图像分割新法综述

徐 冰，魏崇毓

青岛科技大学，山东 青岛 266044

0 引言

图像分割是计算机视觉领域中极为重要的内容之一，是实现自动图像分析和模式识别的首要问题，也是图像处理的经典难题之一。图像分割的质量的优劣、区域界限定位的精度直接影响后续的区域描述以及图像的分析和理解，是图像处理、分析、理解中一个举足轻重的技术。

1 遗传算法在图像分割中的应用

遗传算法是基于进化论自然选择机制的、并行的、统计的、随机化的搜索方法。对此，科学家们进行了大量的研究工作，并成功地将它们运用于各种类型的优化问题中。在分割复杂的图像时，人们往往采用多参量进行信息融合，在多参量参与的最优值的求取过程中，优化计算是最重要的，把自然进化的特征应用到计算机算法中，将能解决很多优化计算的困难。遗传算法的出现为解决这类问题提供了新而有效的途径，它不仅可以得到全局最优解，而且大量缩短了计算时间。

2 基于小波分析和变换的分割方法

小波变换是一种多尺度多通道分析工具，比较适合对图像进行多尺度的边缘检测。小波分解的级数可以控制观察距离的“调焦”，而改变高斯函数的标准差可选择所检测边缘的细节程度。小波变换的计算复杂度较低，抗噪声能力强。另外，利用正交小波基的小波变换也可提取多尺度边缘，并可通过对图像奇异度的计算和估计来区分一些边缘的类型。在多尺度分析下，图像的类别信息和位置信息是一对矛盾，两者之间存在不确定性。在利用多尺度进行分割时，跨多个尺度的图像分析相当于在较粗尺度下以高位置分辨率换取较大类别分辨率。因此，如何组合跨尺度信息，恢复已丢失的空间分辨率是多尺度分割算法的难点。多尺度分割的任务就是根据所有尺度下的信息，平衡类别信息与位置信息之间的矛盾，使内在的不确定性达到最小化。充分考虑尺度之间的拓扑关系和对称性，可以大大提高分割算法的计算效率。

3 基于人工神经网络的分割方法

近几年神经网络在图像分割中的应用得到了很大的发展，按照处理数据类型大致上可以分为两类：一类是基于象素数据的神经网络算法；另一类是基于特征数据的神经网络算法，即特征空间的聚类分割方法。基于象素数据分割的神经网络算法用高维的原始图像数据作为神经网络训练样本，比起基于特征数据的算法能够提供更多的图像信息，但是各个象素是独立处理的，缺乏一定的拓扑结构，而且数据量大，计算速度相当慢，不适合实时数据处理。目前，有很多神经网络算法是基于象素进行图像分割的，如Hopfield神经网络、细胞神经网络、概率自适应神经网络等。基于特征的神经网络算法主要是对特征空间的聚类分割方法进行改造。特征空间聚类分割方法关键的问题是有效特征参数的提取和聚类方法的构造。有效的特征提取方法有很多，大致上可以分为4种：几何特征方法、统计特性方法、信号特性方法和基于图像模型的方法。传统的聚类方法效果差，且是基于一定前提假设的，神经网络打破了传统聚类方法的限制，已经成为寻找聚类新方法的基础。目前，使用的神经网络模型有SOFM神经网络，LEGION神经网络模型、前向反馈神经网络等。神经网络在解决如CT图像、遥感图像、声纳图像等一系列复杂的图像分割方面显示了其特有的优势，但解决问题的机理很难理解，网络节点个数、网络层数等的设计还缺乏比较系统的理论指导。另外，神经网络的训练有时比较费时。

4 结论

从上述内容可知，图像分割没有一个通用的算法，只能从实际问题出发选择合适的算法。随越来越多人对图像分割的研究，将会产生更多的新的理论、方法和工具，但是它们的方向始终会朝着对图像分割的更智能化、精确化和实用化方向发展。