摘要：分割圖像的方法有很多种，文章主要涉及的内容是基于分水岭算法的图像分割，并且应用垒卷积神经网络模型和Kcras框架编程实现基于U-net网络的图像语义分割，以及实现对细胞图像的分割。

关键词：图像语义分割；全卷积神经网络；分水岭算法

中图法分类号：TP391 文献标识码：A

图像分割技术的实质是将图像分为许多有特定性质的区域，并对这些图像子区域定义研究目标，得到内部互相连通的部分过程，同一区域内部一致，不同区域表现不同。

但随着图像应用领域的不断发展，待分析的图像也随之改变，对图像分割的质量也提出了更高的要求。

因此，传统图像分割算法已不能满足发展的需要，所以图像分割技术要向着更加广泛、细致的方向研究，以取得新的研究成果。新的理论知识也为图像的研究提供了思路，为解决出现的新问题，国内外学者将各种新的理论知识与方法融合到图像分割算法中。

１ 传统图像分割方法

１．１ 基于阈值的图像分割方法

图像分割方法中较为传统的阈值分割法，是一种基本的、应用广泛的分割技术，尤其是在图像处理领域被广泛使用。阈值分割法在实现的过程中简单快捷、性能稳定，而且计算量小。

阈值分割方法根据不同的灰度背景和目标区域对它们进行分类［１］ ，并通过设置不同的阈值将图像像素分成几类。阈值分割方法非常适用于目标和背景占据不同灰度范围时的图像处理，图像阈值分割的关键是阈值的选取是否合理、正确。

灰度阈值分割是一种并行区域分割技术。单阈值分割是指图像若仅用目标和背景这２ 大类分割，则选取１ 个阈值即可。事实上，单阈值分割是从输入图像ｆ 到输出图像ｇ 的转换，即：

式中，Ｔ 为阈值，ｇ（ｉ，ｊ）＝ １ 是对应目标的图像元素，ｇ（ｉ，ｊ）＝ ０ 是对应背景的图像元素。但如果要从图像中提取多个目标，使用单个的阈值分割将会出现错误，那么就需要选取多个阈值来达到将每个目标都分割开的目的，这其实就是多阈值分割。这也证实了阈值分割的结果主要取决于阈值的设定。阈值选定后，可以并行进行对阈值和像素点灰度值的比较及对各像素的分割。

１．２ 基于区域的图像分割方法

在图像分割算法中，基于区域的分割方法将区域作为分割基础。区域生长和区域分裂合并是其包含的２ 种具体算法。

１．２．１ 区域生长

区域生长是一种串行区域技术。在分割过程中，需要根据上一步的结果来确定后续每一步的处理。

常用的算法有：结合模糊连接度的区域生长、对称区域生长。

将具有相似特性的像素集合构成区域是区域生长的基本思想。区域生长的过程大致如下：第一步，在每个需要分割的区域中找到一个种子像素点作为生长起点；第二步，找到种子像素周围具有相同或相似属性的像素合并到种子像素中的区域；最后，新像素作为一个新的种子像素重复上述过程，直到像素不再符合条件。

区域生长算法很简单，而且分割效果好，甚至可以用于分割连在一起且相对均匀的对象。但它需要人工选取种子， 且对噪声比较敏感，容易导致误差，如区域内有空洞出现。由于目标较大时分割速度较慢，因此尽量提高运行效率成为算法设计的关注点。

１．２．２ 区域分裂合并

为实现采用区域分裂合并算法对目标的提取，从整幅图像中将各个区域进行分裂，输出的结果被称为子区域，然后将前景区域合并得到前景目标。区域生长实现目标的提取，要从某个或者某些像素点出发得到整个区域，而分裂合并可以理解为区域生长的逆过程。分割合并假设是图像的前景区域由相互连接的像素组成，那么判定该像素是否为前景像素需要把一幅图像分裂到像素级，然后对所有像素或子区域进行判断，前景区域或像素合并，即可得到前景目标。

一种典型的区域分裂合并法是四叉树分解法，设计分裂合并准则是分裂合并法的关键。区域分裂合并方法对于复杂的图像分割是一种很好的方法，但其算法较复杂，且在分割过程中可能会出现区域边界被破坏的现象。

１．３ 基于边缘检测的图像分割方法

基于边缘检测的分割方法是通过检测对包含不同区域的边缘进行分割，这也是研究者使用最多的一种方法。