2013年--圖像處理外文翻譯--最大類間方差算法的圖像分割綜述（譯文）

1、<p>　　中文2517字,1460單詞，8000英文字符</p><p>　　出處：Vala H J, Baxi A. A review on Otsu image segmentation algorithm[J]. International Journal of Advanced Research in Computer Engineering & Technology (IJARCET

2、), 2013, 2(2): pp: 387-389.</p><p>　　最大類間方差算法的圖像分割綜述2</p><p>　　HJ Vala, A Baxi</p><p><b>　　摘要</b></p><p>　　圖像分割是數(shù)字圖像處理的基本方法。在所有的分割方法中，最大類間方差法由于它的簡單性使它成為最成功圖

3、像閾值計(jì)算方法之一。最大類間方差法是自動(dòng)閾值選擇區(qū)域分割的基礎(chǔ)方法。本文研究了各種最大類間方差算法。</p><p>　　關(guān)鍵詞：圖像處理，最大類間方差算法，分割，閾值</p><p><b>　　1 引言</b></p><p>　　圖像分割在圖像分析中是最基礎(chǔ)并且是最困難的一部分。圖像分割是圖像處理中的一個(gè)重要組成部分。在計(jì)算機(jī)視覺中，圖像

4、分割是將圖像分割成有意義的區(qū)域或目標(biāo)的一個(gè)過程。圖像分割有許多應(yīng)用，如腫瘤或其他疾病定位，測量組織體積，計(jì)算機(jī)指導(dǎo)手術(shù)，治療計(jì)劃，解剖結(jié)構(gòu)的研究，衛(wèi)星圖像定位和指紋識(shí)別等等。</p><p>　　圖像的分割細(xì)分成其組成區(qū)域或?qū)ο?。圖像分割方法被歸類于兩個(gè)屬性——不連續(xù)性和相似性[1]?；谶@一特性的圖像分割歸類為基于邊緣的分割和基于區(qū)域的分割。這種基于像素不連續(xù)性的分割方法稱為邊界或邊緣技術(shù)。基于邊緣的分割方法嘗

5、試通過檢測邊緣，或有快速過渡不同區(qū)域之間的像素在強(qiáng)度和被提取和鏈接形成封閉的對(duì)象邊界來解決圖像分割。其結(jié)果是一個(gè)二進(jìn)制圖象。基于該理論有兩個(gè)主要的基于邊緣的分割方法，灰度直方圖的和梯度的方法[2]。根據(jù)一組預(yù)定義的搜索標(biāo)準(zhǔn)分割圖像到類似于區(qū)域。基于區(qū)域劃分成像素連接類似區(qū)域。每一個(gè)區(qū)域中的象素的是具有相同的一些特征或計(jì)算性能，如顏色，強(qiáng)度和/或紋理。這就有不同類型的區(qū)域像是閾值分割，區(qū)域增長區(qū)域劃分和合并。</p><

6、;p>　　閾值是在圖像分割應(yīng)用中的一個(gè)重要技術(shù)。閾值的基本思想在灰度分布的基礎(chǔ)上，選擇一個(gè)最佳灰度閾值把感興趣的目標(biāo)從圖片的背景中分離出來。雖然人類可以輕松從復(fù)雜的背景和圖像中區(qū)分它們，然而對(duì)圖像閾值是一個(gè)艱巨的任務(wù)將它們分開。圖像的灰度直方圖通常被視為圖像閾值算法開發(fā)的有效工具。創(chuàng)建二進(jìn)制圖像閾值分割，如果像素低于某個(gè)閾值的所有像素為零，高于某個(gè)閾值所有的像素為一。如果g(x,y)是f(x,y)在全局閾值T的一個(gè)閾值版本，它可以

7、被定義為[1],</p><p>　　g(x, y) = 1 if f(x, y) ≥ T</p><p>　　= 0 otherwise</p><p>　　閾值化操作被定義為：</p><p>　　T = M [x, y, p(x, y), f (x, y)]</p><p>　　在該式中，T代表的閾值;函數(shù)f（x

8、，y）是點(diǎn)（x，y）的灰度值，p（x，y）表示該點(diǎn)的一些局部屬性，如集中在點(diǎn)（x，y）鄰域的平均灰度值。</p><p>　　基于此，有兩種閾值分割方法。</p><p>　　1）全局閾值：當(dāng)T僅依賴于函數(shù)f（x，y）（換言之，僅依賴于灰度級(jí)值）以及T的計(jì)數(shù)值僅涉及像素的性質(zhì)，這種閾值處理技術(shù)被稱為全局閾值。</p><p>　　2）局部閾值：如果閾值T取決于 f（

9、x，y）和P（X，Y），這稱為局部閾值分割。該方法將原始圖像分割成若干子區(qū)域，并對(duì)每個(gè)子區(qū)合理選擇不同的閾值[3]。</p><p>　　最大類間方差法是全局閾值法，它只依賴于圖像的灰度值。最大類間方差法是由學(xué)者Otsu于1979年提出。最大類間方差法是全局閾值選擇方法，正式因?yàn)樗暮唵魏陀行У男圆诺靡詮V泛應(yīng)用。最大類間方差法在運(yùn)行前需要計(jì)算灰度直方圖。然而，由于在一維，只考慮灰度級(jí)的信息，它不給更好的分割的結(jié)果

10、。因此，對(duì)于該二維的最大類間方差算法，提出了工作在每個(gè)像素的兩個(gè)灰度級(jí)的閾值，以及在鄰域內(nèi)的空間相關(guān)信息。因此，當(dāng)它被用于到噪聲圖像時(shí)，最大類間方差算法能獲得滿意的分割結(jié)果[8]。許多技術(shù)因而被提出，以減少所花費(fèi)在計(jì)算上的時(shí)間并仍保持合理的閾值。在[9]，提出了一種快速遞歸技術(shù)，可以有效地降低計(jì)算時(shí)間。最大類間方差算法是一種更好的閾值選擇方法對(duì)于一般真實(shí)世界的均勻性和形狀的圖像測量。然而，最大類間方差法使用窮舉搜索來評(píng)估標(biāo)準(zhǔn)最大化類間方

11、差。如在類的圖像的數(shù)量級(jí)增加，最大類間方差法將花費(fèi)時(shí)間用于多級(jí)閾值選擇[10]。</p><p>　　2 各種最大類間方差算法簡介</p><p>　　A．基于改進(jìn)的最大類間方差算法的圖像分割</p><p>　　在這里[4]，作者描述了一維最大類間方差算法。這種算法被廣泛使用由于它的簡單的計(jì)算和穩(wěn)定性。這里的算法僅僅工作在圖像的灰度值。一維Otsu算法只考慮像素

12、的灰度級(jí)信息，而不考慮象素的空間鄰域的信息，所以它是難以得到滿意的分割結(jié)果。當(dāng)目標(biāo)與背景的全局分布變化很廣時(shí)，此算法失效。此外，它提供了良好的分割效果，但是當(dāng)兩個(gè)類非常不平等時(shí)，效果很差。本文作者提出了一種基于熵的新方法，給出了比一維最大類間算法更好的效果。</p><p>　　B.比較研究圖像分割算法</p><p>　　在這里[5]，對(duì)主圖像分割算法進(jìn)行了評(píng)價(jià)，并給出

13、了圖像分割算法的一些有價(jià)值的特性。作者們把最大類間方差算法列基于區(qū)域分割算法的閾值區(qū)域。另外最大類間方差的閾值算法的復(fù)雜度率非常高，處理速度非常慢。其分割算法的分割結(jié)果的穩(wěn)定性還是不錯(cuò)的。在這里，為了提高Otsu算法的性能，還結(jié)合它與其他算法。</p><p>　　C.基于改進(jìn)直方圖的最大類間方差算法閾值</p><p>　　在這里[6]，作者提出了一種快速最大類間方差算法的基礎(chǔ)上改進(jìn)的直

14、方圖，減少一維和二維最大類間方差算法的高計(jì)算復(fù)雜度。在該算法二維直方圖投影到對(duì)角線，然后應(yīng)用到二位最大類間方差上直方圖以找到最佳的閾值。為了評(píng)估算法的實(shí)際性能，筆者應(yīng)用椒鹽噪聲和高斯噪聲在圖像上。實(shí)驗(yàn)的結(jié)果表明，它大大提高了閾值的速度，并具對(duì)于椒鹽噪聲的圖像有更好的抗噪聲性能，但對(duì)于高斯噪聲的圖像沒有給出好的結(jié)果。</p><p>　　D. 最大類間方差算法和K均值方法</p><p>　

15、　在本文中[7]，它指出的最大類間方差法在多閾值的目標(biāo)函數(shù)是相當(dāng)于k均值算法。它們都是基于最小化的類內(nèi)方差相同的標(biāo)準(zhǔn)。另外，大津法適用于全局的閾值而K均值是指在本地閾值法的工作。大津方法運(yùn)行前需要計(jì)算灰度直方圖。而K均值不需要在運(yùn)行前計(jì)算灰度直方圖。這兩種方法產(chǎn)生良好的分割結(jié)果，但K均值相較于大津法提供更好的結(jié)果。大津方法需要較多的時(shí)間，并增加了算法的復(fù)雜性。</p><p>　　III OTSU方法的比較分析&

16、lt;/p><p>　　表1.比較各種最大類間方差方法。</p><p>　　本文對(duì)各種最大類間算法的圖像分割了進(jìn)行研究。所述算法已被廣泛使用由于它的簡單性。此處，關(guān)于實(shí)施最大類間方差算法相對(duì)于它們的方法、結(jié)果和局限的不同的方式進(jìn)行了比較分析比較。</p><p><b>　　致謝</b></p><p>　　感謝GB Je

17、thva教授，計(jì)算機(jī)工程系主任，他的寶貴的知識(shí)和支持，并給我們知道正確的道路。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　[1] Rafael C. Gonzalez, Richard E. Woods, “Digital Image Processing”,</p><p>　　2nd ed., Beijing: Pu

18、blishing House of Electronics Industry, 2007.</p><p>　　[2] W. X. Kang, Q. Q. Yang, R. R. Liang ,“The Comparative Research on</p><p>　　Image Segmentation Algorithms”, IEEE Conference on ETCS, pp.

19、</p><p>　　703-707, 2009</p><p>　　[3] Er. Nirpjeet kaur and Er Rajpreeet kaur, “A review on various method</p><p>　　of image thresholding”,IJCSE-2011.</p><p>　　[4] Zhong

20、 Qu andLi Hang”Research on Iimage Segmentation Based on the</p><p>　　Improved Otsu Algorithm.”,2010</p><p>　　[5] W. X. Kang, Q. Q. Yang, R. R. Liang ,“The Comparative Research on</p><

21、p>　　Image Segmentation Algorithms”, IEEE Conference on ETCS, pp.</p><p>　　703-707, 2009.</p><p>　　[6] Z. Ningbo, W. Gang, Y. Gaobo, and D. Weiming, “A fast 2d otsu</p><p>　　thres

22、holding algorithm based on improved histogram,” in Pattern</p><p>　　Recognition, 2009. CCPR 2009. Chinese Conference on, 2009, pp.</p><p><b>　　1–5.</b></p><p>　　[7] L. D

23、ongju and Y. Jian, “Otsu method and k-means,” in Hybrid</p><p>　　Intelligent Systems, 2009. HIS ’09. Ninth International Conference on,</p><p>　　vol. 1, 2009, pp. 344–349.</p><p>　　

24、[8] LIU Jian-zhuang, Li Wen-qing, “The Automatic threshold of gray level</p><p>　　pictures via Two-dimentional Otsu Method”, Acta Automatic</p><p>　　Sinica,1993</p><p>　　[9] J. Gong

25、, L. Li, and W. Chen, “Fast recursive algorithms for</p><p>　　two-dimensional thresholding,” Pattern Recognition,vol. 31, no. 3, pp.</p><p>　　295–300, 1998.</p><p>　　[10] P. K. Saho