图像分割文献综述

精选优质文档-倾情为你奉上文献综述图像分割就是把图像分成各具特色的区域提取感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤，是一种基本的计算机视觉技术。图像分割起源于电影行业。伴随着近代科技的发展，图像分割在实际中得3到了广泛应用，如在工业自动化、在线产品检验、生产过程控制、文档图像处理、遥感和生物医学图像分析、以及军事、体育、农业工程等方面。总之，只要是涉及对对象目标进行特征提取和测量，几乎都离不开图像分割。所以，对图像分割的研究一直是图像工程中的重点和热点。自图像分割的提出至今，已经提出了上千种各种类型的分割算法。由于分割算法非常多，所以对它们的分类方法也不尽相同。我们依据使用知识的特点与层次，将其分为基于数据和基于模型两大类。前者是直接对当前图像的数据进行操作，虽然可以利用相关的先验信息，但是不依赖于知识；后者则是直接建立在先验知识的基础上，这类分割更符合当前图像分割的技术要点，也是当今图像分割的主流。基于数据的图像分割算法多数为传统算法，常见的包括，基于边缘检测，基于区域以及边缘与区域相结合的分割方法等等。这类分割方法具有以下缺点，易受噪声和伪边缘影响导致得到的边界不连续，需要用特定的方法进行连接；只能提取图像局部特征，缺乏有效约束机制，难以获得图像的全局信息；只利用图像的底层视觉特征，难以将图像的先验信息融合到高层的理解机制中。这是因为传统的图像处理算法都是基于MIT人工智能实验室Marr提出的各层相互独立、严格由低到高的分层视觉框架下进行的。由于各层之间不存在反馈，数据自底向上单向流动，高层的信息无法指导底层特征的提取，从而导致底层的误差不断积累，且无法修正。基于模型的分割方法则可以克服以上缺陷。基于模型的分割方法可以将分割目标的先验知识等有用信息融合到高层的理解机制之中，并通过对图像中的特定目标对象建模来完成分割任务。这是一种自上而下的处理过程，可以将图像的底层视觉特征与高层信息有机结合起来，因此更接近人类的视觉处理。基于模型的图像分割方法主要包括：基于统计模型的分割方法；基于神经网络的分割方法；基于形变模型的分割方法。主动轮廓模型（Active Conlour Model， ACM）（又称活动轮廓模型，变形曲线模型）的研究背景及发展状况。即Snake模型，最初由Kass等人于1998年提出，并成功应用于图像分割方面。这种模型通过建立与参数化曲线相关的能量函数，然后优化该能量函数，使轮廓向目标边界演化，并在目标边界处达到最优值。1987年Kass、Witkin和Terzopoulos首次提出主动轮廓模型，并成功应用于图像分割、视频跟踪等相关应用。这种模型对Marr提出的各自独立分层图像处理模型提出了挑战，它将图像本身的底层视觉属性（如边缘、纹理、灰度、色彩等）与待分割目标的先验信息（如形状、亮度、色彩等）以一种有机的方式能量函数的形势结合起来，最终得到待分割目标的完整表达。能量函数一般由两部分构成：内部能量函数和外部能量函数。一般说来，内部能量函数嵌入了对目标特征约束的先验性假设，以及保持轮廓本身特性（如光滑性和刚性）的约束条件；而外部能量函数则根据图像的数据特性（如边缘特性、区域特性等）构造合理的约束。因此，能量函数表示先验信息与图像特征之间匹配程度的度量。形变被看作轮廓在能量的共同作用下向感觉兴趣目标运动变形的结果。通过优化方法得到能量函数的极小值来实现先验信息与图像特征之间的最佳匹配。主动轮廓模型可以分为参数化模型和几何化模型两类。最初提出的是参数化模型，它有很大的缺陷：对初始化位置敏感、凹陷边缘处收敛效果不理想，以及不具备自动拓扑变化（曲线的分裂与合并）等。因此学界提出了很多改进方法。1991年Cohen等人通过加入气球力来增大轮廓演化的力，可以使初始轮廓远离目标边界，但是该力的大小难以控制；如果太小，则轮廓演化变慢，反之则容易越过目标的弱边界，导致分割错误。Xu和Prince提出了基于梯度矢量流的主动轮廓模型，可以有效改善参数主动轮廓模型初始轮廓需要靠近目标边界以及对凹陷边缘处收敛效果不理想的缺陷。Caselles等和Malladi等分别独立提出了几何化的主动轮廓模型，这种模型基于曲线演化理论和水平集方法，不同于参数化模型，这种模型的演化过程基于曲线的几何度量（法向量、曲率等），而这些度量采用水平集方法可以方便表示。Casellos和Yezzi等提出的测地线主动轮廓模型（GAC模型）是一种应用较多的模型，在一定程度上可以解决“边界侧漏”问题。利用图像的边界信息构造演化停止项，从而使轮廓在边界停止演化，因而统称为基于边界的主动轮廓模型。Chan和Vese提出了一种基于简化的Mumford-Shah模型的主动轮廓模型，即CV模型。该模型利用像素灰度的区域统计信息构造能量函数，然后利用变分法极小化能量函数，得到轮廓的演化方程。CV模型利用了像素灰度的区域统计信息，可以有效地分割弱边界目标与离散状边界目标。但是CV模型利用常数来近似轮廓内外图像数据的值，故只适用于目标与背景分别具有相同密度特性的图像分割，而实际中由于光照，噪声等影响，目标与背景是灰度分布不均匀的区域，对于这种情况，CV模型不能得到满意的结果。为了解决上述问题，Vese和Chan又提出了改进的CV模型，分段线性光滑（piecewise smooth）（PS）模型。他也是一种基于Mumford-Shah模型的简化模型，但是计算量大。C.M.Li提出了LBF模型（Local Binary Fitting）模型，利用高斯核函数对像素点及以其为中心的邻域内的像素点之灰度差值加权来构造能量函数，极小化该能量函数得到轮廓内外像素点灰度的近似函数，可以看作在以该点为中心的高斯窗内灰度加权的均值，故能很好地近似该点的灰度值。LBF模型灰度近似函数是在图像全局域上定义的，无需再用其他方法扩展到图像全局，所以具有比PS模型更高的分割效率。CV模型、PS模型和LBF模型都利用图像数据的统计信息来构造能量函数，得到的演化方程驱动力与目标边界信息无关，因此，这类模型统称为基于区域的主动轮廓模型。基于模型的分割方法一般分为两种，一类是基于变分法的参数活动轮廓模型分割方法；一类是基于水平集方法的几何活动轮廓模型分割方法。专心-专注-专业