數字圖像處理技術是一個跨學科的領域。隨著計算機科學技術的不斷發展，圖像處理和分析逐漸形成了自己的科學體系，新的處理方法層出不窮，盡管其發展歷史不長，但卻引起各方面人士的廣泛關注。首先，視覺是人類最重要的感知手段，圖像又是視覺的基礎，因此，數字圖像成為心理學、生理學、計算機科學等諸多領域內的學者們研究視覺感知的有效工具。其次，圖像處理在軍事、遙感、氣象等大型應用中有不斷增長的需求。

　　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。現有的圖像分割方法主要分以下幾類：基于閾值的分割方法、基于區域的分割方法、基于邊緣的分割方法以及基于特定理論的分割方法等。1998年以來，研究人員不斷改進原有的圖像分割方法并把其它學科的一些新理論和新方法用于圖像分割，提出了不少新的分割方法。圖像分割后提取出的目標可以用于圖像語義識別，圖像搜索等等領域。

　　圖像分割有哪些方法

　　1 基于區域的圖像分割

　　圖像分割中常用的直方圖門限法、區域生長法、基于圖像的隨機場模型法、松弛標記區域分割法等均屬于基于區域的方法。

　　（1）直方圖門限分割就是在一定的準則下，用一個或幾個門限值將圖像的灰度直方圖（一維的或多維的）分成幾個類，認為圖像中灰度值在同一個灰度類內的象素屬于同一個物體，可以采用的準則包括直方圖的谷底、最小類內方差（或最大類間方差） 、最大熵 （可使用各種形式的熵）、最小錯誤率 、矩不變 、最大繁忙度 （由共生矩陣定義）等。門限法的缺陷在于它僅僅考慮了圖像的灰度信息，而忽略了圖像中的空間信息，對于圖像中不存在明顯的灰度差異或各物體的灰度值范圍有較大重疊的圖像分割問題難以得到準確的結果。

　　（2）區域生長是一種古老的圖像分割方法，最早的區域生長圖像分割方法是由Levine等人提出的。該方法一般有兩種方式，一種是先給定圖像中要分割的目標物體內的一個小塊或者說種子區域，再在種子區域基礎上不斷將其周圍的像素點以一定的規則加入其中，達到最終將代表該物體的所有像素點結合成一個區域的目的；另一種是先將圖像分割成很多的一致性較強，如區域內像素灰度值相同的小區域，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，典型的區域生長法如T. C. Pong等人提出的基于小面（facet）模型的區域生長法，區域生長法固有的缺點是往往會造成過度分割，即將圖像分割成過多的區域。

　　（3）基于圖像的隨機場模型法主要以Markov隨機場作為圖像模型，并假定該隨機場符合Gibbs分布。使用MRF模型進行圖像分割的問題包括：鄰域系統的定義；能量函數的選擇及其參數的估計；極小化能量函數從而獲得最大后驗概率的策略。鄰域系統一般是事先定義的，因而主要是后面兩個問題。S. Geman，首次將基于Gibbs分布的Markov隨機場模型用于圖像處理，詳細討論了MRF模型的鄰域系統，能量函數，Gibbs采樣方法等各種問題，提出用模擬退火算法來極小化能量函數的方法，并給出了模擬退火算法收斂性的證明，同時給出了MRF模型在圖像恢復中的應用實例。在此基礎上，人們提出了大量的基于MRF模型的圖像分割算法。

　　（4）標記法（labeling）就是將圖像欲分割成的幾個區域各以一個不同的標號來表示，對圖像中的每一個象素，用一定的方式賦之以這些標記中的某一個，標記相同的連通象素就組成該標記所代表的區域。標記法常采用松弛技術來給圖像中的各個象素賦予標記，一般可分為離散松弛、概率松弛、模糊松弛等三種。Smith等人最先采用松弛標記技術進行圖像分割 ，以后人們又提出了大量的圖像松弛分割算法 。另外，松弛標記不僅可用于圖像分割，還可用于邊緣檢測、目標識別等。

　　2 基于邊緣的圖像分割

　　基于邊緣的分割方法則與邊緣檢測理論緊密相關，此類方法大多是基于局部信息的，一般利用圖像—階導數的極大值或二階導數的過零點信息來提供判斷邊緣點的基本依據，進一步還可以采用各種曲線擬合技術獲得劃分不同區域邊界的連續曲線。根據檢測邊緣所采用的方式的不同，邊緣檢測方法可大致分為以下幾類：基于局部圖像函數的方法、圖像濾波法、基于反應—擴散方程的方法、基于邊界曲線擬合的方法及活動輪廊（active contour）法等。

　　（1） 基于局部圖像函數法的基本思想是將灰度看成高度，用一個曲面來擬合一個小窗口內的數據，然后根據該曲面來決定邊緣點。

　　（2） 圖像濾波法是基于如下理論的：即對濾波算子與圖像的卷積結果求導，相當于用算子的同階導數與圖像做卷積。于是，只要事先給出算子的一階或二階導數，就可以將圖像平滑濾波與對平滑后的圖像求一階或二階導數在一步完成。因而，這種方法的核心問題是濾波器的設計問題。

　　常用的濾波器主要是高斯（Gaussian）函數的一階和二階層數，Canny認為高斯函數的一階導數是他求得的最優濾波器的較好似近，一般采用Laplacian算子求高斯函數的二階導數得到LOG（Laplacian of Gaussian） 濾波算子，該算子由計算機視覺的創始人Marr首先提出。近年來研究的濾波器還有可控濾波器（steerable），B-樣條濾波器等。

　　問題提出：圖像濾波的方法是基于對平滑濾波后的圖像求其一階導數的極大值或二階導數的過零點來決定邊緣的，必然遇到的問題是，一階的極大值或二階導數的過零點對應的像素點是否真的就是邊緣點？

　　（3） 基于反應—擴散方程的方法是從傳統意義上的Gaussian核函數多尺度濾波來的。由于本人閱讀文獻有限，這里不多做介紹了。

　　（4） 基于邊界曲線擬合的方法用平面曲線來表示不同區域之間的圖像邊界線，試圖根據圖像梯度等信息找出能正確表示邊界的曲線從而得到圖像分割的目的，而且由于它直接給出的是邊界曲線而不象一般的方法找出的是離散的、不相關的邊緣點，因而對圖像分割的后繼處理如物體識別等高層處理有很大幫助。即使是用一般的方法找出的邊緣點，用曲線來描述它們以便于高層處理也是經常被采用的一種有效的方式。

　　L. H. Staib等人在文獻中給出了一種用Fourier參數模型來描述曲線的方法，并根據Bayes定理，按極大后驗概率的原則給出了一個目標函數，通過極大化該目標函數來決定Fourier系數。實際應用中，先根據對同類圖像的分割經驗，給出一條初始曲線，再在具體分割例子中根據像數據優化目標函數來改變初始曲線的參數，擬合圖像數據，得到由圖像數據決定的具體曲線。這種方法比較適合于醫學圖像的分割。除了用Fourier模型來描述曲線外，近年來還研究了一些其它的曲線描述方法，如A.Goshtasby詳細介紹了用有理Gaussian曲線和曲面來設計和擬合二維及三維形狀的方法。R. Legault等人給出了一種曲線平滑的方法。M. F. Wu等人給出了一種雙變量三維Fourier描述子來描述三維曲面。

　　（5） 活動輪廓（又稱Snake模型）是一種可變形模型（或稱彈性模型），最初由Kass等人提出 。活動輪廓法邊緣檢測認為圖像中各區域的輪廓線應為平滑曲線，各輪廓線的能量由內部能量及外部能量（包括圖像能量及控制能量）兩部分組成，其中內部能量表征了輪廓線的光滑約束，圖像能量由輪廓線上對應點的灰度、梯度和角點曲率半徑（若該點為角點）等決定，而控制能量則代表了圖像平面上固定點對輪廓線的吸引或排斥作用。采用變分法求解該能量函數的極小值就可得到與區域邊界相對應的輪廓線。