多尺度分割演算法

Ⅰ 影像分割流程

影像分割是獲取目標區域的一個重要手段。多尺度影像分割法採用不同的分割尺度生成不同尺度的影像對象層，使得具有固定解析度的影像數據由不同解析度的數據組成，從而構建一個與地表實體相似的層次等級結構，實現原始像元數據在不同空間尺度間的傳遞，以適應特定的應用需要，從而有效地將目標區域從背景中分離出來。

Definiens 軟體中的多尺度影像分割採用異質性最小的區域合並演算法，其允許兩個方向生成層次: 從下到上 ( Create Above) 和從上到下 ( Create Below) 。從下到上的分割 ( 由小尺度到大尺度的分割) 相對較簡單，合並子對象形成父對象，這種區域合並演算法計算過程中的對象只有第一次是像元，以後的均針對對象進行，時間代價較小。從上到下的分割( 由大尺度到小尺度的多種分割) 需要在父對象范圍內以像元為單位用區域合並演算法形成子對象，區域合並演算法每次均是針對單個像元進行，時間代價大。多尺度分割兩種方向生成層次在時間利用和生成對象個數方面有很大差異，以研究區某一子區域為例，如表5 －1所示。

表 5 －1 多尺度分割兩種方向生成層次消耗的時間

從上表可以看出兩點: ① 兩個方向的分割結果略有差異，主要表現為對象個數不盡相同; ②「從下到上」的分割由於是在子對象基礎上的合並，所以除了第一次針對像元的分割速度稍慢之外，其後進行的各次分割速度明顯快於第一次分割; 而 「從上到下」的分割，由於每次分割操作都是針對像元重新進行，除了分割尺度最小的基於像元的那次操作之外，每次分割所耗費的時間都遠遠多於同一尺度 「從下到上」的分割。

從下到上的多尺度分割方法主要思想是一種從像元開始由下至上、逐級進行區域合並的過程。經過多次迭代過程，小的同質區域變成大的同質區域。

Definiens 軟體中多尺度分割的具體演算法步驟如下 ( 圖 5 － 12) :

1) 設置分割參數，包括設定一個尺度閾值，以此閾值作為判斷是否停止像元合並的條件，根據影像信息的紋理特徵以及所提取的專題信息的要求，確定光譜因子和形狀因子的權重; 在形狀因子中根據大多數地物類別的結構屬性確定緊致度和光滑度因子的權重，以及在計算光譜差異性時需要用到的每一個波段的權重值; 必要時，也可考慮是否加入專題圖進行分割。

2) 以影像中任意一個像元為中心開始分割，第一次分割時單個像元被看做是一個最小的多邊形對象參與異質性值的計算; 第一次分割後，以生成的多邊形對象為基礎進行第二次分割，同樣計算異質性值。

3) 假設 f 為最小異質性值，s 為分割尺度值。每次判斷 f 與預定的閾值之間的差異，若 f 小於閾值 s，則繼續進行下一次分割，以此循環。

4) 若 f 等於或大於閾值 s，則停止影像的分割工作，形成一個固定尺度值的影像對象層。

大多數情況下，光譜因子是生成有意義對象的最重要的一條標准，而形狀因子則有助於避免產生不規則破碎的對象，適合高紋理的影像數據。因此，Definiens 軟體建議，在進行影像分割的過程中應遵循兩條原則: ① 盡可能設置大的顏色因子權重，因為光譜信息是影像數據中所包含的主要數據，形狀因子權重過大將導致光譜均質性的損失; ② 對於邊界不太光滑但是聚集度較高的影像對象，盡可能地使用必要的形狀因子。

圖 5 －12 異質性最小的區域合並影像分割流程

Ⅱ 圖像分割的特定理論

圖像分割至今尚無通用的自身理論。隨著各學科許多新理論和新方法的提出，出現了許多與一些特定理論、方法相結合的圖像分割方法。 特徵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徵空間點表示，根據它們在特徵空間的聚集對特徵空間進行分割，然後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)演算法是最常用的聚類演算法。K均值演算法先選K個初始類均值，然後將每個像素歸入均值離它最近的類並計算新的類均值。迭代執行前面的步驟直到新舊類均值之差小於某一閾值。模糊C均值演算法是在模糊數學基礎上對K均值演算法的推廣，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於某一類，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。
FCM演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演算法沒有考慮空間信息，對雜訊和灰度不均勻敏感。 模糊集理論具有描述事物不確定性的能力，適合於圖像分割問題。1998年以來，出現了許多模糊分割技術，在圖像分割中的應用日益廣泛。模糊技術在圖像分割中應用的一個顯著特點就是它能和現有的許多圖像分割方法相結合，形成一系列的集成模糊分割技術，例如模糊聚類、模糊閾值、模糊邊緣檢測技術等。
模糊閾值技術利用不同的S型隸屬函數來定義模糊目標，通過優化過程最後選擇一個具有最小不確定性的S函數。用該函數增強目標及屬於該目標的像素之間的關系，這樣得到的S型函數的交叉點為閾值分割需要的閾值，這種方法的困難在於隸屬函數的選擇。基於模糊集合和邏輯的分割方法是以模糊數學為基礎，利用隸屬圖像中由於信息不全面、不準確、含糊、矛盾等造成的不確定性問題。該方法在醫學圖像分析中有廣泛的應用，如薛景浩 等人提出的一種新的基於圖像間模糊散度的閾值化演算法以及它在多閾值選擇中的推廣演算法，採用了模糊集合分別表達分割前後的圖像，通過最小模糊散度准則來實現圖像分割中最優閾值的自動提取。該演算法針對圖像閾值化分割的要求構造了一種新的模糊隸屬度函數，克服了傳統S函數帶寬對分割效果的影響，有很好的通用性和有效性，方案能夠快速正確地實現分割，且不需事先認定分割類數。實驗結果令人滿意。 概述
小波變換是2002年來得到了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，而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。
小波變換的分割方法
基於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，然後依據給定的分割准則和小波系數選擇閾值門限，最後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。分割演算法的計算饋與圖像尺寸大小呈線性變化。

Ⅲ 目前應用最廣的圖像分割演算法是什麼

小波變換是近年來得到了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，而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。
基於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，然後依據給定的分割准則和小波系數選擇閾值門限，最後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。分割演算法的計算饋與圖像尺寸大小呈線性變化。