1) 基于閾值的分割方法

。閾值法的基本思想是基于圖像的灰度特征來(lái)計(jì)算一個(gè)或多個(gè)灰度閾值，并將圖像中每個(gè)像素的灰度值與閾值相比較，最后將像素?fù)?jù)比較結(jié)果分到合適的類別中。因此，該類方法最為關(guān)鍵的一步就是按照某個(gè)準(zhǔn)則函數(shù)來(lái)求解最佳灰度閾值。一般來(lái)說(shuō)，閾值法較為適用于目標(biāo)灰度值均勻的分布在背景灰度值之外的圖像，但由于其忽略了圖像中目標(biāo)的空間結(jié)構(gòu)信息，因此對(duì)于背景較為復(fù)雜的圖像則分割效果不佳。比較常用的閡值法有大律法(Otsu，1978)、最小誤差法(Kittler，1986)、最大熵法(Kaput"，1985)等。

2)基于邊緣的分割方法

，基于邊緣的分割方法指的是基于灰度值的邊緣檢測(cè)，它是建立在邊緣灰度值會(huì)呈現(xiàn)出階躍型或屋頂型變化這一觀測(cè)基礎(chǔ)上的方法。但該類方法最大的缺點(diǎn)是對(duì)噪聲較為敏感，即使噪聲的幅值很小，但當(dāng)其頻率較大時(shí)，噪聲的一階和二階導(dǎo)數(shù)的幅值也會(huì)比較大，從而會(huì)產(chǎn)生錯(cuò)誤的檢測(cè)結(jié)果，因此很多情況下需要結(jié)合濾波器進(jìn)行使用。較為常見(jiàn)的微分算子包括Robert算子、Prewitt算子、Sobel算子、Laplaeian算子、Canny算子等(Sonka,2002)。

3)基于區(qū)域的分割方法

此類方法是將圖像按照相似性準(zhǔn)則分成不同的區(qū)域，主要包括種子區(qū)域生長(zhǎng)法、區(qū)域分裂合并法和分水嶺法等幾種類型。種子區(qū)域生長(zhǎng)法(Adams，1994)是根據(jù)預(yù)先定義的生長(zhǎng)準(zhǔn)則將像素點(diǎn)或者子區(qū)域合并成為更大的區(qū)域的過(guò)程，具體實(shí)現(xiàn)時(shí)是從一組代表不同生長(zhǎng)區(qū)域的種子像素開(kāi)始，接下來(lái)將種子像素鄰域里符合條件的像素合并到種子像素所代表的生長(zhǎng)區(qū)域中，并將新添加的像素作為新的種子像素繼續(xù)合并過(guò)程，直到找不到符合條件的新像素為止。該方法的關(guān)鍵是選擇合適的初始種子像素以及合理的生長(zhǎng)準(zhǔn)則。與種子區(qū)域生長(zhǎng)不同，區(qū)域分裂合并法(Gonzalez，2002)的基本思想是首先將圖像任意分成若干互不相交的區(qū)域，然后再按照相關(guān)準(zhǔn)則對(duì)這些區(qū)域進(jìn)行分裂或者合并從而完成分割任務(wù)，該方法既適用于灰度圖像分割也適用于紋理圖像分割。分水嶺法(Meyer,1990)是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法，其基本思想是把圖像看作是測(cè)地學(xué)上的拓?fù)涞孛?，圖像中每一點(diǎn)像素的灰度值表示該點(diǎn)的海拔高度，每一個(gè)局部極小值及其影響區(qū)域稱為集水盆，而集水盆的邊界則形成分水嶺。該算法的實(shí)現(xiàn)可以模擬成洪水淹沒(méi)的過(guò)程，圖像的最低點(diǎn)首先被淹沒(méi)，然后水逐漸淹沒(méi)整個(gè)山谷。當(dāng)水位到達(dá)一定高度的時(shí)候?qū)?huì)溢出，這時(shí)在水溢出的地方修建堤壩，重復(fù)這個(gè)過(guò)程直到整個(gè)圖像上的點(diǎn)全部被淹沒(méi)，這時(shí)所建立的一系列堤壩就成為分開(kāi)各個(gè)盆地的分水嶺。分水嶺算法對(duì)微弱的邊緣有著良好的響應(yīng)，但圖像中的噪聲會(huì)使分水嶺算法產(chǎn)生過(guò)分割的現(xiàn)象。

4)基于圖論的分割方法
此類方法把圖像分割問(wèn)題與圖的最小剪切問(wèn)題相關(guān)聯(lián)。首先將圖像映射為帶權(quán)無(wú)向圖G=<V，E>，圖中每個(gè)節(jié)點(diǎn)E∈V對(duì)應(yīng)于圖像中的每個(gè)像素，每條邊只∈E連接著一對(duì)相鄰的像素，邊的權(quán)值表示了相鄰像素之間在灰度、顏色或紋理方面的非負(fù)相似度。而對(duì)圖像的一個(gè)分割s就是對(duì)圖的一個(gè)剪切，被分割的每個(gè)區(qū)域C∈S對(duì)應(yīng)著圖中的一個(gè)子圖G’=<V，E。>，其中E’量E。而分割的最優(yōu)原則就是使劃分后的子圖在內(nèi)部保持相似度最大，而予圖之間的相似度保持最小?；趫D論的分割方法的本質(zhì)就是移除特定的邊，將圖劃分為若干子圖從而實(shí)現(xiàn)分割。由于每一個(gè)像素之間都會(huì)賦有一個(gè)權(quán)值，因此該類方法對(duì)目標(biāo)的形狀不敏感，但存在著運(yùn)算時(shí)間過(guò)長(zhǎng)的缺點(diǎn)。比較常見(jiàn)的基于圖論的分割方法包括最小樹(shù)方法(Graham，1 985)、NormalizedCut方法(Shi，2000)、Min．Max Cut方法(Ding，2001)、Graph Cut方法(Boykov,2001)等。

5)基于能量泛函的分割方法
該類方法主要指的是活動(dòng)輪廓模型(active contour model)以及在其基礎(chǔ)上發(fā)展出來(lái)的算法，其基本思想是使用連續(xù)曲線來(lái)表達(dá)目標(biāo)邊緣，并定義一個(gè)能量泛函使得其自變量包括邊緣曲線，因此分割過(guò)程就轉(zhuǎn)變?yōu)榍蠼饽芰糠汉淖钚≈档倪^(guò)程，～般可通過(guò)求解函數(shù)對(duì)應(yīng)的歐拉(Euler．Lagrange)方程來(lái)實(shí)現(xiàn)，能量達(dá)到最小時(shí)的曲線位置就是目標(biāo)的輪廓所在。按照模型中曲線表達(dá)形式的不同，活動(dòng)輪廓模型可以分為兩大類：參數(shù)活動(dòng)輪廓模型(parametric active contour model)和幾何活動(dòng)輪廓模型(geometricactive contour model)。其中，參數(shù)活動(dòng)輪廓模型是基于Lagrange框架，直接以曲線的參數(shù)化形式來(lái)表達(dá)曲線，最具代表性的是由Kasset a1(1987)所提出的Snake模型。該類模型在早期的生物圖像分割領(lǐng)域罩得到了成功的應(yīng)用，但其存在著分割結(jié)果受初始輪廓的設(shè)置影響較大以及難以處理曲線拓?fù)浣Y(jié)構(gòu)變化等缺點(diǎn)，此外其能量泛函只依賴于曲線參數(shù)的選擇，與物體的幾何形狀無(wú)關(guān)，這也限制了其進(jìn)一步的應(yīng)用。與參數(shù)活動(dòng)輪廓模型不同，幾何活動(dòng)輪廓模型的曲線運(yùn)動(dòng)過(guò)程是基于曲線的幾何度量參數(shù)而非曲線的表達(dá)參數(shù)，因此可以較好地處理拓?fù)浣Y(jié)構(gòu)的變化，并可以解決參數(shù)活動(dòng)輪廓模型難以解決的問(wèn)題。而水平集(Level Set)方法(Osher,1988)的引入，則極大地推動(dòng)了幾何活動(dòng)輪廓模型的發(fā)展，因此幾何活動(dòng)輪廓模型一般也可被稱為水平集方法。而本論文就是對(duì)水平集方法及其在圖像分割中的應(yīng)用和進(jìn)一步擴(kuò)展進(jìn)行深入的研究，關(guān)于水平集方法理論和研究現(xiàn)狀的詳細(xì)描述將在第2章中給出，這里不再贅述。

6)其他分割方法
由于圖像分割技術(shù)與信息領(lǐng)域的其他學(xué)科密切相關(guān)，因此隨著數(shù)學(xué)、模式識(shí)別、人工智能、計(jì)算機(jī)科學(xué)等學(xué)科中新的理論和技術(shù)的產(chǎn)生，出現(xiàn)了不少結(jié)合特定理論的分割技術(shù)，如基于小波分析和變換的多尺度分割技術(shù)、基于聚類的分割技術(shù)、基于人工神經(jīng)網(wǎng)絡(luò)的分割技術(shù)、基于遺傳算法的分割技術(shù)、基于模糊理論的分割技術(shù)、基于隨機(jī)場(chǎng)理論的分割技術(shù)等，并且每年還不斷有新的分割方法問(wèn)諸于世，從而將圖像分割的研究向智能化和實(shí)用化的方向發(fā)展和推進(jìn)。