基于區(qū)域的圖像分割算法

1、基于區(qū)域的圖像分割算法論述及其補充基于區(qū)域的圖像分割算法論述及其補充摘要摘要:圖像分割是圖像處理和計算機視覺的基本問題之一，是圖像處理和圖像分析的關鍵步驟。本文對基于區(qū)域的圖像分割方法進行了綜述，具體介紹了閾值法、區(qū)域生長和分裂合并法、基于統(tǒng)計學的算法等三種方法，并分析出各算法在應用中的優(yōu)缺點。關鍵詞：關鍵詞：圖像分割，閾值法，區(qū)域生長，分裂合并，統(tǒng)計學算法SurveyofImageSegmentationMethodBasedonRe

2、gionAbstract:Imagesegmentationisoneofbasicproblemsinimageprocessingcomputervisionisakeystepinimageprocessingimageanalysis.Theimagesegmentationmethodsbasedonregionaresurveyedhereincludingthreemethodsaboutthresholdingregio

3、ngrowingsplittingmergingthemethodsbasedonstatisticsmethodsthemeritsdemeritsofeachmethodinusingareanalyzed.Keywds:Imagesegmentation，Thresholding，Regiongrowing，Splittingmerging，Statisticsmethods設計目的設計目的：通過本文的討論，讓我們熟悉并掌握幾種常

4、見的圖像分割的方法。并熟知這幾種常用方法的優(yōu)缺點和適用條件，了解它們的發(fā)展趨勢及方向。對于以后算法的優(yōu)化與分析做好鋪墊?？尚行杂懻摚嚎尚行杂懻摚哼@篇文章討論的數字圖像處理的幾種常用方法，很適合初學者快速了解并掌握它的算法，為以后的學習做了很好的引導，所以我認為這篇文章涉及的方法很實用，也很可行。設計過程設計過程圖像分割是數字圖像處理中的一項關鍵技術，在許多領域均有所應用，多年來一直受到研究人員的高度重視。然而，目前使用的上千種圖像分割算

5、法大都是針對具體問題所提出的，雖然每年都有新的圖像分割算法提出，但是并沒有一種通用的算法能適用于所有的圖像分割處理。基于區(qū)域的圖像分割算法是圖像分割算法中較常用的一部分。本文對基于區(qū)域的圖像分割算法作以系統(tǒng)的分類和基本的介紹，并分析出各算法的優(yōu)缺點。根據圖像分割的處理方式不同，可以將基于區(qū)域的圖像分割算法分為以下三大類：（1）閾值法（2）區(qū)域生長和分裂合并（3）基于統(tǒng)裂合并算法的優(yōu)點是不需要預先指定種子點。缺點是分裂合并算法可能會使分割

6、區(qū)域的邊界被破壞。3基于統(tǒng)計學的算法基于統(tǒng)計學的算法統(tǒng)計學方法的實質是從統(tǒng)計學的角度出發(fā)對數字圖像進行建模，把圖像中各個像素點的灰度值看作是具有一定概率分布的隨機變量。從觀察到的圖像中恢復實際物體或正確分割觀察的圖像。從統(tǒng)計學的角度來看就是要找出最有可能，即以最大的概率得到該圖像的物體組合來。從貝葉斯定理的角度看，就是求出具有最大后驗概率的分布[8]。常用的統(tǒng)計學方法包括分類器和聚類、基于隨機場的方法、混合分布法和隱含馬爾科夫模型HMM

7、(HiddenMarkovamodels)等等。3.1分類器和聚類[9]分類是模式識別領域中一種基本的統(tǒng)計分析方法。分類的目的是利用己知的訓練樣本集在圖像的特征空間找到點(1D)、曲線(2D)、曲面(3D)或超曲面(多維)，從而實現對圖像的劃分。用分類器進行分割是一種有監(jiān)督的統(tǒng)計方法，它需要用手工分割所得到的樣本集作為對新的圖像進行自動分割的參考。分類器分為非參數(nonparametric)分類器和參數(parametric)分類器兩

8、種。典型的非參數分類器包括K近鄰(KNN)以及Parzen窗(一種投票分類器)，它們對圖像數據的統(tǒng)計結構沒有要求。參數分類器的代表是Byes分類器，它是假定圖像的概率密度函數要符合高斯獨立分布。聚類算法[10]與分類器算法極為類似，只是它不需要訓練樣本，因此聚類是一種無監(jiān)督的(unsupervised)統(tǒng)計方法。因為沒有訓練樣本集，聚類算法迭代地執(zhí)行圖像分類和提取各類的特征值。從某種意義上說，聚類是一種自我訓練的分類。其中，K均值、模糊

9、C均值(FuzzyMeans)EM(ExpectationMaximization)和分層聚類方法是常用的聚類算法。K均值算法先對當前的每一類求均值，然后按均值對像素進行重新分類(將像素歸入均值最近的類)，對新生成的類再迭代執(zhí)行前面的步驟。模糊C均值算法從模糊集合理論的角度對K均值進行了推廣。EM算法把圖像中每一個像素的灰度值看作是幾個概率分布(一般用G過一系列連續(xù)合并和分裂完成，聚類過程可以用一個類似樹的結構來表示。分類的優(yōu)點是不需要