基于圖像分割的方法

這類方法中的圖像空間關系特征主要包括二維符号串，空間四叉樹和符号圖像。匹茲堡大學的Chang提出了用二維符号串（2D-String）[43]的方法，其基本思想是将圖像沿x軸和y軸方向進行投影，然後按2D子串比對進行圖像空間關系的檢索。該方法比較簡單，但缺點在于僅利用對象質心不足以表達對象的空間位置關系，而且描述的空間關系太簡單，實際的空間關系要複雜得多。符号圖像[44]（symbolic image）方法是基于圖像中全部有意義的對象已經被預先分割出來的假設，将每個對象用質心坐标和一個符号名字代表，進而構成整幅圖像的索引。這些方法都假設所有對象都可以通過一定的特征被精确地識别出來，因而隻需要關注如何比對對象的空間關系即可。然而，對象并非總是由某些确定的特征構成的。此外，除了少數特殊應用外，圖像自動分割對大多數應用來說是相當困難的。下面我們介紹一些常用的圖像分割算法。

在[45]中，Lybanon等用基于形态學動作進行自動圖像分割。他們用各種類型的圖像來測試算法效果，包括光學天文圖、紅外線的海洋圖和磁力圖等。這種模拟方法在處理以上科技圖像有良好的效果，但處理一般圖像的效果還有待進一步證明。Li[46]等提出了基于的模糊熵的分割算法。這種方法是以這樣的事實為前提的，即熵的局部最大值對應于圖像上各個區域之間的不确定性。它對于那些直方圖上沒有明顯起伏的圖像是非常有效的。

所有以上提到的算法都是自動的，其主要優點是可以從大量的圖像中提取邊界而不占用使用者的時間和精力。然而，如果通用領域内沒有經過預處理的圖像，這種自動的分割技術效果就不太好。通常，算法所劃分的僅僅是區域而不是對象。如果想在圖像檢索中獲得高層語義上的對象（實體），就需要人工的輔助。Samadani和Han[47]提出計算機輔助下的邊界提取法，将使用者手工輸入和計算機圖像邊界生成算法結合起來。Daneels等[48]提出了一種有關有效輪廓的更完善的方法。該方法首先在使用者出入的基礎上，用貪婪法獲得快速初始收斂，然後再動态地改進邊框輪廓。Rui等[49]提出了基于色彩、紋理空間中的聚類算法。首先由使用者指出圖像上感興趣的區域，再用這個算法将該區域聚合成有意義的對象。