一.基于区域生长的高空间分辨率遥感图像分割与实现（李政国）
1.种子点的选择
种子点的选择是区域生长的首要任务。根据林区内地物呈区域状连续交错分布的特点,对种子点选取做了如下的适应性改进①建立种子标记矩阵,既为确定种子点,又标记合并到一个区域内的像素点②连续检测种子标一记矩阵,对已形成区域的外围边界点定位,任选一点作为下一区域的种子像素
2.区域生长过程
区域形成必须首先建立一个能够合并邻域像素的生长标准,其次要设计合适的生长方式。 ①区域生长准则
区域生长过程中,生长标准的确定是关乎算法有效性的一个中心问题区域生长标准。基于区域的同质性,能够并入同一区域的像素,一定是符合某种标准的。把多光谱图像看做是多维空间,？？量测像素点之间的欧氏距离可以作为生长的标准。在多维空间中,任意两个位置的欧氏距离定义为：2''
21((,)(,))n d d
d E P i j P i j ==-∑
E 为任意两点间的欧氏距离、d 为空间维数
(,)d P i j ，''(,)d P i j 在d 维空间中的任意两点
在RGB 空间中,基于种子点的欧氏距离可定义为
2''222D ((,),(,))()()()s s s s E d p p p p p p P i j P i j R R G G B B =-+-+-
D E 为欧氏距离, ''(,),(,)s d P i j P i j 分别为非种子点和种子点, p R ，p G p B 分别为非种子
点RGB 光谱值, s p R ，s p G s p B 分别为种子点光谱值。
若s P 为区域A 的种子点,给定一个阈值T,则有{|((,)),(',')|
;s T P A E T P A D P i j P i j ≤∈>?，此式则成为区域生长及结束的判定标准。
区域生长方式
区域的连通性是区域生长又一重要条件,影响到分割算法的核心结构，因此在区域生长过程中,需要严格保证连通性条件即保证像素的四连通性或者八连通性。考虑到像素坐标的关联性,对上式做如下改进：{''|((,)),(',')|
;s T P A E T P A D P i l j k P i j ≤∈>?++，式中：1,0,1;1,0,1l k =-=-。无论是四连通方式还是八连通方式,以,取值做为条件,可依次检
测种子点周围邻接像素,保证了区域的连通性和完整性。
二、彩色图像分割技术研究（曾璐）
把基于自动种子区域生长的算法与聚类的算法结合起来,先对彩色图像进行颜色聚类,再进行自动种子区域生长。
对于选取的种子区域必须满足三个重要的条件：
1.种子区域必须与它的相邻区域由高度的相似性。
2.生长后形成的区域必须有至少一个种子区域。
3.不同区域的种子必须是不相邻的。
种子选取的准则：
1.被选为种子的区域,必须与其邻域有相当高的相似性,也就是说被选为种子的区域与它的邻域区域的平均距离要小于某个阈值。
邻域的相似度的定义如下：i R V 代表i R 区域的邻域, max max()i D D =，k 为其邻域的个
数。则邻域的相似度为: j R
()i sim R =这里t x 表示i R V 每个区域的色调的均值。x 表示i R V 所有区域的均值。阈值的确定可以利用图像自动阈值的选取方法来确定。经过颜色的量化后,色调被量化为等级,可以把自动选取阈值的方法应用到量化后的颜色空间当中。通过自动阈值的选取选择一个阈值使类间差最大。令i R 的色调均值为T,此时的()i sim R ,所求的值就作为阈值threshold 。当邻域越相似时, ()i sim R 的值越小,因此只要()i sim R 小于threshold 就把i R 选为种子区域。
2. 被选为种子的区域,它与邻域的距离必须小于一个阈值。邻域之间的距离可以利用欧式距离来表示,公式如下：
1,2,3...i D i k ==， k i R 邻域的个数。i R 与邻域最大的距离：max max()i D D =
准则1是为了检测种子区域与其邻域是否高度的相似。准则2是为了确定区域是否为2个区域的边界.
如果两个种子区域是相邻的,先把相邻的种子区域进行合并。
//区域生长的算法描述
1.自动种子选取方法选取种子区域。
2.标一记种子区域。
3.种子区域合并。
4. 当有区域被标记时,则循环遍历所有的种子区域。如果种子区域的邻域p 未被标记而且不为种子区域,则将其取出。遍历p 的邻域,如果的所有的邻域的标记相同,则把区域p 的标记赋值为其邻域的标记,如果p 的邻域中存在标记不同的区域,则将p 的区域标记为距离最相近的区域标记的值。p 被标记以后,则将其从种子的邻域中删除,同时该种子的
邻域数目减1。之后更新种子区域的像素及H （色度）,S （饱和度）,V （亮度）的均值。最后把p 的未标记的邻域添加到种子的邻域中。循环执行
三、基于边缘检测和自动种子区域生长的图像分割算法（王蒙）
先利用C anny 算 子对图像进行边缘提取，得到边缘像素点集，再利用灰度直方图点集中选取自动种子点，结合相似度采用区域生长法进行图像分割，该算法能够实现阈值和种子的自动选取。在分割过程中，利用灰度直方图解决门限阈值和自动种子点的选取等问题，从而避免手动选取时造成的系统误差，以提高分割效率并改善分割效果。
1.自动种子选取
图像的边缘信息能较好的代表整个图像的大致信息，利用直方图分析图像的边缘信息能够较为简洁的得到图像整体信息。设 Ｎ 为自然数集合，而
{}G 0,1,...,255()G N =?为灰度级集合。图像函数定义为:f M N G ?→，点（x,y ）,设n 为灰度为i 的像元个数，则/i i P n MN =为灰度i 的频度，称{};i P i G ∈为图像f(x,y)的灰度直方图。在灰度直方图中，选取图像边缘信息中出现像素概率最高的点，即从灰度直方图中读出出现概率最多的像素值，在要处理的图像中找到该像素值对应的像素点，同时，标记这些边缘像素点，则这组像素点即为一组种子点，这样就完成了种子点的自动选取。选取的这组种子点，从广义上来讲，代表了图像边缘 的大致信 息，也 能大致反应出图像的整体信息。
2.生长判决条件及生长过程
设得到的边缘像素点集中，边缘像素点的总数为 Ｎ，灰度分别为
(0),(1),...,(1)X X X N -种子点的像素灰度为 Ｍ，计算平均相似度
1
1|()|N i T X i M N ===-∑作为区域生长过程的分割阈值。 另外，计算种子区域中的像素点与候选像素 （即与种子区域新生长进来的像素有八连通的像素）之间的相似性是否满足
|(,)|f x y M T -≤
算法流程：
①建立一组数组seed 且置空，将种子像素点逐个加入到seed 数组。
②判断数组是否为空。如果数组中仍存在元素，取出数组像素作为当前种子点继续下面的步骤；否则，结束生长。
③判断种子点的八邻域内的候选像素是否为图像边沿，若是停止该方向上的生长；否则，判断该候选像素点是否满足式②中的相似性准则。若满足，则将其添加到候 选 种 子数组seed 中，表示该方向可继续生长；否则，停止该方向上的生长，检测其他候选像素；若生长区域中再也没有新像素可以加入到seed 数组中，则返回步骤②。
完成了种子点的自动选取，避免了在手动选择种子点时，分割效果对初始种子过度依赖的问题。此外，通过分析图像的灰度信息自动计算区域生长中分割阈值，还可减小人工设定阈值对图像分割效果的影响。利用灰度直方图分析图像边缘信息和自动计算分割阈值的方法能降低算法复杂度，提高图像分割算法的效率。
？？四、基于多尺度的区域生长的图像分割技术（肖明尧、李雄飞，张小利） 先高斯滤波去除噪声。
传统区域生长法的步骤是：
步骤1 选择一个种子点，并将纳入到队列 Q 中。
步骤2 检查周围所有点像素，并判断其是否与种子点相似，如果相似，则将其纳入到 Q 中，否则不予处理。
步骤3将队列 Q 中的第一个元素弹出，并加入到集合 R1中。并检查 Q 是否为空，不为空，则将当前 Q 中的第一个元素作为种子点，并重复 Step2；否则，将尚未列入R1中的元素纳入到 R2。
缺点：传统区域生长算法只能保证初始种子点所在的区域是连通的，而无法保证其它区域也是连通的。该算法容易受到噪音或不规则边缘的影响，往往会将噪音划分成立的小区域。同时，也会在边界处产生很多小的孤立点。
为了解决该问题提出了多尺度区域生长算法。
最大梯度变换(MGT): 反映图像中各个像素与邻差像素的最大差别.
对于给定图像 I ，p 为图像 I 内的像素坐标，则MGT 定义为如下形式:
()max();f p q p MGT p I I q w =-∈
其中，p w 为以p 的邻域, p w 内的元素包含 p 的右上角、右侧、右下角及下面。 给出对于图像 I 的邻差变换的另外一种形式: ()max(|()|);1,...,4f i MGT p MGT I i ==, D(I) 记为图像 I 的邻差矩阵,其大小与 I 一致。在上式中，()i D I 为大小与图像 I 相同，每一元素表示图像 I 对应像素与其成/4i π，且紧邻的像素的灰度之差，其计算公式为();1,...,4i i D I I C i ==
其中 代表卷积操作，i C 为33?大小的核函数，具体定义如下所示。
通过过邻差变换，获取图像的变换矩阵，并通过变换矩阵的统计信息获取分割阈值。分割的具体步骤为：对图像 I 进行高斯滤波，得到平滑图像,':I I I K =
其中，K 为高斯核函数， 为卷积算子。
根据上式对待分割图像 I 和 I’做最大梯度变换，得到最大梯度变换矩阵 MGT (I)和MGT (I’)，根据 MGT (I)和 MGT (I’)的统计信息获得分割阈值'λλ和。
五、基于区域生长的医学图像分割（舒添慧）
区域生长法可满足图像分割的多种要求,既提取CT 图的边缘信息,又针对某一特定区域的病灶单独实行分割,缩短了手术计划的时间,实验结果为临床诊断提供有利的帮助信息,提高了手术导航的效率。
生长法需要解决三个问题:
(1)选择或确定一组能正确代表所需区域的种子像素;
(2)确定在生长过程中能将像素包括进来的准则;
(3)制定让生长停止的条件或规则。
选取种子点：
取图像中的一个点作为种子像素,该点的选择随机性比较大,对分割结果影响明显,所以在提取图像边缘和进行病灶分割时,种子像素点是各不相同的,应尽可能的选择最具有代表该类的像素点,确定了种子像素点后,记录该点的灰度值 i,取阈值为 T ,所以()i T ±作为生长像素的条件。
算法：
种子像素点入栈,如果栈为空,执行以下几个操作:
①栈顶像素出栈;
②将出栈像素置成某一种特别颜色,如白色或黑色;
③检查其四周上下左右的相邻像素,若其中某个像素的灰度值不在()i T ±内且未值成特别的颜色,那么把该像素入栈。
若栈为空则需继续执行以上步骤
一旦发现选取的种子像素不符合分割的条件时,通过人机交互式对种子像素点再进行选择,确定了种子像素点之后,阈值 T 的选取也是可变的,主要依据是按照分割的目标物体来判断。整个分割的过程重复执行几次,直至分割结果为最佳。
六、基于区域生长的CT 序列图像分割（潘家辉，朱玲利，鲍苏苏）
种子点的选择
本文采用的是以种子区域代替种子点的方法来减少误选对于 CT 腹部图像的分割，一定的人工参与是非常必要的，在医生的指导下选择合适的种子点有利于更合理地分割出不同的组织。分割肝脏时采用 3× 3 的区域代替种子点。
生长规则的确定
区域生长的一个关键是选择合适的生长或相似准则，大部分区域生长准则使用图像的局部性质 。本文算法采用基于区域灰度差准则设已经分割的像素灰度平均值为X ，当前元素灰度值为 y,若满足||y X T -≤则合并，并且更新(n*)/(1)X X y n =++, 其中 T 为阈值，n 为已经合并的元素个数; 否则不合并.
生长阈值的设置
针对肝脏区域，其初始阈值是通过计算以种子点为中心、5 × 5 区域的灰度方差的两倍来计算的，针对血管区域，以种子点为中心的 3 × 3 区域的灰度来计算，肝脏灰度阈
值的计算公式如下:
δ22
221(,)(,)25r c m x y f x r y c =-=-=++∑∑，2T δ= 其中(x,y)表示种子区域中心点坐标，f(x ，y)表示像素点(x ，y)的灰度值，T 为阈值。
采用相邻层的肝区灰度相近原则，在采用单张图像分割的方法分割出第一张图像后，保留分割区域的种子点坐标和计算出已分割区域的平均灰度值，作为下一张图像的种子点和灰度进行区域生长，直至该组内的所有图像都分割完毕为止。
记第 k 层的第 m 个区域为k m R ，m N 为区域k m R 像素总个数，
坐标(,)x y 的灰度值为(,)f x y ，则第 m 个区域灰度均值为m M 计算公式为:
1
1(,)m N m i M f x y N ==∑ 具体的 实 现 肝 脏 分 割 CT 序 列 图 像 的 步 骤如下:
(1) 根据分组原则，将全部序列图像分成若干组;
(2) 对每一组中第一张图像，按照单张图像区域生长算法进行区域生长，同时保留种子点坐标和阈值，计算出已分割区域的平均灰度值;
(3) 以上一张图像的种子点和已分割区域的平均灰度值作为下一张图像的种子点坐标和灰度值，阈值保持不变，进行区域生长，直到该组内所有图像都分割完毕;
(4) 当所有组的图像分割完成时，分割结束。
七、基于改进的变分水平集和区域生长的图像分割方法的研究（姜慧研，冯锐杰） 本文利用灰度直方图中肝脏对应的波峰中位于腹部CT 图像中
35{(,)|,}4828
X X Y Y x y x y <<<<)的矩形区域内某一点作为种子点， 其中x 为图像的宽，Y 为图像的高。
根据经验，区域生长的阈值0011[,]42T σσ∈
据腹部CT 图像的灰度直方图和肝脏在腹部CI 图像中位置的先验知识选取种子点在腹部CT 图像中肝脏通常与其它腹部脏器相连接,为了保待分割像素的灰度值与种子点在同一分割阈值区间内，防止区域生长过度，本文利用目标区域的统计信息对生长进行
约束，所选取的分割阈值区间为
00[,]
μσμσ-+。
八．改进的区域生长算法在医学图像分割中的应用 种子选取：根据颅脑CT 图像及分割区域的特点,选取扫描视野内的最小灰度值的像素作为种子像素。
生长准则：条件是相邻像素的灰度差不大于某个生长阈值,保证生长区域的局部均匀性。使在生长过程中灰度值大于此阈值的像素不被考虑。
阈值：设(x0,y0)为已生长区域R 的边界点,且(x,y)为(x0,y0)的相邻点,当且仅当: | f(x,y)- f(x0,y0)| < T0且f(x,y)< T 则将(x,y)加入区域R 中,即R= R ∪{(x,y)}。
算法：
（1） 对图像的扫描野区域顺序扫描,找到具有最小灰度值的像素作为种子像素,设该
像素为(x0,y0)。
(2)以像素(x0,y0)为中心,考虑像素(x0,y0)的4邻域像素(x,y)。如果像素(x,y)满足| f(x,y)- f(x0,y0)| < T0且f(x,y)< T 所确定的生长准则,则将像素(x,y)与像素(x0,y0)像素合并,将其归为同一类,同时将像素(x,y)在图像中的位置压入堆栈;如果像素(x,y)不满足| f(x,y)- f(x0,y0)| < T0且f(x,y)< T 所确定的生长准则,则将丢弃像素(x,y).
(3)从堆栈中取出1个像素,把它当作像素(x0,y0),回到第2步。
(4)当堆栈为空时,生长过程结束.
九、基于区域生长的极光图像分割方法（王妍）
种子像素选取：根据图像中灰度值最大的像素点，选取其周围的一组像素点作为种子像素根据极光图像的灰度直方图，统计出各个像素点出现的频数，并结合灰度直方图 的特点，将灰度频数较小的像素点置为 0，其次找出图像中灰度值最大的像素点，最后采用高斯拟合的方法，将最大像素点周围符合要求的像素点所对应的频数进行拟合，从而找出一组像素点作为种子像素。 高斯函数表达式：2
2())2x y μσ-=-，其中μ为均值，σ为标准差 生长准则：通过最大类间方差法得到阈值，若待测像素点的灰度值 f(x, y)
与种子像素的灰度值接近，且小于最佳分割阈值T ，则当前像素点满足区域生长条件，将其并入生长区域中，同时更新区域的类间方差，反复执行，直到无法生长为止，从而完成对整个目标区域的分割。
算法的实现…
十、基于区域生长的 OCT 图像 分割算法研究（曹彪）
种子像素选取：选择目标区域中一个或多个点(种子区域)加入到已生长区域，并以此作为生长起点
最为核心的是生长准则，一般可以表示为一个灰度区间：[,]M F M F σσ-?+?， 其中 M 和σ分别表示当前己生长区域的所有像素点灰度值平均值和标准差，F 是自定义的系数，如果邻域中像素点的灰度值处于这个区间中则被接纳，否则就被拒绝。生长准则没有一定的标准
生长准则：基于区域灰度差、基于区域内灰度分布统计性质
基于区域内灰度分布统计性质：把图像分成互不重叠的小区域； 比较邻接区域的累积灰度直方图，根据灰度分布的相似性进行区域合并。设定终止准则，通过反复进行步骤 2 中的操作将各个区域依次合并直到满足终止准则，生长过程结束。
生长准则改进版：假设图像中一点 f(x, y)为符合生长要求的点，其灰度值为 a ，那么它的相邻点f(x +1, y) 的灰度值为 b ，现在来比较 a 与 b 的阈值差，如果阈值差在某一个门限 T 范围内那么就认为 f(x +1, y)符合生长要求，选 f(x +1, y)为新的生长起始点。其判断准则为：||a b T -≤。
固定阈值法：假设图像中一点 f(x, y) 为图像的生长起始点，其灰度值为 a ，我们将其灰度值 a 与某固定值b 的和做为生长起始阈值 threshold ，设其邻域内一点 f(x+1, y)
的灰度值为c ，如果c 与 threshold 的差值在某一特定门限范围 T 内，那么我们就认为 f(x+1, y)是符合生长要求的点，将其纳入目标区域内，然后判断 f(x+1, y) 邻域内的点是否也在门限范围内，来确定其是否属于目标区域。其判断准则为：|(,)(1,)|f x y b f x y T +-+≤ 十一、基于区域生长的前视红外图像分割方法
首先在全局阈值分割的基础上选择出种子点所在区域，并在区域中定义局部灰度信息统计准则和策略选取出种子点；然后以目标模板面积作为参考，通过对分割效果的判断自动调整生长阈值进行区域生长以得到分割图像。
种子像素的选取：先在全局阈值分割将背景和目标图像进行粗分割，利用形态学滤波选择出种子点所在区域，1.种子点区域内部灰度较均匀，当用区域灰度差作为生长准则时，通过区域内最接近灰度均值的点进行区域生长有利于得到目标的内部信息；2.边缘点，种子点区域的边缘点代表了靠近目标边缘的灰度特征，通过边缘点进行区域生长有利于得到目标的边缘信息。
种子点区域内部点定义如下选取准则：设种子点区域D 大小为M X N ，D 中任一点(x,y)处的灰度值记为I(x,y)，计算D 的平均灰度：(,)1(,)x y D ave I x y MN ∈=
∑I 计算D 中任一点灰度值与ave I 的差值：
(,)|(,)|dif ave x y I x y I =-I 则选取''(,)x y 为种子点，
使得''(,)min (,)dif dif x y I x y =I 。
在生长过程中建立一个生长阈值自适应调整的过程，即分别计算需要匹配的目标模板和已生长区域的面积，若已生长区域面积与目标模板面积比大于μ。t 时视为分割过度，则将区域生长阈值减少T ?；若已生长区域面积与目标模板面积比小于υ时视为分割不足，则将区域生长阈值增加T ?，以此自动调整区域生长的阈值。
十二、基于视觉注意新及区域生长的图分方法研究
种子点的选取：1. 随机对图像中的种子点进行选取，再根据一定规则对邻近的相似像素进行合并，逐渐形成一个连通的区域。（随机地选择个种子点，并同时进行对应的区域生长，完成对待处理图像的分割。）2. 种子点的选取也可以利用直方图，分水岭方法便是通过直方图搜寻图像中的种子点，并把直方图的谷选为相应的种子点作为生长起点，完成图像的分割。3. 选择具有聚类中心灰度值的像素作为区域生长的种子点，进而对输入图像进行分割。
区域生长准则：1. 基于图像灰度分布的统计特性；首先，把待处理图像划分为多个相互分离的子区域，然后，对各邻域的累积灰度直方图进行比较与分析，按照特定的相似性准则进行合并。2. 基于区域间的灰度差
3. 基于区域的形状；①先把待处理图像按照一定规则分为灰度固定的区域，设两相邻区域重合的边界长度为C,将重合的边界线两侧灰度差与规定值进行比较，并设小于规定值的那部分长度为H ，若
1H T C
>(1T 为相应的阈值)，则将两区域进行相应的合并。 ②先根据灰度值将图像划分为多个子区域，并设两相邻区域的周长分别是12,S S ,将重
合的边界线两侧灰度差与规定值进行比较，并设小于规定值的那部分长度为H ，
212min(,)H T S S (2T 为相应的阈值)，则将两区域进行相应的合并。
Matlab实现区域生长算法 （南京航空航天大学机电学院机械工程系，南京2016年11月1日） 摘要： 图像分割不仅是图像处理领域的一个经典的研究主题，也是图像处理技术的热点和焦点。随着计算机处理技术的发展，图像分割算法引起研究人员越来越多的关注。本文提出了基于传统的种子区域生长算法的基础上形成一种新的图像自动分割区域的方法。算法的实现主要基于Matlab编程实现。 关键词：图像分割，种子区域生长算法，Matlab 一、引言 区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域(seed point)，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的，典型的区域生长法如T. C. Pong等人提出的基于小面（facet）模型的区域生长法，区域生长法固有的缺点是往往会造成过度分割，即将图像分割成过多的区域。 区域生长是一种串行区域分割的图像分割方法，其优点是基本思想相对简单，通常能将具有相同特征的联通区域分割出来，并能提供很好的边界信息和分割结果。在没有先验知识可以利用时，可以取得最佳的性能，可以用来分割比较复杂的图像，如自然景物。但是，区域生长法是一种迭代的方法，空间和时间开销都比较大，噪声和灰度不均匀可能会导致空洞和过分割，并在对图像中的阴影效果处理上往往不是很好。 区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素具有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来，这样，一个区域就长成了。 区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止。区域生长的好坏决定于1.初始点（种子点）的选取。2.生长准则。3.终止条件。区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标的提取。 简单来说下三个法则，对出需要分割的图像： 1、选取图像中的一点为种子点（种子点的选取需要具体情况具体分析）。 2、在种子点处进行8邻域或4邻域扩展，判定准则是：如果考虑的像素与
图像分割方法综述
图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点，本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering
analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方
图像分割算法开题报告 摘要：图像分割是图像处理中的一项关键技术，自20世纪70年代起一直受到人们的高度重视，并在医学、工业、军事等领域得到了广泛应用。近年来具有代表性的图像分割方法有：基于区域的分割、基于边缘的分割和基于特定理论的分割方法等。本文主要对基于自动阈值选择思想的迭代法、Otsu法、一维最大熵法、二维最大熵法、简单统计法进行研究，选取一系列运算出的阈值数据和对应的图像效果做一个分析性实验。 关键字：图像分割，阈值法，迭代法，Otsu法，最大熵值法 1 研究背景 1．1图像分割技术的机理 图像分割是将图像划分为若干互不相交的小区域的过程。小区域是某种意义下具有共同属性的像素连通集合，如物体所占的图像区域、天空区域、草地等。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言，连通有4连通和8连通之分。图像分割有3种不同的方法，其一是将各像素划归到相应物体或区域的像素聚类方法，即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘像素，然后再将边缘像素连接起来构成边界的方法。 图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解，两者是紧密关联的。图像分割在一般意义下十分困难的，目前的图像分割处于图像的前期处理阶段，主要针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。 1．2数字图像分割技术存在的问题
虽然近年来对数字图像处理的研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大突破性的进展,仍然存在以下几个方面的问题。 现有的许多种算法都是针对不同的数字图像,没有一种普遍适用的分割算法。 缺乏通用的分割评价标准。对分割效果进行评判的标准尚不统一,如何对分割结果做出量化的评价是一个值得研究的问题,该量化测度应有助于视觉系统中的自动决策及评价算法的优劣,同时应考虑到均质性、对比度、紧致性、连续性、心理视觉感知等因素。 与人类视觉机理相脱节。随着对人类视觉机理的研究,人们逐渐认识到,已有方法大都与人类视觉机理相脱节,难以进行更精确的分割。寻找到具有较强的鲁棒性、实时性以及可并行性的分割方法必须充分利用人类视觉特性。 知识的利用问题。仅利用图像中表现出来的灰度和空间信息来对图像进行分割,往往会产生和人类的视觉分割不一致的情况。人类视觉分割中应用了许多图像以外的知识,在很多视觉任务中,人们往往对获得的图像已具有某种先验知识,这对于改善图像分割性能是非常重要的。试图寻找可以分割任何图像的算法目前是不现实,也是不可能的。人们的工作应放在那些实用的、特定图像分割算法的研究上,并且应充分利用某些特定图像的先验知识,力图在实际应用中达到和人类视觉分割更接近的水平。 1．3数字图像分割技术的发展趋势 从图像分割研究的历史来看,可以看到对图像分割的研究有以下几个明显的趋势。 对原有算法的不断改进。人们在大量的实验下，发现一些算法的效
医学图像分割方法综述 林瑶，田捷1 北京,中国科学院自动化研究所人工智能实验室,100080 摘要: 图像分割是一个经典难题，随着影像医学的发展，图像分割在医学应用中具有特殊的重要意义。本文从医学应用的角度出发，对医学图像分割方法，特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述，最后总结了医学图像分割方法的研究特点。 关键词：医学图像分割 综述 1．背景介绍 医学图像包括CT 、正电子放射层析成像技术（PET ）、单光子辐射断层摄像（SPECT ）、MRI （磁共振成像技术）、Ultrasound （超声）及其它医学影像设备所获得的图像。随着影像医学在临床医学的成功应用，图像分割在影像医学中发挥着越来越大的作用[1]。图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段，同时也是可视化实现的预处理步骤和前提。分割后的图像正被广泛应用于各种场合，如组织容积的定量分析，诊断，病变组织的定位，解剖结构的学习，治疗规划，功能成像数据的局部体效应校正和计算机指导手术[2]。 所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。 定义 将一幅图像，其中g x y (,)0≤≤x Max x _,0≤≤y Max y _，进行分割就是将图像划分为满足如下条件的子区域...： g 1g 2g 3 (a) ，即所有子区域组成了整幅图像。 (b) 是连通的区域。 g k (c) ，即任意两个子区域不存在公共元素。 (d) 区域满足一定的均一性条件。均一性（或相似性）一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。 g k 如果连通性的约束被取消，那么对像素集的划分就称为分类（pixel classification），每一个像素集称为类（class）。在下面的叙述中，为了简单，我们将经典的分割和像素分类通称为分割。 医学图像分割到今天仍然没有获得解决，一个重要的原因是医学图像的复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像比较，不可避免的具有模糊、不均匀性等特点。另外，人体的解剖组织结构和形状复杂，而且人与人之间有相当大的差别。这些都给医学图像分割的分割带来了困难。传统的分割技术或者完全失败，或者需要一些特殊的处理技术。因此，我们有必要针对医学应用这个领域，对图像分割方法进行研究。 为了解决医学图像的分割问题，近几年来，很多研究人员做了大量的工作，提出了很多实用的分割算法[2][3][4]，随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论等在图像分割中的应用日渐广泛，遗传算法、尺度空间、多分辨率方法、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，国内外学者提出了不少有针对性的好分割方法。本文将主要介绍近几年这一领域中研究人员提出的新方法或对原有方法的新改进。需要指出的是，由于从不同的角度将得到不同的分类结果，本文中所涉及方法的分类并不是绝对的，而且许多分割方法还是多种简单方法的综合体，我们只能大致将它们分为属于最能反映其特点 1x x g N k k =),(),(y g y =∪φ=(y y g j k ∩),(),x g x 1 联系人：田捷 电话：82618465 E-mail:tian@https://www.doczj.com/doc/6f263993.html,
中南民族大学 毕业论文(设计) 学院: 计算机科学学院 专业: 自动化年级:2012 题目: 图像分割技术与MATLAB仿真 学生姓名: 高宇成学号:2012213353 指导教师姓名: 王黎职称: 讲师 2012年5月10日
中南民族大学本科毕业论文（设计）原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名：年月日
目录 摘要 (1) Abstract (1) 引言 (3) 1 图像分割技术 (3) 1.1 图像工程与图像分割 (3) 1.2 图像分割的方法分类 (4) 2 图像分割技术算法综述 (5) 2.1 基于阈值的图像分割技术 (5) 2.2边缘检测法 (5) 2.3 区域分割法 (7) 2.4 基于水平集的分割方法 (8) 2.5 分割算法对比表格 (8) 3基于水平集的图像分割 (9) 3.1 水平集方法简介 (9) 3.2 水平集方法在图像分割上的应用 (9) 3.3 仿真算法介绍 (10) 3.4 实验仿真及其结果 (11) 结论 (18) 致谢 (19) 参考文献 (19)
图像分割技术研究及MATLAB仿真 摘要：作为一项热门的计算机科学技术，图像分割技术已经在我们生活中越来越普及。顾 名思义这项技术的目的就是，将目标图像从背景图像中分离出去。由于这些被分割的图像区域在某些属性上很相近，因此图像分割与模式识别以及图像压缩编码有着密不可分的关系。完成图像分割所采用的方法各式各样，所应用的原理也不同。但他们的最终目的都是把图像中性质相似的某些区域归为一类，把性质差异明显的不同区域分割开来。通常在分割完成之后，我们就要对某些特定区域进行分析、计算、评估等操作，因而分割质量的好坏直接影响到了下一步的图像处理[1]，因此图像分割是图像处理的一个关键步奏。图像分割技术在各个领域都有着及其重要的意义；在工业上有卫星遥感，工业过程控制监测等等；在医学方面，水平集的分割方法还可以通过医学成像帮助医生识别模糊的病变区域；在模式识别领域还可应用到指纹扫描、手写识别、车牌号识别等等。 本课题的研究内容是对图像分割技术的几种常用的方法进行综述和比较，并基于其中一种方法进行MATLAB仿真测试，给出性能分析比较结果。 关键字：图像分割，MA TLAB仿真，模式识别 Image Segmentation and Matlab Simulation Abstract:Image segmentation is to image representation for the physically meaningful regional connectivity set, namely according to the prior knowledge of target and background, we on the image of target and background of labeling and localization, then separate the object from the background. Because these segmented image regions are very similar in some properties, image segmentation is often used for pattern recognition and image understanding and image compression and coding of two major categories. Because the generated in the segmented region is a kind of image content representation, it is the image of visual analysis and pattern recognition based and segmentation results of quality of image analysis, recognition and interpretation of quality has a direct impact. Image segmentation it is according to certain features of the image (such as gray level, spectrum, texture, etc.) to a complete picture of the image is segmented into several meaningful area. These features made in a certain region of consistent or similar, and between different regions showed significantly different. Image segmentation technology in various fields have most of the field and its important significance in digital image processing, image segmentation has a wide range of applications, such as industrial automation, process control, online product inspection, image coding, document image processing, remote sensing and medical image analysis, security surveillance, as well as military, sports and other aspects. In medical image processing and analysis, image segmentation for body occurrence of three-dimensional display of the diseased organ or lesion location determination and analysis plays an effective role in counseling; in the analysis and application of road traffic conditions,
关于三维目标识别的文献综述 前言： 随着计算机技术和现代信息处理技术的快速发展，目标识别已经迅速发展成为一种重要的工具与手段，目标识别是指一个特殊目标（或一种类型的目标）从其它目标（或其它类型的目标）中被区分出来的过程。它既包括两个非常相似目标的识别，也包括一种类型的目标同其他类型目标的识别。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息，通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数，最后根据大量训练样本所确定的鉴别函数，在分类器中进行识别判决。它属于模式识别的范畴，也可以狭义的理解为图像识别。三维目标识别是以物体表面朝向的三维信息来识别完整的三维物体模型目标识别需要综合运用计算机科学、模式识别、机器视觉以及图像理解等学科知识。目标识别技术已广泛应用于国民经济、空间技术和国防等领域。 正文： 图像识别总的来说主要包括目标图像特征提取和分类两个方面。但是一般情况下，图像受各种因素影响，与真实物体有较大的差别，这样，就需要经过预处理、图像分割、特征提取、分析、匹配识别等一系列过程才能完成整个识别过程。 目前，最主流的三种三维物体识别研究思路是： 1)基于模型或几何的方法；
2)基于外观或视图的方法； 3)基于局部特征匹配的方法； 一、基于模型或几何的方法： 这种方法所识别的目标是已知的，原理就是利用传感器获得真实目标的三维信息并对信息进行分析处理，得到一种表面、边界及连接关系的描述，这里，三维物体识别中有两类最经常使用的传感器：灰度传感器和深度传感器，前者获取图像的每个像素点对应于一个亮度测量，而后者对应于从传感器到可视物体表面的距离；另一方面，利用CAD建立目标的几何模型，对模型的表面、边界及连接关系进行完整的描述。然后把这两种描述加以匹配就可以来识别三维物体。其流程如下图所示： 传感器数据获取过程，就是从现实生活中的真实物体中产生待识别的模型。分析/建模过程，是对传感器数据进行处理，从中提取与目标有关的独立应用特征。模型库的建立一般式在识别过程之前，即首先根据物体的某些特定特征建立一些关系以及将这些信息汇总成一个库。在模型匹配过程，系统通过从图像中抽取出的物体关系属性图，把物体描述与模型描述通过某种匹配算法进行比较、分析，最终得到与物体最相似的一种描述，从而确定物体的类型和空间位置。 基于模型的三维物体识别，需要着重解决以下4个问题：
数字图像目标分割与提取研究背景意义目的与现状 1 背景 数字图像目标分割与提取是数字图像处理和计算机视觉领域中一个备受关注的研究分支。因为在目标分割与提取过程中可以利用大量的数字图像处理的方法，加上其在计算机视觉、模式识别等领域中的广泛应用，都吸引了众多研究者的注意。相信对这一问题的深入研究不仅会不断完善对这一问题的解决，而且必将推动模式识别、计算机视觉、人工智能等计算机科学分支的发展。图像分割和边缘检测的问题在近二十年中得到了广泛的关注和长足的发展，国内外很多研究人士提出了很多方法，在不同的领域取得了一定的成果。但是对于寻找一种能够普遍适用于各种复杂情况的准确率很高的分割和检测算法，还有很大的探索空间。边缘提取和分割是图像分析的经典研究课题之一，目前的理论和方法仍存在许多不足之处，仍在不断改进和发展。 由于图像的多义性和复杂性，许多分割的工作无法依靠计算机自动完成，而手工分割又存在工作量大，定位不准确的难题，因此，人们提出了一些人工交互和计算机自动定位相结合的方法，利用各自的优势，实现目标轮廓的快速定位。相信这些交互式方法的应用，必将推动图像目标分割与提取这一既具有广阔的应用前景又具有重要的学术价值的课题的进一步研究，也必将成为一个更为独立和活跃的研究领域[1]。近年来，DSP技术的发展不断将数字信号处理领域的理论研究成果应用到实际系统中，并且推动了新的理论和应用领域的发展，对图像处理等领域的技术发展也起到了十分重要的推动作用。基于DSP的图像处理系统也被广泛的应用于各种领域。 从图像处理技术的发展来看，实时性在实际中有着广泛的应用。实时图像处理系统设计的难点是如何在有限的时间内完成大量图像数据的处理。因为要对图像进行实时处理,所以为了实现实时和快速,高效的处理,在这个系统中要求我们的图像处理速度要达到一定的速度，而图像处理的速度是由算法的执行时间、视频输入输出延迟以及外部数据存储器与DSP的数据交换效率等因素决定。算法执行时间与CPU 速度有关;图像处理的速度既图像处理所要用的时间，它主要是由算法决定的。算法执行的指令的多少决定了处理速度。而图像的处理的算法包含有大量的算法指令，为了快速的处理大数据量的多媒体信息，特别是活动图像信息，同时又能灵活的支持多种不同的应用，DSP的应用势在必行。相比于通用的DSP，用于多媒体应用的专用DSP集成了许多专用模块，这些模块用硬件加速很多通用的多媒体方面的大量算法明晰的处理、实时性强等要求.由于图像处理的数据量大，数据处理相关性高，实时的应用环境决定严格的帧、场时间限制，因此实时图像处理系统必须具有强大的运算能力。各种高性能DSP不仅
医学图像分割综述郭爱心安徽大学摘要：图像分割是图像处理和分析的关键。随着影像医学的发展，图像分割在医学应用中具有重要意义。本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字：医学图像分割意义方法评估标准发展前景AReviewofMedicalImageSegmentation Ai- XinGuoAnhuiUniversityAbstract:Imagesegmentationisthekeyofimageprocessingandanalysis.Withthede velopmentofmedicalimage,imagesegmentationisofgreatsignificanceinmedicalapplications.Fromtheper spectiveofmedicalapplications,thispapermadeasimplereviewofthemedicalimagesegmentationonit’ssig nificance、methods、evaluationstandardsanddevelopmentprospects.words:Keymedical image,segmentation,sig nificance,methods,evaluation standards,developmentprospects1.医学图像分割的意义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出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。医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超[2]声）及其它医学影像设备所获得的图像。医学图像分割是将原始的2D或3D图像划分成[1]不同性质(如灰度、纹理等)的区域，从而把感兴趣的区域提取出来。医学图像分割是一个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有重要作用，为临床诊疗和病理学研究提供可靠的依据。医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可
实验报告 课程名称医学图像处理 实验名称图像分割 专业班级 姓名 学号 实验日期 实验地点 2015—2016学年度第 2 学期
050100150200250 图1 原图 3 阈值分割后的二值图像分析：手动阈值分割的阈值是取直方图中双峰的谷底的灰度值作为阈值，若有多个双峰谷底，则取第一个作为阈值。本题的阈值取
%例2 迭代阈值分割 f=imread('cameraman.tif'); %读入图像 subplot(1,2,1);imshow(f); %创建一个一行二列的窗口，在第一个窗口显示图像title('原始图像'); %标注标题 f=double(f); %转换位双精度 T=(min(f(:))+max(f(:)))/2; %设定初始阈值 done=false; %定义开关变量，用于控制循环次数 i=0; %迭代，初始值i=0 while~done %while ~done 是循环条件，~ 是“非”的意思，此 处done = 0; 说明是无限循环，循环体里面应该还 有循环退出条件，否则就循环到死了; r1=find(f<=T); %按前次结果对t进行二次分 r2=find(f>T); %按前次结果重新对t进行二次分 Tnew=(mean(f(r1))+mean(f(r2)))/2; %新阈值两个范围内像素平均值和的一半done=abs(Tnew-T)<1; %设定两次阈值的比较，当满足小于1时，停止循环， 1是自己指定的参数 T=Tnew; %把Tnw的值赋给T i=i+1; %执行循坏，每次都加1 end f(r1)=0; %把小于初始阈值的变成黑的 f(r2)=1; %把大于初始阈值的变成白的 subplot(1,2,2); %创建一个一行二列的窗口，在第二个窗口显示图像imshow(f); %显示图像 title('迭代阈值二值化图像'); %标注标题 图4原始图像图5迭代阈值二值化图像 分析：本题是迭代阈值二值化分割，步骤是：1.选定初始阈值，即原图大小取平均；2.用初阈值进行二值分割；3.目标灰度值平均背景都取平均；4.迭代生成阈值，直到两次阈值的灰 度变化不超过1，则稳定；5.输出迭代结果。
中北大学 课程设计说明书 学生姓名：梁一才学号：10050644X30 学院：信息商务学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法研究与实现 指导教师：陈平职称: 副教授 2013 年 12 月 15 日
中北大学 课程设计任务书 13/14 学年第一学期 学院：信息商务学院 专业：电子信息工程 学生姓名：焦晶晶学号：10050644X07 学生姓名：郑晓峰学号：10050644X22 学生姓名：梁一才学号：10050644X30 课程设计题目：信息处理综合实践: 图像分割算法研究与实现 起迄日期：2013年12月16日～2013年12月27日课程设计地点：电子信息科学与技术专业实验室指导教师：陈平 系主任：王浩全 下达任务书日期: 2013 年12月15 日
课程设计任务书 1．设计目的： 1、通过本课程设计的学习，学生将复习所学的专业知识，使课堂学习的理论知识应用于实践，通过本课程设计的实践使学生具有一定的实践操作能力； 2、掌握Matlab使用方法，能熟练运用该软件设计并完成相应的信息处理； 3、通过图像处理实践的课程设计，掌握设计图像处理软件系统的思维方法和基本开发过程。 2．设计内容和要求（包括原始数据、技术参数、条件、设计要求等）： (1)编程实现分水岭算法的图像分割； (2)编程实现区域分裂合并法； (3)对比分析两种分割算法的分割效果； (4)要求每位学生进行查阅相关资料，并写出自己的报告。注意每个学生的报告要有所侧重，写出自己所做的内容。 3．设计工作任务及工作量的要求〔包括课程设计计算说明书(论文)、图纸、实物样品等〕： 每个同学独立完成自己的任务，每人写一份设计报告，在课程设计论文中写明自己设计的部分，给出设计结果。
江苏科技大学 数字图像处理 图像分割——区域生长法专题 1 图像分割简介 图像分割( image segmentation) 就是把图像分成各具特征的区域并提取出感兴趣目标的技术和过程。这里特征可以是象素的灰度、颜色、纹理等, 预先定义的目标可以对应单个区域也可以对应多个区域。图像分割是图像处理到图像分析的关键步骤, 在图像工程中占据重要的位置。一方面, 它是目标表达的基础, 对特征测量有重要的影响。另一方面, 因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式, 使得更高层的图像分析和理解成为可能。 图像分割是一种重要的图像处理技术, 它不仅得到人们的广泛重视和研究, 在实际中也得到大量的应用。图像分割包括目标轮廓、阈值化、图像区分或求差、目标检测、目标识别、目标跟踪等技术。 从大的方面来说，图像分割方法可大致分为基于区域的方法、基于边缘的方法、区域与边缘相结合的方法，以及在此基础上的采用多分辨率图像处理理论的多尺度分割方法。 其中基于区域的方法采用某种准则，直接将图像划分为多个区域。而基于边缘的方法则通过检测包含不同区域的边缘，获得关于各区域的边界轮廓描述，达到图像分割的目的，而区域与边缘相结合的方法通过区域分割与边缘检测的相互作用，得到分割结果。 图像分割中基于区域的方法主要有直方图门限法、区域生长法、基于图像的随机场模型法、松弛标记区域分割法等。本文主要讨论基于区域分割的区域生长法。区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的，典型的区域生长法如T. C. Pong等人提出的基于小面（facet）模型的区域生长法，区域生长法固有的缺点是往往会造成过度分割，即将图像分割成过多
图像分割方法综述 摘要：图像分割就是根据图像的某些特征或特征集合的相似性准则对图像进行分类，把图像空间分成若干个某些具有一致性属性的不重叠区域。它是图像分析和理解的基础，是计算机视觉领域中最困难的问题之一。图像分割的质量将直接影响着对图像的后续处理，所以图像分割被视为图像处理的瓶颈，具有十分重要的意义。人们很早就开始了对图像分割方法的研究，并且几十年来，这方面的研究从来没有间断过。到目前为止，已经有大量的关于图像分割的理论、技术、方法被人们相继提出并广泛应用。 关键字：图像分割；阈值；区域和边缘；交互式算法；纹理分割彩色图像分割 1.引言 图像分割是一项基于计算机技术的重要的图像分析和处理技术，从其产生至今，已经广泛的应用于各个领域，为人们的生产和生活中图像处理的水平提高做出了重大贡献。 2.国内外发展的状况 人工生命是一个快速发展的多学科交叉的研究领域，是计算机科学新的发展方向之一。目前，已经有科研人员尝试将人工生命应用到图像分割领域中。虽然目前使用人工生命进行图像分割的研究还比较少，但是这些相关研究成果表明将人工生命引入到图像分割中能获得有意义的成功，显示出了巨大的潜力。 在医学数据可视化方面，也有了许多硕果。如：医学图像如CT图像和MRI图像的三维重建、显示与分析处理；大脑生理形态分析，神经细胞中钙活性的可视化；计算机辅助外科手术模拟与计划等。其中值得一提的：如美国国家超级计算机应用中心利用远程的并列计算机资源，用体绘制技术实现了CT扫描三维数据的动态显示。其内容为显示一个狗心脏跳动周期的动态图像。 3.图像分割概述 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，因此图像信息是非常重要的一类信息。在一幅图像中，人们往往只对其中的某些目标感兴趣，这些目标通常占据一定的区域，并且在某些特性（如灰度、轮廓、颜色、纹理等）上和周围的图像有差别。这些特性差别可能非常明显，也可能很细微，以致人眼觉察不出来。计算机图像处理技术的发展，使得人们可以通过计算机来获取与处理图像信息。现在，图像处理技术已经成功应用于许多领域，其中，纸币识别、车牌识别、文字识别、指纹识别等已为大家所熟悉。 图像分割是指将一幅图像分解为若干互不交叠的、有意义的、具有相同性质的区域。好的图像分割应具有以下特征：（1）分割出来的各区域对某种性质（例如灰度、纹理）而言具有相似性，区域内部是连通的且没有过多小孔。（2）相邻区域对分割所依据的性质有明显的差异。（3）区域边界是明确的。 大多数图像分割方法只是部分满足上述特征。如果强调分割区域的同性质约束，则
图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点， 本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract: Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方法、基于人工智能的图像分割方法三个由低到高的阶段对图像分割进行全面的论述。 2 传统的图像分割方法 2.1 基于阀值的图像分割方法 阀值分割法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。阀值分割法的基本原理是通过设定不同的特征阀值，把图像像素点分为具有不同灰度级的目标区域和背景区域的若干类。它特别适用于目标和背景占据不同灰度级范围的图，目前在图像处理领域被广泛应用，其中阀值的选取是图像阀值分割中的关键技术。 灰度阀值分割方法是一种最常用的并行区域技术，是图像分割中应用数量最多的一类。图像若只用目标和背景两大类，那么只需要选取一个阀值，此分割方法称为单阀值分割。单阀值分割实际上是输入图像f到输出图像g的如下变换：
摘要 图像分割是把图像划分为有意义的若干区域的图像处理技术，分割技术在辅助医学诊断及运动分析、结构分析等领域都有着重要的研究价值和广泛的应用发展前景。 在阅读大量文献的基础上，本文对图像分割技术的理论基础、发展历程及图像分割方法的热点、难点问题进行了分类综述，对不同分割算法优缺点进行了总结和归纳，并对图像分割的发展趋势进行了初步的展望和预测。在此基础上，为了对图像分割理论有更直观的认识，本文选取并行边界算法和分水岭算法这两种方法，用MATLAB软件进行了基础的仿真，并对结果进行了分析和总结， 本文重点对一些近年来新兴的算法，比如水平集（Level-set）算法、马尔科夫随机场算法（Markov）、模糊算法、遗传算法、数学形态学算法等进行了概略性的探讨，对这些新兴算法的特点、原理、研究动态进行了分析和总结。 关键词：图像分割；边界；区域；水平集；马尔科夫
Abstract Image segmentation is an image processing technology that divides the image into a number of regions. Image segmentation has very important significance in supporting medical diagnosis, motion analysis, structural analysis and other fields. Based on recent research, a survey on the theory and development of image segmentation, hot and difficult issues in image segmentation is given in this article. And describes the characteristics of each method as well as their respective advantages and disadvantages in image segmentation .This article introduces and analyzes some basic imaging and image segmentation methods in theory and describes the development trends of medical image segmentation. To have a better understanding of image segmentation, I use MATLAB software to stimulate on images about the parallel edge algorithms and watershed algorithm. And the analysis of the segmentation results is given in the article. This article introduces and analyzes the new algorithms in recent years such as Level-set algorithm, Markov algorithm, Fuzzy algorithm, Genetic algorithm and Morphological algorithm. In this paper, the features, theory and research trends of these algorithms are analyzed and summarized. Keywords: Image segmentation; Border; Area；Level-set；Markov
图像分割阈值选取技术综述 中科院成都计算所刘平2004-2-26 摘要 图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域.本文是在阅读大量国内外相关文献地基础上,对阈值分割技术稍做总结,分三个大类综述阈值选取方法,然后对阈值化算法地评估做简要介绍. 关键词 图像分割阈值选取全局阈值局部阈值直方图二值化 1．引言 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交地区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显地不同[37]．简单地讲,就是在一幅图像中,把目标从背景中分离出来,以便于进一步处理.图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．同时它也是一个经典难题,到目前为止既不存在一种通用地图像分割方法,也不存在一种判断是否分割成功地客观标准. 阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域,例如,在红外技术应用中,红外无损检测中红外热图像地分割,红外成像跟踪系统中目标地分割；在遥感应用中,合成孔径雷达图像中目标地分割等；在医学应用中,血液细胞图像地分割,磁共振图像地分割；在农业项目应用中,水果品质无损检测过程中水果图像与背景地分割.在工业生产中,机器视觉运用于产品质量检测等等.在这些应用中,分割是对图像进一步分析、识别地前提,分割地准确性将直接影响后续任务地有效性,其中阈值地选取是图像阈值分割方法中地关键技术. 2．阈值分割地基本概念 图像阈值化分割是一种最常用,同时也是最简单地图像分割方法,它特别适用于目标和背景占据不同灰度级范围地图像[1].它不仅可以极大地压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前地必要地图像预处理过程.图像阈值化地目地是要按照灰度级,对像素集合进行一个划分,得到地每个子集形成一个与现实景物相对应地区域,各个区域内部具有一致地属性,而相邻区域布局有这种一致属性.这样地划分可以通过从灰度级出发选取一个或多个阈值来实现. 阈值分割法是一种基于区域地图像分割技术,其基本原理是：通过设定不同地特征阈值,把图像像素点分为若干类．常用地特征包括：直接来自原始图像地灰度或彩色特征；由原始灰度或彩色值变换得到地特征．设原始图像为f(x,y>,按照一定地准则在f(x,y>中找到特征值T,将图像分割为两个部分,分割后地图像为 若取：b0=0<黑）,b1=1<白）,即为我们通常所说地图像二值化. <原始图像）<阈值分割后地二值化图像） 一般意义下,阈值运算可以看作是对图像中某点地灰度、该点地某种局部特性以及该点在图像中地位置地一种函数,这种阈值函数可记作 T(x,y,N(x,y>,f(x,y>> 式中,f(x,y>是点(x,y>地灰度值；N(x,y>是点(x,y>地局部邻域特性．根据对T地不同约束,可以得到3种不同类型地阈值[37],即 点相关地全局阈值T＝T(f(x,y>> (只与点地灰度值有关> 区域相关地全局阈值T＝T(N(x,y>,f(x,y>> (与点地灰度值和该点地局部邻域特征有关> 局部阈值或动态阈值T＝T(x,y,N(x,y>,f(x,y>> (与点地位置、该点地灰度值和该点邻域特征有关> 图像阈值化这个看似简单地问题,在过去地四十年里受到国内外学者地广泛关注,产生了数以百计地阈值选取方法[2-9],但是遗憾地是,如同其他图像分割算法一样,没有一个现有方法对各种各样地图像都能得到令人满意地结果,甚至也没有一个理论指导我们选择特定方法处理特定图像. 所有这些阈值化方法,根据使用地是图像地局部信息还是整体信息,可以分为上下文无关(non-