摘 要：提出了一种基于形态学的目标图像区域划分方法。该方法先利用形态学滤波消除不同尺度的噪声和微小干扰区域对目标图像的影响，再利用改进的分水线算法对目标图像进行区域划分，得到目标图像的基本结构。为了消除传统分水线算法引起的过分割现象，本文还给出了一种新的过分割区域合并算法。该方法能够把复杂的目标图像分割成为一系列反映目标基本结构特征的简单区域，为目标的描述和识别提供了方便。实际图像的处理结果显示这种方法行之有效。
关键词：图像分割；分水线算法；形态学
图像分割是计算机视觉研究中的一个基本问题，其目的在于从图像背景中把目标分离出来。在同一个目标图像中，同样也存在图像分割问题。同一个目标通常是由不同的部分组合而成的，因此在同一个目标图像中，也会含有几个不同的区域。同一个目标的不同部分之间往往不具有连续性和光滑性，在图像中表现为边缘或灰度突变。在计算机视觉中的形状恢复、结构分析等后续处理中，如果从目标图像的整体出发，就会受到这种不连续性的影响，得不到合适的结果。为了避免这种情况的发生，就应该把这些由目标中的不同部分映射而成的区域分割开来，分别进行处理，再合并成统一的目标图像。
近年来形态学的方法被广泛地应用到了图像处理中。利用形态学滤波器可以滤除图像中的高灰度或低灰度的小干扰区域［1］。利用形态学中的分水线算法可以把图像划分成不同的区域［2～4］。
1 微小干扰区域的滤除
在视觉的实现过程中，往往是对目标的特征进行层次化分析的过程。首先得到的是目标的整体的重要信息，而忽略掉不重要的细节问题；然后再逐步地深入到目标的细节问题。这其中主要有两个方面的问题：一是衡量细节的尺度问题，二是对细节的重要性的衡量问题。这牵涉到对知识的学习、理解和运用等很多方面。这些问题都是现在的计算机视觉希望解决而又无法解决的。本文利用数学形态学方法对一定尺度下细节的滤除进行一些探讨。
对于灰度图像的处理，形态学基本运算主要包括灰度腐蚀和膨胀、灰度开闭运算［5］。
灰度膨胀常用于平滑图像中微小的低灰度值区域。可以定义为目标a的局部区域与结构化函数b的和的极大值
其中：（x＋i，y＋j）为定义在目标a上的坐标，（i，j）为定义在结构模板b上的坐标。当模板中的值均为零时，灰度膨胀滤波器退化为极大值滤波器。
灰度腐蚀是灰度膨胀的对偶运算，常用于平滑图像中微小的高灰度值区域。可定义为目标a的局部区域与结构化函数b的差的极小值
当模板中的值均为零时，灰度腐蚀滤波器退化为极小值滤波器。
灰度闭滤波器常用于减少以低灰度值为中心的微小区域和由椒盐噪声引起的低灰度区域。可定义为目标a与结构化函数b进行灰度膨胀后再进行灰度腐蚀
灰度开是灰度闭的对偶运算，常用于减少以高灰度值为中心的微小区域和由椒盐噪声引起的高灰度区域。可定义为目标a与结构化函数b进行灰度腐蚀后再进行灰度膨胀
在实际的图像中，往往不仅存在微小的噪声干扰，目标上还存在一些干扰区域，为了方便对目标的形状恢复和识别处理，这些小干扰区域也应该加以滤除。在这些干扰区域中有些是高亮度的，也有些是低灰度的噪声。为了滤除这些区域，可选用一组逐渐增加宽度的结构元素交替进行开、闭滤波运算。
对一幅256×256的图像，可以选择尺度为3×3，5×5，7×7的结构化元素交替进行开、闭滤波运算。本文在处理过程中，选择了模板中的值均为零的结构化元素。此时，灰度开、闭滤波器退化为极值滤波器。图1是对一个轮船的处理结果。图1（a）给出了一个轮船的原始图像。在轮船的甲板和船舷上有一些干扰区域，这些干扰区域是目标本身造成的，但对目标的识别用处不大，应加以滤除。图1（b）给出了利用形态学方法的滤波结果。从图上可以看出，小的干扰区域已被滤除，剩下的是一些大的能反映目标基本形态的区域。
2 目标区域分割
目标往往是由一些部件组合而成的，如轮船是由甲板、船舷和塔楼等部件组合而成的，如图2所示。反映到图像，就是目标图像是由一组区域构成的。构成目标的基本组件一般结构和形状都比较简单，容易分析。如果能把这些组件划分开来单独进行处理，就会使问题得到简化。为达到这一目标，本文利用改进的分水线算法进行目标图像进行区域划分。
2．1 改进的分水线算法
分水线算法是一种基于形态学的阈值分割算法，可以看作是一种自适应阈值分割算法［6］。分水线算法是利用流域概念进行分割的。假设待分割的图像由一组不连续的目标或部分组成，则其形态学
梯度将由环绕暗（低梯度
