图像分割技术的发展

第25卷第5期2002年10月鞍山钢铁学院学报Journal of Anshan Institute of I.&S.T echnologyV ol.25N o.5Oct.,2002图像分割技术的发展欧阳鑫玉,赵楠楠,宋　蕾,谢元旦(鞍山科技大学电子与信息工程学院,辽宁鞍山　114044)摘　要:图像分割是图像处理中的一项关键技术,也是一经典难题,从发展至今仍没有找到一个通用的方法,也没有制定出判断分割算法好坏的通过标准.本文对图像分割方法中的域值分割方法、边缘检测方法和区域提取方法等作了一概述,并介绍了一些近年来出现的各种新方法和对分割评价标准的研究情况.最后,指出了图像分割技术今后的发展方向.关键词:图像分割;发展;关键技术中图分类号:T N911173　文献标识码:A　文章编号:1000Ο1654(2002)05Ο0363Ο06 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,至今已提出上千种分割算法.然而,由于尚无通用的分割理论,现提出的分割算法大都是针对具体问题的,并没有一种适合所有图像的通用分割算法.另外,还没有制定出选择合用分割算法的标准,这给图像分割技术的应用带来许多实际问题[1].文献[1]和[2]介绍了图像分割技术的许多研究结果和方法,最近几年又出现了许多新思路、新方法或改进算法.本文将对一些经典的原有方法和新出现的方法作一简单的概述. 多年来人们对图像提出了不同的解释和表达,借助集合概念对图像分割可给出如下定义[1]: 令集合R代表整个图像区域,对R的分割可看做将R分成N个满足下列五个条件的非空子集(子区域)R1,R2,…,R N:(1)∪Ni=1R i=R;(2)对所有的i和j,i≠j,有R i∩R j=<;(3)对i=1,2,…,N,有P(R i)=T rue;(4)对i≠j,有P(R i∪R j)=False;(5)对i=1,2,…,N,有R i是连通的区域.其中P(R i)是对所有在集合R i中元素的逻辑谓词,<代表空集. 对图像分割的研究可以分为对分割方法的研究和对分割评价标准的研究.1　图像分割方法 图像分割方法有多种分类方式,本文将分割方法分为4类:(1)阈值分割方法;(2)边缘检测方法;(3)区域提取方法;(4)结合特定理论工具的分割方法.111　阈值分割方法 阈值分割方法的历史可追溯到近40年前,现已提出了大量算法.对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范围之中的灰度阈值,然后将图像中各个象素的灰度值都与这个阈值相比较,并根据比较结果将对应的象素分为两类.这两类象素一般分属图像的两类区域,从而达到分割的目的.从该方法中可以看出,确定一个最优阈值是分割的关键.现有的大部分算法都是集中在阈值确定的研究上.阈值分割方法根据图像本身的特点,可分为单阈值分割方法和多阈值分割方法;也可分为基于象素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位置的阈值分割方法.若根据分割算法所有的特征或准则,还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松驰法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等.收稿日期:2002-05-15.作者简介:欧阳鑫玉(1974-),男,湖南湘潭人,助教. 最近几年又提出了许多新方法,如程杰提出的一种基于直方图的分割方法[3],该方法对Otsu 准则的内在缺陷进行了改进,并运用对直方图的预处理及轮廓追踪,找出了最佳分割阈值.此方法对红外图像有很强的针对性.付忠良提出的基于图像差距度量的阈值选取方法[4],多次导出Ostu 方法,得到了几种与Ostu 类似的简单计算公式,使该方法特别适合需自动产生阈值的实时图像分析系统.严学强等人提出了基于量化直方图的最大熵阈值处理算法[5],将直方图量化后采用最大熵阈值处理算法,使计算量大大减小.俞勇等人提出的基于最小能量的图像分割方法[6],运用了能量直方图来选取分割阈值.华长发等人提出了一种基于二维熵阈值的图像分割快速算法[7],使传统二维阈值方法的复杂度从O (W 2S 2)降至O (W 2/3S 2/3).赵雪松等人提出的综合全局二值化与边缘检测的图像方法[8],将全局二值化与边缘检测有效的结合起来,从而达到对信封图分割的理想效果.任明武等人提出的一种基于边缘模式的直方图构造新方法[9],使分割阈值受噪声和边缘的影响减少到最小.Z ikuan Chen 等人提出的基于小波的自适应阈值分割方法[10],把小波引入图像分割,利用小波分析取得阈值,得到了很好的分割效果.赵立初等人提出的基于小波分析的图像自适应阈值选择算法[11],使图像直方图的特征点可以通过小波变换的特征点由粗到精地表示,使阈值能进行自适应选择.靳宏磊等人提出的二维灰度直方图的最佳分割方法[12],找到了一条最佳分割曲线,使该算法得到的分割效果明显优于一维直方图阈值方法.乐宁等人根据过渡区内象素点具有的邻域方向性特点,引入了基于一元线性回归处理的局部区域随机波动消除方法,将图像过渡区算法进行了改进[13],等.所有的这些算法不管采取什么方法,结合什么工具,基本思想是一致的,就是为了寻求最佳阈值.112　边缘检测方法 边缘检测方法是人们研究得比较多的一种方法,它通过检测图像中不同区域的边缘来达到分割图像的目的.很多的边缘检测算法是基于图像的灰度函数求导和在图像中匹配特定的边缘模型这两种方法,如Marr-Hildreth 算法和Canny 算法就是这两种方法的经典代表.在具体做法上,表现为空域算子与图像模板求卷积和用迭代等方法求匹配函数的系数等. 根据检测边缘采用方式的不同,边缘检测方法大致包括以下几类:基于局部图像函数的方法、多尺度方法、图像滤波法、基于反应-扩散方程的方法、多分辨分法、基于边界曲线拟合方法[2]、状态空间搜索法、动态规划法、边界跟踪法、哈夫变换法[1]等.基于局部图像函数方法的基本思想是将灰度看成高度,用一个曲面来拟合一个小窗口内的数据,然后根据该曲面来决定边缘点.多尺度方法实际上是用不同尺度的滤波算子对图像进行卷积,并考察由此得到的边缘点随尺度的变化而具有的性质,结合多种不同尺度的信息来最终决定边缘点.图像滤波法是基于对平滑滤波后的图像求其一阶导数的极大值或二阶导数的过零点来决定边缘的,它的核心问题是要设计一个合适的滤波器,通常使用的滤波器有LOG 滤波器、可控滤波器、B-样条滤波器等.基于反应-扩散方程的方法借助反应-扩散方程的观点来看待多尺度滤波,从而达到边缘检测的目的.多分辨率方法是从初始图像用规则或不规则的方式逐步降低分辨率,得到金字塔形的一个图像序列,再在此基础上进行图像分割.此方法的基本着眼点是较大的物体能在较低的分辨率下存在,而噪声则不能.基于边界曲线拟合方法是用平面曲线来表示不同区域之间图像的边界线,试图根据图像梯度等信息找出能正确表示边界的曲线来达到分割图像的目的.状态空间搜索法也称图(G raph )搜索法或启发式(Heuristic )搜索法,该方法用图结构表示边界点和边界段,通过在图中搜索对应最小代价的通道找到闭合边界,它把边缘检测和边界连接有机地结合起来,在图像受噪声影响较大时仍能取得较好的效果.动态规划(Dynaic Programming )法是一个多步决策的过程,它通过把一个N 步过程化为N 个单步过程的方法使算法复杂度降低,根据动态规划的原理,可将全局最优化成局部最优之和.要使此方法的结果令人满意,决策过程必须是一个马尔可夫过程.边界跟踪(H oundary T racking )法也称边缘点链接(Eedge Piont Linking )法,由图像梯度图中一个边缘点出发,依次搜索并连接相邻边缘点从而逐步检测出边界的方法.哈夫变换法是利用图像全局特性而直接检测目标轮廓的一种常见的方法,该方法的主要优点是受噪声和曲线间断的影响较小.・463・ 鞍山钢铁学院学报 第25卷 最近,徐蔚然等人提出了基于语法、语义信息的多滤波集成边缘检测方法[14].该方法把图像灰度分布的形式所包含的边界信息看成是语义信息,把不同滤波器所提取出的灰度分布形式的信息看成是语法信息,然后从语法信息出发,按一定的逻辑推出不同种类的边界,最后用模糊逻辑得出符合实际需要的边缘检测结果.宋焕生等人提出了多尺度脊边缘方法[15].该方法利用Mallat 算法,对图像进行二进度小波分解,然后计算出在二进尺度空间的多尺度脊边缘及强度,最后通过脊边缘跟踪、滤波和小波反变换,得到分割结果.张静等人提出了行扫描空间带通滤波法[16],是在总结前人理论和实验结果的基础上提出的一种边缘提取新方法,对电视图像的自动跟踪识别有很好的效果.殷德奎等人提出了基于多分辨分析的多模板边缘提取方法[17],根据图像边缘灰度阶跃噪声在不同分辨率层次上表现出来的相关性质,合理地确定检测规划并推断出边缘.此方法适用于复杂噪声环境和宽分割阈值下的边缘定位.王宇生等人提出了基于积分变换的边缘检测算法[18],该方法引入了灰度尺度和空间尺度,将图像变为表示象素点相互吸引的向量场,从而将边缘检测问题转化为在向量场中寻找相分离向量的问题.梁毅军等人提出了用BD 模型检测边缘的方法[19],证明了BD 模型是G D 模型的快速算法,并且取得的效果和用G D 模型取得的效果是一样的.杨恒等人提出了基于图像信息测度(EI M )的多尺度边缘检测方法[20],该方法利用EI M 能自适应地调整多尺度边缘检测中的滤波度参数,克服了传统图像信息定义的缺陷,使该方法具有较好的抗噪声和检测结果.周凌翔等人提出了结合信噪比与定位精度的新的边缘检测准则[21],导出了满足最佳性质的算子,利用该算子进行边缘检测,取得了较好的效果.C G A LAM BOS 等人提出了哈夫变换的改进算法[22],利用角度信息来控制选择和分配象在同一直线上的过程,使分割效果优于标准哈夫变换的同时,大大减少了计算量.113　区域提取方法 区域提取法有两种基本形式:一种是从单个象素出发,逐渐合并以形成所需的分割区域;另一种是从全图出发,逐渐分裂切割至所需的分割区域.在实际中使用的通常是这两种基本形式的结合.根据以上两种基本形式,区域提取法可以分为区域生长法和分裂合并法.区域生长法的基本思想是将具有相似性质的象素合起来构成区域,具体做法是选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,再在种子区域的基础上不断将其周围的象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象素点结合成一个区域的目的.该方法的关键是要选择合适的生长或相似准则.生长准则一般可分为三种:基于区域灰度差准则、基于区域内灰度分布统计性质准则和基于区域形状准则.分裂合并法是先将图像分割成很多的一致性较强的小区域,再按一事实上的规则将小区域融合成大区域,达到分割图像的目的. 区域提取法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.因此,近年来针对这种方法的研究较少.不过,还是有一些新的算法出现,如王广君等人提出的基于四叉树结构的图像分割方法[23],将区域增长和人工智能结合起来,使分割速度大大提高,算法同时能得到图像目标大小、目标灰度、目标个数、目标边界等.该方法对多目标图像分割有更好的适应性.刘宁宁等提出的基于代理机模型的交互式图像分割方法[24],代理机是完成特定功能的模块,通过控制界面和汇报界面实现与操作者的交互.该方法特别适合医学图像分割.钱晓峰等人提出的一种逆时针追踪轮廓线的彩色图像区域分割算法[25],其基本思想是按逆时针顺序追踪轮廓线,在追踪过程中避免了象素点的行政管理判断,采用回溯搜索解决奇点问题,从而保证追踪过程的连续性和正确性.王楠等人提出的一种改进的彩色图像区域分割方法[26],充分利用彩色图像的颜色信息,采用灰图像和彩色信息分别处理的方法,根据图像具体的彩色信息进行了自适应分割.魏宝刚等人提出的基于区域生长法的多颜色空间,多度量准则的聚类算法和零碎区域的全并算法[27],使多颜色空间上的交互式图像分割取得了很好的效果.Thomas LORE NZ 提出的基于设定值地图的区域生长方法[28]等.114　结合特定理论工具的分割方法 图像分割技术的发展与许多其他学科和领域如数学、物理学、生理学、电子学、计算机科学等密切相・563・第5期 欧阳鑫玉,等:图像分割技术的发展关.近年来,随着各学科新理论和方法的产生,人们也提出了许多结合特定理论工具的分割方法,例如基于数学形态学的分割方法,基于统计模式识别的分割方法,基于神经网络的分割方法,基于信息论的分割方法,基于模糊集合和逻辑的分割方法,基于小波分析和变换的分割方法,基于遗传算法的分割方法等[1].基于数学形态学分割方法的基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的.基于统计模式识别的分割方法的基本思想是将图像中的象素根据测量结构分为不同的类,每个类都有相似或相近的特征,然后通过学习或训练,将图像分为不同的目标.基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数,然后用决策函数对象素进行分类来达到分割的目的.基于信息论的分割方法引入了熵的概念,大部分算法借助了求熵极值的方法来达到分割的目的.基于模糊集合和逻辑的分割方法是以模糊数学为基础,利用隶属度来解决图像中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题,该方法在医学图像分析中有广泛的应用.基于小波分析和变换的分割方法是借助新出现的数学工具小波变换来分割图像的一种方法,也是现在非常新的一种方法.小波变换是一种多尺度多通道分析工具,比较适合对图像进行多尺度的边缘检测[29].例如,可利用高斯函数的一阶或二阶导数作为小波函数,利用Mallat 算法分解小波,然后基于马尔算子进行多尺度边缘检测.这里小波分解的级数可以控制观察距离的“调焦”,而改变高斯函数的标准差可选择所检测边缘的细节程度.小波变换的计算复杂度较低,抗噪声能力强.理论证明,以零点为对称点的对称二进小波适应检测屋顶状边缘,而以零点为反对称点的反对称二进小波适合检测阶跃状边缘.近年来多进制(Multi-Band )小波也开始用于边缘检测[30].另外,利用正交小波基的小波变换也可提取多尺度边缘,并可通过对图像奇异度[31]的计算和估计来区分一些边缘的类型.基于遗传算法的分割方法的基本思想是利用遗传算法具有能是一种迭代式优化算法并具有合局搜索能力的优点,帮助确定分割阈值. 新近出现的算法如王月兰等人提出的基于信息融合技术的彩色图像分割方法[32],该方法应用剥壳技术将问题的复杂度降低,然后将信息融合技术应用到彩色图像分割中,为彩色分割在同领域中的应用提供了一种新的思路与解决办法.靳华等人提出的用树型小波来提取纹理特征进行纹理图像分割的方法[23].贾天旭等人提出的基于小波包分解自适应G abor 函数设计的纹理分割算法[34],该方法首先用Shannon 小波包解检测纹理的主频,求设计G abor 函数,然后根据G abor 函数与纹理图像的卷积,就可以在纹理的连接处产生良好的阶跃边缘.Jin Sang KI M 等人提出的图像序列的多特征聚类分割方法[35],先用自组织特征地图(S OFM )神经网络聚类方法将一个多特征空间转换成一维空间,然后将神经网络的输出融合,从而得到期望的分割结果.陈燕新等人提出的基于竞争H opfield 网络自动聚类图像分割方法[36];罗述谦等人提出的基于有偏场的适配模糊聚类分割算法[37];薛景浩等人提出的基于特征散度的图像FC M 聚类分割方法[38];薛景浩等人提出的一种新的基于图像间模糊散度的阈值化算法以及它在多阈值选择中的推广算法[39],采用了模糊集合分别表达分割前后的图像,通过最小模糊散度准则来实现图像分割中最优阈值的自动提取.该算法针对图像阈值化分割的要求构造了一种新的模糊隶属度函数,克服了传统S -函数带宽对分割效果的影响,有很好的通用性和有效性,等等.2　图像分割评价 图像分割评价是图像分割中一个难题,到目前为止还没有一个大家都能接受的分割评价标准.分割评价的目的是为了能指导、改进和提高分割算法的使用性能,同时也为研究新的技术起指导作用.图像分割评价可分为两种情况:性能刻划和性能比较.这两方面的内容是相互关联的,性能刻划能使对算法的性能比较更加全面,性能比较能使对算法的性能刻划更具有目的性.近来研究图像分割评价的人越来越多,也取得了一定的成果.如YJ ZH ANG 等人对图像分割算法的评价方法作了一综述[40];狄宇春等人对基于灰色关联度分析的图像分割性能作了详细的评估[41];章毓晋等人提出了基于评价知识的图像分割算法优选系统[42];Ram on-R oldan 等人也对分割方法和边缘检测的评价作了深入的研究[43];章毓晋在・663・ 鞍山钢铁学院学报 第25卷文献[1]中对图像分割评价系统作了较为全面的叙述,等等.3　结　语 虽然近年来研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大的突破性的进展.仍然存在的问题主要有两个:其一是没有一种普遍使用的分割算法;其二是没有一个好的通用的分割评价标准. 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几个明显的趋势:一是对原有算法的不断改进;二是新方法、新概念的引入和多种方法的有效综合运用.人们逐渐认识到现有的任何一种单独的图像分割算法都难以对一般图像取得令人满意的分割效果,因而很多人在把新方法和新概念不断的引入图像分割领域的同时,也更加重视把各种方法综合起来运用.在新出现的分割方法中,基于小波变换的图像分割方法就是一种很好的方法.三是交互式分割研究的深入.由于很多场合需要对目标图像进行边分割分析,例如对医学图像的分析,因此需要进行交互式分割研究.事实证明,交互式分割技术有着广泛的应用.四是对特殊图像分割的研究越来越得到重视.目前有很多针对立体图像、彩色图像、多光谱图像以及多视场图像分割的研究,也有对运动图像及视频图像中目标分割的研究,还有对深度图像、纹理(T exture )图像、计算机断层扫描(CT )、磁共振图像、共聚焦激光扫描显微镜图像、合成孔雷达图像等特殊图像的分割技术的研究.五是对图像分割评价的研究和对评价系数的研究越来越得到关注.相信随着研究的不断深入,存在的问题会很快得到圆满的解决.参考文献:[1]　章毓晋.图像分割[M].北京:科学出版社,2001.2,3,43-60,149-153.[2]　罗希平,田捷,诸葛婴,等.图像分割方法综述[J ].模式识别与人工智能,1999,12(3):300-312.[3]　程杰.一种基于直方图的分割方法[J ].华中理工大学学报,1999,27(1):20-23.[4]　付忠良.基于图像差距度量的阈值选取方法[J ].计算机研究与发展,2001,38(5):563-567.[5]　严学强,叶秀清,刘济林,等.基于量化图像直方图的最大熵阈值处理算法[J ].模式识别与人工智能,1998,11(3):352-358.[6]　俞勇,施鹏飞,赵立初.基于最小能量的图像分割方法[J ].红外与激光工程,1999,28(4):20-27.[7]　华长发,范建平,高传善,等.基于二维熵阈值的图像分割及其快速算法[J ].模式识别与人工智能,2000,13(1):42-45.[8]　赵雪松,陈淑珍.综合全局二值比与边缘检测的图像分割方法[J ].计算机辅助设计与图形学学报,2001,13(2):118-121.[9]　任明武,杨静宇,孙涵.一种基于边缘模式的直方图构造新方法[J ].计算机研究与发展,2001,38(8):972-976.[10]　CHE N Z i-kuan ,T AO Y ang ,CHE N X in ,et al.Wavelet-Based Adaptive Thresholding Method for Image Segmentation[J ].OpticalEngineering ,2001,40(5):868-874.[11]　赵立初,王积分.基于小波分析的图像自适应阈值选择[J ].模式识别与人工智能,1999,12(1):79-84.[12]　靳宏磊,朱蔚萍,李立源,等.二维灰度直方图的最佳分割方法[J ].模式识别与人工智能,1999,12(3):329-333.[13]　乐宁,梁学军,翁世修.图像过渡区算法及其改进[J ].红外与毫米波学报,2001,20(3):211-214.[14]　徐蔚然,孔祥维.基于语法、语义信息的多滤波器集成边缘检测[J ].模式识别与人工智能,2001,14(4):481-485.[15]　宋焕生,刘春阳,吴成柯,等.多尺度脊边缘及其在图像目标分割中的应用[J ].自动化学报,1999,25(6):12-15.[16]　张静,王宏刚,王涌天,等.一种边缘提取的图像分割方法[J ].光学技术,2001,27(5):424-426.[17]　殷德奎,张保民,柏连发,等.一种热图像的多模板边缘检测方法[J ].南京理工大学学报,1999,23(1):16-20.[18]　王宇生,卜佳俊,陈纯.一种基于积分变换的边缘检测算法[J ].中国图像图形学报,2002,7(2):145-149.[19]　梁毅军,贺朋令,蔡元龙.用于图像边缘检测的BD 模式及其快速算法[J ].模式识别与人工智能,1998,11(4):434-441.[20]　杨恒,梁德群.基于图像信息测度的多尺度边缘检测方法[J ].模式识别与人工智能,1998,11(1):442-446.・763・第5期 欧阳鑫玉,等:图像分割技术的发展[21]　周凌翔,顾伟康.最佳边缘检测的准则与算子[J ].模式识别与人工智能,1998,11(1):54-61.[22]　G A LAM BOS C ,KITT LER J and M AT AS J.G radient Based Progressive Probalilistic H ough T rans form[J ].Image S ignal Process ,2001,148(3):158-165.[23]　王广君,田金文,柳健.基于四叉树结构的图像分割技术[J ].华中科技大学学报,2000(2):12-16.[24]　刘宁宁,田捷.基于区域特征的交互式图像分割方法及其应用[J ].软件学报,1999,19(3):10-18.[25]　钱晓峰,阎伟.一种彩色图像区域分割及轮廓矢量化新方法[J ].数据采集与处理,2001,16(1):52-57.[26]　王楠,黄养成.一种改进的彩色图像区域分割和边缘提取算法[J ].指挥技术学院学报,1999,10(4):21-25.[27]　魏宝刚,鲁东明,潘云鹤,等.多颜色空间上的交互式图像分割[J ].计算机学报,2001,24(7):770-775.[28]　LORE NZ Thomas.Set-Valued Maps for Image Segmentation[J ].C om puting and Visualization in Science ,2001(5):41-57.[29]　M A LLAT S ,ZH ONG S.Characterization of S ignals from Multiscale Edges[J ].IEEE -PAMI ,1992,14(7):710-732.[30]　S OM AN A K,VAI DY ANATH AN P P ,NY UGE N T Q.Linear Phase Paraunitary Filter Bank :Theory ,Fratorization and Designs[J ].IEEE -SP ,1993(41):3480-3496.[31]　M A LLAT S ,HW ANG W L.S ingularity Detection and Processing with Wavelets[J ].IEEE -IT ,1992(38):617-643.[32]　王月兰,曾迎生.信息融合技术在彩色图像分割方法中的应用[J ].计算机学报,2000,23(7):763-767.[33]　靳华,王晓丹,赵荣椿.树型小波变换在纹理分析中的应用[J ].计算机应用研究,2001(3):91-93.[34]　贾天旭,郑南宁,张元亮.Shannon 小波包解自适应G abor 滤波器设计及其在纹理分割中的应用[J ].电子学报,1998,26(10):31-40.[35]　KI M Jinsang ,CHE N T om.Multiple Feature Clustering for Image Sequence Segmentation[J ].Pattern Recognition Letters ,2001(22):1207-1217.[36]　陈燕新,戚飞虎.基于竞争H opfield 网络的自动聚类图像分割方法[J ].模式识别与人工智能,1998,11(2):215-221.[37]　罗述谦,唐宇.基于有偏场的适配模糊聚类分割算法[J ].中国图象图形学报,2002,7(2):111-114.[38]　薛景浩,章毓晋,林行刚.基于特征散度的图像FC M 聚类分割[J ].模式识别与人工智能,1998,11(4):462-467.[39]　薛景浩,章毓晋,林行刚.一种新的图像模糊散度阈值比分割算法[]J.清华大学学报(自然科学版),1999(1):12-16.[40]　ZH ANG YJ.A Survey on Evalation Methods for Image Segmetnation[J ].Pattern Recognition ,1996,29(8):1335-1346.[41]　狄宇春,邓雁萍.基于灰色关联度分析的图像分割性能评估[J ].红外与激光工程,1999,28(3):25-31.[42]　章毓晋,罗惠韬.基于评价知识的图像分割算法优选系统[J ].高技术通讯,1998(4):23-28.[43]　ROM AN -RO LDAN Ram on ,G OMEX -LOPERA Juan Francisco ,AT AC -A LLAH Chakir ,et al.A Measure of Quality for Evalu 2ating Methods of Segmetation and Edge Detection[J ].Pateern Recognition ,2001(34):969-980.Survey on Image SegmentationOUY ANG Xin-yu ,ZH AO Nan-nan ,SONG Lei ,XIE Yuan-dan(School of E lectronic and In formation Engineering ,Anshan Institute of I.&S.T echnology ,Anshan 114044,China )Abstract :The image segmentation is a key technology for image processing ,als o is a classical ,difficult problem for reserachers.N o method which is fit for all segmentation problems has been found and no criterion for judging it es 2tablished since this research started.In this paper ,a survey on image segmentation methods such as threshold seg 2mentation ,edge detection and region extraction is given ,and s ome new methods appeared recently and s ome re 2searches on segmentation evaluation criterions are introduced respectively and finally a developing direction of the imgage segmentation technology is pointed out.K ey Words :image segmentation ;development ;key technology(R eceived May 15,2002)・863・ 鞍山钢铁学院学报 第25卷。