1)起始边缘点的确定； (2)搜索准则，即根据这个准则确定下一个边缘点； (3)终止条件，设定搜索结束的条件。 一般分割步骤如下： (1)逐行逐列扫描，行扫描的方向为从下到上，列扫描的方向为从左到右。当扫描到白点时，就以白点 作为初始点，其中方向0为默认跟踪方向，如图3-1所示。以初始点 进行跟踪时，有以下两种情况： a.当在目前方向上跟踪到白点时，则将跟踪方向沿逆时针旋转 ; b.该方向上跟踪不到白点，则将跟踪方向顺时针旋转 。 (2)假定跟踪到点 ，继续跟踪时各个方向上都找不到白点或跟踪回到起始点时，则视为初始点 的边界跟踪结束于点 ,即结束当前跟踪。 (3)反复进行以上两个步骤，直到找到所有的边界点。 2. 并行边缘检测 利用图像的梯度信息进行分割，对图像上每一点的处理不依赖其他点的处理结果，同时可在每个像素上进行像素点是否为边缘点的检测, 因而可以大大加快搜索检测的时间。 物体边界是以图像的局部特征不连续的形式出现的，即是指图像局部亮度变化最显著的部分。例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。物体的边缘指图像中发生光强度突变的部分, 亦即物体边缘像素与相邻区域的像素在灰度级上相比, 具有跳跃的特性, 这是一般的边缘检测算法的依据。 利用边缘检测来分割图像，其基本思想就是先检测图像中的边缘点，再按照某种策略将边沿点连接成轮廓，从而构成分割区域。 图像中两个具有不同灰度值的相邻区域之间总存在灰度边缘,即存在着灰度值不连续的情况，这种不连续常可利用导数运算来进行检测，而导数可用微分算子来计算, 并行边缘检测常常借助于空间域微分算子进行图像分割，通过将其模板与图像进行卷积的运算来完成。并行边缘检测一般作为图像预处理的一种方法，应用比较广泛的一阶微分算子有Prewitt算子、Roberts算子和Sobel算子，二阶微分算子有Laplace算子，还有Kirsch[3]算子和Wallis算子等非线性算子。 不同的微分算子分割效果不同，下面对几种基本的微分算子进行说明： Canny算子：Canny算子对阶跃型边缘的图像分割效果好，它能在噪声抑制和边缘检测之间取得较好的平衡。 Roberts算子：边缘定位准，但是对噪声敏感。适用于边缘明显且噪声较少的图像分割。                                        Log算子：Log算子简单方便，并且它能较好地解决空域和频域最优化之间的矛盾。算法简单，速度快、但对噪声比较敏感，抗噪性能一般。 不同的微分算子的性能不同，对图像的分割效果也不同，以脑部肿瘤MR图像为例，下面是两种不同微分算子的提取效果： 图3-1 MR脑部肿瘤图像 (a) log算子            (b) canny算子 图3-2微分算子不同的分割效果 3.2 近年新兴的医学图像分割技术 3.2.1 基于模糊技术分割 模糊技术是建立在模糊集合理论基础上的图像分割方法,能很好地处理三维医学图像内在的不确定性和模糊性,而且对噪声不敏感。由生物医学成像设备获取的图像数据具有内在的不确定性,这种不确定性的程度依赖于许多因素,包括在空间、时间和参数分辨率方面的局限性以及成像设备的其它物理特性方面的限制等。这些不确定性是使得模糊技术在图像分割中得到广泛应用的一个决定性的因素，目前模糊聚类分割是分割MR图像比较好的方法之一。 模糊C—均值(FCM)[4]图像分割技术是一种无监督(Unsupervised)模糊聚类后的标定分割过程,非常适合于医学图像中存在的不确定性和模糊性，因此模糊C —均值(FCM)聚类技术的应用最为广泛。最近的研究热点是快速模糊分割(FFCM)[5]，快速模糊分割算法在传统模糊分割算法初始化方面进行了改进，使得分割性能得到了很到提高。 3.2.2 基于人工神经网路的分割 神经网络方法[6]分割图像的思想是用训练样本集对神经网络进行训练以确定节点间的连接和权值,再用训练好的神经网络分割新的图像数据。神经方法需要大量的训练数据，网络内存在大量的连接, 容易引入空间信息, 能够很好地处理图像中的噪声和不均匀问题，对与这种算法来说，选择何种网络结构是个至关重要的问题。 神经网络分割方法已经成功地应用于MR、CT和X-ray图像的分割。目前,该方法技术应用的一个显著特点是它与模糊技术的结合,比如模糊神经网络、混沌神经网络等。 3.2.3 基于遗传算法的分割 遗传算法[7]是一种借鉴生物界自然选择和生物种群遗传机制的随机化搜索算法, 其基本思想是模拟由一些基因控制的生物群体的进化过程, 然后把该过程的原理应用到搜索算法当中, 以提高寻优的速度和质量，它是在种群中而不是单点上进行寻优,它在求解过程中使用的是遗传操作规则而不是确定性的规则，它是一种简单、具有鲁棒性和广泛适用性的并行搜索方法。 近年来，遗传算法在医学应用领域得到了很大的发展，例如John O. Glass 等将神经网络分割法用于儿科急性成淋巴细胞性白血病的脑白质病MRI图像分析,发展了该领域的计算机辅助诊断。但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它算法结合起来应用。 3.2.4 水平集算法 水平集方法是在20世纪90年代中期，由Berkeley大学数学系首先提出来的分割方法，是研究封闭运动界面随时间演化过程中几何拓扑变化过程中一种有效的处理工具。水平集分割方法的基本思想是将平面闭合曲线隐含地表达为高一维的曲面函数的水平集，即具有相同函数值的点集，将移动的界面作为零水平集嵌入高一维的水平集函数中，这样由闭合曲面的演化方程就可得到水平集函数的演化方程，而嵌入的闭合曲面就是其零水平集[8]，只要确定零水平集即可确定移动界面演化的结果。 水平集函数的演变函数可以用下面的广义形式来表示： ?                                                        (3-1) 其中目标轮廓曲线即零水平集函数表示如下： (3-2) 表示水平集函数的梯度范围，G为曲面法线方向上的速度函数，控制着曲线的运动，应用Level-Set方法进行边界轮廓提取的关键步骤是根据实际问题的需要来选取合适的速度函数G。 Level-set算法可以把具有相当复杂的物体边界分割出来，特别是在处理具有复杂外形的医学图像时，它的优点更加突出,该算法已在医学图像处理领域中得到了非常广泛的应用。Level-set算法是基于图像的性质和亮度的变化来进行应用的，但是它不要求图像具有高对比度而且分割效率很高，运算速度很快，而传统Level -set算法的需要重新初始化的缺点也被克服了。Level-set算法的实验结果较准确，速度快，是图像分割方法中的优秀算法。 3.2.5 马尔科夫随机场方法 马尔科夫随机场方法[9](Markov Random Field，简称MRF)是从统计学出发的图像分割方法，统计学分割方法的基本思想是把图像中的各个像素点的灰度值看作是具有一定概率分布的随机变量。 (3-3) 我们把待分割的图像看作是对实际物体做了某种变换并加入噪声的结果，(3-3)[3]中，S是实际物体， 是非线性变换，n是噪声。图像分割的过程就是从I得到S的过程，即获得以最大的概率得到该图像的物体组合。 Markov随机场是一种描述元素间相互依赖性的数学模型，这种依赖性指的是一个像素可以由它周围的像素确定，它能简洁合理地刻画图像像素的空间相关性，是图像分割应用中备受关注的一种建模方法，MRF模型能够区分不同的纹理分布,特别适用于纹理图像的分割。Markov方法在医学图像分割领域得到了广泛的应用，由于MRF模型对噪声图像具有很好的抗噪性，因此在脑部MR图像的分割方面效果很好，MRF模型常被用于校正和估计核磁共振图像中的局部体效应和不均匀现象。 马尔科夫随机场的基本原理是用条件概率描述图像的数据分布信息，该条件概率与像素点的位置无关，只是取决于该点邻域的相关信息。下面简单介绍一下MRF原理。 图像是由对应于像素点的有限集合L组成的， 是图像所包含的类别集， 表示图像分割的结果，其中 。 于是马尔科夫场有如下定义：“X是一个马尔科夫场，则在某个位置上的局部条件概率只随着所考虑的位置的邻域状态变化而变化。” 设图像中某个位置l，对应于一个随机变量Xl，它取值于标识空间 ，位置l的灰度 是Xl一个实现。 (3-4) 其中 是领域δ(l)的元素。 根据Hamersley-Clifford[10]定理，Gibbs分布与MRF的等价关系，从而用Gibbs分布来求解MRF中的概率分布。邻域系统的Gibbs分布是定义在Q上的概率测度P，具有如下表达形式： (3-5) 式中 是归一化常数， 称为能量函数，在图像处理中，研究先验模型通常转换为研究能量函数。 是定义在势团c上的势函数，它只依赖于δ(l)， 的值，因此，关于邻域系统 δ(l)的MRF与Gibbs分布等价形式表示为：          (3-6) 式(3-5)解决了MRF中概率分布的难题，把对MRF的研究转化为对势函数 的研究，建立了Gibbs分布与能量函数的等价关系，是研究邻域系统的一个重要里程碑。随之在图象分割领域，MRF模型被逐渐地改进，从单个MRF变为双MRF，后来又发展为分层MRF模型,在不断的发展过程中，MRF算法的复杂度更低，分割效果更准确。 3.2.6 基于数学形态学方法 数学形态学起源于对于岩石结构的描述工作，近年来在数字图像处理中得到了广泛的应用，形成了一种独特的数字图像分析的方法和理论。数学形态学是建立在积分几何和随机集理论基础上的算法。它的应用可以简化图像数据，保持它们的基本形状特性，并除去不相干的结构，以达到提取感兴趣目标的目的。利用数学形态学进行图像处理的基本思想是：用具有一定形状的结构元素探测目标图像，通过检验其在图像目标区域中的可填充性和可放性，来获取有关图像形态结构的相关信息，可以进行形态滤波、增强、边缘检测等图像操作，进而达到图像处理和分析的目的。 腐蚀和膨胀及其不同的逻辑组合所形成的开、闭运算是数学形态学中常用的逻辑操作。 腐蚀和膨胀运算： (3-7) (3-8)  其中，A为图像矩阵，B为结构元素矩阵, 表示B的原点平移到(x,y) 公式(3-7)表示A被B的腐蚀,腐蚀后的图像满足以下条件： 如果B的原点平移到(x,y)，那么B 将完全包含在A中。 公式(3-8)表示A被B膨胀，膨胀后的图像满足以下条件： 如果B的原点平移到(x,y)，那么B与A的交集为非空。 开运算和闭运算： (3-9) (3-10) 开运算可以滤掉比结构元素小的噪声、斑点，断开狭长连接的作用,而闭运算则具有平滑边界，填充小的洞或缺口，连接狭窄缺口的作用。利用开闭运算可以对图像进行形态学滤波，形态学滤波的优点是能有效地去除目标背景中的噪声并且滤波器能很好地保持目标的形状、尺寸、特定的拓扑结构等特性。 数学形态学算法提供了并行的，具有良好抗噪性的图像分割技术，它不仅能够得到图像中各种几何参数的间接测量，而且适合于对图像的随机性质进行描述，其中，比较有代表性的是Luc Vineent等人提出的分水岭算法。 分水岭算法[11]是一种借鉴了形态学[12]理论的分割方法，在这种方法中，将一幅图像看成一个拓扑地形图，其中灰度值 对应地形的高度值，低灰度值对应着山谷，高灰度值则对应着山峰。我们知道，水总是朝地势低的地方流动，直到某一个局部低洼处才会停下来，这个低洼处就被称为吸水盆地，最终所有的水会分聚在不同的吸水盆地，吸水盆地之间的山脉就被称为分水岭。这种想法应用于图像分割，就是要在灰度图像中找出不同的吸水盆地和分水岭，由这些不同的吸水盆地和分水岭组成的区域即为我们要寻找的感兴趣的区域。  分水岭算法简单、直观，能够得到精确的边缘，能够进行并行处理，并且可以得到完全、连续、封闭、单像素宽的边缘。作为已经发展起来的数学形态学图像分割方法，它在以下三个方面存在优点： (1)是其计算速度较快； (2)是物体轮廓线的封闭性； (3)是定位的精确性。 但分水岭也存在以下方面的缺陷： (1)对噪声特别敏感; (2)容易产生过分割的现象,由于受到噪声和区域内部细密纹理的影响,算法检测的局部极值过多,这就导致过度分割的情况出现; (3)对低对比度图像易丢失重要轮廓。 第4章  图像分割仿真及结果分析 为了对图像分割有更直观的认识，对图像分割算法的应用过程有更清晰的了解，本文在这个部分选取并行边界算法和以形态学为基础的分水岭算法进行了MATLAB软件仿真，仿真结果如下。 4.1 分水岭算法 根据上述分析，为了得到较好的感兴趣区域图像,可采用如下步骤实现分水岭分割：1.读取图像；2.选择合适的结构元素；3.得出图像的高帽变换图、低帽变换图，从而得到对象间的间隙增大效果图；4.转化感兴趣区域效果图；5选取适当的形态学阈值对图像进行分割。 实验结果： 本文根据以上算法步骤，应用于下面的灰度图像中，灰度级为0～255,采用MATLAB软件编程实现，准确提取了感兴趣的目标区域。 具体选取15×15尺度圆盘结构元素，原图依次经过：图像增强——感兴趣对象转换——阈值为60的分水岭阈值分割，提取出目标——分水岭变换——提取特征矩阵。结果如下： (a) 原图像                  (b) 增强对比度后 (c) 感兴趣对象转换              (d) 分水岭阈值分割后 (e) 分水岭变换后 图4-1 分水岭算法的分割结果 图4-1(b)显示的是增强对比度后的图像，可以看出，图像中目标与背景的对比更加突出和明显。然后，对图像进行感兴趣对象转换的操作，即对图像取反，结果如图4-1(c)所示，图中灰度值较低的区域就就是我们想要获得的目标区域。图4-1(d)是经过分水岭阈值分割后的图像，图像中去除了一些我们不感兴趣的背景区域。由图4-1(e)的结果可以看出，目标区域轮廓清晰，分割过程完成。 Watershed函数返回一个包含非负元素的标签矩阵，该矩阵与分水岭区域相对应，不在分水岭区域的像素其灰度值将全部设置为零。若需要很好的可视化标签矩阵，则可以将标签矩阵转化为颜色矩阵，结果如图4-1(e)。 在进行分水岭变换后，从标签矩阵中提取面积、方向特征，得到特征矩阵为： 图4-2 特征矩阵 4.2 并行边缘检测 并行边缘检测是一种基本的图像分割算法，其算法步骤比较简单，其基本过程如下：(1)用微分算子对原图进行边界提取；(2)创建结构元素，填充缝隙；(3)膨胀操作；(4)平滑操作；(5)对提取出来的目标边界进行标记。 仿真结果如下： (a) 原图像                      (b) log提取后 (c) 膨胀后                        (d) 平滑后 (e) 标记后 图4-3 并行边缘检测结果 以上是选取的两种不同图像分割算法的仿真过程及结果分析，两种分割方法的分割思想及实现过程具有不同的特点。针对不同的图像特征，需要采用不同的分割方法和原理，从而达到良好的分割效果。 第5章  总结和展望 本文对图像分割的基本原理、发展历程进行了介绍和总结，并对常见的图像分割方法进行了分析，并对每种分割算法的分割原理及优缺点进行了归纳和总结，在此基础上，对图像分割技术的相关研究动态进行了探讨。为了对图像分割有更直观和清晰的认识和了解，本文选择两种基本算法进行Matlab软件仿真。 基于图像分割技术的发展历程和显示的特点，本文认为图像分割技术的发展将呈现以下趋势： 1.多种特征的融合; 通过多种特征的融合，对图像像素的描述会更加全面，从而可获得更好的分割结果。 2.多种分割方法的结合; 由于图像具有多样性和不确定性，在利用多特征融合的基础上，还需要将多种分割方法进行结合，充分利用不同算法的优势，从而达到更好的分割效果。 总之，经典分割技术与现代分割技术的综合应用是图像分割技术的发展方向。 从目前图像分割技术的发展趋势来看，图像分割方法呈现以下趋势： (1)无监督分割，以尽可能少的人工引导完成分割任务；(2)精确，尽量提高分割效果以接近真实的解剖结构；(3)快速，提高分割效率以适应实时处理的需求；(4)自适应性，针对不同的应用可以自我学习、自我适应；(5)抗干扰性，对噪声、模糊等干扰具有较强的抗干扰性能。 随着各种理论的不断发展、成熟和完备，以及一些新理论、新方法在图像分割领域的不断尝试和应用，图像分割技术将会是越来越成熟的。 致 谢 本文是在导师时永刚副教授的精心指导下完成的。衷心感谢时永刚师在我整个论文完成期间给予的关心和帮助，使我的学习和科研能力有了很大的提高。在此论文完成之际，特向时永刚老师致以诚挚的谢意。 同时，要感谢信息与电子学院生命信息工程实验室的所有学长们，其中要特别感谢揭发学长，他在毕业设计期间给了我非常多的帮助和鼓励，使我能够顺利的完成论文的撰写工作。最后，我还要感谢我的父母，感谢他们给予我的关怀和照顾。 参考文献 [1]章毓晋.图像分割[M].北京:科学出版社,2001.234-267. [2]陈灵娜，罗扬，陈增科.一种新的肝肿瘤CT图像分割方法[J].计算机工程与应用,2009,34(35) :222-224. [3]罗希平,田捷,诸葛婴等.图像分割方法综述[J].模式识别与人工智能, 1999 ,12 (3):300-312. [4]PHAM D L , PRINCEJ L , An adaptive fuzzy C-means algorithm for image segmentation in the presence of intensity inhomogeneities [J]. Pattern Recognition Letters, 1999, 20(1): 57- 68. [5]叶秀清,顾伟康.快速模糊分割算法[J]. 模式识别与人工智能,1996,9 (1):66-70 [6]Gonzalez R C, Woods R W. Digital Image Processing [M]. Beijing: Publishing House of Electronics Industry, 2002. 589-600. [7]吴薇,赵旭,邓秋霞.基于遗传算法的二维最大熵图像分割算法[J].武警工程学院学报,2003,19( 4):25 -27． [8] 朱付平,田捷,林瑶.基于Level Set方法的医学图像分割[J]．软件学报，2002，13(9):1866—1872. [9]俪苏丹，张翠，王正志．基于马尔可夫随机场的SAR图像目标分割[J]．中国图像图形学报,2002，7A(8):794—799． [8]S. Geman, D. Geman. Stochastic Relaxation, Gibbs Distributions, and the Bayesian Restoration of Images [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1984, 6(6):721-741. [11]陈琳，等．基于分形和分水岭的图像分割方法[J]．计算机应用与软件，2008，25(8)：227—228． [12]王慧锋,战桂礼,罗晓明.基于数学形态学的边缘检测算法研究及应用[J].计算机工程及应用,2009,45(9): 223-226.