影像分割的目的是將具有類似特徵的區域擷取出來，藉此減少原始影像的數
12
據量使其更容易分析與計算。主要的方法可以分成三類：(A)邊緣分割法、(B)像 素分割法和(C)區域分割法。
(A) 邊緣分割法
邊緣分割法即是使用邊緣偵測的方式來確定物體的邊界，並將邊界分析與修 改後形成的封閉區域來作為影像的分割結果。在 Canny [26]提出的邊緣偵測方法 中，將輸入影像根據水平、垂直以及兩個對角線四個方向計算每個像點的亮度梯 度值。假設具有較高的亮度梯度值的像點比較有可能成為影像中物件的邊緣，且 影像中重要的邊緣都是連續的，為了盡量避免將非邊緣的雜訊當作邊緣，需要使 用兩個高低不同的閥值來確認物件的邊緣。首先利用高閥值標示出一些可信度較 高的邊緣，接著做邊緣跟蹤(Edge tracking)，從已知的邊緣出發利用低閥值跟蹤較 模糊的邊緣，直到回到該邊緣的起點。這種邊緣偵測方法的優點是可以有效的偵 測影像中的邊緣，雜訊少，且不易有座標偏移的問題；缺點是當物件的邊緣出現 銳利的夾角時，容易出現邊緣斷裂的情形，且由於該方法結合了四個不同方向的 偵測結果，針對不同的影像類型做邊緣偵測時，會需要不同的結合比例才能夠達 到最佳的分割效果。
(B) 像點分割法
像點分割法則是針對輸入影像中的每個像點直接做分群，最後再將分群結果 輸出成為分割影像，以 K-means 演算法和大津演算法(Otsu's method)為例。
M. Sezgin [27]使用大津演算法將灰階影像退化為二值化的影像，首先將輸入 影像的每個像點根據亮度值建構成直方圖，接著窮舉所有將影像分成前景與背景 兩類的閥值，並且取出使得前景、背景兩群像點中群內變異數最小的閥值作為輸 出閥值。由於窮舉了所有的分割閥值，所以大津演算法可以在未知前景與背景在 影像中所佔比例的情況下做出最佳的分割，但是缺點是容易受到雜訊的影響，且 需要窮舉所有可能閥值，時間複雜度較高。
Zhao [28]使用 K-means 演算法來分割彩色影像。在使用 K-means 演算法分割 影像時，必須先指定群的數量並且給定初始的群中心(cluster centers)。然後計算每 個群中心的位置，接著計算每個資料點與這些群中心的距離，並根據最小距離重 新對資料點進行分群，再重新計算群中心位置，反覆上述步驟直到每個群中心位 置不再發生變化為止。
13
K-means 演算法其主要目標是要在大量資料點中找出具有代表性的資料點，
這些資料點就是群中心，然後再根據這些群中心進行資料分類。此演算法的優點 是計算時間少，且分割精確可避免雜訊的不良影響。缺點則是分割結果破碎且分 散，不具空間上的相關性，而且需要事先知道分群數量，且分群數量的多寡會直 接影響最後輸出分割結果準確性。
(C)區域分割法
像點經由事先定義的相似性條件由初始的種子點向四周擴張，使相似的區域 互相結合，最終形成數塊群內具有高度相似性的影像分割。目前普遍使用的是 SLIC 演算法(simple linear iterative cluster)。
Achanta [29]提出的 SLIC 演算法主要用來生成超像素(superpixel)。首先定義 相似度函數為影像中的色彩特徵與距離的差異，並在影像中給定 N 個距離均勻的 種子點，然後在每個種子點的周圍空間搜索相似值高的像點，將它們與該種子點 歸為同類，直到所有像點都歸類完成。然後計算這 N 個超像素裡所有像點位置平 均向量值，重新得到 N 個聚類中心，然後再以這 N 個中心去搜索其周圍與其最相 似的像點，所有像點都分類完成重新得到 N 個超像素，更新聚類中心，再次迭代，
如此反覆直到收斂。SLIC 演算法的優點在於參數簡單，只需要一個參數 N，且生 成超像素大小一致，整齊緊湊且分割效果佳；缺點是超像素個數 N 需要人為給定，
很大程度上依賴實際經驗，且超像素個數 N 的選擇會直接影響到影像分割的效 果。
綜合上述探討，本研究利用 K-means 演算法與 SLIC 演算法結合成的 SLIC-K-means 演算法進行影像的分割。首先利用 SLIC 演算法將影像畫分成 N 個超像 素，根據影像的混亂程度(entropy)可以自動計算出適合的變異數閥值 Tvar篩選 N 個超像素。經過篩選後保留變異數較小的區域接著進行 K-means 演算法運算，最 後利用分群的結果將影像分為前景跟背景兩類。優點是在進行 K-means 演算法運 算之前刪除了介於前景與背景之間的模糊區塊，利用性質較一致(變異數較低)的 前景與背景的區塊進行分類，將使得分類結果更加準確。
14