雖然近年來圖像分割的研究成果越來越多，但由于圖像分割本身所具有的難度，使研究仍然存在一些問題，現(xiàn)有的許多種算法都是針對不同的圖像，并沒有一種普遍適用的分割算法。迄今為止，沒有一個好的通用的分割評價標(biāo)準(zhǔn)，如何對分割結(jié)果作出量化的評價是一個值得研究的問題，該量化測度應(yīng)有助于視覺系統(tǒng)中的自動決策及評價算法的優(yōu)劣，該測度應(yīng)考慮到均質(zhì)性、對比度、緊致性、連續(xù)性、心理一視覺感知等因素，伴隨著數(shù)字圖像處理的應(yīng)用領(lǐng)域不斷擴(kuò)大，實時處理技術(shù)已成研究的熱點，在實時圖像處理系統(tǒng)中，算法的運行時間也成為今后研究的方向和目標(biāo)。

雖然圖像分割目前尚無通用的理論，但是近年來大量學(xué)者致力于將新概念、新方法應(yīng)用于圖像分割，結(jié)合特定理論的圖像分割方法在圖像分割方面取得了較好的應(yīng)用效果。如小波分析和小波變換、神經(jīng)網(wǎng)絡(luò)、遺傳算法等數(shù)學(xué)工具的利用，有效地改善了分割效果用。

圖像分割方法是將相鄰的像素連接起來形成一個區(qū)域，且同一個區(qū)域內(nèi)的像素必須具有某種相似性。這類分割方法往往根據(jù)像素點的灰度值、紋理、統(tǒng)計特征和顏色等來建立聯(lián)系，保證同一區(qū)域內(nèi)具有相似性和連續(xù)性，但分割效果的優(yōu)劣表現(xiàn)出對相似性條件具有強烈的依賴性，且分割結(jié)果極易出現(xiàn)過分割?；趨^(qū)域的圖像分割方法主要包括分裂合并和區(qū)域生長。分裂合并法首先分裂整幅圖像，然后通過某種準(zhǔn)則判斷分裂區(qū)域的相似性，合并相鄰的相似分裂區(qū)域，得到分割結(jié)果。區(qū)域生長法需事先設(shè)定相似性原則和生長種子，從生長種子出發(fā)將滿足相似性原則的相鄰像素不斷合并，構(gòu)成一個區(qū)域，達(dá)到劃分區(qū)域完成圖像分割的目的，其中最關(guān)鍵的是相似性原則的設(shè)定和生長種子的選取。

ZhuSong等提出了一種結(jié)合Snake模型的幾何特征與區(qū)域增長的統(tǒng)計特征的分割方法，該算法首先利用區(qū)域生長將圖像分割層若干區(qū)域，再利用貝葉斯和最小描述長度進(jìn)行區(qū)域競爭，合并壞種子所在的區(qū)域，從而得到正確的分割圖像。張餛等提出了一種自適應(yīng)分裂合并的聚類算法，通過定義空間連通率，并利用中垂線分割來對聚類進(jìn)行自適應(yīng)地分裂合并。

基于區(qū)域的圖像分割技術(shù)主要用來識別圖像中具有特性相似的區(qū)域，要求同 一區(qū)域的像素具有相似的特征且連通，正因為這樣，它具有消除孤立噪聲點的能力。但是，區(qū)域生長法對種子點的選取要求很高，選取的結(jié)果將直接影響圖像分 割的效果。分裂合并法雖然不需要選擇生長種子點，但是其分割效果與分裂程度 之間存在一個很大的矛盾，即當(dāng)分裂相對充分時，具有較好的分割效果，但分割 的時間和工作量將增大;若要提高效率只能減少分裂工作，這將影響分割的質(zhì)量

1. 基于遺傳算法的圖像分割

遺傳算法是模擬自然界生物進(jìn)化過程與機制求解問題的一類自組織與自適應(yīng)的人工智能技術(shù)。對此，科學(xué)家們進(jìn)行了大量的研究工作，并成功地運用于各種類型的優(yōu)化問題，在分割復(fù)雜的圖像時，人們往往采用多參量進(jìn)行信息融合，在多參量參與的最優(yōu)值求取過程中，優(yōu)化計算是最重要的，把自然進(jìn)化的特征應(yīng)用到計算機算法中，將能解決很多問題。遺傳算法的出現(xiàn)為解決這類問題提供了新而有效的方法，不僅可以得到全局最優(yōu)解，而且大量縮短了計算時間。提出的基于信息融合技術(shù)的彩色圖像分割方法，該方法應(yīng)用剝殼技術(shù)將問題的復(fù)雜度降低，然后將信息融合技術(shù)應(yīng)用到彩色圖像分割中，為彩色分割在不同領(lǐng)域中的應(yīng)用提供了一種新的思路與解決辦法。

2. 基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的圖像分割

基于神經(jīng)網(wǎng)絡(luò)的分割方法的基本思想是先通過訓(xùn)練多層感知器來得到線性決策函數(shù)，然后用決策函數(shù)對像素進(jìn)行分類來達(dá)到分割的目的。近年來，隨著神經(jīng)學(xué)的研究和進(jìn)展，第三代脈沖耦合神經(jīng)網(wǎng)絡(luò)（PCNN）作為一種新型人工神經(jīng)網(wǎng)絡(luò)模型，其獨特處理方式為圖像分割提供了新的思路。

脈沖耦合神經(jīng)網(wǎng)絡(luò)具有捕獲特性，會產(chǎn)生點火脈沖傳播，對輸入圖像具有時空整合作用，相鄰的具有相似輸入的神經(jīng)元傾向于同時點火。因此對于灰度圖像，PCNN具有天然的分割能力，與輸入圖像中不同目標(biāo)區(qū)域?qū)?yīng)的神經(jīng)元在不同的時刻點火，從而將不同區(qū)域分割開來。如果目標(biāo)區(qū)域灰度分布有重疊，由于PCNN的時空整合作用，如果灰度分布符合某種規(guī)律，PCNN也能克服灰度分布重疊所帶來的不利影響，從而實現(xiàn)較完美的分割 。這是其一個突出的優(yōu)點，而這恰恰是其他的分割方法所欠缺的，其在未來的圖像分割中將起主導(dǎo)作用。

3. 基于分析和變換的圖像分割性和多分辨率分析能力，在圖像處理等領(lǐng)域得到了廣泛的應(yīng)用。變換是一種多尺度多通道分析工具，比較適合對圖像進(jìn)行多尺度的邊緣檢測。從圖像處理角度看，變換具有“變焦”特性，在低頻段可用高頻率分辨率和低時間分辨率，在高頻段可用低頻率分辨率和高時間分辨率，交換在實現(xiàn)上有快速算法具有多分辨率，也叫多尺度的特點，可以由粗及精地逐步觀察信號等優(yōu)點。

近年來多進(jìn)制開始用于邊緣檢測。另外，把變換和其它方法結(jié)合起來的圖像分割技術(shù)也是現(xiàn)在研究的熱點。

審核編輯黃宇