基于空间位置信息聚合的多阈值图像分割研究

按照在图像分割过程中是否考虑像素点的空间位置关系，可以将图像分割方法分为基于特征的方法和基于空间位置信息的方法。如1.2节分析，基于特征的方法只考虑像素的亮度、颜色和纹理等特征；而基于空间位置信息的方法则主要关注相邻像素的相似性。从本质上来考虑，基于空间位置信息的方法更符合图像分割的基本假设（即图像分割即是相邻同性像素的聚合）。不幸的是，阈值化图像分割是一种典型的基于特征的方法，没有充分考虑像素的空间位置关系，从而导致了阈值化方法的区域不相邻性。然而阈值化方法确实是一种简单高效的方法，在很多领域具有重要应用价值，因此本书将在相关研究成果的基础上，结合模糊理论和模糊逻辑分析和研究基于空间位置关系的多阈值图像分割方法。

基于阈值化图像分割方法的简单和高效性，参考像素空间位置关系的阈值化方法成为很多学者关注的热点［101，131］。Aja-Fernández［101］等人通过伪梯形模糊隶属度函数对像素点进行模糊隶属度初始化，然后根据邻域像素的模糊隶属度相关性进行模糊隶属度聚合，与模糊C均值（Fuzzy C-Means，FCM）、最大化空间后验概率（Maximum Posteriori Spatial Probability，MPSP）方法相比，该框架方法在融合像素空间位置信息的同时，能够保证阈值化分割方法在运行时间，分割质量和分割精度等方面更加高效。Mala等人［131］总结了自1978年以来的阈值化图像分割方法，以GA和PSO为基础组织了一种融合算法，并以最常用和最经典的Otsu和Kapur目标函数为基础构造了一种组合目标函数（Combined Objective Function，COF）。他们首先使用离散小波变化（Discrete Wavelet Transformation，DWT）进行预处理，然后通过软计算技术将COF最大化，最终实现图像阈值分割。与GA和PSO方法相比，该融合算法模型在目标函数值和运行时间方面优势明显。Patra等人［132］根据像素的空间位置信息构造了一种类似于直方图方法的能量函数，并通过GA优化该能量函数，与其他基于直方图的GA方法相比，该方法在适应度函数和图像分割质量方面效果较好。Tian等人［133］以图像的空间特征信息为基础，通过局部空间特征信息与超像素结合验证了基于空间及特征信息的方法在SAR分割中应用。试验结果表明，相较于FCM和超像素分割方法，该方法在SAR图像分割精度方面效果更好。(www.xing528.com)

基于以上综述分析，本书后续章节将展开分析空间信息聚合方法在多阈值图像分割中的应用。