杭州電子科技大學本科畢業(yè)設計杭州電子科技大學本科畢業(yè)設計科畢業(yè)設計（2011屆）題目基于閾值的圖像分割方法研究與實現(xiàn)摘要本畢業(yè)設計主要研究基于 Hough變換的圖像結構提取方法， 通過MATLAB語言編程來實現(xiàn)兩種典型的圖像閾值分割算法（最大類間方差法和迭代法），并對這兩種算法進行比較分析。其主要工作步驟如下：首先介紹數(shù)字圖像處理和圖像分割的基本理論知識。接著對幾種圖像分割方法進行了介紹。然后了解圖像閾值化原理，并在此基礎上對兩種典型的圖像閾值分割算法（最大類間方差法和迭代法）的原理進行了介紹。最后通過 MATLAB語言編程實現(xiàn)這兩種算法，分別得到這兩種算法的分割性能，并對這兩種算法的分割性能進行比較。結果表明在大多數(shù)情況下，最大類間方差法比迭代法更穩(wěn)定。關鍵詞：數(shù)字圖像處理；閾值化；最大類間方差法；迭代法；直方圖杭州電子科技大學本科畢業(yè)設計杭州電子科技大學本科畢業(yè)設計杭州電子科技大學本科畢業(yè)設計ABSTRACTThemainaimofthisthesisistoanalyzeimagesegmentationmethodbasedonthresholding,thenimplementtwotypicalalgorithms(OtsumethodandIterativemethod)byMATLABlanguageprogramming,andcomparethetwoalgorithms.Itsmainworkprocedureisasfollows:Firstthebasictheoriesofdigitalimageprocessingandimagesegmentationareintroduced.Thenseveralimagesegmentationalgorithmsareintroduced.Basedonknowingthetheoryofimagethresholding,weintroducethetheoryoftwotypicalalgorithms(OtsumethodandIterativemethod).FinallythroughMATLABlanguageprogramming,wecangetthesegmentationperformanceofthetwoalgorithmsrespectively,andcomparethetwoalgorithm’ssegmentationperformance.TheresultshowsthatOtsumethodismorestablethanIterativemethodinmostcases.Keywords：digitalimageprocessing;thresholding;Otsumethod;Iterativemethod;imagehistogram.目錄TOC\o"1-5"\h\z\o"CurrentDocument"引言 1..\o"CurrentDocument"數(shù)字圖像處理基礎 2...\o"CurrentDocument"數(shù)字圖像處理的發(fā)展概況 2..\o"CurrentDocument"數(shù)字圖像處理的目的與主要內(nèi)容 2..數(shù)字圖像的表示法 3...\o"CurrentDocument"圖像的灰度直方圖 4...\o"CurrentDocument"圖像分割技術及其方法 5..\o"CurrentDocument"圖像分割的基本論述 5..\o"CurrentDocument"典型的圖像分割方法 6..\o"CurrentDocument"結合特定理論的圖像分割方法 8..\o"CurrentDocument"圖像閾值化分割原理 1..0\o"CurrentDocument"閾值化分割原理 1..0.迭代法 1..1.\o"CurrentDocument"最大類間方差法 1..2.\o"CurrentDocument"圖像閾值化技術的應用現(xiàn)狀 1..4\o"CurrentDocument"分割效果分析 1..5.\o"CurrentDocument"MATLAB的簡介 1..5.\o"CurrentDocument"分割效果的評估標準 1..6\o"CurrentDocument"分割效果分析 1..6.\o"CurrentDocument"結論 2..4.致謝 2..5..\o"CurrentDocument"參考文獻 2..6.附錄 2..7..杭州電子科技大學本科畢業(yè)設計杭州電子科技大學本科畢業(yè)設計引言21世紀是科學技術迅猛發(fā)展的時代，圖像作為現(xiàn)代信息社會中最基本的信息之一得到了廣泛的應用。數(shù)字圖像處理技術是 20世紀60年代發(fā)展起來的一門新興學科，幾乎在各個行業(yè)里都起到了重要作用，隨著全球數(shù)字化和現(xiàn)代信息技術的不斷發(fā)展，數(shù)字圖像處理這門新興學科也跟著得到了迅速的發(fā)展，其理論與方法進一步完善，使得數(shù)字圖像處理在更多領域得到了廣泛的應用，并展示出廣闊的應用前景。在數(shù)字圖像處理中，圖像分割是圖像處理與計算機視覺領域低層次視覺中最為基礎和重要的領域之一，它是對圖像進行視覺分析和模式識別的基本前提。目前圖像分割技術已被廣泛應用于很多的領域，如工業(yè)自動化，在線產(chǎn)品檢驗，生產(chǎn)過程控制，文檔圖像處理，遙感和生物醫(yī)學圖像分析，保安監(jiān)視，以及軍事，體育，農(nóng)業(yè)工程等方面?；陂撝颠x取方法的圖像分割方法，因其計算簡單，具有較高的運算效率、性能較穩(wěn)定而成為圖像分割中最基本和應用最廣泛的分割技術，但是不同方法選取的閾值直接影響到圖像分割的質(zhì)量。從20世紀70年代，圖像閾值分割方法一直受到人們的關注和重視，到現(xiàn)在為止已經(jīng)提出了眾多基于閾值的分割算法，但是并沒有通用的閾值分割理論，也沒有一種圖像閾值分割算法適用于所有的情況，每種圖像分割算法都有其局限性。其中，迭代法和最大類間方差法（大津法）作為兩種典型的算法得到了廣泛的應用。本論文就這兩種算法進行了研究與實現(xiàn)，通過 MATLAB語言編程實現(xiàn)這兩種算法，分別對幾幅灰度圖像進行分割，從而驗證這兩種算法的有效性，并對它們做對比分析。2數(shù)字圖像處理基礎數(shù)字圖像處理的發(fā)展概況數(shù)字圖像處理 (DigitalImageProcessing)又稱為計算機圖像處理， 它是指將圖像信號轉(zhuǎn)換成數(shù)字信號并利用計算機對其進行處理的過程。數(shù)字圖像處理最早出現(xiàn)于20世紀50年代，當時的電子計算機已經(jīng)發(fā)展到一定水平，人們開始利用計算機來處理圖形和圖像信息。數(shù)字圖像處理作為一門學科大約形成于 20世紀60年代初期。早期的圖像處理的目的是改善圖像的質(zhì)量，它以人為對象，以改善人的視覺效果為目的。圖像處理中，輸入的是質(zhì)量低的圖像，輸出的是改善質(zhì)量后的圖像，常用的圖像處理方法有圖像增強、復原、編碼、壓縮等。首次獲得實際成功應用的是美國噴氣推進實驗室 (JPL)。數(shù)字圖像處理取得的另一個巨大成就是在醫(yī)學上獲得的成果。 1972年英國EMI公司工程師 Housfield發(fā)明了用于頭顱診斷的X射線計算機斷層攝影裝置， 也就是我們通常所說的 CT(ComputerTomograph)。CT的基本方法是根據(jù)人的頭部截面的投影，經(jīng)計算機處理來重建截面圖像，稱為圖像重建。 1975年EMI公司又成功研制出全身用的 CT裝置，獲得了人體各個部位鮮明清晰的斷層圖像。 1979年，這項無損傷診斷技術獲得了諾貝爾獎，說明它對人類作出了劃時代的貢獻。與此同時，圖像處理技術在許多應用領域受到廣泛重視并取得了重大的開拓性成就，屬于這些領域的有航空航天、生物醫(yī)學工程、工業(yè)檢測、機器人視覺、公安司法、軍事制導、文化藝術等，使圖像處理成為一門引人注目、前景遠大的新型學科。隨著圖像處理技術的深入發(fā)展，從 70年代中期開始，隨著計算機技術和人工智能、思維科學研究的迅速發(fā)展，數(shù)字圖像處理向更高、更深層次發(fā)展。人們已開始研究如何用計算機系統(tǒng)解釋圖像，實現(xiàn)類似人類視覺系統(tǒng)理解外部世界，這被稱為圖像理解或計算機視覺。很多國家，特別是發(fā)達國家投入更多的人力、物力到這項研究，取得了不少重要的研究成果。其中代表性的成果是 70年代末MIT的Marr提出的視覺計算理論，這個理論成為計算機視覺領域其后十多年的主導思想。圖像理解雖然在理論方法研究上已取得不小的進展，但它本身是一個比較難的研究領域，存在不少困難，因人類本身對自己的視覺過程還了解甚少，因此計算機視覺是一個有待人們進一步探索的新領域[1]。數(shù)字圖像處理的目的與主要內(nèi)容圖像處理就是對圖像信息進行加工處理，一般來說，對圖像進行加工處理與分析主要目的有 3個方面：提高圖像的視感質(zhì)量已達到賞心悅目的目的；提取圖像中所包含的某些特征與特殊信息，以便于分計算機析；圖像數(shù)據(jù)的變換、編碼

和壓縮，以便于圖像的存儲和傳輸。不圖像處理要達到什么樣的目的，都需要用計算機處理系統(tǒng)對圖像數(shù)據(jù)進行處理，其中常見的圖像處理技術有圖像增強、復原、重建、編碼壓縮和分割等。圖像復原：當造成圖像降質(zhì)或退化的原因已知時，復原技術可以對圖像進行校正。圖像復原最關鍵的是對每種退化都需要有一個合理的模型。復原技術是基于模型和數(shù)據(jù)的圖像恢復，其目的是消除退化的影響，從而產(chǎn)生一個等價于理想成像系統(tǒng)所獲得的。圖像增強：圖像增強是對圖像質(zhì)量在一定上進行改善，當造成圖像退化的原因未知時，就可以用圖像增強技術較為主觀的改善圖像的質(zhì)量。所以，圖像增強技術是用于改善圖像視感質(zhì)量所采取的一種方法。圖像重建：圖像重建與上述的圖像復原、增強不同。圖像復原和增強的輸入是圖像，處理后輸出的也是圖像，而圖像重建是指從數(shù)據(jù)到圖像的處理，即輸入的是某種數(shù)據(jù)，而經(jīng)過處理后得到的結果是圖像 .圖像編碼壓縮：由于數(shù)字圖像所包含的信息量龐大，同時又有很多冗余信息，導致不能滿足圖像數(shù)據(jù)處理的需要，因此需要對圖像進行編碼以滿足傳輸與存儲的需要。圖像分割：圖像分割就是將圖像分成多塊區(qū)域，然后將圖像中有意義的特征部分提取出來，這是進一步進行圖像識別、分析和理解的基礎，雖然目前已研究出多種分割方法，但還沒有一種普遍適用于各種圖像的有效方法，因此它是目前圖像處理中研究的熱點之一。數(shù)字圖像的表示法一幅黑白圖像可用二維函數(shù) f（x，y）表示，其中 x，y是平面的二維坐標， f（x，y）表示點（ x，y）的亮度值（灰度值） 。如果是一幅彩色圖像，各點值還應反應出色彩變化， 即可用 f（x，y，λ）表示，其中λ為波長。假如是活動彩色圖像，還應是時間 t的函數(shù)，即可表示為 f（ x， y， λ， t） 。對模擬圖像來說， f（ x， y）顯然是連續(xù)函數(shù)。為了適應數(shù)字計算機的處理，必須對連續(xù)圖像函數(shù)進行空間和幅值數(shù)字化。 空間（x，y）的數(shù)字化稱為圖像采樣， 而幅值數(shù)字化被稱為灰度級量化。經(jīng)過數(shù)字化的圖像稱為數(shù)字圖像（或離散圖像） ?；叶葦?shù)字圖像有兩種常用的表示法：矩陣法和鏈碼法。在 MATLAB中數(shù)字圖像是以矩陣的方式存儲的。令數(shù)字圖像排列M×N陣列，相應的矩陣表示為：像是以矩陣的方式存儲的。令數(shù)字圖像排列fx,yf0,0f1,0f0,1fx,yf0,0f1,0f0,1f1,1fM1,0fM1,1f0,N1f1,N1fM1,N12-1)pixel）。在數(shù)字圖像處理中，陣列M，N和灰度級 G都是2的整數(shù)次冪。對于一般的的圖像， M,N取256或512，灰度級 G取256級，即可滿足圖像處理的要求。圖像的灰度直方圖圖像的直方圖包含了豐富的圖像信息，描述了圖像的灰度級內(nèi)容，反應了圖像的灰度分布情況。圖像直方圖是圖像處理中一種十分重要的圖像分析工具，具有簡單實用的特點。它主要用圖像分割、圖像灰度變換等處理過程中。通過對圖像的灰度值進行統(tǒng)計，可以得到一個一維離散的圖像灰度統(tǒng)計直方圖函數(shù)。從數(shù)學上說，它統(tǒng)計一幅圖像中各個灰度級出現(xiàn)的次數(shù)或概率；從圖形上來說，它是一個二維圖，橫坐標表示圖像中各個像素點的灰度級，縱坐標為各個灰度級上圖像像素點出現(xiàn)的個數(shù)或出現(xiàn)的概率。從直方圖可以看出圖像的許多一般特性。在圖 2-1(a)所示的直方圖中，由于它的大部分灰度集中在暗區(qū)，所以呈現(xiàn)出相當暗的圖像。而在圖 2-1(b)所示的直方圖中，由于它的大部分像素具有高灰度值，所以整個畫面很亮。因此，灰度直方圖描述了一幅圖像的概貌，是研究圖像灰度分布的手段，是數(shù)字圖像處理中一2-1不同圖像的直方圖 (a)較暗圖像的直方圖2-1不同圖像的直方圖 (a)較暗圖像的直方圖b)較亮圖像的直方圖直方圖的橫坐標是灰度，用 r表示；縱坐標是灰度值像素的個數(shù)，用 H表示。直方圖的縱坐標也可以用圖像灰度概率密度函數(shù) Pr(r)表示，它等于具有 r灰度級的像素個數(shù)與圖像總像素個數(shù)之比。比如圖像總像素為 n，具有 r灰度級的像素數(shù)為 nr，則圖像概率密度函數(shù) Pr(r)=nr∕n?；叶戎狈綀D應用范圍十分廣泛，它為圖像的處理研究提供了一個有力的輔助工具?？梢酝ㄟ^直方圖的顯示，來判斷一幅圖像是否合理的利用了全部允許使用的灰度級范圍，通過直方圖了解圖像的灰度分布，通過對圖像灰度密度修改，有選擇地突出所需要的圖像特性，以滿足人們的要求。3圖像分割技術及其方法圖像分割的基本論述圖像分割是由圖像處理進行到圖像分析的關鍵步驟，也是一種基本的計算機視覺技術和高層圖像處理的基礎 [2,3]。這是因為圖像的分割、目標的分離、特征的提取和參數(shù)的測量將原始圖像轉(zhuǎn)化為更抽象更緊湊的形式，使得更高層的分析和理解成為可能。圖像分割多年來一直受到人們的高度重視。至今已提出了上千種各種類型的分割算法，而且近年來每年都有上百篇有關研究報道。圖像分割可借助集合概念用如下比較正式的方法定義 [2,3]：令集合R代表整個圖像區(qū)域，對 R的分割可以看做是將 R分成N個滿足以下五個條件的非空子集(子區(qū)域) R1，R2，,， RN：NRi R；i1(2)對所有的 i和j，i≠j，有 Ri∩Rj=；( 3)對 i=1,2， ,， N，有 P(Ri) =TURE；(4)對 i≠j，有 P(Ri∪Rj)=FLASE；( 5)對 i=1,2， ,， N，有 Ri是連通的區(qū)域；其中 P(Ri)是對所有在集合 Ri中元素的邏輯謂詞， 代表空集。條件(1)指出在對一幅圖像的分割結果中全部子區(qū)域的總和 (并集 )應包括圖像中所有象素 (即原始圖像 )，或者說分割應將圖像中的每個象素都分進某個區(qū)域中。條件(2)指出在分割結果中各個子區(qū)域是互不重疊的，或者說在分割結果中，一個象素不能同時屬于兩個區(qū)域。條件 (3)指出在分割結果中每個子區(qū)域都有獨特的特性，或者說屬于同一區(qū)域中的象素應該具有某些相同特性。條件 (4)指出在分割結果中，不同的子區(qū)域具有不同的特性，沒有公共元素，或者說屬于不同區(qū)域的象素應該具有一些不同的特性。條件 (5)要求分割結果中同一子區(qū)域內(nèi)的象素應當是連通的，即同一子區(qū)域內(nèi)的任兩個象素在該子區(qū)域內(nèi)互相連通，或者說分割得到的區(qū)域是一個連通組元。另外，上述這些條件不僅定義了分割，也對進行分割具有指導作用。對圖像的分割總是根據(jù)一些分割準則進行的。條件 (1)和條件 (2)說明正確的分割準則應可適用于所有區(qū)域和所有象素，而條件 (3)和條件 (4)說明合理的分割準則應能幫助確定各區(qū)域象素有代表性的特性，條件 (5)說明完整的分割準則應直接或間接地對區(qū)域內(nèi)象素的連通性有一定要求或限制。實際應用中圖像分割不僅要把一幅圖像分成滿足上面五個條件的各具特性的區(qū)域，而且需要把其中感興趣的目標提取出來。這樣才算真正的完成了圖像分割的任務。圖像分割在實際中已得到廣泛的應用，例如在工業(yè)自動化，在線產(chǎn)品檢驗，生產(chǎn)過程控制，文檔圖像處理，遙感和生物醫(yī)學圖像分析，保安監(jiān)視，以及軍事，體育，農(nóng)業(yè)工程等方面。概括來說，在各種圖像應用中，只要需對圖像目標進行提取、測量等都離不開圖像分割。近年來，圖像分割在對圖像的編碼中也起到越來越重要的作用，例如國際標準的 MPEG-IV中的模型基 /目標基編碼等都需要基于分割的結果。3.2典型的圖像分割方法（1）閾值法。在所有的圖像分割方法中，閾值法是最常用的方法，其實質(zhì)是利用圖像的灰度直方圖信息得到用于分割的閾值。 其中， 1979年由 N.Otsu提出的最大類間方差法 （OTSU法）［4］，由于它利用圖像的灰度直方圖，以目標和背景之間的方差最大，動態(tài)地確定圖像分割門限值，因此是傳統(tǒng)方法中性能較好的一種。但此方法也有其缺陷， Kittler和Illingworth［5］的實驗揭示： 當圖像中目標與背景的大小之比很小時方法失效。 1986年由 Kittler和Illingworth提出的最小誤差法 ［6］，將直方圖視為目標與背景像數(shù)灰度級構成的混合集概率密度函數(shù)的估計，此方法適用于目標與背景大小之比小于 1：100的很不均衡的圖像；八十年代以來，許多學者將Shannon信息熵的概念應用于圖像閾值化，其基本思想都是利用圖像的灰度分布函數(shù)定義圖像的信息熵， 1980年Pun［7］首先把信息論中 “熵”的概念用于圖像分割中，通過使后驗熵的上限最大來確定閾值， 1985年Kapur等人提出了一種新的基于熵的閾值選取方法（ KSW熵方法［8］），該方法定義了物體與背景的概率分布相關的熵，利用最大先驗熵估計分類合理性來選取閾值，該方法得到了廣泛的應用。近年來，圖像閾值分割方法不斷發(fā)展并趨于成熟。雷博和范九倫在一維交叉熵閾值分割方法的基礎上，將其推廣到二維灰度直方圖上，提出了二維交叉熵圖像分割算法 ［9］，為了克服二維空間上運算復雜性高、運算量大的缺點，給出了二維交叉閾值法的快速遞推公式。與 OTSU法相比，二維交叉熵閾值法能夠更好地適應目標和背景方差相差較大的情形。為了克服以直方圖替代灰度值的概率分布不夠準確的缺陷，Wang等人提出了一種結合直方圖和 Parzen窗技術的全局最優(yōu)圖像閾值分割方法［10］。該方法利用 Parzen窗技術有效的將圖像的直方圖信息和各灰度級像素的坐標空間信息結合起來。該方法具有分割精度高，適應性強的優(yōu)點，但同時存在復雜性太大，算法運行時間較長的缺陷。 Tao等人提出了一種新的基于圖割理論的圖像閾值分割方法 ［11］，該方法采用歸一化割方法作為區(qū)分目標和背景的閾值分割準則，采用基于灰度級的權值矩陣來代替通常采用的基于圖像像素的權值矩陣來描述圖像各像素的關系，因而算法所需的存儲空間及實現(xiàn)的復雜性與其它基于圖論的圖像分割方法相比大大減少，從而有利于應用在各種實時視覺系統(tǒng)。林正春等人針對圖像閾值分割問題，根據(jù)遺傳算法理論提出了最優(yōu)進化圖像閾值分割算法 [12]。將圖像中的每個像素點看作一個染色體，閾值看作進化方向，假設最優(yōu)進化方向存在，建立進化方向更新模型；然后定義了染色體編碼規(guī)則，通過簡單隨機采樣進行種群初始化，重新定義了適值函數(shù)和選擇機制，在適當?shù)慕徊媛屎妥儺惵氏碌玫阶顑?yōu)閾值。該算法是穩(wěn)定、有效的圖像閾值分割算法。（2）邊沿檢測法?；谶吘壍姆指钍峭ㄟ^檢測出不同區(qū)域邊緣來進行分割。所謂邊緣是指其周圍像素灰度有階躍變化的那些像素的集合。它存在于目標與背景之間，是圖像分割所依賴的最重要的特征。因此，邊緣檢測可以看作是處理許多復雜問題的關鍵。對于邊緣的檢測常常借助于邊緣檢測算子進行，常用的邊緣檢測算子有： Roberts算子、Laplace算子、Prewitt算子、Sobel算子、Robinson算子、Kirsch算子和Canny算子等。其中 Canny邊緣檢測是一種比較新的邊緣檢測算子，不容易受噪聲的干擾，能夠檢測到真正的弱邊緣。基于邊緣的分割技術依賴于由邊緣檢測算子找到的圖像邊緣，這些邊緣標示出了圖像在灰度、色彩、紋理等方面不連續(xù)的位置。常見的基于邊緣的分割方法有：邊緣圖像閾值化、邊緣松馳法、邊界跟蹤法、作為圖搜索的邊緣跟蹤法、作為動態(tài)規(guī)劃的邊緣跟蹤法、Hough變換法和基于邊界位置信息的邊界檢測法等。該類方法對邊緣灰度值過渡比較尖銳且噪聲較小等不太復雜的圖像，大都可以取得較好的效果。該類方法對邊緣灰度值過渡比較尖銳且噪聲較小等不太復雜的圖像，大都可以取得較好的效果但對于邊緣復雜、采光不均勻的圖像來說，則效果不太理想，主要表現(xiàn)在邊緣模糊、弱邊緣丟失和整體邊緣不連續(xù)等方面。在噪聲較大的情況下常用的邊緣檢測算法，如 Marr算子，遞歸濾波器和 Canny算子等都是先對圖像進行適當?shù)钠交?，抑制噪聲，然后求導?shù)，或者先對圖像進行局部擬合，然后再用擬合的光滑函數(shù)的導數(shù)來代替直接的數(shù)值導數(shù)。 Canny算子較為簡單，而且考慮了梯度方向，效果比較好。（3）區(qū)域法。區(qū)域方法利用局部空間信息進行分割，將具有相似特性的像素集合起來構成區(qū)域，主要有區(qū)域生長法和分裂合并法。在區(qū)域生長法中，首先選擇一批種子像素作為生長起點，然后按一定的生長準則把它周圍與其特性相同或相似的像素合并到種子像素所在的區(qū)域中。這個過程反復進行，直到?jīng)]有更多的合并過程發(fā)生。這種方法需解決兩個問題：一是種子像素的選擇，二是區(qū)域生長準則的設計。由于生長準則的選取不僅依賴于具體問題本身，且與所用的圖像數(shù)據(jù)有關，若不考慮像素間的連通性和近鄰性，會出現(xiàn)無意義的分類結果。該方法的優(yōu)點是計算簡單，對于較均勻的連通目標有較好的分割效果；缺點是需要人為確定種子像素，對噪聲敏感 ,可能導致區(qū)域內(nèi)有空洞。分裂合并法被認為是一種很有發(fā)展前景的分割方法。其基本思想是從整幅圖像開始通過不斷分裂合并得到各個區(qū)域。它先人為地將圖像劃分為若干個規(guī)則區(qū)域，以后按性質(zhì)相似的準則，反復分裂特性不一致的區(qū)域 ,合并具有一致特性的相鄰區(qū)域。這個過程反復進行，直到?jīng)]有更多的分裂和合并過程發(fā)生。該方法的關健是如何對區(qū)域進行初始劃分和分裂合并準則的設計。該方法對復雜圖像的分割效果較好，但算法較復雜，計算量大，分裂還可能破壞區(qū)域的邊界。（4）聚類法。聚類法將圖像分割當作一個聚類問題，聚類算法被廣泛應用于圖像分割， 如K均值算法、 FCM（fuzzyc2means）模糊聚類算法、 ISODATA算法等。由于圖像分割前通常不知道聚類數(shù)，因此聚類算法不要求指定聚類數(shù)。有代表性的基于聚類技術的圖像分割方法主要有以下幾種。 1988年，Amadasm和King提出了將分級聚類和基于區(qū)域分割結合起來的混合方法。該方法將圖像劃分為多個同質(zhì)區(qū)域，并為每個同質(zhì)區(qū)域確定一個均值特征向量，相似的均值特征向量合并。這個過程反復進行，直到碉到指定的聚類數(shù)目。該方法的優(yōu)點是提高了計算效率，不足是需事先指定聚類數(shù)量、區(qū)域大小和區(qū)域同質(zhì)標準。 1994年，WuYan和Chalmers提出了一種將 FCM和有監(jiān)督的神經(jīng)網(wǎng)絡結合的彩色圖像分割算法。通過FCM將圖像劃分為一系列滿足某些確認標準的模型， 有監(jiān)督學習神經(jīng)網(wǎng)絡對這些模型進行優(yōu)化。 優(yōu)化模型使用近鄰法則對圖像進行分割。 1990年，Lim和Lee提出了基于模糊 C-均值聚類的彩色圖像分割算法來獲得細分割和一個尺度空間濾波器（粗分割），粗分割用尺度空間濾波器決定聚類的個數(shù)，而細分割用模糊 C-均值聚類將各像素劃分到這些類中。該方法的優(yōu)點是能動態(tài)確定聚類數(shù)量，但聚類數(shù)量受濾波函數(shù)參數(shù)和安全區(qū)域大小的影響比較大。 2003年,Veenman提出了一種細胞協(xié)同進化算法用于圖像分割。該方法不要求事先指定聚類數(shù)量，但需指定參數(shù)且參數(shù)的選擇對算法的性能有較大影響。3.3結合特定理論的圖像分割方法（1）基于模糊理論的圖像分割技術?；谀：碚摰膱D像分割技術可較好地描述人類視覺中的模糊性和隨機性，解決在模式識別不同層次中由于信息不全面、不準確、含糊、矛盾等造成的不確定性問題?；谀：系母拍睿藗兲岢隽硕喾N圖像分割方法 ,包括模糊閾值法、模糊邊緣檢測、模糊聚類技術等，在一定程度上提高了分割的魯棒性。（2）基于小波分析的圖像分割技術。小波分析是近年來廣泛應用于圖像分割的一種數(shù)學工具，是最近年發(fā)展起來的一種新的分析理論。由于其具有良好的時頻局部化特征、尺度變化特征和方向特征 ,在圖像處理、計算機視覺、紋理分析等方面的應用取得了良好效果。（3）基于神經(jīng)網(wǎng)絡的圖像分割技術。將神經(jīng)網(wǎng)絡理論和技術引入圖像空間聚類分割領域，打破了傳統(tǒng)聚類方法使用條件的限制，為構造各種聚類新方法奠定了基礎。目前，引入圖像分割領域的神經(jīng)網(wǎng)絡模型已有近 10種，主要有 BP神經(jīng)網(wǎng)絡、Hopfield神經(jīng)網(wǎng)絡、 Kohonen神經(jīng)網(wǎng)絡和混合神經(jīng)網(wǎng)絡。 采用 Kohonen自組織神經(jīng)網(wǎng)絡（SOM）進行特征空間聚類具有速度快，擁有良好的拓撲聚類特性等優(yōu)點，已成為眾多研究者首選的一種無監(jiān)督聚類方法?；谶z傳算法的圖像分割技術。 將遺傳算法應用于傳統(tǒng)的圖像分割技術，可大大地減小圖像分割運算量，有效地實現(xiàn)分割。如根據(jù)遺傳算法的思路和熵的概念，提出的基于遺傳算法的彩色圖像最佳熵閾值分割方法和基于遺傳算法的二維熵圖像閾值分割算法等都取得了較好的效果。但遺傳算法的魯棒性和有效性還有待提高；同時在運行遺傳算法時，種群大小、染色體長度、交叉率、變異率、最大進化代數(shù)等參數(shù)對遺傳算法的性能影響較大，如何選擇這些合適的參數(shù)還有待進一步研究。（5）基于粗糙集理論的圖像分割技術。粗糙集作為一種新的處理模糊和不確定知識的數(shù)學工具，目前已經(jīng)被廣泛應用于模式識別、人工智能、圖像處理和數(shù)據(jù)分析等領域。粗糙集體現(xiàn)了集合中對象的不可區(qū)分性，即由于知識的粒度而導致的粗糙性。圖像信息具有較強的復雜性和相關性，在處理過程中經(jīng)常出現(xiàn)不完整性和不精確性問題，將粗糙集理論應用于圖像的處理和理解，有時會具有比硬計算方法更好的效果。如劉巖等提出的基于粗糙集的 K-均值聚類圖像分割方法是一種有效的圖像分割方法，具有較好的魯棒性。4圖像閾值化分割原理閾值化分割原理閾值化分割算法的歷史可追溯到近 40多年前，現(xiàn)已提出大量的算法。簡單的說，對灰度圖像的取閾值分割就是先確定一個處于圖像灰度取值范圍之中的灰度閾值，然后將圖像中各個象素的灰度值都與這個灰度值相比較，并根據(jù)比較結果將對應的象素(分割)劃為兩類：象素的灰度值大于閾值的為一類，象素的灰度值小于閾值的為另一類(灰度值等于閾值的象素可歸于這兩類之一) 。這兩類象素一般分屬圖像中的兩個區(qū)域，所以對象素根據(jù)閾值分類達到了區(qū)域分割的目的。由此可見，閾值化分割算法主要有兩個步驟：確定需要的分割閾值；將分割閾值與象素值比較以劃分象素。以上步驟中，確定閾值是分割的關鍵，如果能確定一個合適的閾值就可方便地將圖像分割開來。而在閾值確定后，將閾值和象素值比較和劃分象素可對各象素并行地進行，分割的結果直接給出圖像區(qū)域。在利用取閾值方法來分割灰度圖像時一般都對圖像有一定的假設。換句話說，是基于一定的圖像模型的。最常用的模型可描述如下：假設圖像由具有單峰灰度分布的目標和背景組成，處于目標和背景內(nèi)部相鄰象素間的灰度值是高度相關的，但處于目標和背景交界處兩邊的象素在灰度值上有很大的差別。如果一幅圖像滿足這些條件，它的灰度直方圖基本上可以看作是由分別對應目標和背景的兩個單峰直方圖混合構成的。進一步如果這兩個分布大小(數(shù)量)接近且均值相距足夠遠，而且兩部分均方差也足夠小，則直方圖應為較明顯的雙峰。類似的如果圖像中有多個單峰灰度分布的目標，則直方圖有可能表現(xiàn)為較明顯的多峰。對這類圖像?？捎萌￠撝档姆椒▉磔^好的分割。要把圖像中各種灰度的象素分成兩個不同的類需要確定一個閾值。如果要把圖像中各種灰度的象素分成多個不同的類，那么需要選擇一系列閾值以將每個象素分到合適的類別中去。如果只用一個閾值分割稱為單閾值分割方法，如果用多個閾值分割稱為多閾值分割。單閾值可以看作是多閾值分割的特例，許多單閾值分割算法可推廣以進行多閾值分割。反之，有時也可將多閾值分割問題轉(zhuǎn)化為一系列單閾值分割問題來解決。不管用何種方法選取閾值，一幅原始圖像 f(x,y)取單T分割后的圖像可定義為：gx,yfx,yT

fx,yT(4-1)gx,yfx,yT

fx,yT(4-1)這樣得到的 g(x,y)是一幅二值圖像， 它相當于把原始圖像 f(x,y)用空間占有數(shù)組來進行表達。我們可以將圖像閾值分割方法分為兩類，全局閾值分割法和局部閾值分割法。全局閾值分割法通常是利用了圖像的灰度直方圖信息(例如很多方法都是將圖像的灰度直方圖看成是像素灰度值的概率分布密度函數(shù)的一個近似估計) ，灰度直方圖基本上可以看成是由分別對應圖像的前景和背景的兩個單峰直方圖混合構成的。通過圖像的灰度值的概率分布密度函數(shù)，可以構造出一些閾值函數(shù)(目標函數(shù))，最優(yōu)閾值通常就是將這些目標函數(shù)最優(yōu)化而獲得的。本論文只研究全局閾值分割的情形， 而并不對局部閾值分割進行討論。 并將迭代法和最大類間方差法 (大津法)作為最優(yōu)閾值選取算法。下面介紹迭代法和最大類間方差法的原理。迭代法迭代法閾值選取可以完成閾值的自動選取，具體方法和步驟如下：選擇一個初始閾值 T，例如，假定圖像像素的最大灰度值和最小灰度值分別1為fmin和 fmax，則初始閾值 T可以選擇為 T1fmin fmax。22)利用選擇的閾值 T對圖像進行分割， 根據(jù)圖像像素的灰度值， 可以將圖像分TOC\o"1-5"\h\z割為兩部分，灰度值大于 T的圖像區(qū)域 G1和灰度值小于等于 T的圖像區(qū)域 G2。3)分別計算 G1和包含 G2的像素的灰度值均值 μ1和 μ2。4)計算新的閾值 T1 2。5)重復步驟 2)、3)、4)，直到連續(xù)兩次計算得到的 T的差值滿足設定的范圍，從而完成閾值的自動計算。迭代法的主體 MATLAB代碼：ZMAX=max(max(I)); %取出最大灰度值ZMIN=min(min(I)); %取出最小灰度值TK=(ZMAX+ZMIN)/2; %初始閾值BCal=1;iSize=size(I); %圖像的大小while(BCal)TOC\o"1-5"\h\ziForeground=0; %令前景像素點初始總數(shù)為 0iBackground=0; %令背景像素點初始總數(shù)為 0ForegroundSum=0; %令前景像素點灰度和為 0BackgroundSum=0; %令背景像素點灰度和為 0fori=1:iSize(1)forj=1:iSize(2)tmp=I(i,j);if(tmp>=TK)iForeground=iForeground+1; %前景像素點數(shù)ForegroundSum=ForegroundSum+double(tmp);%前景灰度和elseiBackground=iBackground+1; %背景像素數(shù)BackgroundSum=BackgroundSum+double(tmp);%背景灰度和endendendZO=ForegroundSum/iForeground; %前景灰度平均值ZB=BackgroundSum/iBackground; %背景灰度平均值TKTmp=uint8((ZO+ZB)/2);if((TKTmp-TK)<1)BCal=0; %迭代結束elseTK=TKTmp; %進行新的迭代endenddisp(strcat('迭代法得到的閾值 :',num2str(TK)));最大類間方差法最大類間方差法是在判決分析或最小二乘法原理的基礎上推導出來的，最大類間方差法分割圖像的計算方法如下：把一幅數(shù)字圖像 f(x,y)中的像素按灰度級用閾值 T分為 C0和 C1類，即C0 {f1x,y|fminfx,yT} ( 4-2)C1 {f2x,y|fmaxfx,yT} (4-3)其中， fmin、fmax分別為圖像 f(x,y)中灰度的最小值和最大值。設 Ni是灰度值為 i(fmin≤i≤fmax)的像素數(shù)，則圖像 f(x,y)總的像素為 N=∑Ni，因此，各灰度級出現(xiàn)的概率為 P(i)=Ni/N，則C0類出現(xiàn)的總概率為TP0 Pi (4-4)ifmin均值為4-5)0TiPi4-5)iT1P0

C1類出現(xiàn)的總概率為均值為圖像fx,y的均值為C1類出現(xiàn)的總概率為均值為圖像fx,y的均值為定義兩類的類間方差為 2TfmaxP1 PiiT1fmaxiPiifminT fmaxiPiiPi P00 P11ifmin iT12 222 P0 0 P1 14-6)4-7)4-8)4-9)最大類間方差把兩類的類間方差作為閾值選擇的判決依據(jù)，認為最好的閾值T應該是使類間方差 2T取得最大值時的閾值 ,即TT|2T2T,T fmin,fmax (4-10)本文擬用全搜索進行基于( 4-10)的優(yōu)化閾值確定 。最大類間方差法(大津法)的主體 MATLAB代碼：iMax=max(max(I)); %計算最大值iMin=min(min(I));%計算最小值T=double(iMin:iMax); %所有像素值muxSize=iSize(1)*iSize(2);%計算像素點總數(shù)fori=1:length(T) %對所有像素值遍歷TK=T(1,i);%令前景像素點總數(shù)為 %令前景像素點總數(shù)為 0%令背景像素點總數(shù)為 0%令前景像素點灰度和為 0%令背景像素點灰度和為 0iBackground=0;ForegroundSun=0;BackgroundSun=0;forj=1:iSize(1)fork=1:iSize(2)tmpData=I(j,k);if(tmpData>=TK)iForeground=iForeground+1;%前景像素點數(shù)ForegroundSun=ForegroundSun+double(tmpData);%前景灰度和elseiBackground=iBackground+1;%背景像素點數(shù)BackgroundSun=BackgroundSun+double(tmpData);%前景灰度和endendendw0=iForeground/muxSize; %前景像素點的比例w1=iBackground/muxSize; %背景像素點的比例u0=ForegroundSun/iForeground;%背景灰度平均值u1=BackgroundSun/iBackground;%背景灰度平均值T(2,i)=w0*w1*(u0-u1)*(u0-u1); %計算類間方差endoMax=max(T(2,:)); %方差最大值idx=find(T(2,:)>=oMax); %方差最大值對應的列號T=uint8(T(1,idx)); %從第一行取出灰度值作為閾值disp(strcat('最大類間方差法求得的閾值 :',num2str(T)));圖像閾值化技術的應用現(xiàn)狀隨著圖像閾值化技術研究的深入，其應用日趨廣泛。凡屬需要對圖像目標進行提取、測量的工作都離不開圖像分割。目前，圖像閾值化技術已在交通、醫(yī)學、遙感、通信、軍事和工業(yè)自動化等諸多領域得到廣泛應用。在智能交通領域，圖像閾值化技術已廣泛應用于車牌的定位和生產(chǎn)。針對車牌生產(chǎn)中光照不均和存在反光的復雜彩色圖像，郝智泉等提出了一種采用灰度空間和飽和度空間聯(lián)合閾值的圖像分割方法。該方法能夠較好地分割目標和背景，獲得高質(zhì)量的二值圖像， 在工業(yè)生產(chǎn)實時監(jiān)控系統(tǒng)的應用中取得了良好的效果 [13]在醫(yī)學領域，圖像閾值化技術已應用于腦圖像、心臟圖像、胸部圖像和細胞圖像等的分割。針對醫(yī)學圖像的特點。學者們提出了很多基于模糊集合理論和模糊邏輯的閾值分割方法，提高了閾值對有噪環(huán)境的魯棒性，取得了不錯的效果。在遙感領域，利用遙感數(shù)據(jù)進行海洋監(jiān)測、海事救援、海洋污染監(jiān)控等應用時，需要對圖像中海岸線進行分割提取。傳統(tǒng)的閾值方法對于圖像中沿海岸線的物體陰影、植被、暗的人工設施等分割效果不理想，瞿繼雙等提出了一種用于處理光學遙感圖像的基于多閾值分割的形態(tài)學方法，能有效提高準確檢測率，具有較好的檢測效果 [14]。5分割效果分析MATLAB的簡介本課題以 MATLAB作為開發(fā)平臺實現(xiàn)程序代碼運行。 MATLAB源于MatrixLaboratory一詞，原為矩陣實驗室的意思。 它的最初版本是在 20世紀 80年代初期，由美國MathWorks軟件開發(fā)公司正式推出的一種數(shù)學工具軟件，是一種專門用于矩陣數(shù)值計算的軟件。隨著 MATLAB的逐步市場化，其功能也越來越強大，成為了一門集數(shù)值計算、符號運算和圖形處理等多種功能于一體的科學計算軟件包。功能工具包用來擴充 MATLAB的符號計算，可視化建模仿真，文字處理及實時控制等功能。學科工具包是專業(yè)性比較強的工具包，控制工具包，信號處理工具包，通信工具包等都屬于此類。它還包含許多專用工具箱，可以滿足不同專業(yè)用戶的需求。如科學計算、動態(tài)仿真、系統(tǒng)控制、數(shù)據(jù)采集、模糊邏輯、金融財政、圖形處理、信號處理、數(shù)據(jù)統(tǒng)計和器材控制等。目前，MATLAB已經(jīng)得到相當程度的普及，它不僅成為各大公司和科研機構的專用軟件，在大學校園也得到了普及，許多本科和?？频膶W生借助它來學習大學數(shù)學和計算方法等課程，而碩士生和博士生在做科學研究時，也經(jīng)常要用MATLAB進行數(shù)值計算和圖形處理， 甚至在國外的大學中， MATLAB是學生必須要掌握的一種基本技能。 可以說，MATLAB軟件在大學校園已經(jīng)有了相當?shù)钠占?，它已?jīng)深入到了各個專業(yè)的很多學科。其最主要的特點即是簡單易學、先進的技術界面支持、開放性的體系結構。MATLAB中的核心是一個基于矩陣運算的快速解釋程序。它以交互式操作接收用戶輸入的各項指令，輸出計算結果。它提供了一個開放式的集成環(huán)境，用戶可以運行系統(tǒng)所提到的各項命令，來實現(xiàn)自己所要達到的目標操作。具體的來說，MATLAB的主要功能有：強大的數(shù)值運算功能；數(shù)據(jù)可視化功能；動態(tài)系統(tǒng)仿真；數(shù)據(jù)處理； 數(shù)學計算； 數(shù)字信號處理及與外部應用程序進行動態(tài)鏈接等。 MATLAB由一系列工具組成。這些工具方便用戶使用 MATLAB的函數(shù)和文件，其中許多工具采用的是圖形用戶界面。包括 MATLAB桌面和命令窗口、歷史命令窗口、編輯器和調(diào)試器、路徑搜索和用于用戶瀏覽幫助、工作空間、文件的瀏覽器。隨著 MATLAB的商業(yè)化以及軟件本身的不斷升級， MATLAB的用戶界面也越來越精致，更加接近 Windows的標準界面，人機交互性更強，操作更簡單。而且新版本的 MATLAB提供了完整的聯(lián)機查詢、幫助系統(tǒng)，極大的方便了用戶的使用。簡單的編程環(huán)境提供了比較完備的調(diào)試系統(tǒng)，程序不必經(jīng)過編譯就可以直接運行，而且能夠及時地報告出現(xiàn)的錯誤及進行出錯原因分析。新版本的 MATLAB可以利用 MATLAB編譯器和 C/C++數(shù)學庫和圖形庫，將自己的MATLAB程序自動轉(zhuǎn)換為獨立于 MATLAB運行的 C和C++代碼。 允許用戶編寫可以和MATLAB進行交互的 C或C++語言程序。 另外，MATLAB網(wǎng)頁服務程序還容許在 Web應用中使用自己的 MATLAB數(shù)學和圖形程序。 MATLAB的一個重要特色就是具有一套程序擴展系統(tǒng)和一組稱之為工具箱的特殊應用子程序。工具箱是MATLAB函數(shù)的子程序庫， 每一個工具箱都是為某一類學科專業(yè)和應用而定制的，主要包括信號處理、控制系統(tǒng)、神經(jīng)網(wǎng)絡、模糊邏輯、小波分析和系統(tǒng)仿真等方面的應用。分割效果的評估標準目前人們在評價分割技術和算法方面已提出的大多數(shù)方法，可歸納為兩大類中：一類是直接的方法，可稱為分析法；另一類是間接的方法，可稱為實驗法。分析法在分割評價中直接研究分割算法本身的原理特性，通過分析推理得到分割算法性能。實驗法則在分割評價根據(jù)已分割圖像的質(zhì)量間接地評判分割算法性能，具體就是用待評價的算法去分割圖像，然后借助一定的質(zhì)量測度來判斷分割結果的優(yōu)劣，據(jù)此轉(zhuǎn)而得出所用分割算法的性能。其中實驗方法可進一步分為兩種：一種采用一些優(yōu)度參數(shù)描述已分割圖的特性，然后根據(jù)優(yōu)度數(shù)值來判定進行分割的算法的性能；另一種則先確定理想的或期望的分割結果參考圖，然后通過比較已分割圖與參考圖之間的差異值來判定分割算法的性能。本文的實驗分析建立在有多少信息是因為用所選取的閾值來分割而丟失的基礎上的，對一幅圖像用不同的閾值取得的分割結果，我們認為丟失的信息最少的效果是最佳的。同時，將圖像的類間差作為客觀比較數(shù)據(jù)。分割效果分析為了評估迭代法和最大類間方差法（大津法）這兩種閾值分割算法的分割效果，我們使用了 10幅真實圖像來做實驗。這 10幅圖像分別為 rice.png，coins.png，cell.tif，bag.png，cameraman.tif，circuit.tif，kids.tif，tire.tif，moon.tif和mir.tif。這些圖像來自 MATLABR2009（a）自帶的工具箱。通過圖像分割效果圖來評價這兩種算法的分割性能，然后對迭代法和最大類間方差法（大津法）的分割效果進行比較分析，得到它們的區(qū)別。下面是原始圖像和分割效果圖a）原始圖 （b）直方圖（c）迭代法 （d）大津法5-1rice.png圖分割實驗 （a）原始圖 （b）原始圖的直方圖c）迭代法分割結果 （d）大津法分割結果b）直方圖a）原始圖（c）迭代法5-2coins.png圖分割實驗

（c）迭代法分割結果（d）大津法a）原始圖 （b）原始圖的直方圖d）大津法分割結果5-3（d）大津法a）原始圖 （b）原始圖的直方圖c）迭代法cell.tif圖分割實驗（ c）迭代法分割結果a）原始圖（d）大津法（c）迭代法

5-4bag.png圖分割實驗

（c）迭代法分割結果（b）原始圖的直方圖d）大津法分割結果a）原始圖c）迭代法d）大津法5-5cameraman.tif圖分割實驗（c）迭代法分割結果（a）原始圖 （b）原始圖的直方圖d）大津法分割結果a）原始圖b）直方圖（d）大津法（c）迭代法5-6circuit.tif圖分割實驗

（c）迭代法分割結果a）原始圖

d）大津法分割結果（b）原始圖的直方圖a）原始圖b）直方圖c）迭代法d）大津法5-7kids.tif圖分割實驗 （a）原始圖 （b）原始圖的直方圖c）迭代法分割結果 （d）大津法分割結果a）原始圖 （b）直方圖c）迭代法 （d）大津法5-8tire.tif圖分割實驗 （ a）原始圖 （ b）原始圖的直方圖（ c）迭代法分割結果 （d）大津法分割結果a）原始圖 （b）直方圖c）迭代法 （d）大津法5-9moon.tif圖分割實驗（c）迭代法分割結果a）原始圖 （b）原始圖的直方圖（d）大津法分割結果a）原始圖c）迭代法b）直方圖d）大津法5-10mir.tif圖分割實驗 （a）原始圖 （ b）原始圖的直方圖c）迭代法分割結果 （d）大津法分割結果表5-1兩種不同方法對圖像進行處理所得到的閾值及對應的類間差迭代法大津法閾值T類間差閾值T類間差rice.png13113311321331coins.png12628631272863cell.tif1203910085bag.png1283669993856cameraman.tif1282851893289circuit.tif1021653861712kids.tif3225224262tire.tif1282642852966moon.tif1275177905422mri.tif4497937989圖5-1到圖 5-10中的（ a）圖是原始圖像， （b）圖是對應于原始圖像的灰度直方圖，直方圖中的粗豎線對應用大津法選取的閾值，細豎線對應用迭代法選取的閾值。（c）圖是用迭代法得到的閾值分割結果圖，而（ d）圖是用最大類間方差法 （大津法）得到的閾值分割結果圖。 表5-1列出了對于實驗的 10幅圖像， 用迭代法和最大類間方差法（大津法）所求得的最優(yōu)閾值 T和對應T所求得的類間差。同時我們的實驗分析還建立在滿足主觀視覺的要求基礎上。如圖 5-1（a）的 rice.png圖像，其直方圖見圖 5-1（b），用迭代法求得的閾值為131，對應閾值分割結果見圖 5-1（c），而用大津法求得的閾值為 132，對應閾值分割結果圖見圖 5-1（d）。由圖5-1（c）和圖 5-1（d）可以看出，這兩種方法都對原圖像的主要區(qū)域進行了很好的分割，但在圖像的細微處，如圖像的右下角區(qū)域，由于背景和前景的灰度值太接近，分割不理想。同時，我們對分割后的圖像的類間差進行了計算，得到結果為：兩種方法的類間差值都為 1331。圖 5-2的分割結果與圖5-1類似，兩種方法都能有效地將整個硬幣分割出來，但對硬幣上的圖案分割效果不理想。由此可見，對于前景和背景灰度值相差較大的圖像，這兩種方法的分割效果較理想。但在前景和背景灰度值太接近的區(qū)域，這兩種方法都沒有很好的區(qū)分度，分割效果不太理想。如圖 5-3（ a） 的 cell.tif圖像， 其直方圖見圖 5-3（ b） ，用迭代法求得的閾值為 120，對應閾值分割結果見圖 5-3（c），而用大津法求得的閾值為 100，對應閾值分割結果圖見圖 5-3（d）。由圖 5-3（c）和圖 5-3（d）可以看出，大津法的分割效果要明顯好于迭代法。計算得到的類間差結果為：采用迭代法時，類間差為 39；采用大津法時，類間差為 85。如圖 5-4（a）的 bag.png圖像，其直方圖見圖 5-4（b），用迭代法求得的閾值為 128，對應閾值分割結果見圖 5-4（c），而用大津法求得的閾值為 99，對應閾值分割結果圖見圖 5-4（d）。由圖 5-4（c）和圖 5-4（d）對比可以看出，大津法的分割效果要好于迭代法。主要是大津法對圖像下半部分分割得更干凈。計算得到的類間差結果為：采用迭代法時，類間差為 3669；采用大津法時，類間差為3856。對于圖 5-6的分割結果，大津法也要好于迭代法。主要是大津法在圖像的細微處，有更好的區(qū)分度。如對原圖左邊的那幾個直角的分割。圖 5-5、圖 5-7、圖5-8、圖5-9和圖 5-10的分割結果與圖 5-4類似， 這里就不再贅說了， 大津法要由于迭代法。通過以上實驗我們發(fā)現(xiàn)：迭代法選取的閾值能區(qū)分出圖像的前景和背景的主要區(qū)域所在，但在圖像的細微處很難有較好的區(qū)分度。大津法選取的閾值非常理想，對各種情況的表現(xiàn)都較為良好。雖然它在很多情況下都不是最佳的分割，但分割質(zhì)量通常都有一定的保障，可以說是相對穩(wěn)定的分割。6結論此次畢業(yè)設計到這里，已經(jīng)達到了任務書所布置的內(nèi)容，通過對數(shù)字圖像處理技術的理解，了解了圖像分割的概念，并通過掌握圖像閾值化的原理，實現(xiàn)了圖像的分割。雖然圖像分割有著許多不同的方法，它們各有優(yōu)缺點，因此對于一幅圖像，采用哪種分割方法來進行分割就非常的重要。在這里我們主要討論了基于閾值的圖像分割方法的研究和實現(xiàn)，首先了解圖像閾值分割的基本原理，然后在此基礎上了解用迭代法和最大類間方差法選取閾值的原理，在本篇論文中，我們使用這兩種方法計算圖像的閾值，并使用區(qū)域非一致性準則來定量衡量算法的分割效果，同時我們的實驗分析還建立在滿足主觀視覺的要求基礎上。在掌握原理的基礎上面，運用 MATLAB語言編程實現(xiàn)了這兩種算法，直觀地觀察分割算法的分割效果， 然后通過計算 NU值來分析所得到的實驗結果，最后將這兩種算法進行比較，得到了迭代法和最大類間方差法都有較好的分割效果，但在圖像的細微處，最大類間方差法的區(qū)分度比迭代法要好些，但也不是很理想。相比之下，最大類間方差法更穩(wěn)定、更通用。在這信息日益膨脹的數(shù)字化、信息化時代，圖像處理技術擔負了重大的任務，圖像分割作為圖像處理中一項重要的技術，要求圖像分割算法向著自動、精確、快速、自適應性和魯棒性的方向發(fā)展。圖像閾值化方法通過四十幾年的發(fā)展，得到了大量的行之有效的算法。但是，面對各種不同的圖像，以及各種不同的需求，我們卻找不出一個通用的算法，或者這樣以不變應萬變的算法更本就不存在。但是，對于具體的圖像、具體的需求，的確可以找到效果相當好的閾值化方法。這就提示我們，可以將各種算法和對算法的評估集成到一個系統(tǒng)中，通過人工智能的技術建立專家系統(tǒng)，以有效的對評估結果進行歸納和學習，從而把對圖像的閾值化由目前的盲目的試驗改進上升到比較系統(tǒng)的選擇實現(xiàn)階段。相信在不久的將來，這樣的系統(tǒng)將給圖像閾值化問題畫上一個完美的句號。致謝本論文是在張嵩老師的悉心指導下完成的，論文從選題到寫作及最后的定稿，老師都給予了精心的指導和極大的幫助，在老師的精心指導和幫助下，開闊了視野，分析和解決問題等方面的能力有了長足的進步。從提綱、草擬、修改到最后定稿，老師都給予了一而再、再而三的精心批閱，每個環(huán)節(jié)都凝結老師努力的付出和辛勞的汗水。在此衷心的感謝老師對我的指導與幫助！衷心地感謝在百忙之中評閱論文和參加答辯的各位老師！參考文獻TOC\o"1-5"\h\z章毓晉.圖像處理和分析 [M].北京：清華大學出版社， 1999.章毓晉.圖像分割 [M].北京：科學出版社， 2001.章毓晉.圖像工程 [M].北京：清華大學出版社， 2000.KittlerJ.andIllingworthJ.Minimumerrorthresholding[J].PatternRecognition,1986,19(1):41~47.PunT.Entropicthresholding,anewmethod[J].ComputerGraphicsandImageProcess,1981,16(3):210~239.KapurJ.N.,SahooP.K.andWongA.K.C.Anewmethodforgraylevelpicturethresholdingusingtheentropyofthehistogram[J].ComputerGraphicsandImageProcess,1981,16(3):273~285.TangX.D.,PangY.J.,ZhangH.andZhuW.Fastimagesegmentationmethodbasedonthreshold[C].ControlandDecisionConference,Yantai,Shandong,2008:3281~3285.TaoW.B.,JinH.andLiuL.M.Anewimagethresholdingmethodbasedongraphcuts[C].ProceedingsofIEEEInternationalConferenceonAcoustics,SpeechandSi