水下圖像分割算法研究的相關理論基礎綜述目錄TOC\o"1-3"\h\u23792水下圖像分割算法研究的相關理論基礎綜述 127638常見的圖像分割方法 132582紋理特征提取方法 131901圖像分割 2136842.3.1基于閾值的缺陷分割方法 2133812.3.2基于區域生長的圖像分割方法 418435圖像邊緣檢測 6常見的圖像分割方法基于邊緣檢測的分割，圖像的分割第一步是要檢測出圖像的邊緣點并按一定的形態進行連接構成輪廓，并組成了分割區域。檢測圖像的邊緣最關鍵是要提升檢測結果的精準度和降噪性。準確度的提高可能導致噪音產生的假邊緣產生不合理的輪廓,而假如提高噪聲則會失去精度，產生偏差。針對這一現實問題展開了研究，最后提出了多尺度邊緣檢測，依據實際的情況結合邊緣檢測的信息，提出了較好的能夠將抗噪性和檢測精度同步提升的方法。但這種方式并不能從根本上擺平上述的問題，只是一個低層信息的輪廓跟蹤問題。基于區域的分割，是將圖像的特征劃分成不同的層次，常見的有原始圖像或者是彩色之變換得到的特征。預值法就是通過設定不同的特征預值，將圖像的像素點分成了若干份，它的難點就是預值的設定，因為預值的設定帶有主觀的色彩，傳統的預值設定方法包括了模糊預值以及局部預值的方法。在對像素點實施聚類處理的過程中，因為聚類法無法兼顧到像素空間的拓補關系，必須經過后期的分割處理才能達到預期的效果，因此聚類法的分割準則就是重點。區域生長，是將各種子區域內距離較近的像素點根據特定的規則來實行拼接，區域生長的方法可以覆蓋拼接區域內全部的像素點，對種子點的設定一般采取人機交互的辦法，這種方法最重要的也是對結果影響最大的就是種子點位置的確定。松弛法就是通過動態調用的方法來進行圖像的分割。紋理特征提取方法所謂的紋理，一般將圖像灰度與圖像紋理的變化稱為紋理反應，而影響其變化的主要因素又叫做紋理基元。在某特定區域內，紋理基元因其獨有的相對穩定的特征性，反復出現于這些單元的各個方向。紋理自身附帶了圖像表面的很多關鍵信息，是其公有屬性的體現，同時，紋理是圖像對所處環境特點的反應形式和結果，從中可以看出同質現象在圖像中的表現。圖像分割在針對圖像處理的熱門技術領域研究中，圖像分割是計算機對圖像進行處理時在檢測圖像邊緣這一環節特別關鍵的一步。分割的主要作用是將圖像中的目的區域根據圖像的各個基本特征如：灰度紋理、幾何形狀等進行劃分，因此劃分開的目的區域就存在相似度極高的基本特征，但處于相鄰區域的基本特征卻不同，所以各區域之間的邊界就能被輕易地劃定出來。若某圖像的區域用R表示，R由R1,R2,?,R完備性：i=1n連通性：Ri為連通集，i=1,2,?,n獨立性：Ri∩R一致性：QRi=TURE差別性：任意相鄰區域Ri傳統的圖像分割方法如下。2.3.1基于閾值的缺陷分割方法圖2-1圖的直方圖設圖像的直方圖如圖2-1所示，設圖像的閾值為并分為兩和兩個區間。閾值需滿足兩個條件：（1）為和圖像背景相關聯的灰度級；（2）為圖像中物體的全部灰度級。從圖2-1中可以看出，從掃描到的過程中，其中間的灰度突變表明邊界的存在。則應當首先確定門限值，具體步驟如下：步驟一：對圖像逐行掃描，產生的圖像灰度滿足的條件如（2.1）所示：(2.1)其中，和分別表示圖像的邊緣灰度級和背景灰度級。步驟二：圖像逐行掃描，產生的灰度圖像滿足的條件如（2.2）所示：(2.2)圖像的邊緣可用（2.3）式來處理：(2.3)以上方法針對僅有兩個灰度像素值的圖像進行閾值分割，當出現多灰度級閾值時，可將待檢測圖像通過計算得到二值圖像。假設待檢測圖像為，為最佳分割閾值，則分割后的圖像為：(2.4)近年來的圖像分割研究大多是將多種閾值分割方法結合在一起，形成了高精度閾值分割的新方法。算法流程圖如圖2-2所示。圖2-2基于閾值的圖像分割流程圖2.3.2基于區域生長的圖像分割方法所謂區域生長的實施步驟，首先，從圖中挑選一組適合生長的點；其次，根據像素點獨有的相似性將其歸類并劃分至各個區域的種子像素內，融合為全新的生長點，不斷重復這一步驟至該算法停止，相似像素的劃分標準可用公式（2.5）表達：（2.5）區域生長需符合以下條件：第一對生長點的選取要妥當；第二再生長的模板準則要確定；第三生長算法停止的條件要準確。該方法需要選擇更合適的種子點，否則容易產生噪聲敏感，導致分割后的圖像分割不精確，出現欠分割或過分割的現象。Levine等人率先提出區域生長的分割算法一般可通過兩種方法來實現。第一種是首先選擇適用于待分割圖像的種子，并不斷擴大該種子的區域，并根據區域生長的條件判斷停止擴張的時機，最后完成區域生長分割的過程；第二是將分割后的圖像分割成具有灰度值相似或相同特征的小區域，然后通過人為設定好的條件將這些小區域合并成分割子圖像，從而完成圖像的分割?；趨^域生長的水下圖像分割的實現過程為：將待分割的圖像看做一個個像素點的集合，再依J分類每個子區域像素點存儲到二維矩陣，設置生長條件且將每個分割子圖像灰度均值為生長種子初始值，將符合條件像素的鄰域未歸屬像素坐標信息和存入，并計算生長種子像素與該像素的差距記為，最后將這些差距最小的點記入。則區域生長需滿足如條件（2.6）所示：(2.6)使得下列條件成立：(2.7)(2.8)其中，被分割后圖像其灰度像素值用表示；待分析的相鄰區域內像素點的灰度像素值用表示；完整的圖像被分割后的子圖像用表示，且任意兩個子圖像間沒有相重合的情況。本文用形態學方法對水下圖像進行平滑處理,得到水下圖像的感興趣區域，則基于不同區域進行生長的水下圖像分割流程設計如圖2-3所示。圖2-3基于區域的水下圖像分割算法流程圖像邊緣檢測通過邊緣檢測，可以為后續的計算和處理打下良好的基礎，使準確率和效率都得到顯著提升。（1）Sobel算子當像素點的零點灰度加權差使被檢測圖像的邊緣達到的值最大時，Sobel算子的邊緣檢測效果最好。圖像亮度的函數和灰度近似值可利用離散性差分算子運算求得，圖像中任意點的尺寸使用值都存在與其相對應的矢量。Sobel算子可化為兩組3x3的矩陣，經邊緣檢測所得的縱橫兩側圖像灰度值依次為Gy、Gx，其矩陣表達式如下：GX=?101?202Sobel算子對圖像分割的準確性不高，但效率較高，因此在對精度要求不高的場景較為適用。（2）Prewitt算子Prewitt算子與Sobel算子的原理類似，也是一個一階算子，檢測效果沒有達到很精準的要求，但是具有效率高的優點。（3）Canny算子Canny算子具有良好的邊緣檢測性能，與上面提出的兩種算子相比檢測效果更好，現在被廣泛運用。Canny算法是通過一階微分的方式來進行圖像檢測。該算法是通過濾波和邊緣檢測的沖突，再進行邊緣提取時滿足了：信噪比準則、定位精度準則、單邊緣響應準則等準則。Canny算法框圖如圖2-4所示。圖2-4Canny算法框圖Canny算法的步驟是：首先基于高斯濾波抑制白噪聲對采集來的圖像序列的干擾，選擇方差要適中，在圖像預處理時已經完成了該步驟，假定去除噪音之后的圖像為I[x,y]。然后利用差分模板計算高斯濾波后圖像I[x,y]像素點的梯度值和方向，假定P[i.j]和Q[I,j]分別為X軸與Y軸的偏導數，則采用的二維差分卷積模板為：（2.10）則可以獲得X，Y軸方向的差分為：（2.11）設圖像像素點的梯度幅值為M[i,j]，則基于一階差分模板，得出像素點的梯度幅值M[i,j]和其對應的梯度方向N[i,j]為：（2.12）通過非極大值來去除虛假的邊緣點，具體的步驟是：依據濾波后的圖像I[x,y]像素點的梯度值M[i,j]和相鄰像素點的梯度幅值的大小來進行虛假邊緣點的去除，如果M[i,j]大于像素點梯度方向上相鄰像素點的梯度值，則像素點可以確定為邊緣點。梯度方向分為四個不規則區域，將像素點的幅值與相鄰像素點的幅值進行比較，判斷該像素點是否為