[发明专利]一种对图像初始分割边界进行优化的自动分割方法

说明书

技术领域

本发明涉及图像处理技术，特别涉及一种基于近邻函数准则的初始分割边界的自动优化算法。

背景技术

所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域互相不交叉，每一个区域都满足特定区域的一致性。从处理对象角度来讲分割是在图像矩阵中确定所关心的目标的定位。显然，只有用这种方法把“感兴趣的目标物体”从复杂的景象中提取出来，才有可能进一步对各个子区域进行定量分析或者识别，进而对图像进行理解。图像分割可用的特征包括图像灰度、颜色、纹理、局部统计特征或频谱特征等，利用这些特征的差别可以区分图像中不同目标物体。既然我们只能利用图像信息中某些部分特征分割区域，因此各种方法必然带有局限性和针对性，只能针对各种实际应用领域的需求来选择合适的分割方法。

根据分割算法利用性质的不同，图像分割方法主要可分为两大类：一类方法是基于区域的方法，通常利用同一区域内的均一性识别图像中的不同区域；另一类方法是边缘分割方法，通常利用区域间不同性质(如区域内灰度不连续性)划分出各个区域之间的分界线，这类方法通常会导致不完全的部分分割结果，比如分割结果中存在间断现象或者得到错误的边缘。近年来，随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论等在图像分割中的应用日渐广泛，遗传算法、尺度空间、多分辨率方法、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，国内外学者提出了不少有针对性的图像分割方法。下面我们简单介绍一些有代表性的图像分割方法。

基于区域的分割方法

包括阈值分割、区域生长和分裂合并和统计学分割方法等。这一类方法都是根据图像中不同区域之间的特性差异来进行分割，没有或者很少使用到图像中的边界信息。阈值分割是最常见的并行检测区域的分割方法，其优点是简单易于实现，并且当不同类的物体灰度值或其他特征值相差很大时，它能很有效地对图像进行分割。其缺点是不适用于多通道图像和特征值相差不大的图像，对于不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像，难以得到准确的分割结果。区域生长和分裂合并是两种典型的串行区域分割方法，其特点是将分割过程分解为多个顺序的步骤，其中后续步骤要根据前面步骤的结果进行判断而确定。其基本思想是将具有相似性质的像素集中起来构成区域，该方法需要先选取一个种子点，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。区域生长算法的优点是计算简单，特别适用于分割小的结构如肿瘤和伤疤，缺点是它需要人工交互以获得种子点，这样使用者必须在每个需要抽取出的区域中植入一个种子点。同时，区域生长方法也对噪声敏感，导致抽取出的区域有空洞或者在局部体效应的情况下将原本分开的区域连接起来。统计学分割方法是根据图像区域特征进行统计分类的方法，包括马尔柯夫随机场理论，聚类算法等。这一类算法的计算量普遍较大，不便于实时处理。

基于边缘的分割方法

也叫做边缘检测算法，包括微分算子，曲线拟合等方法。边缘检测技术可以按照处理顺序分为串行边缘检测以及并行边缘检测。在串行边缘检测技术中，当前像素是否属于欲检测的边缘取决于先前像素的检测结果；而在并行边缘检测技术中，一个像素是否属于检测的边缘只与当前像素及其相邻像素有关，这样可同时对图像中的所有像素进行检测，因而称之为并行边缘检测技术。

结合区域与边界信息的方法

基于区域的分割方法往往会造成过度分割，即将图像分割成过多的区域。如果在基于区域的框架中没有在决策阶段包括边界的措施，可能导致噪声边界和对象内部出现空洞。人们往往将基于区域信息的方法与边缘检测的方法结合起来，但是采用什么方式结合，怎样结合才能充分发挥各自的优势，获得好的分割结果是研究的重点。

基于模糊集理论的方法

图像分割问题是典型的结构不良问题，而模糊集理论具有描述不良问题的能力，所以有研究者将模糊理论引入到图像处理与分析领域，其中包括用模糊理论来解决分割问题。基于模糊理论的图像分割方法包括模糊阈值分割方法、模糊聚类分割方法和模糊连接度分割方法等。

基于神经网络的方法

在八十年代后期，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。这种思路也开始影响图像分割技术，在解决具体的医学问题时，出现了基于神经网络模型的分割方法。神经网络模拟生物特别是人类大脑的学习过程，它由大量并行的节点构成，每个节点都能执行一些基本的计算，学习过程通过调整节点间的连接关系以及连接的权值来实现。