常見的圖像分割方法
常用的并行區(qū)域技術，它是圖像分割中應用數(shù)量最多的一類。閾值分割方法實際上是輸入圖像f到輸出圖像g的如下變換：
其中，T為閾值；對于物體的圖像元素，g(i,j)=1，對于背景的圖像元素，g(i,j)=0。
由此可見，閾值分割算法的關鍵是確定閾值，如果能確定一個適合的閾值就可準確地將圖像分割開來。閾值確定后，閾值與像素點的灰度值比較和像素分割可對各像素并行地進行，分割的結果直接給出圖像區(qū)域。
閾值分割的優(yōu)點是計算簡單、運算效率較高、速度快。在重視運算效率的應用場合（如用于軟件實現(xiàn)），它得到了廣泛應用。
區(qū)域生長和分裂合并法是兩種典型的串行區(qū)域技術，其分割過程后續(xù)步驟的處理要根據(jù)前面步驟的結果進行判斷而確定。
(1)區(qū)域生長
區(qū)域生長的基本思想是將具有相似性質的像素集合起來構成區(qū)域。具體先對每個需要分割的區(qū)域找一個種子像素作為生長的起點，然后將種子像素周圍鄰域中與種子像素有相同或相似性質的像素（根據(jù)某種事先確定的生長或相似準則來判定）合并到種子像素所在的區(qū)域中。將這些新像素當作新的種子像素繼續(xù)進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這樣一個區(qū)域就長成了。
(2)區(qū)域分裂合并
區(qū)域生長是從某個或者某些像素點出發(fā)，最后得到整個區(qū)域，進而實現(xiàn)目標提取。分裂合并差不多是區(qū)域生長的逆過程：從整個圖像出發(fā)，不斷分裂得到各個子區(qū)域，然后再把前景區(qū)域合并，實現(xiàn)目標提取。分裂合并的假設是對于一幅圖像，前景區(qū)域是由一些相互連通的像素組成的，因此，如果把一幅圖像分裂到像素級，那么就可以判定該像素是否為前景像素。當所有像素點或者子區(qū)域完成判斷以后，把前景區(qū)域或者像素合并就可得到前景目標。
基于邊緣的分割方法是指通過邊緣檢測，即檢測灰度級或者結構具有突變的地方，確定一個區(qū)域的終結，即另一個區(qū)域開始的地方。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特征可以分割圖像。
圖像分割至今尚無通用的自身理論。隨著各學科新理論和新方法的提出，出現(xiàn)了與一些特定理論、方法相結合的圖像分割方法，主要有：基于聚類分析的圖像分割方法、基于模糊集理論的分割方法，等。
基于基因編碼的分割方法是指把圖像背景和目標像素用不同的基因編碼表示，通過區(qū)域性的劃分，把圖像背景和目標分離出來的方法。該方法具有處理速度快的優(yōu)點，但算法實現(xiàn)起來比較難。
小波變換是近年來得到廣泛應用的數(shù)學工具，它在時域和頻域都具有良好的局部化性質，并且小波變換具有多尺度特性，能夠在不同尺度上對信號進行分析，因此在圖像處理和分析等許多方面得到應用。
基于小波變換的閾值圖像分割方法的基本思想是首先由二進小波變換將圖像的直方圖分解為不同層次的小波系數(shù)，然后依據(jù)給定的分割準則和小波系數(shù)選擇閾值門限，最后利用閾值標出圖像分割的區(qū)域。整個分割過程是從粗到細，由尺度變化來控制，即起始分割由粗略的L2(R)子空間上投影的直方圖來實現(xiàn)，如果分割不理想，則利用直方圖在精細的子空間上的小波系數(shù)逐步細化圖像分割。分割算法的計算會與圖像尺寸大小呈線性變化。
近年來，人工神經網絡識別技術已經引起了廣泛的關注，并應用于圖像分割。基于神經網絡的分割方法的基本思想是通過訓練多層感知機來得到線性決策函數(shù)，然后用決策函數(shù)對像素進行分類來達到分割的目的。這種方法需要大量的訓練數(shù)據(jù)。神經網絡存在巨量的連接，容易引入空間信息，能較好地解決圖像中的噪聲和不均勻問題。選擇何種網絡結構是這種方法要解決的主要問題。
推薦閱讀