Image Segmentation Techniques
Overview
1. 摘要
图像分割技术广泛应用于医学图像处理、人脸识别、行人检测等领域。
目前图像分割技术包括:基于区域的分割、边缘检测的分割、基于聚类的分割、CNN中基于弱监督学习
的分割等
2. Introduction
图像是传递信息的一种方式,图像包含了很多有用的信息。理解图像并从图像中提取信息来完成一
些工作是数字图像技术应用的一个重要领域,而理解图像的第一步就是图像分割。在实践中,它往往不
是对图像的所有部分都感兴趣,而是只对具有相同特征的某些特定区域感兴趣。图像分割是图像处理和
计算机视觉领域的研究热点之一。它也是图像识别的重要基础。它是根据一定的标准将输入图像划分为
若干具有相同性质的类别,以便提取出人们感兴趣的区域。是图像分析和理解图像特征提取与识别的基
础。
常用的图像分割算法有很多。本文主要介绍以下五种算法进行简单分析。第一种是阈值分割方法。
阈值分割是基于区域的分割算法[1]中最常用的分割技术之一。其本质是根据一定的准则自动确定最优阈
值,并根据灰度利用这些像素来实现聚类。其次是区域增长分割。区域增长算法的基本思想是将具有相
似属性的像素组成,也就是说,每个区域划分首先找一个种子像素作为一个增长点,然后合并周围邻域具有
类似属性的像素区域。下面是边缘检测分割方法。边缘检测分割算法是指利用不同区域的像素的灰度或
颜色不连续检测区域的边缘,从而实现对图像的分割。接下来是基于聚类的分割。基于聚类的算法是基
于相似性类划分的标准,也就是说,它分为几个子类根据样本集的内部结构,所以同样的样本尽可能相似,而
不同的并不是尽可能相似的。最后是CNN中基于弱监督学习的分割。它是指给图像中的每个像素分配一
个语义标签的问题,由三部分组成。1)给出一个包含哪些对象的图像。2)给出一个物体的边界。3)将图像
中的目标区域标记为部分像素。
目前,从国际上的图像分割方法来看,分割方法的具体操作过程非常多样化和复杂,也没有公认的
统一标准。本文对以上四种方法进行了讨论和比较,并从不足中吸取教训,分析出更好的解决方案,并
对未来做出预测。
3. REGION-BASED SEGMENTATION
A. Threshold Segmentation
阈值分割是图像分割中最简单的方法,也是最常用的并行分割方法之一。它是一种常用的分割算
法,它根据不同目标的灰度值直接对图像灰度信息处理进行分割。阈值分割可以分为局部阈值法和全局
阈值法。全局阈值法通过单一阈值[5]将图像分为目标区域和背景区域。局部阈值法需要选择多个分割阈
值,通过多个阈值将图像分割成多个目标区域和背景。
最常用的阈值分割算法是最大类间方差法(Otsu),它通过最大化类间方差来选择全局最优阈值。除
此之外,还有基于熵的阈值分割法、最小误差法、同现矩阵法、矩保持法、简单统计法、概率松弛法、
模糊集法以及与其他方法相结合的阈值法[6]
阈值法的优点是计算简单,运算速度快。特别是当目标与背景对比度较高时,可以获得分割效果。
缺点是,对于图像中没有显著的灰度差异或灰度值存在较大的重叠的图像分割问题,很难得到准确的结
果。由于它只考虑图像的灰度信息,而不考虑图像的空间信息,对噪声和灰度不均匀性很敏感,导致它
经常与其他方法相结合。
评论0