圖像分割至今尚無通用的自身理論。隨著各學科許多新理論和新方法的提出，出現(xiàn)了許多與一些特定理論、方法相結(jié)合的圖像分割方法。

　　聚類分析

　　特征空間聚類法進行圖像分割是將圖像空間中的像素用對應的特征空間點表示，根據(jù)它們在特征空間的聚集對特征空間進行分割，然后將它們映射回原圖像空間，得到分割結(jié)果。其中，K均值、模糊C均值聚類（FCM）算法是最常用的聚類算法。K均值算法先選K個初始類均值，然后將每個像素歸入均值離它最近的類并計算新的類均值。迭代執(zhí)行前面的步驟直到新舊類均值之差小于某一閾值。模糊C均值算法是在模糊數(shù)學基礎上對K均值算法的推廣，是通過最優(yōu)化一個模糊目標函數(shù)實現(xiàn)聚類，它不像K均值聚類那樣認為每個點只能屬于某一類，而是賦予每個點一個對各類的隸屬度，用隸屬度更好地描述邊緣像素亦此亦彼的特點，適合處理事物內(nèi)在的不確定性。利用模糊C均值（FCM）非監(jiān)督模糊聚類標定的特點進行圖像分割，可以減少人為的干預，且較適合圖像中存在不確定性和模糊性的特點。

　　FCM算法對初始參數(shù)極為敏感，有時需要人工干預參數(shù)的初始化以接近全局最優(yōu)解，提高分割速度。另外，傳統(tǒng)FCM算法沒有考慮空間信息，對噪聲和灰度不均勻敏感。

　　模糊集理論

　　模糊集理論具有描述事物不確定性的能力，適合于圖像分割問題。1998年以來，出現(xiàn)了許多模糊分割技術，在圖像分割中的應用日益廣泛。模糊技術在圖像分割中應用的一個顯著特點就是它能和現(xiàn)有的許多圖像分割方法相結(jié)合，形成一系列的集成模糊分割技術，例如模糊聚類、模糊閾值、模糊邊緣檢測技術等。

　　模糊閾值技術利用不同的S型隸屬函數(shù)來定義模糊目標，通過優(yōu)化過程最后選擇一個具有最小不確定性的S函數(shù)。用該函數(shù)增強目標及屬于該目標的像素之間的關系，這樣得到的S型函數(shù)的交叉點為閾值分割需要的閾值，這種方法的困難在于隸屬函數(shù)的選擇?；谀：虾瓦壿嫷姆指罘椒ㄊ且阅：龜?shù)學為基礎，利用隸屬圖像中由于信息不全面、不準確、含糊、矛盾等造成的不確定性問題。該方法在醫(yī)學圖像分析中有廣泛的應用，如薛景浩等人提出的一種新的基于圖像間模糊散度的閾值化算法以及它在多閾值選擇中的推廣算法，采用了模糊集合分別表達分割前后的圖像，通過最小模糊散度準則來實現(xiàn)圖像分割中最優(yōu)閾值的自動提取。該算法針對圖像閾值化分割的要求構(gòu)造了一種新的模糊隸屬度函數(shù)，克服了傳統(tǒng)S函數(shù)帶寬對分割效果的影響，有很好的通用性和有效性，方案能夠快速正確地實現(xiàn)分割，且不需事先認定分割類數(shù)。實驗結(jié)果令人滿意。

　　淺析圖像分割的原理及方法

　　一．研究背景及意義

　　研究背景：

　　隨著人工智能的發(fā)展，機器人技術不斷地應用到各個領域。信息技術的加入是智能機器人出現(xiàn)的必要前提。信息技術泛指包括通信技術、電子技術、信號處理技術等相關信息化技術的一大類技術。它的應用使得人們今天的生活發(fā)生了巨大變化。從手機到高清電視等家用電器設備出現(xiàn)使我們的生活越來越豐富多彩。在一些軍用及民用領域近幾年出現(xiàn)了一些諸如：圖像制導、無人飛機、無人巡邏車、人臉識別、指紋識別、語音識別、車輛牌照識別、漢字識別、醫(yī)學圖像識別等高新技術。實現(xiàn)它們的核心就是圖像處理、機器視覺、模式識別、智能控制、及機器人學等相關知識。其中圖像處理具有重要地位。而圖像分割技術是圖像分析環(huán)節(jié)的關鍵技術。

　　研究圖像分割技術的意義：

　　人類感知外部世界的兩大途徑是聽覺和視覺，尤其是視覺，同時視覺信息是人類從自然界中獲得信息的主要來源，約占人類獲得外部世界信息量的80%以上。圖像以視覺為基礎通過觀測系統(tǒng)直接獲得客觀世界的狀態(tài)，它直接或間接地作用于人眼，反映的信息與人眼獲得的信息一致，這決定了它和客觀外界都是人類最主要的信息來源，圖像處理也因此成為了人們研究的熱點之一。人眼獲得的信息是連續(xù)的圖像，在實際應用中，為便于計算機等對圖像進行處理，人們對連續(xù)圖像進行采樣和量化等處理，得到了計算機能夠識別的數(shù)字圖像。數(shù)字圖像具有信息量大、精度高、內(nèi)容豐富、可進行復雜的非線性處理等優(yōu)點，成為計算機視覺和圖像處理的重要研究對象。在一幅圖像中，人們往往只對其中的某些區(qū)域感興趣，稱之為前景，這些區(qū)域內(nèi)的某些空間信息特性（如灰度、顏色、輪廓、紋理等）通常與周圍背景之間存在差別。圖像分割就是根據(jù)這些差異把圖像分成若干個特定的、具有獨特性質(zhì)的區(qū)域并提取感興趣目標的技術和過程。在數(shù)字圖像處理中，圖像分割作為早期處理是一個非常重要的步驟。為便于研究圖像分割，使其在實際的圖像處理中得到有效的應用，嚴格定義圖像分割的概念是十分必要的。圖像分割的數(shù)學描述通常為：對圖像I的整個圖像域R根據(jù)相似性測量邏輯準則P劃分為N個不相交的子其中：條件1保證所有分割區(qū)域的總和與整幅圖像區(qū)域相等;條件2保證不同區(qū)域之間不重疊;條件3保證在同一區(qū)域的圖像特征具有一致性;條件4保證不同分割區(qū)域的圖像特征不同。

　　到目前為止，研究者們在圖像分割領域取得了大量的研究成果，這些成果源于對圖像中不同特征的利用，如同一區(qū)域內(nèi)的特征具有相似性和像素點之間具有連通性、目標與背景之間存在不連續(xù)性等，但是至今沒有一種分割算法能用于所有的圖像分割，這也促進了研究者們對圖像分割進行不斷地研究。早期經(jīng)典的圖像分割方法大多只利用到圖像的低層信息，如邊緣、紋理、灰度等，其中較為經(jīng)典的算法有基于閡值的圖像分割、基于邊緣檢測的圖像分割基于圖論的圖像 分割等。近年來，研究者們將研究的重點轉(zhuǎn)移到圖像中的高層知識，并將先驗知 識引入圖像分割算法中，得到了一些新的圖像分割理念，如小波變換模糊集［fgl 數(shù)學形態(tài)學、神經(jīng)網(wǎng)絡活動輪廓模型等，豐富了圖像分割方法，很大程度上改善了分割效果。

　　圖像分割是圖像處理和計算機視覺中重要的一環(huán)，近年來它不僅一直是計算 機視覺領域的熱門話題，在實際生活中也得到廣泛的應用。例如，在醫(yī)學上，用 于測量醫(yī)學圖像中組織體積、三維重建、手術模擬等;在遙感圖像中，分割合 成孔徑雷達圖像中的目標、提取遙感云圖中不同云系與背景等、定位衛(wèi)星圖像 中的道路和森林等。圖像分割也可作為預處理將最初的圖像轉(zhuǎn)化為若干個更加抽 象、更便于計算機處理的形式，既保留了圖像中的重要特征信息，又有效減少了 圖像中的無用數(shù)據(jù)、提高了后續(xù)圖像處理的準確率和效率。例如，在通信方面， 可事先提取目標的輪廓結(jié)構(gòu)、區(qū)域內(nèi)容等，保證不失有用信息的同時，有針對性 地壓縮圖像，以提高網(wǎng)絡傳輸效率;在交通領域可用來對車輛進行輪廓提取、 識別或跟蹤，行人檢測等?？偟膩碚f，凡是與目標的檢測、提取和識別等相關的 內(nèi)容，都需要利用到圖像分割技術。因此，無論是從圖像分割的技術和算法，還 是從對圖像處理、計算機視覺的影響以及實際應用等各個方面來深入研究和探討 圖像分割，都具有十分重要的意義。

　　二．圖像分割常用技術

　　1.圖像分割基本概念

　　圖像分割定義：圖像分割是按照一定的規(guī)則把圖像劃分成若干個互不相交、具有一定性質(zhì)的區(qū)域，把人們關注的部分從圖像中提取出來，進一步加以研究分析和處理。圖像分割的結(jié)果是圖像特征提取和識別等圖像理解的基礎，對圖像分割的研究一直是數(shù)字圖像處理技術研究中的熱點和焦點。圖像分割使得其后的圖像分析，識別等高級處理階段所要處理的數(shù)據(jù)量大大減少，同時又保留有關圖像結(jié)構(gòu)特征的信息。圖像分割在不同的領域也有其它名稱，如目標輪廓技術、目標檢測技術、閾值化技術、目標跟蹤技術等，這些技術本身或其核心實際上也就是圖像分割技術。

　　圖像分割目的：把圖像空間分成一些有意義的區(qū)域，與圖像中各種物體

　　目標相對應。通過對分割結(jié)果的描述，可以理解圖像中包含的信息。

　　圖像分割的分類依據(jù)：圖像分割是將像素分類的過程，分類的依據(jù)可建立在：像素間的相似性、非連續(xù)性。

　　2. 基于邊緣的圖像分割方法

　　邊緣總是以強度突變的形式出現(xiàn)，可以定義為圖像局部特性的不連續(xù)性，如灰度的突變、紋理結(jié)構(gòu)的突變等。邊緣常常意味著一個區(qū)域的終結(jié)和另一個區(qū)域的開始。對于邊緣的檢測常常借助空間微分算子進行，通過將其模板與圖像卷積完成。兩個具有不同灰度值的相鄰區(qū)域之間總存在灰度邊緣，而這正是灰度值不連續(xù)的結(jié)果，這種不連續(xù)可以利用求一階和二階導數(shù)檢測到。當今的邊緣檢測方法中，主要有一次微分、二次微分和模板操作等。這些邊緣檢測器對邊緣灰度值過渡比較尖銳且噪聲較小等不太復雜的圖像可以取得較好的效果。但對于邊緣復雜的圖像效果不太理想，如邊緣模糊、邊緣丟失、邊緣不連續(xù)等。噪聲的存在使基于導數(shù)的邊緣檢測方法效果明顯降低，在噪聲較大的情況下所用的邊緣檢測算子通常都是先對圖像進行適當?shù)钠交?，抑制噪聲，然后求導?shù)，或者對圖像進行局部擬合，再用擬合光滑函數(shù)的導數(shù)來代替直接的數(shù)值導數(shù)，如Canny算子等。在未來的研究中，用于提取初始邊緣點的自適應閾值選取、用于圖像層次分割的更大區(qū)域的選取以及如何確認重要邊緣以去除假邊緣將變的非常重要。

　　根據(jù)灰度變化的特點，常見的邊緣可分為階躍型、房頂型和凸緣型 邊緣檢測的方法很多，主要有以下幾種：

　　1、空域微分算子，也就是傳統(tǒng)的邊緣檢測方法。如Roberts算子、Prewitt算子和Sobel算子等。

　　2、擬合曲面。該方法利用當前像素鄰域中的一些像素值擬合一個曲面，然后求這個連續(xù)曲面在當前像素處的梯度。 3、小波多尺度邊緣檢測。 4、基于數(shù)學形態(tài)學的邊緣檢測。

　　最后通過圖像的輪廓（邊界）跟蹤來確定目標區(qū)域：

　　圖像的輪廓（邊界）跟蹤與邊緣檢測是密切相關的，因為輪廓跟蹤實質(zhì)上就是沿著圖像的外部邊緣“走”一圈然后分割出目標區(qū)域。

　　下圖是分別用Roberts、Sobel、Prewitt、LOG、Canny算子對灰度Lena圖像分割的結(jié)果：

　　3. 閾值分割方法

　　閾值分割是常見的直接對圖像進行分割的算法，根據(jù)圖像像素的灰度值的不同而定。對應單一目標圖像，只需選取一個閾值，即可將圖像分為目標和背景兩大類，這個稱為單閾值分割；如果目標圖像復雜，選取多個閾值，才能將圖像中的目標區(qū)域和背景被分割成多個，這個稱為多閾值分割，此時還需要區(qū)分檢測結(jié)果中的圖像目標，對各個圖像目標區(qū)域進行唯一的標識進行區(qū)分。閾值分割的顯著優(yōu)點，成本低廉，實現(xiàn)簡單。當目標和背景區(qū)域的像素灰度值或其它特征存在明顯差異的情況下，該算法能非常有效地實現(xiàn)對圖像的分割。閾值分割方法的關鍵是如何取得一個合適的閾值，近年來的方法有：用最大相關性原則選擇閾值的方法、基于圖像拓撲穩(wěn)定狀態(tài)的方法、灰度共生矩陣方法、最大熵法和峰谷值分析法等，更多的情況下，閾值的選擇會綜合運用兩種或兩種以上的方法，這也是圖像分割發(fā)展的一個趨勢。

　　閾值法是一種較傳統(tǒng)的圖像分割算法。該算法以感興趣的目標區(qū)域與背景之 間的灰度值存在差異，同時區(qū)域內(nèi)具有均勻的灰度值為基礎，通過設置一個或多 個閡值將圖像分割成多個區(qū)域。

　　閾值法主要包括選取閡值和作比較兩個步驟，它是通過比較圖像中每一個像 素的灰度值與閡值來確定像素所屬的區(qū)域。因而，閡值的選取是該算法的關鍵。 根據(jù)閡值的確定方式不同可將該算法分為兩類：全局閡值分割和局部閡值分割。 全局閡值分割方法是通過直方圖選取一個最利于分割目標邊緣的閡值來對圖像中 像素進行分類。常見的全局閾值分割有雙峰法、Otsu、最小誤差法等;局部閾值分割方法則是先將整幅圖像域分解成若干個小區(qū)域，在每一個小區(qū)域內(nèi)部選取適合本區(qū)域的閡值對其進行分割，再將小區(qū)域合并。常見的局部閾值分割包括Niblaek方法和Bernsen方法等。近年來，研究者們也提出了一些改良的閾值算法。如龍建武等提出了一種基于高斯尺度空間的自適應閾值算法該算法借助高斯函數(shù)對圖像卷積得到高斯尺度空間，再利用背景差分法消除灰度不均勻的影響，最后采用最大類間方差獲取閾值。Wen Jiangtao提出了一種結(jié)合Curvelet變換和Otsu方法的改進算法，該算法首先通過非線性函數(shù)增強曲波系數(shù)以消除圖像中邊緣不均勻問題，再采用Otsu算法對圖像進行分割?；陂撝档膱D像分割算法簡單易實現(xiàn)，效率高。但是，在實際圖像中目標或背景的灰度往往分布不均勻，目標與背景之間存在重疊的灰度，使得閡值法的分割結(jié)果中出現(xiàn)過分割或欠分割現(xiàn)象。

　　僅使用一個閾值分割的方法稱為單閾值分割方法 。

　　如果圖像中有多個灰度值不同的區(qū)域，那么可以選擇一系列的閾值以將每個像素分到合適的類別中去，這種用多個閾值分割的方法稱為多閾值分割方法。

　　閾值選取依據(jù)：

　　1、僅取決于圖像灰度值，僅與各個圖像像素本身性質(zhì)相關的閾值選取——全局閾值。

　　2、取決于圖像灰度值和該點鄰域的某種局部特性，即與局部區(qū)域特性相關的的閾值選取——局部閾值。

　　3、除取決于圖像灰度值和該點鄰域的某種局部特性之外，還取決于空間坐標，即得到的閾值與坐標相關——動態(tài)閾值或者自適應閾值。 全局閾值

　　原理：假定物體和背景分別處于不同灰度級，圖像被零均值高斯噪聲污染，圖像的灰度分布曲線近似用兩個正態(tài)分布概率密度函數(shù)分別代表目標和背景的直方圖，利用這兩個函數(shù)的合成曲線擬合整體圖像的直方圖，圖像的直方圖將會出現(xiàn)兩個分離的峰值，如下圖然后依據(jù)最小誤差理論針對直方圖的兩個峰間的波谷所對應的灰度值求出分割的閾值。

　　該方法適用于具有良好雙峰性質(zhì)的圖像，但需要用到數(shù)值逼近等計算，算法十分復雜，而且多數(shù)圖像的直方圖是離散、不規(guī)則的。

　　在實際閾值分割過程中，往往需要能夠自動獲取閾值，下面的算法可以自動獲得全局閾值：

　　1）選取一個的初始估計值T；

　　2）用T分割圖像。這樣便會生成兩組像素集合：G1由所有灰度值大于T的像素組成，而G2由所有灰度值小于或等于T的像素組成。

　　3）對G1和G2中所有像素計算平均灰度值u1和u2。 4）計算新的閾值：T=1/2（u1 + u2）。

　　重復步驟（2）到（4），直到得到的T值之差小于一個事先定義的參數(shù)T。 下圖是迭代閾值選擇法圖像分割的結(jié)果與Otsu（即最大相關性原則選擇閾值的方法）閾值選擇法圖像分割的結(jié)果比較 兩種方法效果相差不大。

　　4.區(qū)域分割方法

　　區(qū)域增長法和分裂合并法是基于區(qū)域信息的圖像分割的主要方法。區(qū)域增長有兩種方式，一種是先將圖像分割成很多的一致性較強的小區(qū)域，再按一定的規(guī)則將小區(qū)域融合成大區(qū)域，達到分割圖像的目的。另一種實現(xiàn)是給定圖像中要分割目標的一個種子區(qū)域，再在種子區(qū)域基礎上將周圍的像素點以一定的規(guī)則加入其中，最終達到目標與背景分離的目的；分裂合并法對圖像的分割是按區(qū)域生長法沿相反方向進行的，無需設置種子點。其基本思想是給定相似測度和同質(zhì)測度。從整幅圖像開始，如果區(qū)域不滿足同質(zhì)測度，則分裂成任意大小的不重疊子區(qū)域，如果兩個鄰域的子區(qū)域滿足相似測度則合并。

　　區(qū)域生長是區(qū)域分割最基本的方法。所謂區(qū)域生長就是一種根據(jù)事先定義的準則將像素或者子區(qū)域聚合成更大區(qū)域的過程。

　　基本思想：

　　以一組生長點（可以是單個像素，也可以是某個小區(qū)域）開始，搜索其鄰域，把圖像分割成特征相似的若干區(qū)域，比較相鄰區(qū)域與生長點特征的相似性，若它們足夠相似，則作為同一區(qū)域合并，形成新的生長點。以此方式將特征相似的區(qū)域不斷合并、直到不能合并為止，最后形成特征不同的各區(qū)域。這種分割方式也稱區(qū)域擴張法。

　　在實際應用時，要解決三個問題： 1）確定區(qū)域的數(shù)目，也就是選擇一組能正確代表所需區(qū)域的生長點像素；

　　2）選擇有意義的特征，也就是確定在生長過程中將相鄰區(qū)域像素包括進來的

　　方式；

　　3）確定相似性準則，即獲取生長過程停止的準則。

　　特征相似性是構(gòu)成與合并區(qū)域的基本準則，相鄰性是指所取的鄰域方式。根據(jù)所用的鄰域方式和相似性準則的不同，產(chǎn)生各種不同的區(qū)域生長法。

　　將灰度相關的值作為區(qū)域生長準則，區(qū)域生長可分為單一型（像素與像素）、質(zhì)心型（像素與區(qū)域）和混合型（區(qū)域與區(qū)域）三種。 單一型區(qū)域生長法原理：

　　以圖像的某個像素為生長點，將特征相似的相鄰像素合并為同一區(qū)域；然后以合并的像素為生長點，重復以上的操作，最終形成具有相似特征的像素的最大連通集合。

　　下面給出以像素灰度為特征進行簡單區(qū)域生長的步驟。

　　（1）對圖像進行光柵掃描，找出尚沒有歸屬的像素。當尋找不到這樣的像素時結(jié)束操作。

　　（2）把這個像素灰度同其周圍（4-鄰域或8-鄰域）不屬于任何一個區(qū)域的像素進行比較，若灰度差值小于某一閾值，則將它們合并為同一個區(qū)域，并對合并的像素賦予標記。

　?。?）從新合并的像素開始，反復進行（2）的操作，直到區(qū)域不能再合并為止。 （4）返回（1）操作，尋找能作為新區(qū)域出發(fā)點的像素。 優(yōu)缺點：

　　這種方法簡單，但如果區(qū)域之間的邊緣灰度變化很平緩或邊緣交于一點時，兩個區(qū)域會合并起來。 解決方法：

　　為消除這一點，在步驟（2）中不是比較相鄰像素灰度，而是比較已存在區(qū)域的像素灰度平均值與該區(qū)域鄰接的像素灰度值。

　　下圖是選擇三個生長點的區(qū)域生長法圖像分割的結(jié)果與選擇另外三個不同生長點的區(qū)域生長法圖像分割的結(jié)果比較

　　第一副圖的生長點為 橫坐標 ［30， 40， 82］ 縱坐標［56， 30， 35］。 第二副圖的生長點為 橫坐標 ［63， 10， 85］ 縱坐標［30， 56， 60］。 生長點在第一幅圖像中用綠色方塊表示

　　從對比可以看出，區(qū)域生長法的缺點就是分割結(jié)果決定于生長點的選擇。

　　三．圖像分割方法研究的趨勢

　　雖然近年來圖像分割的研究成果越來越多，但由于圖像分割本身所具有的難度，使研究仍然存在一些問題，現(xiàn)有的許多種算法都是針對不同的圖像，并沒有一種普遍適用的分割算法。迄今為止，沒有一個好的通用的分割評價標準，如何對分割結(jié)果作出量化的評價是一個值得研究的問題，該量化測度應有助于視覺系統(tǒng)中的自動決策及評價算法的優(yōu)劣，該測度應考慮到均質(zhì)性、對比度、緊致性、連續(xù)性、心理一視覺感知等因素，伴隨著數(shù)字圖像處理的應用領域不斷擴大，實時處理技術已成研究的熱點，在實時圖像處理系統(tǒng)中，算法的運行時間也成為今后研究的方向和目標。

　　雖然圖像分割目前尚無通用的理論，但是近年來大量學者致力于將新概念、新方法應用于圖像分割，結(jié)合特定理論的圖像分割方法在圖像分割方面取得了較好的應用效果。如小波分析和小波變換、神經(jīng)網(wǎng)絡、遺傳算法等數(shù)學工具的利用，有效地改善了分割效果用。

　　圖像分割方法是將相鄰的像素連接起來形成一個區(qū)域，且同一個區(qū)域內(nèi)的像素必須具有某種相似性。這類分割方法往往根據(jù)像素點的灰度值、紋理、統(tǒng)計特征和顏色等來建立聯(lián)系，保證同一區(qū)域內(nèi)具有相似性和連續(xù)性，但分割效果的優(yōu)劣表現(xiàn)出對相似性條件具有強烈的依賴性，且分割結(jié)果極易出現(xiàn)過分割?；趨^(qū)域的圖像分割方法主要包括分裂合并和區(qū)域生長。分裂合并法首先分裂整幅圖像，然后通過某種準則判斷分裂區(qū)域的相似性，合并相鄰的相似分裂區(qū)域，得到分割結(jié)果。區(qū)域生長法需事先設定相似性原則和生長種子，從生長種子出發(fā)將滿足相似性原則的相鄰像素不斷合并，構(gòu)成一個區(qū)域，達到劃分區(qū)域完成圖像分割的目的，其中最關鍵的是相似性原則的設定和生長種子的選取。ZhuSong等提出了一種結(jié)合Snake模型的幾何特征與區(qū)域增長的統(tǒng)計特征的分割方法，該算法首先利用區(qū)域生長將圖像分割層若干區(qū)域，再利用貝葉斯和最小描述長度進行區(qū)域競爭，合并壞種子所在的區(qū)域，從而得到正確的分割圖像。張餛等提出了一種自適應分裂合并的聚類算法，通過定義空間連通率，并利用中垂線分割來對聚類進行自適應地分裂合并。

　　基于區(qū)域的圖像分割技術主要用來識別圖像中具有特性相似的區(qū)域，要求同 一區(qū)域的像素具有相似的特征且連通，正因為這樣，它具有消除孤立噪聲點的能力。但是，區(qū)域生長法對種子點的選取要求很高，選取的結(jié)果將直接影響圖像分 割的效果。分裂合并法雖然不需要選擇生長種子點，但是其分割效果與分裂程度 之間存在一個很大的矛盾，即當分裂相對充分時，具有較好的分割效果，但分割 的時間和工作量將增大;若要提高效率只能減少分裂工作，這將影響分割的質(zhì)量

　　1. 基于遺傳算法的圖像分割

　　遺傳算法是模擬自然界生物進化過程與機制求解問題的一類自組織與自適應的人工智能技術。對此，科學家們進行了大量的研究工作，并成功地運用于各種類型的優(yōu)化問題，在分割復雜的圖像時，人們往往采用多參量進行信息融合，在多參量參與的最優(yōu)值求取過程中，優(yōu)化計算是最重要的，把自然進化的特征應用到計算機算法中，將能解決很多問題。遺傳算法的出現(xiàn)為解決這類問題提供了新而有效的方法，不僅可以得到全局最優(yōu)解，而且大量縮短了計算時間。王月蘭等人提出的基于信息融合技術的彩色圖像分割方法，該方法應用剝殼技術將問題的復雜度降低，然后將信息融合技術應用到彩色圖像分割中，為彩色分割在不同領域中的應用提供了一種新的思路與解決辦法。

　　2. 基于人工神經(jīng)網(wǎng)絡技術的圖像分割

　　基于神經(jīng)網(wǎng)絡的分割方法的基本思想是先通過訓練多層感知器來得到線性決策函數(shù)，然后用決策函數(shù)對像素進行分類來達到分割的目的。近年來，隨著神經(jīng)學的研究和進展，第三代脈沖耦合神經(jīng)網(wǎng)絡（PCNN）作為一種新型人工神經(jīng)網(wǎng)絡模型，其獨特處理方式為圖像分割提供了新的思路。脈沖耦合神經(jīng)網(wǎng)絡具有捕獲特性，會產(chǎn)生點火脈沖傳播，對輸入圖像具有時空整合作用，相鄰的具有相似輸入的神經(jīng)元傾向于同時點火。因此對于灰度圖像，PCNN具有天然的分割能力，與輸入圖像中不同目標區(qū)域?qū)纳窠?jīng)元在不同的時刻點火，從而將不同區(qū)域分割開來。如果目標區(qū)域灰度分布有重疊，由于PCNN的時空整合作用，如果灰度分布符合某種規(guī)律，PCNN也能克服灰度分布重疊所帶來的不利影響，從而實現(xiàn)較完美的分割 。這是其一個突出的優(yōu)點，而這恰恰是其他的分割方法所欠缺的，其在未來的圖像分割中將起主導作用。

　　3. 基于小波分析和變換的圖像分割 性和多分辨率分析能力，在圖像處理等領域得到了廣泛的應用。小波變換是一種多尺度多通道分析工具，比較適合對圖像進行多尺度的邊緣檢測。從圖像

　　處理角度看，小波變換具有“變焦”特性，在低頻段可用高頻率分辨率和低時間分辨率，在高頻段可用低頻率分辨率和高時間分辨率，小波交換在實現(xiàn)上有快速算法具有多分辨率，也叫多尺度的特點，可以由粗及精地逐步觀察信號等優(yōu)點。近年來多進制小波也開始用于邊緣檢測。另外，把小波變換和其它方法結(jié)合起來的圖像分割技術也是現(xiàn)在研究的熱點。

　　近年來，小波理論得到了迅速的發(fā)展，而且由于其具有良好的時頻局部化特