基于智能优化的多阈值图像分割方法及分类

在第一章中，已经全面分析了现阶段图像分割算法及种类。总体上来说，图像分割算法种类繁多、各有侧重和优劣。基于前期研究成果及相关参考文献论证，本书重点针对多阈值图像分割算法进行深入分析和探讨。

阈值化分割是一种常用，也是最简单和最直接的图像分割方法［101］，它不仅能够展示良好的区域分割效果，并且在较小迭代情况下即可通过图像灰度级的聚类完成图像分割。它能够为其他分割方法提供初始估计或作为更复杂图像分割方法的预处理操作（如在聚类分割方法中，阈值化图像分割可以为其提供初始聚类中心［75］，可以作为水平集［93］和活动轮廓［94］等方法的预处理）。从20世纪70年代开始，阈值化图像分割就获得了广泛的探讨，最为经典的两种方法分别是Otsu［103］和Kapur方法［104］。在这些基本方法中，通过将某些目标函数最大化或最小化来获取全局阈值。然而无论选择哪种目标函数来找获取全局阈值，在处理不均匀亮度或不均匀色彩图像时，单个阈值的优化效果有限。而且全局阈值方法的主要缺点是由于它是面向像素而不是面向区域的，所以具有相同灰度值的像素总是被分割到同一区域中。如果不考虑区域的邻域相关性和闭合性，该方法倾向于产生孤立点［101］。

尽管多阈值分割的这一问题一直存在，但是目前为止仍然没有完全解决。现有方法绝大多数是针对不同特征的图像，利用阈值化方法来解决某一类问题［23-31］。Sezgin等人［23］将阈值化方法分为6类：

（1）基于直方图的方法［75，93，103，104］；

（2）基于聚类的方法［9，75，90］；

（3）基于信息熵的方法［8，29，67，78，95，96，98］；(https://www.xing528.com)

（4）基于局部特征的局部阈值化方法［31，73］；

（5）基于目标属性的方法（灰度相似性或目标特征相似性）［34，65，72］；

（6）基于空间信息的阈值化方法［16，68，74］。

在这六类方法中，前三种可以概括为全局阈值方法，后两种可概括为基于特征和空间位置信息的融合方法。但是所有这些方法在光照均匀和图像噪声等影响下，分割质量也参差不齐，尤其是当阈值化方法从二级阈值扩展到多阈值分割以后，其计算复杂度会极大地提高。因此为了提高算法效率和图像分割质量，很多文献倾向于利用智能优化算法［95-98］提升分割效率，并通过空间位置信息［73，101］的聚合来解决阈值化方法的位置无关性缺陷。

对于灰度级图像来说，两级阈值（Bi-level Thresholding，BT）就可以将图像前景和背景分开，即生成二值图像。相同的，如果采用多级阈值（Multi-level Thresholding，MT）就可以将像素分成多个分组，也就产生了多个区域，从而生成更加精细的图像分割结果。文献中已经出现了大量的阈值化图像分割方法［105-108］。基本上，阈值化方法可以分成参数化和非参数化两类方法［101］。对于参数化方法，首先假设每个分割区域的概率密度模型，然后估计该概率模型的相关参数，使得该参数最佳适应于图像直方图等图像特征。该类方法的时间和计算代价一般较高［97］。相对应的，非参数化方法是通过最优化一些标准来决定最优阈值，这些标准包括类间差（Between-class Variance，BCV）、信息熵（Information Entropy，IE）和错误率（Error Rate，ER）等［108］。这类方法的最大优势在于其鲁棒性和准确性［107］。