基于区域特征的线阵图像分割

图像分割是图像处理中的一个重要问题，也是一个经典难题。图像分割可以降低后续算法的难度和空间复杂度。然而，现有的图像分割方法的阈值难确定、算法复杂、耗时长等问题依然存在。本文针对线阵图像的区域特征，提出一种自适应阈值的图像分割算法。利用线阵图像相对运动和相对静止的物体在图像中差异显著的优良特性，计算线阵图像每行像素的方差。相对运动部分方差差异显著，相对静止部分方差差异较小，以此来实现对线阵图像的分割。

20 世纪70 年代， 美国贝尔实验室研究出一种基于MOC 集成电路的半导体传感器， 称为电荷耦合器件。近年来，线阵CCD 及其应用技术的研究取得了惊人的进展，在产品的高速非接触检测、在线分级与加工、表面质量评定、数据高速采集和表面缺陷检测等领域占有重要地位。与面阵相机相比线阵CCD 在成像方面具有以下优势[1]： 1) 静止背景图像相对简单，易于后续目标分割、特征提取和描述； 2) 图像分辨率、像素灰度级和采样速度较高，便于实现高精度检测； 3) 图像物理及光学失真小，图像无拖尾。

除此之外，线阵CCD 相机在工程方面，兼具体积小、功耗低、抗烧毁、价格低等工程化、集成性优势；在应用环境方面，具有对测量视距要求较小，传输带宽需求平稳可控等特点，因此成为轨道交通车辆检测应用的研究热点[2]。本文以货运列车的线阵图像数据作为分析数据。

文献[3]设定一个分割阈值，利用阈值将图像二值化，进而达到分割的目的，该方法非常适合用于背景与目标所占据不同的灰度级别范围内的图像。然而，阈值的选取具有一定的难度，且该方法容易使线阵图像丢失部分有效信息。

文献[4]采用改进的K-means 算法进行图像分割，可降低噪声像素点的灰度数据选取概率，最终K 个初始聚类中心能够较好地代表图像有效灰度数据，可改善分割效果。然而图像的部分信息仍未完全有效分割且K 值的选取具有一定的偶然性。

本文提出基于区域特征的线阵图像分割算法。该方法能自适应阈值，且线阵图像基本不会丢失任何像素信息， 方法简单易行， 可操作性强。

本文的方法适用于相对静止和相对运动区别较明显的线阵图像。

线阵CCD 成像由线性图像拼接得到， 且每列线性图像均拥有不同采集时间点， 其景物空间在最终图像中呈现出比面阵图像更为复杂的特征。因此，研究景物空间中不同元素的成像规律，对研究针对线阵图像的优化和图像增强算法至关重要。

2. 线阵图像分割算法 2.1. 划分景物空间 线阵图像具有相对运动和相对静止的物体在图像中差异显著的优良特性，因此对线阵图像的“前景空间”和“背景空间”加以区分，容易去除图像中的冗余信息和噪声干扰，能够有效降低后续算法的难