1. 圖像分割的背景與意義
在應用方面，由於圖像分割是從圖像處理到圖像分析的重要一步，所以自從它的產生到現在，一直受到人們的高度重視。它主要起源於上世紀70年代的電影行業。至今爲止，隨着我們科技的不斷進步，我們也提出了許多種圖像分割的算法，並且也有了不小的成績，而且圖像分割也已經在我們的生活中的各個領域得到了廣泛的應用，例如在在線產品檢驗、生產過程控制、文檔圖像處理、工業自動化、遙感、生產過程控制和生物醫學的圖像分析，以及體育、農業、軍事工程等方面。但是，到目前爲止我們還沒有一種較爲通用的分割方法[2]，我們目前所提出的各種方法，它們大都是在分析了具體的問題後纔來提出的，並不一定適用於其他的問題。另外，正是由於這一點，目前我們也還沒有制定出合適的圖像分割算法的標準，也因此我們的目標識別的方法也是不確定的。在實際的生活中，還存在着許多的問題有待我們去解決。
在技術發展方面，早在上世紀60年代就有人提出了邊緣檢測方法，也因此產生了不少經典的算法[3]。由於圖像分割技術在圖像處理及圖像分析的過程中的重要作用，越來越多的學者都開始將注意力轉到尋找新的理論和方法來提高圖像分割的質量，以滿足人們在實際生活中各方面的需求。目前有許多學者嘗試着將遺傳算法理論、數學形態學、小波變換理論、分形理論和模糊理論等研究成果運用到圖像分割中，產生了結合特定數學方法和針對特殊圖像分割的先進圖像分割技術，例如多種特徵融合的分割方法，多種分割方法結合的分割方法等。
2. 圖像分割
現在主要有幾種類型的分割技術，分別是:閾值法[4],以邊界爲基礎的方法，以區域爲基礎的方法[5]，以混合動力爲基礎的技術,以小波變換爲基礎的分割方法[6]，自動區域生長的彩***像分割方法等。
2.1閾值分割方法
閾值分割法是一種最常用的並行區域技術，它是圖像分割中應用數量最多的一類。閾值分割方法實際上是輸入圖像f到輸出圖像g的如下變換：
（1）
其中，T爲閾值，對於物體的圖像元素g(i,j)=l，對於背景的圖像元素g(i,j)=0。由此可見，閾值分割算法的結果在很大程度上是受閾值[7]影響的，所以關鍵是如何選擇一個合適的閾值。如果能確定一個合適的閾值，那我們就可準確地將圖像分割開來。閾值確定後，我們將閾值和像素點的灰度值進行逐個的比較，而且像素分割和比較可以同時進行，於是分割的結果就能直接給出圖像區域。
到目前爲止，人們已經發展了各種各樣的閾值處理技術。總的來說，閾值法主要包括全局閾值法和局部閾值法兩種方法[8]。全局閾值是指利用整個圖像的信息來對這整幅圖像做分割處理。它是根據整幅圖像的閾值來確定的：T=T(f)，它一般適用於背景和前景有明顯對比的圖像。但是這種方法由於只是參考了像素本身的灰度值，而沒有考慮到它其他的空間特徵，因而對噪聲很敏感。局部閾值法就是先把這幅圖像分爲幾個局部的區域，然後再逐個地對這些區進行全局閾值的處理，得出最好的閾值。由於在許多情況下，物體和背景的對比度在圖像中的各個部位是不一樣的，所以這時候很難用一個統一的閾值就能將物體與背景分割開。這時我們就可以先根據圖像的局部特徵，用局部閾值法進行分割，得到我們所需要的最優閾值。求解最優的閾值時，我們就需要按照具體問題具體分析。常用的閾值選取方法主要有以下幾種，分別是：利用圖像灰度直方圖的峯谷法、最小誤差法、最大類間方差法、最大熵自動閾值法以及其它一些方法。閾值的選擇需要根據具體問題來確定，一般通過實驗來確定。
閾值分割的優點是計算簡單、運算效率較高、速度快。因此它在我們現在的生產生活中的各個領域得到了廣泛的應用。
2.2 區域分割方法
區域分割的實質就是把具有某種相似性質的像索的區域合併，不同性質的區域分割開，從而形成最終的分割區域。它主要是根據圖像的灰度、紋理、顏色和圖像像素統計的均勻性等圖像的空間局部特徵，來把圖像中的各個像素劃分到各個子區域中，進而將圖像分割成若干個不同的子區域。在此類方法中，如果我們根據前面就定義好的準則將像素或者子區域集合到一起，形成一個更大的區域的過程，我們通常稱之爲區域生長的分割方法，它主要考慮像素及其空間鄰域像素之間的關係。
對於區域生長的分割方法，首先, 我們將彩***像從RGB彩***形中轉換到Y Cb Cr顏色空間當中。其次,通過自動應用的方法選種獲得了初始的種子。第三,種子區域生長的算法用於將圖像分割成多個不同的區域,而且每個區域對應於一個種子。第四,我們將區域的合併算法應用於合併相似的區域,並且把小的區域合併到離他們最近的鄰近的區域當中去。現在有幾種比較經典的生長準則：基於區域灰度差的準則；基於區域灰度分佈統計性質的準則；基於區域形狀的準則[9]。這種區域生長的分割方法容易出現過度分割的情況，過度分割會破壞目標圖像的完整性，會讓我們得不到某些預期的結果。
對於區域分裂合併的分割方法，它的過程其實和區域生長的過程很相似，只是順序倒了一下。它主要是從整個圖像出發，不斷分裂得到各個子區域，然後再把前景區域合併，實現目標提取。分裂合併的若是對於一幅圖像，前景區域由一些相互連通的像素組成的，因此，如果把一幅圖像分裂到像素級，那麼就可以判定該像素是否爲前景像素。當所有像素點或者子區域完成判斷以後，把前景區域或者像素合併就可得到前景目標。最常用的方法是四叉樹分解法。這種分割方法比較複雜，計算量比較大。分裂的過程可能會使區域的邊界被破壞。
2.3自動區域生長的彩***像分割方法
種子區域生長(即Seeded Region Growing，SRG)是一種由Adams和Bischof[10]提出的圖像分割的混合方法。之後Mehnert和Jackway[11]也指出，SRG有兩種內在的像素順序依賴性，這兩種依賴性會導致不同結果的分割。第一種順序依賴，無論何時幾個像素有差異同樣的度量對於其周邊地區。第二種順序依賴性，一個像素具有差異相同的度量對於幾個區域。他們使用並行處理，並重新檢查，以消除順序依賴關係。Fan 等人[12]提出了一種自動彩***像分割算法，通過集成邊緣漸變貼圖插件提取和種子區域生長在YUV色彩空間。在Y，U和V的邊緣由一個各向同性的邊緣檢測器檢測，三個部分相結合，以獲得邊緣。相鄰邊緣區域的重心被作爲初始的種子。缺點是它們的種子生成過多。
3. 目標識別
目標圖像在經過圖像分割處理後，我們就需要把我們所需要的那部分圖像給識別出來。目前我們一般採用的基於圖像分割的方法有：Hausdorff距離[13]、image context、主元分析等幾種目標識識別方法。
3.1 Hausdorff距離
Hausdorff距離是描述兩組點集之間相似程度的一種量度值，它是兩個點集之間距離的一種定義形式，定義如下：假設有兩組點集合，分別爲A={a1,…,a p}，B={b1,…,b q},那麼這兩個點集合之間的Hausdorff距離定義爲
H(A,B)=max(h(A,B),h(B,A)) (1)
其中,
h(A,B)=max(a∈A)min(b∈B)‖a-b‖ (2)
h(B,A)=max(b∈B)min(a∈A)‖b-a‖ (3)
‖·‖是點集A和B點集間的距離dB(a)的最大值.
由上式可知,式(1)稱爲Hausdorff距離;式(2)中的h(A,B)和h(B,A)分別稱爲從A集合到B集合和從B集合到A集合的單Hausdorff距離.即h(A,B)實際上首先對點集A中的每個點ai到距離此點ai最近的B集合中點b j之間的距離‖ai-b j‖進行排序,然後取該排序中的最大值作爲h(A,B)的值h(B,A)同理可得.
由式(1)知,Hausdorff距離H(A,B)是取h(A,B)和h(B,A)兩者中的較大者,從而我們就可以獲得A集合和B集合之間的匹配程度。它的優點是計算比較容易，但是匹配度不好，如果目標圖像中的噪聲過多，那麼它的匹配的精確度就會被影響。
3.2 主元分析法
主元分析法，即Principal Components Analysis（PCA），是一種統計技術，經常應用於人面部識別和圖像壓縮以及信號去噪等領域，是在高維數據中對數據進行降維處理，將多個變量降維，以便於我們計算與分析圖像的一種比較有效的方法。
主元分析法是最早是由霍特林在1933年提出來的，其主要目的就是將高維數據投影到較低維的空間上。新產生的映射空間是由原始數據變量的線性組合構成，這樣就能很有效的降低投影空間的維數。又因爲投影空間統計特徵向量彼此正交，所以消除了變量間的關聯性，而使得原始過程特性分析的複雜程度得到了大大的簡化。
假設一個要研究的系統僅包含兩個變量x1，x2。將兩個變量的樣本點表示在一個平面圖上（如圖1所示），可以看出所有的樣本點集中在一個扁型的區域內。因爲樣本點之間的差異顯然是由於x1，x2的變化而引起的。我們可以看出在沿着橫軸的方向上(y1)的變動較大，而縱軸方向上( y2 )的變動較小。這說明了
樣本點的主要變動都體現在橫軸方向上，比如 80%以上，那麼這時就可以將 y 2忽略而只考慮y1 。這樣兩個變量就可以簡化爲一個變量了。我們稱 y1 ， y 2分別爲 x1 ， x2 的第一主元和第二主元。一般情況下，如果樣本有 p 個變量，若樣本之間的差異能由 p 個變量的 K 個(K<p)個主元成分來概括，那麼就能用 K 個主元來代替 p 個變量。
目前在主元個數的選擇上，有兩種比較普遍的方法，一種使主元迴歸檢驗法，一種是主元貢獻率累積和百分比法（CPV）。
4.總結與展望
在圖像分割技術產生與發展的這幾十年中，越來越多的學者開始將數學形態學、模糊理論、遺傳算法理論、分形理論和小波變換理論等研究成果運用到了圖像分割中，產生了結合特定數學方法和針對特殊圖像分割的更先進的圖像分割技術，但是現階段還是沒有一種通用的分割方法，有很多問題還有待我們去解決。因此，提出一種更加通用的圖像分割方法顯得多麼的重要，並且這個的前景是多麼的好。可以大膽預見，圖像分割技術正隨着現代科技的不斷進步不斷地朝着一種更加先進的分割技術的方向發展，在不久應該就可以提出一種較爲通用的分割方法,然後就可以確定一種更爲簡便的目標識別方法。