图像分割算法的比较与分析
医学图像分割方法综述
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。
脊柱核磁共振图像的分割算法研究与实现
摘要随着计算机与影像技术的不断发展，图像分割被应用到各个领域并发挥着巨大的作用。
近年来，医学图像处理作为医学的一个重要辅助工具逐渐成为研究热点。
核磁共振图像具有软组织成像效果好，空间分辨率高的特点，因此被广泛应用于医学领域，给患者的诊断和治疗带来了很大的帮助。
脊柱核磁共振图像包含着脊柱的重要信息，对脊柱疾病的诊断有着十分重要的意义，这毫无疑问使得它成为重点的研究对象。
本文根据脊柱核磁共振图像的特点，充分利用在核磁共振图像中椎间盘与椎骨灰度的鲜明对比，提出了一种改进的标记符分水岭算法对椎间盘进行分割。
在分割出椎间盘之后，通过构造初始演化轮廓，然后利用水平集曲线演化理论完成了对椎骨的提取。
本文主要工作和研究内容如下：（1）首先分析了常用的图像处理算法，以及它们的优缺点。
然后研究了几种常用分割算法在脊柱磁共振图像上的应用情况，通过仿真结果表明这些算法的处理效果不是很理想。
最后结合脊柱磁共振图像成像特点，给出了本文算法选择方案，提出采用分水岭和水平集算法分别对椎间盘和椎骨进行分割提取。
（2）在分析分水岭算法的基础上，完成了基于控制标记符的分水岭算法。
针对形态学去噪效果不理想的情况，通过加入基于区域面积属性的限制条件，获取到更加精确的内部标记，成功提取出了椎间盘区域，克服了过分割的问题。
并与基于CLAHE的分水岭算法作对比，证明了本文方法的优越性。
（3）在分析水平集算法的基础上，引入距离正则化的水平集模型，并针对该模型中边缘检测函数对噪声敏感的问题，提出新的表达形式进行改进。
通过加入区域灰度信息，改善了噪声和弱边界影响，成功提取出了椎骨的轮廓。
并与基于GVF snake形变模型算法进行对比，证明了本文方法的精确性。
本文创新点如下：（1）在改进的控制标记符分水岭算法对椎间盘的分割中，通过计算区域面积并给定限制范围，获得了相对精确的内部标记。
（2）将距离规则化的无须初始化水平集模型应用于脊柱MRI图像的椎骨分割，并提出新的边缘检测函数改善噪声和弱边缘的影响。
图像分割方法概述
(1) 灰度阈值分割法
是一种最常用的并行区域技术， 它是图像分割中应用数量最多的一类。 阈值分割方法实 [6] 际上是输入图像f到输出图像g的如下变换 ： g i, j = 1 ������(������, ������) ≥ ������ 0 ������(������, ������) < ������
（2）区域分裂合并 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，进而实现目标提取。分裂 合并差不多是区域生长的逆过程：从整个图像出发，不断分裂得到各个子区域，然后再把前 景区域合并，实现目标提取。分裂合并的假设是对于一幅图像，前景区域由一些相互连通的 像素组成的， 因此， 如果把一幅图像分裂到像素级， 那么就可以判定该像素是否为前景像素。 当所有像素点或者子区域完成判断以后， 把前景区域或者像素合并就可得到前景目标。 在这 类方法中， 最常用的方法是四叉树分解法。 设R代表整个正方形图像区域， P代表逻辑谓词。 基本分裂合并算法步骤如下： ① 对任一个区域，如果H(Ri)=FALSE就将其分裂成不重叠的四等份； ② 对相邻的两个区域Ri和Rj，它们也可以大小不同（即不在同一层），如果条件H(Ri∪ Rj)=TRUE满足，就将它们合并起来。 ③ 如果进一步的分裂或合并都不可能，则结束。 分裂合并法的关键是分裂合并准则的设计。这种方法对复杂图像的分割效果较好，但算 法较复杂，计算量大，分裂还可能破坏区域的边界。 基于形变模型的方法 基于形变模型的方法是目前应用较多的分割方法。 从物理学角度， 可将形变模型看成是 一个在施加外力和内部约束条件下自然反应的弹性物体。 在血液图像分割中， 主要应用活动 轮廓模型，又称 Snake 模型，是轮廓曲线在外能和内能的作用下向物体边缘靠近，外力推动 轮廓运动，而内力保持轮廓的光滑性。[7]
计算机视觉中的图像分割与识别方法
计算机视觉中的图像分割与识别方法随着计算机科学的发展，人们对计算机视觉的应用越来越广泛。
计算机视觉是指识别，解析和回收数字和图像数据的能力，通常利用计算机来模拟机器视觉或人类视觉，以便进行图像处理和图像分析。
其中，图像分割和识别技术是计算机视觉中的重要研究领域之一。
一、图像分割技术图像分割是将图像分成多个子区域或像素集的过程，目的是为了更好地理解图像。
图像分割的过程通常是将像素分为两组或更多组（称为“分割”）。
这些组可以表示图像中的不同区域，例如前景，背景，天空，树，建筑等。
图像分割的结果可以用于计算机视觉领域的其他应用，例如人脸检测，物体识别，图像压缩等。
目前，常用的图像分割方法包括K-均值聚类方法，分水岭算法，基于区域生长的方法，和基于边缘的方法等。
1. K-均值聚类方法K-均值聚类是常用的一种图像分割方法。
该方法将图像中的所有像素划分为K个不同的组。
这些组通常表示不同的区域或不同的物体。
K-均值聚类首先需要初始化K个点，通常是通过随机选择K个像素点的方法。
然后，每个像素点都将被分配到最近的K 个点之一。
最后，计算K个点的新位置，并将所有像素重新分配给最近的点。
这个过程重复执行，直到聚类中心稳定不再改变。
2. 分水岭算法分水岭算法是另一种常用的图像分割方法。
该方法将图像看作地形，其中亮度被视为高度。
算法通过在图像中标记种子点来开始。
然后，像素被赋予绑定到最接近的种子点的标记号。
最后，像素被分成许多区域，这些区域形成分离的区域，每个种子点属于其中的一个区域。
3. 基于区域生长的方法基于区域生长的图像分割方法是一种基于合并原则的方法。
该方法将图像分为不同的区域，其中每个区域都具有相同的属性（例如颜色，亮度等）。
每个区域通过查找与其邻域相似的像素来生长。
区域增长过程可以基于以下标准：- 相邻像素具有相似的性质- 相邻像素具有相似的灰度值- 像素被分配到一个区域的成本函数最小4. 基于边缘的方法基于边缘的图像分割方法使用边缘作为图像中不同区域之间的分界线。
图像处理算法的原理与实现方法分析
图像处理算法的原理与实现方法分析图像处理算法是计算机视觉领域的重要内容之一，它涉及到对图像的数字化、增强、复原、分割和识别等方面的处理。
本文将针对图像处理算法的原理和实现方法进行详细的分析。
一、图像处理算法的原理1. 图像的数字化图像的数字化是将连续的图像转换为离散的数字图像，主要包括采样、量化和编码三个步骤。
- 采样：将连续图像在时间和空间上进行离散化，获取一系列采样点。
- 量化：采样得到的连续强度值需要转换为离散的灰度级别，常用的量化方法包括均匀量化和非均匀量化。
- 编码：将量化后的灰度值用二进制码表示，常见的编码方法有无损编码和有损编码。
2. 图像增强算法图像增强算法旨在改善图像的视觉效果，提高图像的质量和清晰度。
常用的图像增强算法包括灰度变换、直方图均衡化、滤波和边缘增强等。
- 灰度变换：通过对图像的灰度级进行变换，实现图像的对比度增强和亮度调整。
- 直方图均衡化：通过对图像的像素直方图进行变换，使得图像的像素分布更均匀，增强图像的对比度。
- 滤波：利用滤波器对图像进行平滑处理或者去除噪声，常用的滤波器有均值滤波器、中值滤波器、高斯滤波器等。
- 边缘增强：通过检测图像中的边缘信息，突出图像的边缘部分并增强其边缘对比度。
3. 图像复原算法图像复原算法主要用于修复经过变形、模糊或受损的图像，使其恢复原有的清晰度和细节。
- 噪声去除：通过滤波等方法消除图像中的噪声干扰，常用的去噪方法有中值滤波、小波去噪和自适应滤波等。
- 模糊恢复：对经过模糊的图像进行复原，常用的模糊恢复方法有逆滤波、维纳滤波和盲复原等。
4. 图像分割算法图像分割是将图像划分为若干个具有相似特征的区域或对象的过程，常用于图像识别和目标提取等任务。
- 阈值分割：根据图像中像素的灰度值，将图像划分为不同的区域。
- 区域生长：根据像素的相似性，将具有相似特征的像素进行合并，形成具有连续性的区域。
- 边缘检测：通过检测图像中的边缘信息，将图像分割为不同的物体或区域。
基于变分理论的图像分割与识别算法研究
基于变分理论的图像分割与识别算法研究 图像分割及其应用 图像分割是将一个数字图像分成多个区域的过程。这些区域可能包含单独的物体，或者是物体的一部分或者是一些背景。 图像分割的目的是将图像中的不同元素分离，以便对它们进行单独处理或者进行视觉理解。 图像分割在计算机视觉、图像处理、人工智能等领域中具有重要的应用。
基于变分理论的图像分割与识别算法 变分理论是数学中比较重要的一个分支，其研究的是泛函的最小值问题。当应用到图像处理领域时，变分理论被用来寻找一个最小化代价函数的分割方法，其中代价函数涉及到图像的灰度，颜色和纹理等方面。目前基于变分理论的图像分割与识别算法的研究非常活跃，其主要的研究方法有三种：
1.图像分割与能量优化 图像分割与能量优化算法是基于变分方法中的能量函数进行研究的。对于一幅图像，将它的所有像素点视为一组能量点，每个点的位置对应于一个参数。 图像分割问题即将这些能量点根据某个条件分成不同的集合，使得每个能量最小化，即寻找一个使能量达到最小的分割方案。因此，这种方法将图像分割问题转化为能量函数优化问题，可通过迭代求解的方式来达到预期的结果。
2.最大化区域分割方法 最大化区域分割方法是利用最大流和最小割等图像分割基本理论进行研究的一种方法。 该方法将图像的空间域划分为若干个区域，然后根据像素点的色彩信息以及其他综合因素，对区域进行分割。
根据图像中像素点的相似性，可以将图像分成具有不同特征的区域。对于这些区域，可以采用聚类等方法进行图像分割，并在这些区域上进行图像识别。 3.基于深度学习的图像分割与识别方法 基于深度学习的算法是目前最火热的算法之一。深度学习算法给每个像素附上一个比较好的概率，进一步将图像分割成不同的区域。同时，这种方法还可以用于图像识别、物体识别及人脸识别等领域。利用深度学习算法进行图像分割，相比其他算法，具有高精度和快速的特点。
总结 基于变分理论的图像分割与识别算法是近年来快速发展的一个领域。不同的方法根据图像的特征、处理流程和计算方式等方面有所不同，但都能够对图像进行切割、分区并进行识别。 随着这些算法的发展，它们在自动驾驶、智能监控、人脸识别等技术领域中都得到了广泛应用，并在某些领域中得到了令人瞩目的成果，如今已经成为大型企业和科技公司的核心技术之一，取得了许多成功的商业案例。
常用彩色图像分割方法的分析与探讨
常用彩色图像分割方法的分析与探讨严春来袁双云(攀枝花学院计算机学院，四川攀枝花617000)i喃要】彩色图像包含了丰富的颜色信息，是对客观存在的物体的一种相似性的生动模仿或描述。
近年来，随着计算机技术的进一步提高。
，‘彩色图像的使用越来越多，彩色图像的分割方法的研究也成为了一大研究热点。
本文讨论了4类常见的分割算法的原理、特点以及在解决分；割问题时需要深入分析的要素。
4供键词】彩色图像；分割；算法；要素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—个区域都满足特定区域的一致性。
图像分割是一种基本的计算机视觉技术，是从图像处理到图像分析的关键步骤，也是解决起来比较困难的一个问题。
近年来，随着计算机技术的进—步提高，彩色图像的使用越来越多，彩色图像的分割方法的研究也成为了一大研究热点，其关键就是姗0用丰富的色彩信息来达到有效分割的目的。
常用彩色图像分割方法=单色图像分割方法+颜色空间。
1基于区域的分割技术1．1直方图阈值法直方图阈值法广泛应用于单色图像的分割。
在利用阈值法来分割图像时有一定的假设(换句话说，是基于一定的图像模型的)，即图像具有单峰灰度分布的目标和背景组成，处于目标或背景内的相邻像素间的灰度值是高度相关的，但处于目标和背景交界处两边的像素在灰度值上有很大的差别。
由于彩色图像不仅只有灰度这—个属性，所以使用直方图阈值法会出现很大的不同。
大多数方法都是对彩色图像的每个分量(属性)分别采用直方图阈值法。
．12颜色聚类的方法彩色图像分割对于图像中不同物质的颜色因光源颜色和亮度的不同变化较大，而同一物质颜色比较单一，可以利用相似色合并的方法，对颜色进行聚类，最终得到由几种颜色表示不同区域的分割图像。
常用的聚类方法有K均值聚、模糊c均值聚类和分层聚类等。
13区域生长和区域合并与区域分型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，而区域分裂技术则是将种子区域不断分裂为4个矩形区域，直到每个区域内部都是相似的为止。
医学图像分割的意义、概念、分类和研究现状
第1章绪论1.1 引言当今社会，是知识经济的社会，高新科技飞速发展。
入们在迅速发展新科技的同时，也越来越关注自身的生活环境与医疗条件。
健康，越来越成为每一个入倾心关注和孜孜追求的意境。
然焉，群学技术是一把双刃剑，它带给人们得到的同时也在破坏着我们赖以生存的环境，从而严重威害人类的健康。
堪愧的环境，沉重的压力以及激烈的竞争，都侵入们的健康走入低餐，从而健康成为全人类共同关注的目标。
因此医学的发展面临严重的挑战，作为医生诊断和治疗重要手段的医学影像学也得到了相应的发展。
现今，医学图像在医疗诊断中起着不可低估的重要作用。
计算机断层扫描、核磁共振(Magnetic Resonance，MR)、超声(Ultras叫nd)以及其它成像技术等，都是无侵害性的器宫体外成像的有力手段。
但是，医学图像还有一个显著的特点，由于受成像设备的影响、局部体效应(同一个体素中包含多种组织)、患者的体位运动和检查床的匀速直线运动，使得医学图像不可避免地盘现噪声和伪影，边缘模糊和信号强度不均匀现缓，例如信号强度在同一种组织中会出现大幅度的变化或在同一个物体中也不均匀。
此外，在图像形成和传输的过程中，图像的像质也会受到一定的影响，这些都给医生下达准确的诊断造成了一定的障碍。
为了提高医学图像的可读性，使得医生可以对人体的解割结构以及病变部位进行更有效的观察和诊断，提离诊断的准确率，医学图像处理从而成为了一门应用性很强的学科而且得到了长足的发展。
1.2 医学图像分割的意义、分类及其研究现状1.2.1 医学图像分割的意义医学图像分割在医学研究、临床诊断、病理分析、手术计划、影像信息处理、计算机辅助手术等医学研究与实践领域中有着广泛的应用和研究价值，具体表现为以下几个方面：(1) 用于感兴趣区域提取，便于医学图像的分析和识别。
如不同形式或来源的医学图像配准与融合，解剖结构的定量度量、细胞的识别与计数、器官的运动跟踪及同步等；(2)用于人体器官、组织或病灶的尺寸、体积或容积的测量。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
中北大学 课 程 设 计 说 明 书
学生姓名： 学 号： 学生姓名： 学 号： 学生姓名： 学 号： 学生姓名： 学 号： 学 院： 信息与通信工程学院 专 业： 电子信息工程 题 目： 信息处理综合实践: 图像分割算法的比较与分析
指导教师： 陈平 职称: 副教授 2014 年 12 月 29 日 中北大学 课程设计任务书
14/15 学年第 一 学期 学 院： 信息与通信工程学院 专 业： 电子信息工程 学 生 姓 名： 学 号： 课程设计题目： 信息处理综合实践: 图像分割算法的比较与分析 起 迄 日 期： 2015年1月5日～2015年1月16日
课程设计地点： 电子信息工程专业实验室
指 导 教 师： 陈 平 系 主 任： 王浩全
下达任务书日期: 2014 年12月 29 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)利用自适应阈值、区域、分水岭、形态学四种方法，对图像进行分割； (2)对四种方法分割的结果，进行对比分析，并给出量化结果； (3)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。 课 程 设 计 任 务 书 4．主要参考文献： 1. 阮秋琦等.数字图像处理（第三版）.北京：电子工业出版社.2011 2. 冈萨雷斯等.数字图像处理（MATLAB版）.北京：电子工业出版社.2001 3. 杨杰等.数字图像处理及MATLAB实现：学习与实验指导.北京：电子工业出版社.2010 4. 刘卫国等.MATLAB程序设计与应用.北京：高等教育出版社.2006 5. 许国根等.模式识别与智能计算的MATLAB实现.北京：北京航空航天大学出版社.2012
5．设计成果形式及要求： 毕业设计说明书 仿真结果
6．工作计划及进度： 2015年 1月5日 ~ 1月9日：查资料； 1月10日 ~ 1月13日：在指导教师指导下设计方案； 1月14日 ~ 1月15日：撰写课程设计说明书； 1月16日：答辩
系主任审查意见：
签字： 年 月 日 目录 第一章 绪论 ...........................................1 1.1 研究目的和意义 ................................1 1.2 图像分割的研究进展 ............................1 第二章 区域生长法分割图像 ............................4 2.1 区域生长法介绍 .................................4 2.2 区域生长法的原理 ...............................4 2.3 区域生长法的实现过程 ...........................5 第三章 程序及结果 .....................................6 3.1 区域生长算法及程序 .............................6 3.2 图像分割结果 ..................................7 第四章 方法比较 .......................................8 4.1 阈值法 .......................................8 4.2 区域法 .......................................8 4.3 分水岭法 ......................................8 4.4 形态学方法 ....................................9 第五章 总结 ..........................................10
参考文献 .............................................11 1
第一章 绪论 1.1 研究目的和意义 图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割;但某些分割方法只是适合于某些特殊类型的图像分割，所以分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。 图像分割是由图像处理到图像分析的关键步骤，在图像工程中占有重要位置。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、更紧凑的表达形式，使得更高层的图像分析和理解成为可能。因此在实际应用中，图像分割不仅仅要把一幅图像分成满足上面五个条件的各具特性的区域，而且要把其中感兴趣的目标区域提取出来。只有这样才算真正完成了图像分割的任务，为下一步的图像分析做好准备，使更高层的图像分析和理解成为可能。 图像分割在很多方面，如医学图像分析，交通监控等，都有着非常广泛的应用，具有重要的意义。(1)分割的结果常用于图像分析，如不同形式图像的配准与融合，结构的测量，图像重建以及运动跟踪等。(2)在系统仿真，效果评估，图像的3D重建以及三维定位等可视化系统中，图像分割都是预处理的重要步骤。(3)图像分割可在不丢失有用信息的前提下进行数据压缩，这就降低了传输的带宽，对提高图像在因特网上的传输速度至关重要。(4)分割后的图像与噪声的关系减弱，具有降噪功能，便于图像的理解。 1.2 图像分割的研究进展 图像分割是图像处理中的一项关键技术，至今已提出上千种分割算法。但因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。前人的方法主要有三大类：阈值分割方法、边缘检 2
测方法和区域提取方法。 （1）阈值分割方法 阈值分割法分为全局阈值法和局部阈值分割法。所谓局部阈值分割法是将原始图像划分成较小的图像，并对每个子图像选取相应的阈值。在阈值分割后，相邻子图像之间的边界处可能产生灰度级的不连续性，因此需用平滑技术进行排除。局部阈值法常用的方法有灰度差直方图法、微分直方图法。局部阈值分割法虽然能改善分割效果，但存在以下几个缺点：①每幅子图像的尺寸不能太小，否则统计出的结果无意义。②每幅图像的分割是任意的，如果有一幅子图像正好落在目标区域或背景区域，而根据统计结果对其进行分割，也许会产生更差的结果。③局部阈值法对每一幅子图像都要进行统计，速度慢，难以适应实时性的要求。全局阈值分割方法在图像处理中应用比较多，它在整幅图像内采用固定的阈值分割图像。经典的阈值选取以灰度直方图为处理对象。根据阈值选择方法的不同，可以分为模态方法、迭代式阈值选择等方法。这些方法都是以图像的直方图为研究对象来确定分割的阈值的。另外还有类间方差阈值分割法、二维最大熵分割法、模糊阈值分割法以及共生矩阵分割法等等。 （2）基于边缘检测法 边缘检测法是一种处理不连续性图像的分割技术。图像的大部分信息不会只存于某个特定的区域，而是存于不同区域的边缘上，而且人的视觉系统在很大程度上都是根据图像边缘差异对图像进行识别分析的。所以通过对图像的边缘信息检测，可以实现对图像的分割。按照处理技术可以分为并行边缘检测技术和串行边缘检测技术。检测过程中可以通过空域微分算子来完成卷积。这些微分算子包括、Sobel梯度算子、Prewitt梯度算子、综合正交算子等。这些方法主要是对检测图像中灰度的变化，图像边缘是灰度突变的地方。在有噪声时，得到的边缘常是孤立不连续的，为了得到完整的边缘信息，还需进行边界闭合处理。边界闭合是根据像素梯度的幅度及梯度方向满足规定的条件将边缘素连接起来，就有可能得到闭合的边界。 （3）基于区域分割法 区域分割法主要包括：区域生长和分裂合并法，其分割过程后续步骤的处理要根据前面步骤的结果进行判断而确定。 3
区域生长法是根据预先规定好的指标，提取图像中相互连接区域的方法，它是利用区域一致性准则对目标进行分割。规定的指标包括图像的灰度信息，边缘，某种特性。 区域生长法一般都会放在一系列过程中使用，不会单独使用。它主要的缺陷是，每一个需要提取的区域，都必须先给出种子点，然后提取出和种子一样，符合规定的指标的区域，这样有多少区域就必须给出多少个种子数。这种法对噪声也很敏感，会造成分割区域不连续。相反的，局部且大量的噪声会使影响会使原本来分开的区域连接起来。 分裂合并法是从整个图像出发，将图像分割成各个子区域，再把前景的区域合并起来，这样就实现了目标的提取。分裂合并法的目标区域由一些相互连通的像素组成的，如果把图像分割到像素级的话，就可以判断该像素是否为目标像素。当所有的分割的子区域都判断完，把目标区域就可得到前景目标。这种方法处理复杂图像时效果较好，但算法比较复杂，计算量也比较大，在分裂过程中可能会破坏目标区域的边界。