圖像分割就是把圖像分成若干個特定的、具有獨特性質的區域并提出感興趣目標的技術和過程，它是由圖像處理到圖像分析的關鍵步驟。本篇賢集網小編來為大家介紹一下圖像分割算法有哪些，圖像分割的方法與圖像分割的步驟、圖像分割的應用及圖像分割的目的，一起來看看吧。

圖像分割算法有哪些

圖像分割的主要算法：

1.基于閾值的分割方法

2.基于邊緣的分割方法

3.基于區域的分割方法

4.基于聚類分析的圖像分割方法

5.基于小波變換的分割方法

6.基于數學形態學的分割方法

7.基于人工神經網絡的分割方法

基于閾值的分割方法

閾值分割方法作為一種常見的區域并行技術，就是用一個或幾個閾值將圖像的灰度直方圖分成幾個類，認為圖像中灰度值在同一類中的像素屬于同一物體。由于是直接利用圖像的灰度特性，因此計算方便簡明、實用性強。顯然，閾值分割方法的關鍵和難點是如何取得一個合適的閾值。而實際應用中，閾值設定易受噪聲和光亮度影響。近年來的方法有：用最大相關性原則選擇閾值的方法、基于圖像拓撲穩定狀態的方法、Yager測度極小化方法、灰度共生矩陣方法、方差法、熵法、峰值和谷值分析法等，其中，自適應閾值法、最大熵法、模糊閾值法、類間閾值法是對傳統閾值法改進較成功的幾種算法。更多的情況下，閾值的選擇會綜合運用2種或2種以上的方法，這也是圖像分割發展的一個趨勢。

特點

閾值分割的優點是計算簡單、運算效率較高、速度快。全局閾值對于灰度相差很大的不同目標和背景能進行有效的分割。當圖像的灰度差異不明顯或不同目標的灰度值范圍有重疊時，應采用局部閾值或動態閾值分割法。另一方面，這種方法只考慮像素本身的灰度值，一般不考慮空間特征，因而對噪聲很敏感。在實際應用中，閾值法通常與其他方法結合使用。

基于邊緣的分割方法

基于邊緣檢測的分割方法試圖通過檢測包含不同區域的邊緣來解決分割問題，是最常用的方法之一。通常不同的區域之間的邊緣上像素灰度值的變化往往比較劇烈，這是邊緣檢測得以實現的主要假設之一。常用灰度的一階或者二階微分算子進行邊緣檢測。常用的微分算子有一次微分(sobel算子，Robert算子等)，二次微分(拉普拉斯算子等)和模板操作(Prewit算子，Kirsch算子等)。

特點

基于邊緣的分割方法其難點在于邊緣檢測時抗噪性和檢測精度之間的矛盾。若提高檢測精度，則噪聲產生的偽邊緣會導致不合理的輪廓；若提高抗噪性，則會產生輪廓漏檢和位置偏差。為此，人們提出各種多尺度邊緣檢測方法，根據實際問題設計多尺度邊緣信息的結合方案，以較好的兼顧抗噪性和檢測精度。

基于區域的分割方法

區域分割的實質就是把具有某種相似性質的像索連通，從而構成最終的分割區域。它利用了圖像的局部空間信息，可有效地克服其他方法存在的圖像分割空間小連續的缺點。在此類方法中，如果從全圖出發，按區域屬性特征一致的準則決定每個像元的區域歸屬，形成區域圖，常稱之為區域生長的分割方法。如果從像元出發，按區域屬性特征一致的準則，將屬性接近的連通像元聚集為區域，則是區域增長的分割方法。若綜合利用上述兩種方法，就是分裂合并的方法。它是先將圖像分割成很多的一致性較強的小區域，再按一定的規則將小區域融合成大區域，達到分割圖像的目的。

特點

基于區域的分割方法往往會造成圖像的過度分割，而單純的基于邊緣檢測方法有時不能提供較好的區域結構，為此可將基于區域的方法和邊緣檢測的方法結合起來，發揮各自的優勢以獲得更好的分割效果。

基于聚類分析的圖像分割方法

特征空間聚類法進行圖像分割是將圖像空間中的像素用對應的特征空間點表示，根據它們在特征空間的聚集對特征空間進行分割，然后將它們映射回原圖像空間，得到分割結果。其中，K均值、模糊C均值聚類(FCM)算法是最常用的聚類算法。K均值算法先選K個初始類均值，然后將每個像素歸入均值離它最近的類并計算新的類均值。迭代執行前面的步驟直到新舊類均值之差小于某一閾值。模糊C均值算法是在模糊數學基礎上對K均值算法的推廣，是通過最優化一個模糊目標函數實現聚類，它不像K均值聚類那樣認為每個點只能屬于某一類，而是賦予每個點一個對各類的隸屬度，用隸屬度更好地描述邊緣像素亦此亦彼的特點，適合處理事物內在的不確定性。利用模糊C均值(FCM)非監督模糊聚類標定的特點進行圖像分割，可以減少人為的干預，且較適合圖像中存在不確定性和模糊性的特點。

聚類方法應注意幾個問題：

(1)聚類的類數如何確定。

(2)怎樣確定聚類的有效性準則。

(3)聚類中心的位置和特性事先不清楚時，如何設置初始值。

(4)運算的開銷。

并且FCM算法對初始參數極為敏感，有時需要人工干預參數的初始化以接近全局最優解，提高分割速度。另外，傳統FCM算法沒有考慮空間信息，對噪聲和灰度不均勻敏感。

基于小波變換的分割方法

基于小波變換的閾值圖像分割方法的基本思想是，首先由二進小波變換將圖像的直方圖分解為不同層次的小波系數，然后依據給定的分割準則和小波系數選擇閾值門限，最后利用閾值標出圖像分割的區域。整個分割過程是從粗到細，有尺度變化來控制，即起始分割由粗略的L2(R)子空間上投影的直方圖來實現，如果分割不理想，則利用直方圖在精細的子空間上的小波系數逐步細化圖像分割。分割算法的計算饋與圖像尺寸大小呈線性變化。小波變換為信號在不同尺度上的分析和表征提供了一個精確和統一的框架。從圖像分割的角度來看，小波分解提供了一個數學上完備的描述；小波變換通過選取合適的濾波器，可以極大地減少或去除所提取的不同特征之間的相關性，不僅具有“變焦”特性，而且在實現上有快速算法。

特點

小波變換是一種多尺度、多通道的分析工具它是空域和頻域的局域變換，因而能有效地從信號中提取信息，通過伸縮和平移等運算功能對函數或信號進行多尺度分析，解決了傅立葉變換不能解決的許多問題。近年來多進制小波開始用于邊緣檢測。另外，利用正交小波基的小波變換也可提取多尺度邊緣，并可通過對圖像奇異度的計算和估計來區分一些邊緣的類型。

基于數學形態學的分割方法

數學形態學是一種非線性濾波方法，可以用于抑制噪聲、特性提取、邊緣檢測、圖像分割等圖像處理問題。數學形態學首先被用來處理二值圖像，后來也被用來處理灰度圖像，現在又有學者開始用軟數學形態學和模糊形態學來解決計算機視覺方面的問題。數學形態學的特點是能將復雜的形狀進行分解，并將有意義的形狀分量從無用的信息中提取出來。它的基本思想是利用一個稱為結構元素的探針來收集圖像的信息，當探針在圖像中不斷的移動時，不僅可根據圖像各個部分間的相互關系來了解圖像的結構特征，而且利用數學形態學基本運算還可以構造出許多非常有效的圖像處理與分析方法。其基本的形態運算是腐蝕與膨脹。腐蝕具有使目標縮小、目標內孔增大以及外部孤立噪聲消除的效果;而膨脹是將圖像中與目標物體接觸的所有背景點合并到物體中的過程，結果是使目標增大、孔徑縮小，可以增補目標中的空間，使其形成連通域。數學形態學中另一對基本運算方法是開運算和閉運算。開運算具有消除圖像是細小物體，并在物體影響纖細處分離物體和平滑較大物體邊界的作用;閉運算具有填充物體影像內細小空間，接鄰近物體和平滑邊界的作用。

特點

數學形態學應用于圖像分割，具有定位效果好、分割精度高、抗噪聲性能好的特點。同時這種方法也有著自身的局限性：由于在圖像處理的前期工作中，采用數學形態學的開(閉)運算，進行圖像處理后，依然存在大量與目標不符的短線和孤立點;由于預處理工作的不徹底，還需要進行一系列的基于點的開(閉)運算，因此運算速度明顯下降。如何將數學形態學與其它方法綜合運用以克服這些缺陷，將是數學形態學以后的工作方向。連接鄰近物體和平滑邊界的作用。

基于人工神經網絡的分割方法

近年來，人工神經網絡識別技術已經引起了廣泛的關注，并應用于圖像分割。基于神經網絡的分割方法的基本思想是通過訓練多層感知機來得到線性決策函數，然后用決策函數對像素進行分類來達到分割的目的

特點

用人工神經網絡的方法分割圖像，需要大量的訓練數據。神經網絡存在巨量的連接，容易引入空間信息，能較好地解決圖像中的噪聲和不均勻問題。選擇何種網絡結構是這種方法要解決的主要問題。

基于遺傳學算法的分割方法

遺傳算法(GA)，是一種模擬自然選擇和遺傳機制的搜索和優化過程，它具有很強的全局優化搜索能力，是一種具有廣泛適用性的自適應搜索方法。它在搜索空間中是在種群中而不是在單點上進行尋優，它在求解過程中使用遺傳操作規則而不是確定性規則來工作。這些特點使得遺傳算法很適于應用在圖像分割中，尤其是閾值分割法以及區域生長法中。利用GA的全局尋優能力及對初始位置的不敏感特性，可以改進圖像分割的性能。

特點

遺傳算法應用于圖像分割，其難點在于適應度函數的選擇以及交叉概率和變異概率的確定。GA還有可能收斂于局部最優。可考慮使用能夠自適應設置交叉概率和變異概率自適應遺傳算法以及和模擬退火法相結合的混合遺傳算法。

圖像分割的方法

常見的圖像分割方法有以下幾種：

1.基于閾值的分割方法

灰度閾值分割法是一種最常用的并行區域技術，它是圖像分割中應用數量最多的一類。閾值分割方法實際上是輸入圖像f到輸出圖像g的如下變換：

其中，T為閾值；對于物體的圖像元素，g(i，j)=1，對于背景的圖像元素，g(i，j)=0。

由此可見，閾值分割算法的關鍵是確定閾值，如果能確定一個適合的閾值就可準確地將圖像分割開來。閾值確定后，閾值與像素點的灰度值比較和像素分割可對各像素并行地進行，分割的結果直接給出圖像區域。

閾值分割的優點是計算簡單、運算效率較高、速度快。在重視運算效率的應用場合（如用于軟件實現），它得到了廣泛應用。

2.基于區域的分割方法

區域生長和分裂合并法是兩種典型的串行區域技術，其分割過程后續步驟的處理要根據前面步驟的結果進行判斷而確定。

(1)區域生長

區域生長的基本思想是將具有相似性質的像素集合起來構成區域。具體先對每個需要分割的區域找一個種子像素作為生長的起點，然后將種子像素周圍鄰域中與種子像素有相同或相似性質的像素（根據某種事先確定的生長或相似準則來判定）合并到種子像素所在的區域中。將這些新像素當作新的種子像素繼續進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這樣一個區域就長成了。

(2)區域分裂合并

區域生長是從某個或者某些像素點出發，最后得到整個區域，進而實現目標提取。分裂合并差不多是區域生長的逆過程：從整個圖像出發，不斷分裂得到各個子區域，然后再把前景區域合并，實現目標提取。分裂合并的假設是對于一幅圖像，前景區域是由一些相互連通的像素組成的，因此，如果把一幅圖像分裂到像素級，那么就可以判定該像素是否為前景像素。當所有像素點或者子區域完成判斷以后，把前景區域或者像素合并就可得到前景目標。

3.基于邊緣的分割方法

基于邊緣的分割方法是指通過邊緣檢測，即檢測灰度級或者結構具有突變的地方，確定一個區域的終結，即另一個區域開始的地方。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特征可以分割圖像。

4.基于特定理論的分割方法

圖像分割至今尚無通用的自身理論。隨著各學科新理論和新方法的提出，出現了與一些特定理論、方法相結合的圖像分割方法，主要有：基于聚類分析的圖像分割方法、基于模糊集理論的分割方法，等。

5.基于基因編碼的分割方法

基于基因編碼的分割方法是指把圖像背景和目標像素用不同的基因編碼表示，通過區域性的劃分，把圖像背景和目標分離出來的方法。該方法具有處理速度快的優點，但算法實現起來比較難。

6.基于小波變換的分割方法

小波變換是近年來得到廣泛應用的數學工具，它在時域和頻域都具有良好的局部化性質，并且小波變換具有多尺度特性，能夠在不同尺度上對信號進行分析，因此在圖像處理和分析等許多方面得到應用。

基于小波變換的閾值圖像分割方法的基本思想是首先由二進小波變換將圖像的直方圖分解為不同層次的小波系數，然后依據給定的分割準則和小波系數選擇閾值門限，最后利用閾值標出圖像分割的區域。整個分割過程是從粗到細，由尺度變化來控制，即起始分割由粗略的L2(R)子空間上投影的直方圖來實現，如果分割不理想，則利用直方圖在精細的子空間上的小波系數逐步細化圖像分割。分割算法的計算會與圖像尺寸大小呈線性變化。

7.基于神經網絡的分割方法

近年來，人工神經網絡識別技術已經引起了廣泛的關注，并應用于圖像分割。基于神經網絡的分割方法的基本思想是通過訓練多層感知機來得到線性決策函數，然后用決策函數對像素進行分類來達到分割的目的。這種方法需要大量的訓練數據。神經網絡存在巨量的連接，容易引入空間信息，能較好地解決圖像中的噪聲和不均勻問題。選擇何種網絡結構是這種方法要解決的主要問題。

圖像分割的步驟

一.區域生長

算法概括：將具有相似性質的像素點連成合并在一起。每一個區域，要有一個種子點作為生長起點，然后將種子點周圍所設置領域的像素點，按照生長規則進行生長合并，直到沒有能滿足生長點的像素為止。

算法步驟如下：

1.確定設置生長點規則，使用vector存儲

2.確定生長條件，生長點領域

3.進行生長

二.均值迭代分割

算法概括：對于均值分割，就是迭代計算出一個T，使得閾值T能夠把灰度圖像分割成A，B兩類，其中A為物體·，B為背景，滿足條件：A的灰度均值T1加上B的灰度均值T2的均值等于T。

算法步驟如下：

1.初始化一個閾值T，通常取圖像平均灰度值

2.根據閾值將灰度圖像進行分割，計算A，B類圖像灰度均值

3.更新閾值T，使得A的灰度均值加上B的灰度均值的均值等于T

4.重復2，3步驟，知道相鄰T值相等，或兩者差值在一定范圍。

5.使用這個閾值對灰度圖像進行二值化分割。

圖像分割的應用

1.機器視覺

2.人臉識別

3.指紋識別

4.交通控制系統

5.在衛星圖像中定位物體（道路、森林等）

6.行人檢測

7.醫學影像，包括:

（1）腫瘤和其他病理的定位

（2）組織體積的測量

（3）計算機引導的手術

（4）診斷

（5）治療方案的定制

（6）解剖學結構的研究

等

圖像分割的目的

圖像處理就是為了提取目標的特征，以鋼板表面缺陷分類為例，圖像處理的目的是提取缺陷的各類特征（幾何、灰度、紋理等），

圖像是記錄事物形態的作品，本身就包含著大量的幾何信息。分割提取圖像的幾何特征是最根本的應用，無論哪個行業都是這樣。藝術上講的“形狀”其實就是幾何特征。寫生一幅人物肖像，藝術家會以人物的眉、眼、鼻、嘴、耳的相對位置、角度來分析，判斷人物形狀是否出現偏差，偏差大了，那這幅畫就“走形”了。而用于監控的人臉識別系統，其實也是這個道理。系統預設了多種特征人物的臉型數據，通過比較五官位置和相對角度等等，判別人臉的形狀是否符合條件。和藝術家不同的是，藝術家靠直覺感受差異，系統靠數字感受差別，容忍度或者精度不同。

以上就是賢集網小編為大家介紹的圖像分割算法有哪些，圖像分割的方法與圖像分割的步驟、圖像分割的應用及圖像分割的目的，希望能為大家提供參考幫助。

文章來源： 網絡收集