一种对图像初始分割边界进行优化的自动分割方法技术

本发明专利技术涉及图像处理技术，特别涉及一种基于近邻函数准则的初始分割边界的自动优化方法包括步骤：检测初始的分割边界点并用阿拉伯数字按初始分割区域标记；对每一个边界点，计算某邻域内的近邻函数值；根据近邻函数值计算当前边界点的隶属函数值；根据隶属函数值进行边界点的再分类，获得优化的分割边界；重复实施上面步骤，确保整幅图像的分割边界都达到优化的效果。本发明专利技术方法模拟人眼在处理图像时的某些功能，能自动地对不准确的分割边界进行优化，并有效地克服了图像噪声、局部容积效应、强度重叠和强度不均匀性的影响，对现有的分割算法是一个很好的补充。在医学图像分割，遥感图像分割，目标识别等领域有着重要的应用价值。

【技术实现步骤摘要】

本专利技术涉及图像处理技术，特别涉及一种基于近邻函数准则的初 始分割边界的自动优化算法。
技术介绍
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， 这些区域互相不交叉，每一个区域都满足特定区域的一致性。从处理 对象角度来讲分割是在图像矩阵中确定所关心的目标的定位。显然， 只有用这种方法把"感兴趣的目标物体"从复杂的景象中提取出来， 才有可能进一步对各个子区域进行定量分析或者识别，进而对图像进 行理解。图像分割可用的特征包括图像灰度、颜色、纹理、局部统计 特征或频谱特征等，利用这些特征的差别可以区分图像中不同目标物 体。既然我们只能利用图像信息中某些部分特征分割区域，因此各种 方法必然带有局限性和针对性，只能针对各种实际应用领域的需求来 选择合适的分割方法。根据分割算法利用性质的不同，图像分割方法主要可分为两大类 一类方法是基于区域的方法，通常利用同一区域内的均一性识别图像 中的不同区域；另一类方法是边缘分割方法，通常利用区域间不同性 质(如区域内灰度不连续性)划分出各个区域之间的分界线，这类方 法通常会导致不完全的部分分割结果，比如分割结果中存在间断现象 或者得到错误的边缘。近年来，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 对性的图像分割方法。下面我们简单介绍一些有代表性的图像分割方法。基于区域的分割方法包括阈值分割、区域生长和分裂合并和统计学分割方法等。这一 类方法都是根据图像中不同区域之间的特性差异来进行分割，没有或 者很少使用到图像中的边界信息。阈值分割是最常见的并行检测区域 的分割方法，其优点是简单易于实现，并且当不同类的物体灰度值或 其他特征值相差很大时，它能很有效地对图像进行分割。其缺点是不 适用于多通道图像和特征值相差不大的图像，对于不存在明显的灰度 差异或各物体的灰度值范围有较大重叠的图像，难以得到准确的分割 结果。区域生长和分裂合并是两种典型的串行区域分割方法，其特点 是将分割过程分解为多个顺序的步骤，其中后续步骤要根据前面步骤 的结果进行判断而确定。其基本思想是将具有相似性质的像素集中起 来构成区域，该方法需要先选取一个种子点，然后依次将种子像素周 围的相似像素合并到种子像素所在的区域中。区域生长算法的优点是 计算简单，特别适用于分割小的结构如肿瘤和伤疤，缺点是它需要人工交互以获得种子点，这样使用者必须在每个需要抽取出的区域中植 入一个种子点。同时，区域生长方法也对噪声敏感，导致抽取出的区 域有空洞或者在局部体效应的情况下将原本分开的区域连接起来。统 计学分割方法是根据图像区域特征进行统计分类的方法，包括马尔柯 夫随机场理论，聚类算法等。这一类算法的计算量普遍较大，不便于 实时处理。基于边缘的分割方法也叫做边缘检测算法，包括微分算子，曲线拟合等方法。边缘检测技术可以按照处理顺序分为串行边缘检测以及并行边缘检测。在串 行边缘检测技术中，当前像素是否属于欲检测的边缘取决于先前像素 的检测结果；而在并行边缘检测技术中， 一个像素是否属于检测的边 缘只与当前像素及其相邻像素有关，这样可同时对图像中的所有像素进行检测，因而称之为并行边缘检测技术。 结合区域与边界信息的方法基于区域的分割方法往往会造成过度分割，即将图像分割成过多 的区域。如果在基于区域的框架中没有在决策阶段包括边界的措施， 可能导致噪声边界和对象内部出现空洞。人们往往将基于区域信息的 方法与边缘检测的方法结合起来，但是采用什么方式结合，怎样结合 才能充分发挥各自的优势，获得好的分割结果是研究的重点。 基于模糊集理论的方法图像分割问题是典型的结构不良问题，而模糊集理论具有描述不 良问题的能力，所以有研究者将模糊理论引入到图像处理与分析领域， 其中包括用模糊理论来解决分割问题。基于模糊理论的图像分割方法 包括模糊阈值分割方法、模糊聚类分割方法和模糊连接度分割方法等。 基于神经网络的方法在八十年代后期，在图像处理、模式识别和计算机视觉的主流领 域，受到人工智能发展的影响，出现了将更高层次的推理机制用于识 别系统的做法。这种思路也开始影响图像分割技术，在解决具体的医 学问题时，出现了基于神经网络模型的分割方法。神经网络模拟生物 特别是人类大脑的学习过程，它由大量并行的节点构成，每个节点都 能执行一些基本的计算，学习过程通过调整节点间的连接关系以及连 接的权值来实现。基于数学形态学的方法数学形态学在图像处理中的应用近年来日渐受到重视，更多的系统都采用形态学算子来对图像进行预处理或后处理。形态学图像处理 以在图像中移动一个结构元素并进行巻积的方式进行，结构元素可以 具有任意大小。基本的形态学操作是腐蚀和膨胀，他们的一些基本运 算相互结合可以产生复杂的效果，而且他们适合于用相应的硬件构造 査找表实现。形态学理论在图像分割中的应用比较有代表性的是分水 岭算法，研究人员至今已提出了多种使用分水岭方法的形态学分割方 法。虽然分水岭方法已成功用于图像分类，但他们需要用户的交互或 准确的关于图像结构的先验知识。通过上面的介绍可知，现有的分割算法或多或少都存在一些问题， 在实际使用中应该选择具有针对性的算法。现实中判定分割结果好坏 的金标准并不存在，专家的主观判定是主要的检测标准。模式识别中的近邻函数准则在图像处理方面跟人眼机理有很多相 似之处，如图l所示，因此我们在此基础上提出了图像分割的优化算 法，能很好地处理图像的粗糙分割边界。对于上述种种分割算法是一 个很好的补充。
技术实现思路
现有技术不能自动地对不准确的分割边界进行优化，在处理图像 时有图像噪声、局部容积效应、强度重叠和强度不均匀性的影响，本 专利技术的目的是提供一种基于近邻函数准则的初始分割边界的自动优化 方法，考虑了人眼对图像处理的机理，使用近邻函数准则对分割的边 界进行再分割，尽可能提高分割结果的准确性。本专利技术的核心思想是提出一种全新的自适应的方法，采用近邻函 数准则对初始粗糙分割结果的全自动优化。该方法包括以下几个步骤: 标记边界点；计算近邻函数值；计算隶属函数值；边界点再分类；重 复实施以上四步以确保优化效果。基于上述目的和思想，本专利技术基于近邻函数准则的初始分割边界 的自动优化算法，提供的一种对图像初始分割边界进行优化的自动分 割方法包括(1) 检测初始分割结果中的边界点，并按初始分割结果进行标记， 第一个区域的所有边界点标记为阿拉伯数字"1"，第二个区域的边界 点标记为"2"，以此类推；(2) 计算每一个被标记的边界点的某邻域内所有点之间的近邻函数值；(3) 根据近邻函数值计算当前边界点的隶属函数值，也即是当前 边界点隶属于某个区域的可能性度量；(4) 根据隶属函数值进行边界点的再分类，获得优化的分割边界；(5) 重复步骤1 步骤4，确保整幅图像的分割边界都达到优化 的效果。本专利技术模拟人眼在处理图像时的某些功能，能自动地对不准确的 分割边界进行优化，并有效地克服了图像噪声、局部容积效应、强度 重叠和强度不均匀性的影响，本专利技术提出的图像分割的优化算法，能 很好地处理图像的粗糙分割边界，对现有的本文档来自技高网...

【技术保护点】
一种对图像初始分割边界进行优化的自动分割方法，其特征在于，基于近邻函数准则对图像的粗糙边界进行自动再分类，包括以下步骤：步骤１：检测初始分割结果中的边界点，并按初始分割结果进行标记，第一个区域的所有边界点标记为阿拉伯数字“１”，第二 个区域的边界点标记为“２”，以此类推；步骤２：计算每一个被标记的边界点的某邻域内所有点之间的近邻函数值；步骤３：根据近邻函数值计算当前边界点的隶属函数值，也即是当前边界点隶属于某个区域的可能性度量；步骤４：根据隶属函 数值进行边界点的再分类，获得优化的分割边界；步骤５：步骤１～步骤４重复实施，确保整幅图像的分割边界都达到优化的效果。

【技术特征摘要】

【专利技术属性】
技术研发人员：田捷，陈健，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：11[中国|北京]