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。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。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，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，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。

近年來多進制開始用于邊緣檢測。另外，把變換和其它方法結(jié)合起來的圖像分割技術也是現(xiàn)在研究的熱點。

審核編輯黃宇