..成績成績數(shù)字圖像處理期末考試題目圖像分割算法研究與實現(xiàn)專業(yè)班級11通信工程一班永學號1109131..目錄摘要:11．前言22．圖像分割概念22.1圖像分割定義22.2圖像分割方法綜述42.3閾值法42.4基于邊緣檢測的分割方法82.5基于區(qū)域的分割方法113．圖像分割方法詳述123.1圖像分割方法123.2圖像分割方法實現(xiàn)124．實驗結果及分析144.1實驗結果144.2實驗結果分析185．小結205.1主要工作總結205.2結論206．附錄23..圖像分割算法研究與實現(xiàn)摘要:圖像分割是圖像處理與計算機視覺的根本問題之一,是圖像處理圖像分析的關鍵步驟。因為圖像分割及其基于分割的目標表達、特征提取和參數(shù)測量等將原始圖像轉化為更抽象更緊湊的形式，使得更高層的圖像分析和理解成為可能。因此，圖像分割多年來一直得到人們的高度重視.本文首先將現(xiàn)有的多種類型圖像分割方法歸結為3類典型的方法,并分析各自的特性;然后提出圖象分割方案，并利用MATLAB軟件編寫程序，展示實驗現(xiàn)象，最后對所做工作進展總結。關鍵詞:圖像分割閾值法邊緣檢測微分算子局部閾值1．前言在圖像的研究和應用過程中，人們往往僅對各幅圖像中的某些局部感興趣.這些局部常稱為目標或前景，它們一般對應圖像中特定的具有獨特性質(zhì)的區(qū)域.為了區(qū)分和分析目標，需要將這些區(qū)域別離提取出來，在此根底上才有可能對目標進一步利用.圖像分割就是將圖像分成各具特性的區(qū)域并提取出感興趣的目標的技術和過程.在進展圖像分割時，首先要根據(jù)目標和背景的先驗知識來對圖像中的目標、背景進展標記、定位，然后將等待識別的目標從背景中別離出來.圖像分割是由圖像處理進到圖像分析的關鍵步驟，也是一種根本的計算機視覺技術.這是因為圖像的分割、目標的別離、特征的提取和參數(shù)的測量將原始的圖像轉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.因此，圖像分割多年來一直得到人們的高度重視[1]。圖象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，文檔圖象處理，遙感和生物醫(yī)學圖象分析，保安監(jiān)視，以及軍事，體育，農(nóng)業(yè)工程等方面。概括來說，在各種圖象應中，只要需對圖象目標進展提取，測量等都離不開圖象分割。近年來，圖象分割在對圖象的編碼中也起到越來越重要的作用，例如國際標準MPEG一4中模型基/目標基編碼等都需要基于分割的結果。可見，圖象分割在圖象工程中有重要的地位和影響。本文主要從圖像分割定義、圖像分割的方法等幾個方面來闡述關于圖像分割的幾個問題。2．圖像分割概念2.1圖像分割定義文字定義：把圖象〔空間〕按一定要求分成一些"有意義〞區(qū)域的處理技術。"有意義〞—希望這些區(qū)域能分別和圖象景物中各目標物(或背景)相對應。正式"集合〞定義：令集合R代表整個圖象區(qū)域，對R的分割可看作將R分成假設干個滿足如下五個條件的非空的子集〔子區(qū)域〕：〔1〕〔分割所得全部子區(qū)域的總和〔并集〕應能包括圖象中所有象素或將圖象中每個象素都劃分進一個子區(qū)中〕〔2〕對所有的i和j,有Ri∩Rj=?(i≠j);〔各子區(qū)互不重疊〕〔3〕對i=1，2，3……，N，有P〔Ri〕=TRUE；〔屬于同一子區(qū)象素應具有的某些共同特性〕〔4〕對i≠j，有P(Ri∪Rj)=FALSE；〔屬于不同子區(qū)象素應具有某些不同特性〕〔5〕對i=1，2，……，N，Ri是連通區(qū)域〔同一子區(qū)象素應當是連通的〕[2].條件1指出對一幅圖象的分割結果的全部子區(qū)域的總和(并集)就是原圖象，或者說分割應該是將圖象中的每個象素都分進某個子區(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，或者說屬于同一個區(qū)域中的象素應該具有某些一樣的特性。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個子區(qū)域的象素應當是相通的，即同一個子區(qū)域的任意兩個象素在該子區(qū)域是互相連通，或者說分割得到的區(qū)域是一個連通組元。上面的定義，不僅對明確的說明了分割的含義，而且對進展分割也有相當?shù)闹笇ё饔?。因為分割總是根?jù)一些分割準那么進展的。條件1和條件2說明正確的分割準那么應可適用于所有區(qū)域和所有象素，條件3和條件4說明合理的分割準那么應該能夠幫助確定各區(qū)域象素有代表性的特性，而條件5說明完整的分割準那么應直接或間接地對區(qū)域象素的連通性有一定的要求或限定。最后需要指出的是，在實際應用中圖象分割不僅是要把一幅圖象分成滿足以上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區(qū)域提取出來,只有這樣才算是真正完成了圖象分割的任務。2.2圖像分割方法綜述圖像分割是指將圖像劃分為與其中含有的真實世界的物體或區(qū)域有強相關性的組成局部的過程。圖像分割是圖像處理和分析中的重要問題,也是計算機視覺研究中的一個經(jīng)典難題。盡管它一直受到科研人員的重視,但是它的開展很慢,被認為是計算機視覺的一個瓶頸。迄今為止,還沒有一種圖像分割方法適用于所有的圖像,也沒有一類圖像所有的方法都適用于它。近幾年來,研究人員不斷改良原有方法并將其它學科的新理論和新方法引入圖像分割,提出了不少新的分割方法。本文對傳統(tǒng)的圖像分割方法進展分析。典型的圖像分割方法有閾值法，邊緣檢測法，區(qū)域法。分析各種圖像分割方法可以發(fā)現(xiàn)，它們分割圖像的根本依據(jù)和條件有以下4方面:(l)分割的圖像區(qū)域應具有同質(zhì)性，如灰度級別相近、紋理相似等;(2)區(qū)域部平整，不存在很小的小空洞;(3)相鄰區(qū)域之間對選定的某種同質(zhì)判據(jù)而言，應存在顯著差異性;(4)每個分割區(qū)域邊界應具有齊整性和空間位置的準確性?，F(xiàn)有的大多數(shù)圖像分割方法只是局部滿足上述判據(jù)。如果加強分割區(qū)域的同性質(zhì)約束，分割區(qū)域很容易產(chǎn)生大量小空洞和不規(guī)整邊緣:假設強調(diào)不同區(qū)域間性質(zhì)差異的顯著性，那么極易造成非同質(zhì)區(qū)域的合并和有意義的邊界喪失。不同的圖像分割方法總有在各種約束條件之間找到適當?shù)钠胶恻c[3]。2.3閾值法閾值法的優(yōu)點是計算簡單，速度快，易于實現(xiàn)。尤其是對于不同類的物體灰度值或其他特征值相差很大時，能很有效地對圖像進展分割。閾值法的缺點是當圖像中不存在明顯的灰度差異或灰度值圍有較大的重疊時，分割效果不理想。并且閾值法僅僅考慮圖像的灰度信息而沒有考慮圖像的空間信息，致使閾值法對噪聲和灰度不均勻十分地敏感。在實際應用中，閾值法通常與其他方法結合使用[4]。閾值分割法是簡單地用一個或幾個閾值將圖像的直方圖分成幾類,圖像中灰度值在同一個灰度類的象素屬干同一個類。其過程是決定一個灰度值,用以區(qū)分不同的類,這個灰度值就叫做"閾值〞。它可以分為全局閾值分割和局部閾值分割。所謂全局閾值分割是利用利用整幅圖像的信息來得到分割用的閾值,并根據(jù)該閾值對整幅圖像進展分割而局部閾值分割是根據(jù)圖像中的不同區(qū)域獲得對應的不同區(qū)域的閾值,利用這些閾值對各個區(qū)域進展分割,即一個閾值對應相應的一個子區(qū)域,這種方法也稱適應閾值分割。閾值法是一種簡單但是非常有效的方法,特別是不同物體或構造之間有很大的強度比照時,能夠得到很好的效果它一般可以作為一系列圖像處理過程的第一步。它一般要求在直方圖上能得到明顯的峰或谷,并在谷底選擇閾值。如何根據(jù)圖像選擇適宜的閾值是基于閾值分割方法的重點所在,也是難點所在。它的主要局限是,最簡單形式的閾值法只能產(chǎn)生二值圖像來區(qū)分兩個不同的類。另外,它只考慮象素本身的值,一般都不考慮圖像的空間特性,這樣就對噪聲很敏感它也沒有考慮圖像的紋理信息等有用信息,使分割效果有時不能盡如人意[5]。閾值法的幾種閾值選擇方法:全局閾值法〔1〕雙峰法對于目標與背景的灰度級有明顯差異的圖像,其灰度直方圖的分布呈雙峰狀,兩個波峰分別與圖像中的目標和背景相對應,波谷與圖像邊緣相對應。當分割閾值位于谷底時,圖像分割可取得最好的效果。該方法簡單易行,但是對于灰度直方圖中波峰不明顯或波谷寬闊平坦的圖像,不能使用該方法[6]。假設，一副圖像只有物體和背景兩局部組成，其灰度圖直方圖呈現(xiàn)明顯的雙峰值，如下列圖:圖1雙峰法灰度直方圖找出閾值T，那么可以對整個圖像進展二值化賦值。程序的實現(xiàn)：通過數(shù)組記錄直方圖中的各像素點值的個數(shù)，再對逐個像素值進展掃描。記錄每個像素能作為谷底的圍值，接著找出能作為谷底圍最大的點作為閾值[7]。實現(xiàn)流程圖：開場開場通過數(shù)組g[255]讀入直方圖逐個查看能每個像素值在直方圖中能作為谷底的X圍找出能作為谷底X圍最大的像素值作為閾值根據(jù)取得的閾值對圖像進展二值化完畢圖2雙峰法實現(xiàn)流程圖〔2〕灰度直方圖變換法該方法不是直接選取閾值,而是對灰度直方圖進展變換,使其具有更深的波谷和更尖的波峰,然后再利用雙峰法得到最優(yōu)閾值。這種方法的一個共同特征是根據(jù)像素點的局部特性,對其進展灰度級的增強或減弱的變換。這種方法假設圖像由目標和背景組成,并且目標和背景灰度直方圖都是單峰分布[5]?！?〕迭代法〔最優(yōu)方法〕它基于逼近的思想，根本算法如下：<1>求出圖像的最大灰度值和最小灰度值，分別記為Max和Min，令初始閾值為：，根據(jù)閾值將圖像分割為前景和背景，分別求出兩者的平均灰度值和；<2>求出閾值；<3>如果；那么所得即為閾值；否那么轉<2>迭代計算。迭代所得的閾值分割圖象的效果良好，基于迭代的閾值能區(qū)分圖象的前景和背景的主要區(qū)域所在，但是在圖象的細微處還是沒有很好的區(qū)分度，令人驚訝的是對某些特定圖象，微小數(shù)據(jù)的變化會引起分割效果的巨大變化，兩者的數(shù)據(jù)只是稍有變化，分割效果反差極大，具體原因還有待進一步研究[8]。局部閾值法原始圖像被分為幾個小的子圖像,再對每個子圖像分別求出最優(yōu)分割閾值?！?〕自適應閾值在許多情況下，背景的灰度值并不是常數(shù)，物體和背景的比照度在圖像中也有變化。這時，一個在圖像中某一區(qū)域效果良好的閾值在其它區(qū)域卻可能效果很差。另外，當遇到圖像中有陰影、突發(fā)噪聲、照度不均、比照度不均或背景灰度變化等情況時，只用一個固定的閾值對整幅圖像進展閾值化處理，那么會由于不能兼顧圖像各處的情況而使分割效果受到影響。在這些情況下，閾值的選取不是一個固定的值，而是取成一個隨圖像中位置緩慢變化的函數(shù)值是比擬適宜的。這就是自適應閾值。自適應閾值就是對原始圖像分塊，對每一塊區(qū)域根據(jù)一般的方法選取局部閾值進展分割。由于各個子圖的閾值化是獨立進展的，所以在相鄰子圖像邊界處的閾值會有突變，因此應該以采用適當?shù)钠交夹g消除這種不連續(xù)性，子圖像之間的相互交疊也有利于減小這種不連續(xù)性。總的來說，這類算法的時間和空間復雜度都較大，但是抗噪能力強，對一些使用全局閾值法不宜分割的圖像具有較好的分割效果?！?〕多閾值分割在多閾值分割中，分割是根據(jù)不同區(qū)域的特點得到幾個目標對象，所以提取每一個目標需要采用不同的閾值，也就是說要使用多個閾值才能將它們分開，這就是多閾值分割。在實際的應用中，由于噪聲等干擾因素，直方圖有時不能出現(xiàn)明顯的峰值，此時選擇的閾值不能得到滿意的結果；另外一個就是閾值確定主要依賴于灰度直方圖，很少考慮圖像中象素的空間位置關系，因此當背景復雜，特別是在同一背景上重疊出現(xiàn)假設干個研究目標時，容易喪失局部邊界信息，造成圖像分割的不完整[9]。2.4基于邊緣檢測的分割方法邊緣(或邊沿)是指其周圍像素灰度有階躍變化或"屋頂〞變化的那些像素的集合，也即邊緣是灰度值不連續(xù)的結果，這種不連續(xù)?？梢杂们髮?shù)方便的檢測到，一般常用一階導數(shù)和二階導數(shù)來檢測邊緣。邊緣廣泛存在于物體與背景之間、物體與物體之間、基元與基元之間。因此，它是圖像分割所依賴的重要特征，而邊緣信息是一種圖像的緊描述，所包含的往往是圖像中最重要的信息，故對圖像提取邊緣能極降低我們要處理的數(shù)據(jù)量。常見的邊緣剖面有3種：〔1〕階梯狀邊緣：階梯狀的邊緣處于圖像中兩個具有不同灰度值的相鄰區(qū)域之間，可用二階導數(shù)的過零點檢測邊緣位置；〔2〕脈沖狀邊緣：主要對應細條狀的灰度值突變區(qū)域，通過檢測二階導數(shù)過零點可以確定脈沖的圍；〔3〕屋頂狀邊緣：屋頂狀邊緣位于灰度值從增加到減少的變化轉折點，通過檢測一階導數(shù)過零點可以確定屋頂位置。圖3常見邊緣剖面雖然圖像邊緣點產(chǎn)生的原因不同，但他們都是圖像上灰度不連續(xù)點，或是灰度變化劇烈的地方。經(jīng)典的邊緣提取方法是考察圖像的每個像素在某個鄰域灰度的變化，利用邊緣鄰近一階或二階方向導數(shù)變化規(guī)律，用簡單的方法檢測邊緣。這種方法稱為邊緣檢測局部算子法。邊緣檢測算子檢查每個像素的鄰域并對灰度變化率進展量化，也包括方向確實定。常用的邊緣檢測方法的根底是微分運算，邊緣點對應于一階微分幅度大的點，或對應于二階微分的過零點。傳統(tǒng)的邊緣檢測算法通過梯度算子來實現(xiàn)，在求邊緣的梯度時，需要對每個象素位置計算。經(jīng)典的梯度算子模板有Prewitt模板、Canny模板、Sobel模板、Log模板等[10]。邊緣檢測的幾種經(jīng)典算法：〔1〕Canny算子Canny邊緣檢測利用高斯函數(shù)的一階微分，在噪聲抑制和邊緣檢測之間尋求較好的平衡，其表達式近似于高斯函數(shù)的一階導數(shù)。Canny邊緣檢測算子對受加性噪聲影響的邊緣檢測是最優(yōu)的。〔2〕Prewitt和Sobel算子Prewitt從加大邊緣檢測算子的模板大小出發(fā)，由2×2擴大到3×3來計算差分算子，采用Prewitt算子不僅能檢測邊緣點，而且能抑制噪聲的影響。Sobel在Prewitt算子的根底上，對4-鄰域采用帶權的方法計算差分，該算子不僅能檢測邊緣點，且能進一步抑制噪聲的影響，但檢測的邊緣較寬?！?〕Log算子Log算子也就是Laplacian-Gauss算子，它把Gauss平滑濾波器和Laplacian銳化濾波器結合了起來，先平滑掉噪聲，再進展邊緣檢測。邊緣檢測算法有如下四個步驟:1)濾波:邊緣檢測算法主要是基于圖像強度的一階和二階導數(shù),但導數(shù)的計算對噪聲很敏感,因此必須使用濾波器來改善與噪聲有關的邊緣檢測器的性能。需要指出,大多數(shù)濾波器在降低噪聲的同時也導致了邊緣強度的損失,因此,增強邊緣和降低噪聲之間需要折衷。2)增強:增強邊緣的根底是確定圖像各點鄰域強度的變化值。增強算法可以將鄰域(或局部)強度值有顯著變化的點突顯出來。邊緣增強一般是通過計算梯度幅值來完成的。3)檢測:在圖像中有許多點的梯度幅值比擬大,而這些點在特定的應用領域中并不都是邊緣,所以應該用某種方法來確定哪些點是邊緣點。最簡單的邊緣檢測判據(jù)是梯度幅值閾值判據(jù)。4)定位:如果某一應用場合要求確定邊緣位置,那么邊緣的位置可在子像素分辨率上來估計,邊緣的方位也可以被估計出來。各個邊緣檢測算子比擬:Sobel算子和Prewitt算子:都是對圖像先作加權平滑處理,然后再作微分運算,所不同的是平滑局部的權值有些差異,因此對噪聲具有一定的抑制能力,但不能完全排除檢測結果中出現(xiàn)的虛假邊緣。雖然這兩個算子邊緣定位效果不錯,但檢測出的邊緣容易出現(xiàn)多像素寬度。Log算子:該算子克制了拉普拉斯算子抗噪聲能力比擬差的缺點,但是在抑制噪聲的同時也可能將原有的比擬鋒利的邊緣也平滑掉了,造成這些鋒利邊緣無法被檢測到。Canny算子:該算子同樣采用高斯函數(shù)對圖像做平滑處理,因此具有較強的抑制噪聲能力,同樣該算子也會將一些高頻邊緣平滑掉,造成邊緣喪失。綜上所述,前面所介紹的各個算子各有各的特點和應用領域,每個算子只能反映出邊緣算法性能的一個方面,在許多情況下需要綜合考慮[12]。該類方法對邊緣灰度值過渡比擬鋒利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,那么效果不太理想,主要表現(xiàn)在邊緣模糊、弱邊緣喪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展適當?shù)钠交?抑制噪聲,然后求導數(shù),或者先對圖像進展局部擬合,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,效果比擬好[13]。要做好邊緣檢測,首先要清楚待檢測的圖像特性變化的形式從而使用適應這種變化的檢測方法。其次要知道特性變化總是發(fā)生在一定的空間圍,不能期望用一種檢測算子就能最正確檢測出發(fā)生在圖像上的所有特性變化。當需要提取多空間圍的變化特性時,要考慮多算子的綜合應用。第三,要考慮噪聲的影響其中一個方法就是濾除噪聲,這有一定的局限性再就是考慮信號加噪聲的條件檢測利用統(tǒng)計信號分析或通過對圖像區(qū)域的建模而進一步使檢測參數(shù)化。第四,可以考慮各種方法的組合,如先找出邊緣然后在其局部利用函數(shù)近似通過插等獲得高精度定位。第五,在正確檢測邊緣的根底上要考慮準確定位的問題[14]。2.5基于區(qū)域的分割方法基于區(qū)域的圖像分割是根據(jù)圖像灰度、紋理、顏色和圖像像素統(tǒng)計的均勻性等圖像的空間局部特征,把圖像中的像素劃歸到各個物體或區(qū)域中,進而將圖像分割成假設干個不同區(qū)域的一種分割方法。基于區(qū)域的分割方法主要有區(qū)域生長法、分裂合并法。區(qū)域生長法、分裂合并法：區(qū)域生長法的根本思想是根據(jù)一定的相似性準那么,將圖像中滿足相似性準那么的像素或子區(qū)域合成更大的區(qū)域;分裂合并法是從整個圖像出發(fā),根據(jù)圖像和各區(qū)域的不均勻性,把圖像或區(qū)域分割成新的子區(qū)域,根據(jù)毗鄰區(qū)域的均勻性,把毗鄰的子區(qū)域合并成新的較大的區(qū)域。這兩種方法通常相結合,以便把相似的子區(qū)域合并成盡可能大的區(qū)域。區(qū)域生長的固有缺點是分割效果依賴于種子的選擇及生長順序,區(qū)域分裂技術的缺點是可能破壞邊界,所以它們常常與其他方法相結合,以期取得更好的分割效果[15]。區(qū)域生長算法的研究重點:(l)特征度量和區(qū)域增長規(guī)那么的設計;(2)算法的高效性和準確性。區(qū)域生長方式的優(yōu)點是計算簡單。與閉值分割類似，區(qū)域增長也很少單獨使用，往往是與其它分割方法一起使用。區(qū)域生長的缺點是:〔l〕它需要人工交互以獲得種子點，這樣使用者必須在每個需要抽取出的區(qū)域中植入一個種子點;(2)區(qū)域增長方式也對噪聲敏感，導致抽取出的區(qū)域有空洞或者在局部體效應的情況下將分開的區(qū)域連接起來。在區(qū)域合并方法中，輸入圖像往往分為多個相似的區(qū)域，然后類似的相鄰區(qū)域根據(jù)某種判斷準那么迭代進展合并。在區(qū)域分裂技術中，整個圖像先被看成一個區(qū)域，然后區(qū)域不斷被分裂為四個矩形區(qū)域，直到每個區(qū)域部都是相似的，分裂合并方法中，區(qū)域先從整幅圖像開場分裂，然后將相鄰的區(qū)域進展合并。分裂合并方法不需要預先指定種子點，它的研究重點是分裂和合并規(guī)那么的設計。但是，分裂合并技術可能會使分割區(qū)域的邊界破壞[2]。和閾值法一樣，區(qū)域生長法一般不單獨使用,而是放在一系列處理過程中。它主要的缺陷是,每一個需要提取的區(qū)域都必須人工給出一個種子點,這樣有多個區(qū)域就必須給出相應的種子個數(shù)。此法對噪聲也很敏感,會造成孔狀甚至是根本不連續(xù)的區(qū)域,相反的,局部且大量的影響還會使本來分開的區(qū)域連接起來[4]。3．圖像分割方法詳述3.1圖像分割方法本次畢業(yè)設計采用的是彩色圖像作為分割圖像，采用的分割方法總的來說是閾值法與邊緣檢測法的結合使用，在整個圖象分割的過程中，最主要的方法是邊緣檢測法，而閾值法起到是對圖象進展預處理和后處理的作用?？紤]到既要具有良好的切割效果,又要保存圖像的重要邊緣特征,具體的實現(xiàn)步驟如下：(1)輸入待分割圖像f(x,y),f(x,y)為彩色圖像；(2)將待分割圖像f(x,y)轉化為灰度圖像g(x,y)；(3)利用MATLAB顯示灰度圖像g(x,y)的灰度直方圖,用迭代法進展閾值選取，以到達區(qū)分背景和目標的目的；(4)采用邊緣檢測算子檢測圖像的邊界特征,確定圖象的邊界位置，得到圖像G(x,y)；(5)根據(jù)圖象分割的實際效果，將經(jīng)過邊緣檢測后的圖像G(x,y)進展局部閾值分割，以到達消除圖像中某些存在陰影、照度不均勻,各處的比照度不同,背景灰度變化等問題。3.2圖像分割方法實現(xiàn)1、對彩色圖像進展灰度處理2、用全局閾值法對圖像進展預處理：閾值法是一種簡單有效的圖像分割方法,它用一個或幾個閾值將圖像的灰度級分為幾個局部,認為屬于同一個局部的像素是同一個物體。運用這種思想，我打算首先將全局閾值法用來區(qū)分圖片中的背景和目標。閾值分割法的結果很大程度上依賴于對閾值的選擇,因此該方法的關鍵是如何選擇適宜的閾值。適宜的閾值必須具備的條件是在使用選取的閾值對圖片進展分割后，必須使圖像中的背景和目標的分割錯誤到達最小。這種方法是先確定一個處于圖像灰度取值圍之中的灰度閾值，然后將圖像中各個像素的灰度值都與這個閾值相比擬，并根據(jù)比擬結果將對應的像素劃分為兩類:像素的灰度值大于閾值的為一類，像素的灰度值小于閾值的為另一類.這兩類像素一般分屬于圖像中的兩類區(qū)域，所以對像素根據(jù)閾值分類到達了區(qū)域分割的目的.閾值分割可以分為全局閾值和局部閾值兩種情況;在圖像容不太復雜、灰度分布較集中的情況下，往往采用最簡單的全局閾值，并不考慮圖像中點的位置和其鄰域性質(zhì).我采用的是迭代法來求取閾值，迭代法是基于逼近思想：〔1〕求出圖像的最大灰度值和最小灰度值，分別記為Max和Min，令初始閾值為：，根據(jù)閾值將圖像分割為前景和背景，分別求出兩者的平均灰度值和；〔2〕求出閾值；〔3〕如果；那么所得即為閾值；否那么轉〔2〕迭代計算。迭代所得的閾值分割效果良好,基于迭代的閾值能區(qū)分圖像的前景和背景的主要區(qū)域所在。3、用邊緣檢測法對圖像進展分割：邊緣是圖像的最根本的特征,邊緣中包含著有價值的目標邊界信息,這些信息可以用作圖像分析、目標識別。邊緣檢測分割法是通過檢測出不同區(qū)域邊界來進展分割的.邊緣總是以強度突變的形式出現(xiàn)，可以定義為圖像局部特性的不連續(xù)性，如灰度的突變、紋理構造的突變等.邊緣常常意味著一個區(qū)域的終結和另一個區(qū)域的開場.圖像的邊緣包含了物體形狀的重要信息，兩個具有不同灰度值的相鄰區(qū)域之間總存在灰度邊緣.灰度邊緣是灰度值不連續(xù)(或突變)的結果，這種不連續(xù)?？衫们笠浑A和二階導數(shù)方便的檢測到.在對圖像進展分割時，采用了多種算子對圖像進展分割，最后根據(jù)分割的現(xiàn)象采用效果最好的一種算子作為本次畢業(yè)設計的邊緣檢測算子。4、用局部閾值法對圖像進展后處理：經(jīng)過全局閾值分割和邊緣檢測分割后,有的地方存在灰度不連續(xù)，邊緣不清晰的情況，如果只用一個固定的全局閾值對整幅圖像進展后,那么由于不能兼顧圖像各處的情況而使分割效果受到影響。這時采用局部閾值法,即用與像素位置相關的一組閾值對圖像各局部分別進展分割。最簡單的方法是將圖像劃分為假設干小圖像,先對各子圖像閾值法進展分割,再將分割后的小區(qū)域合并在一起,得到整幅圖像的完整分割結果。其實局部閾值法是全局閾值法的一個拓展。4．實驗結果及分析4.1實驗結果圖4灰度直方圖圖5灰度圖像圖6全局閾值化后的圖片圖7prewitt算子分割后的圖片圖8Canny算子分割后的圖片圖9log算子分割后的圖片將Canny算子分割后的圖片作為邊緣檢測后的圖片，再將這個圖片分割為四個小圖片，每一個圖片的直方圖如下:圖10第一塊的直方圖圖11第二塊的直方圖圖12第三塊的直方圖圖13第四塊的直方圖圖13局部閾值化后的圖像4.2實驗結果分析由灰度圖片的直方圖可以看出，這個直方圖有多個峰值，不滿足雙峰法的兩個波峰一個波谷的條件，所以不適合采用雙峰法，我采用的是迭代法，迭代法得到的閾值分割效果良好，基于迭代的閾值能區(qū)分圖象的前景和背景的主要區(qū)域所在，迭代法作用于整幅圖像每個像素，因此，對于直方圖波峰明顯或目標和背景的灰度差異懸殊的圖像，得到的效果很好。由灰度圖和灰度直方圖可以看出，該圖像的目標和背景的灰度差異懸殊，并且該灰度直方圖的波峰明顯，滿足迭代法的使用條件。由效果圖可以看出，用迭代法得到的閾值分割圖失真度很低，根本上保持了原圖的輪廓。在采用邊緣算子時，本次畢業(yè)設計測試了3種算子，分別是Prewitt算子，Log算子和Canny算子。對于三種算子的實驗現(xiàn)象，從視覺上來看，以Canny算子最好，邊緣信息豐富，幾乎保存了邊緣所有的邊緣點，而且邊緣清晰，連續(xù)性好。Log算子，其分割圖像中所含非邊緣點較少，而且主要邊緣大局部被保存，但是還是去掉了很多真邊緣點。Prewitt算子的分割的圖像中雖然幾乎沒有非邊緣點，但是邊緣的連續(xù)性較差，從視覺上來看圖像顯得很雜亂。我們對圖像分割的結果通常以人的主觀判決作為評價準那么。盡管對大多數(shù)圖像處理問題而言，最后的信宿是人的視覺，但對不同分割方法的處理結果作一定量的比擬、評價也是必需的。這是一個有意義但比擬困難的問題。從目前的文獻來看，已有學者在這方面做了一些工作。一般認為對分割方法的評價可以通過分析和實驗兩種方式來進展。因此，分割評價方法可以分為分析法和實驗法兩大類。分析法是直接分析分割算法本身的原理及性能，而實驗法是通過對測試圖像的分割結果來評價算法的。通過對實際分割結果的分析來評估分割算法是具有實際意義的。定量試驗準那么：區(qū)域間的比照度圖像分割要把一幅原始圖像分為假設干個區(qū)域。直觀的考慮，這些區(qū)域的特性之間應該有比擬大的差距，或者說有明顯的比照，根據(jù)區(qū)域間的特性比照度的大小可以判別分割圖的質(zhì)量，也可由此反推出所用分割算法的優(yōu)劣來，對于圖像中相鄰接的兩個區(qū)域來說，如果他們各自的平均灰度為f1和f2，那么它們之間的區(qū)域比照度可以按下式來計算：(1)事實上式(1)中的f也可代表除灰度外的其他特征量，這樣就得到其他區(qū)域間的比照度，當一幅圖像有多個區(qū)域時，可利用式(1)分別計算兩兩間的區(qū)域間的比照度再求和[16]。將圖像分為左右兩個大的區(qū)域，下表是各個算子分割圖像后的區(qū)域間的比照度：圖像平均灰度1平均灰度2區(qū)域間比照度Canny算子25.9625.040.018Prewitt算子33.2132.610.009Log算子25.0424.880.003表1區(qū)域間的比照度所以，區(qū)域間的比照度越高代表分割效果越好，由上表可以看出，Canny算子分割的效果最好，Prewitt分割效果其次，Log算子的分割效果最差。接下來的局部閾值法，采用的就是Canny算子分割的圖像。在將邊緣分割后的圖像進展分割后，分成四塊小圖像，在實驗現(xiàn)象中可以看出，這四塊小圖像的灰度直方圖都有很明顯的雙峰，但是由于波谷寬闊平坦，不滿足雙峰法的使用條件，所以不能使用雙峰法，所以在對不同的圖像進展閾值化的時候，采用的是全局閾值法里面的迭代法，總的來說，就是將Canny算子分割后的圖片繼續(xù)分割成四小塊，對四塊不同的圖片用迭代法求取閾值，再將閾值化后的圖片合并起來。局部閾值化后，由現(xiàn)象可以看出，并沒有對原圖進展多大的改善，只是在一些很細微的地方有了一些邊緣的細化以及平滑，這說明在經(jīng)過Canny算子分割后，由灰度直方圖可以看出，這個灰度圖雙峰的谷底是在接近0的位置，而且是絕大局部像素都是接近于0的位置，所以圖像的改善并不大，并且圖像并沒有太多的灰度不連續(xù)以及陰影的情況存在，但是這并不能否認局部閾值化的效果的存在性。5．小結5.1主要工作總結通過對大量文獻的閱讀，在對圖像分割領域研究現(xiàn)狀和研究容有了一定了解的根底上，本文圍繞圖像分割技術的理論根底及其實際應用情況，主要進展了以下幾個方面的研究工作：<1>對圖像分割的概念進展詳細的述。<2>對圖像分割的常用方法進展分析和總結；根據(jù)圖像分割所基于的原理不同，把圖像分割方法主要分為基于閾值分割、基于邊緣檢測分割和基于區(qū)域分割三大類，并對他們做了簡單的介紹和比擬。<3>提出本次圖像分割的方案，并且對方案進展詳細的論述以及分析。<4>運用MATLAB軟件進展實驗，展示實驗現(xiàn)象，得到了較好的效果，根據(jù)實驗現(xiàn)象對圖像分割進展分析，運用相關的圖像分割評價標準來對分割出來的圖像進展分析，根據(jù)數(shù)據(jù)說明圖像分割結果的優(yōu)劣，總結本次圖像分割方案的優(yōu)缺點。5.2結論通過研究分析，可以得到以下結論：〔1〕閾值分割法的重點是對閾值的選擇,因此該方法的關鍵是如何選擇最正確閾值，如果閾值選擇不適宜，那么影響了圖片分割出來的效果，也影響下一步邊緣分割的效果?！?〕從實驗現(xiàn)象中可以看出，圖像中的目標和背景灰度差異不明顯或灰度值圍有重疊的地方分割效果不明顯，這一塊的背景和目標就沒有得到很好的區(qū)分，而其他灰度差異比擬大的地方分割效果較好。因此，全局閾值法適用于灰度差異較大的圖片，如果圖像灰度變化不是很明顯，那么達不到理想的效果?！?〕同樣都是邊緣檢測法，不同的邊緣檢測算子對同一幅圖像分割出來的效果是不同的，因為每一種邊緣算子的卷積形式是不同的，對于圖像的明暗程度，分辨率，灰度變化的敏感程度也是不同的。沒有哪一種邊緣算子是絕對的適宜，從以上實驗現(xiàn)象可以看出，例如：Canny算子的整體效果最好，它的分割結果很明顯沒有Prewitt算子分割細致，這是它缺乏的地方，每一種邊緣檢測算子分割的圖像都有相應的優(yōu)缺點，我們只能選取當中效果較好的一種，但是這也不能判定為這種算子就是最好的，只能說對于特定的圖片，這種算子到達的效果最好?！?〕局部閾值分割法是將原始圖像劃分成較小的圖像，并對每個子圖像選取相應的閾值。局部閾值分割法雖然能改善分割效果，但存在幾個缺點：①每幅子圖像的尺寸不能太小，否那么統(tǒng)計出的結果無意義。②每幅圖像的分割是任意的，假設有一幅子圖像正好落在目標區(qū)域或背景區(qū)域，而根據(jù)統(tǒng)計結果對其進展分割，也許會產(chǎn)生更差的結果。③局部閾值法對每一幅子圖像都要進展統(tǒng)計，速度慢，難以適應實時性的要求?！?〕通常對于一幅圖像的分割，僅僅只用一種圖像分割方法是不夠的，僅僅擁有依照分割算法本身進展了完善歸納和分類的圖象分割理論也是遠遠不夠的，每一種方法都有它缺乏的地方，因此僅僅只用一種方法往往達不到很好的效果，可以運用其他的方法結合使用，互相彌補缺乏。因為沒有哪一種分割方法能夠對所有的圖象都產(chǎn)生理想的分割結果，而根據(jù)待分割圖象的不同特點，結合的先驗知識，研究符合具體圖象特性的分割模型，才是提高圖象分割的重要手段。盡管人們在圖像分割方面作出了很多的研究，但是，迄今為止，沒有哪種方法是適合于所有圖像的，本文中提出的方法都有它的使用前提條件，因此，對于特定的圖像分割，最主要的是分析這幅圖像的特性，針對這幅圖像的特點，制定適合它的方案，以到達最好的分割效果。參考文獻[1]高秀娟.圖像分割的理論、方法及應用[D].大學碩士學位論文[2]./course/dip/pdf/ch7.pdf2008-2-25[3]管慧娟.基于區(qū)域的圖像分割方法[D].理工大學碩士學位論文[4]衛(wèi)平,忠科,王勇,呂培軍.基于區(qū)域的圖像分割算法綜述[J].電子測量與儀器學報,2007:278-281[5]春燕,閏長青,時秀芳.圖像分割綜述[J].根底及前沿研究.中國科技信息,2009:41-43[6]思奇,王蕾.圖像分割的閾值法綜述[J].系統(tǒng)工程與電子技術第24卷第6期:91-94[7]周強.圖像分割算法研究.電腦[J],2009：27-35[8]爽.圖象分割中閾值選取方法的研究及其算法實現(xiàn)[J].電腦知識與技術：68-70[9]黃春艷.大學碩士學位論文[D].圖像分割假設干算法研究[10]金龍.西北師大學碩士學位論文[D].圖像分割算法研究與實現(xiàn)[11]呂玉琴，曾光宇.基于圖像邊緣檢測算法的研究.科技[J].2009：31-33[12]特尼格爾，汪瀅.圖像邊緣檢測的研究與分析[J].科技論壇，2008：423-444[13]周鮮成.圖像分割方法及其應用研究綜述[J].信息技術,2007:11-14[14]丁莉,琦.簡捷圖像分割研究[J].技術講座,140-144[15]黃長專,王彪,忠.圖像分割方法研究[J].計算機技術與開展，2009:76-79[16]章毓晉.圖象分割[M].科學，2001.[17]彬，施志剛.圖像分割技術分析與展望[J].電腦知識與技術，2009：10066-10068[18]樂宋進，武和雷，胡泳芬.圖像分割方法的研究現(xiàn)狀與展望[J].水專學報，2004：15-207．附錄源碼：第一步〔迭代法〕：clearclc;tic%計時器Init=imread('gh.jpg');Im=rgb2gray(Init);figure,imhist(Im),title('直方圖')figure,imshow(Im),title('灰度圖像')[x,y]=size(Im);%求出圖象大小b=double(Im);zd=double(max(max(Im)))%求出圖象中最大的灰度zx=double(min(min(Im)))%最小的灰度T=double((zd+zx))/2;%T賦初值，為最大值和最小值的平均值count=double(0);%記錄幾次循環(huán)while1%迭代最正確閾值分割算法count=count+1;S0=0.0;n0=0.0;%為計算灰度大于閾值的元素的灰度總值、個數(shù)賦值S1=0.0;n1=0.0;%為計算灰度小于閾值的元素的灰度總值、個數(shù)賦值fori=1:xforj=1:yifdouble(Im(i,j))>=TS1=S1+double(Im(i,j));%大于閾域值圖像點灰度值累加n1=n1+1;%大于閾域值圖像點個數(shù)累加elseS0=S0+double(Im(i,j));%小于閾域值圖像點灰度值累加n0=n0+1;%小于閥域值圖像點個數(shù)累加endendendT0=S0/n0;%求小于閥域值均值T1=S1/n1;%求大于閥域值均值ifabs(T-((T0+T1)/2))<0.1%迭代至前后兩次閥域值相差幾乎為0時停頓break;elseT=(T0+T1)/2;%在閾值T下，迭代閾值的計算過程endendcount%顯示運行次數(shù)T%顯示最正確閾值算出Ttoci1=im2bw(Im,T/255);%圖像在最正確閾值下二值化figure,imshow(i1)imwrite(i1,'D:\pp.jpg')第二步〔邊緣檢測〔以canny算子為例〕〕：im=imread('pp.jpg');figureimshow(im);BW=im2bw(im);I=double(BW);BW1=edge(I,'canny',0.2);figure(1);imshow(I);figure(2);imshow(BW1);imwrite(BW1,'D:\pp2.jpg')第三步〔局部閾值〕：clear;img=imread('pp2.jpg');subimg1=img(1:216,1:135);%將原圖像平均分為四個子圖像subimg2=img(1:216,136:269);subimg3=img(217:431,1:135);subimg4=img(217:431,136:269);I=subimg1;fxy=imhist(I,256);%統(tǒng)計每個灰度值的個數(shù)figure;plot(fxy);%畫出灰度直方圖[x,y]=size(I);b=double(I);zd=double(max(max(I)))%求出圖象中最大的灰度zx=double(min(min(I)))%最小的灰度T=double((zd+zx))/2;%T賦初值，為最大值和最小值的平均值count=double(0);%記錄幾次循環(huán)while1%迭代最正確閾值分割算法count=count+1;S0=0.0;n0=0.0;%為計算灰度大于閾值的元素的灰度總值、個數(shù)賦值S1=0.0;n1=0.0;%為計算灰度小于閾值的元素的灰度總值、個數(shù)賦值fori=1:xforj=1:yifdouble(I(i,j))>=TS1=S1+double(I(i,j));%大于閾域值圖像點灰度值累加n1=n1+1;%大于閾域值圖像點個數(shù)累加elseS0=S0+double(I(i,j));%小于閾域值圖像點灰度值累加n0=n0+1;%小于閥域值圖像點個數(shù)累加endendendT0=S0/n0;%求小于閥域值均值T1=S1/n1;%求大于閥域值均值ifabs(T-((T0+T1)/2))<0.1%迭代至前后兩次閥域值相差幾乎為0時停頓break;elseT=(T0+T1)/2;%在閾值T下，迭代閾值的計算過程endendcount%顯示運行次數(shù)T%顯示最正確閾值算出Tbw1=im2bw(I,T/255);%圖像在最正確閾值下二值化I=subimg2;fxy=imhist(I,256);%統(tǒng)計每個灰度值的個數(shù)figure;plot(fxy);%畫出灰度直方圖[x,y]=size(I);b=double(I);zd=double(max(max(I)))%求出圖象中最大的灰度zx=double(min(min(I)))%最小的灰度T=double((zd+zx))/2;%T賦初值，為最大值和最小值的平均值count=double(0);%記錄幾次循環(huán)while1%迭代最正確閾值分割算法count=count+1;S0=0.0;n0=0.0;%為計算灰度大于閾值的元素的灰度總值、個數(shù)賦值S1=0.0;n1=0.0;%為計算灰度小于閾值的元素的灰度總值、個數(shù)賦值fori=1:xforj=1:yifdouble(I(i,j))>=TS1=S1+double(I(i,j));%大于閾域值圖像點灰度值累加n1=n1+1;%大于閾域值圖像點個數(shù)累加elseS0=S0+double(I(i,j));%小于閾域值圖像點灰度值累加n0=n0+1;%小于閥域值圖像點個數(shù)累加endendendT0=S0/n0;%求小于閥域值均值T1=S1/n1;%求大于閥域值均值ifabs(T-((T0+T1)/2))<0.1%迭代至前后兩次閥域值相差幾乎為0時停頓break;elseT=(T0+T1)/2;%在閾值T下，迭代閾值的計算過程endendcount%顯示運行次數(shù)T%顯示最正確閾值算出Tbw2=im2bw(I,T/255);%圖像在最正確閾值下二值化I=subimg3;fxy=imhist(I,256);%統(tǒng)計每個灰度值的個數(shù)figure;plot(fxy);%畫出灰度直方圖[x,y]=size(I);b=double(I);zd=double(max(max(I)))%求出圖象中最大的灰度zx=double(min(min(I)))%最小的灰度T=double((zd+zx))/2;%T賦初值，為最大值和