圖像分割算法的研究與實(shí)現(xiàn)畢業(yè)論文

1、<p>　　數(shù)字圖像處理期末考試</p><p>　　題目 圖像分割算法研究與實(shí)現(xiàn)</p><p>　　專業(yè)班級(jí)11通信工程一班 </p><p>　　姓名 </p><p>　　學(xué)號(hào) </p><p><b>　　目 錄<

2、;/b></p><p><b>　　摘　要:1</b></p><p><b>　　1．前言2</b></p><p>　　2．圖像分割概念2</p><p>　　2.1圖像分割定義2</p><p>　　2.2圖像分割方法綜述4</p>&l

3、t;p><b>　　2.3閾值法4</b></p><p>　　2.4 基于邊緣檢測(cè)的分割方法8</p><p>　　2.5基于區(qū)域的分割方法11</p><p>　　3．圖像分割方法詳述12</p><p>　　3.1圖像分割方法12</p><p>　　3.2 圖像分割方法實(shí)現(xiàn)

4、12</p><p>　　4．實(shí)驗(yàn)結(jié)果及分析14</p><p>　　4.1 實(shí)驗(yàn)結(jié)果14</p><p>　　4.2 實(shí)驗(yàn)結(jié)果分析18</p><p><b>　　5．小結(jié)20</b></p><p>　　5.1 主要工作總結(jié)20</p><p><b&

5、gt;　　5.2 結(jié)論20</b></p><p><b>　　6．附錄23</b></p><p>　　圖像分割算法研究與實(shí)現(xiàn)</p><p>　　摘　要: 圖像分割是圖像處理與計(jì)算機(jī)視覺(jué)的基本問(wèn)題之一,是圖像處理圖像分析的關(guān)鍵步驟。因?yàn)閳D像分割及其基于分割的目標(biāo)表達(dá)、特征提取和參數(shù)測(cè)量等將原始圖像轉(zhuǎn)化為更抽象更緊湊的形式，使

6、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(lái)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(jié)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(shí)驗(yàn)現(xiàn)象，最后對(duì)所做工作進(jìn)行總結(jié)。</p><p>　　關(guān)鍵詞:圖像分割 閾值法 邊緣檢測(cè) 微分算子 局部閾值 </p><p><b>　　1．前言</b&

7、gt;</p><p>　　在圖像的研究和應(yīng)用過(guò)程中，人們往往僅對(duì)各幅圖像中的某些部分感興趣.這些部分常稱為目標(biāo)或前景，它們一般對(duì)應(yīng)圖像中特定的具有獨(dú)特性質(zhì)的區(qū)域.為了辨別和分析目標(biāo)，需要將這些區(qū)域分離提取出來(lái)，在此基礎(chǔ)上才有可能對(duì)目標(biāo)進(jìn)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(biāo)的技術(shù)和過(guò)程.在進(jìn)行圖像分割時(shí)，首先要根據(jù)目標(biāo)和背景的先驗(yàn)知識(shí)來(lái)對(duì)圖像中的目標(biāo)、背景進(jìn)行標(biāo)記、定位，然后將等待識(shí)

8、別的目標(biāo)從背景中分離出來(lái).圖像分割是由圖像處理進(jìn)到圖像分析的關(guān)鍵步驟，也是一種基本的計(jì)算機(jī)視覺(jué)技術(shù).這是因?yàn)閳D像的分割、目標(biāo)的分離、特征的提取和參數(shù)的測(cè)量將原始的圖像轉(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.因此，圖像分割多年來(lái)一直得到人們的高度重視[1]。</p><p>　　圖象分割在實(shí)際中已得到廣泛的應(yīng)用，例如在工業(yè)自動(dòng)化，在線產(chǎn)品檢驗(yàn)，生產(chǎn)過(guò)程控制，文檔圖象處理，遙感和生物醫(yī)學(xué)圖象分析，保

9、安監(jiān)視，以及軍事，體育，農(nóng)業(yè)工程等方面。概括來(lái)說(shuō)，在各種圖象應(yīng)中，只要需對(duì)圖象目標(biāo)進(jìn)行提取，測(cè)量等都離不開(kāi)圖象分割。近年來(lái)，圖象分割在對(duì)圖象的編碼中也起到越來(lái)越重要的作用，例如國(guó)際標(biāo)準(zhǔn)MPEG一4中模型基/目標(biāo)基編碼等都需要基于分割的結(jié)果?？梢?jiàn)，圖象分割在圖象工程中有重要的地位和影響。</p><p>　　本文主要從圖像分割定義、圖像分割的方法等幾個(gè)方面來(lái)闡述關(guān)于圖像分割的幾個(gè)問(wèn)題。</p><

10、;p><b>　　2．圖像分割概念</b></p><p><b>　　2.1圖像分割定義</b></p><p>　　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(shù)?！坝幸饬x”—希望這些區(qū)域能分別和圖象景物中各目標(biāo)物(或背景)相對(duì)應(yīng)。</p><p>　　正式“集合”定義： </p>

11、<p>　　令集合 R 代表整個(gè)圖象區(qū)域，對(duì)R的分割可看作將R分成若干個(gè)滿足如下五個(gè)條件的非空的子集（子區(qū)域）：</p><p>　　（1）（分割所得全部子區(qū)域的總和（并集）應(yīng)能包括圖象中所有象素或?qū)D象中每個(gè)象素都劃分進(jìn)一個(gè)子區(qū)中）</p><p>　?。?）對(duì)所有的i 和j ,有Ri ∩ Rj = ø (i≠j);（各子區(qū)互不重疊）</p><

12、;p>　?。?）對(duì)i=1，2，3……，N，有P（Ri）=TRUE；（屬于同一子區(qū)象素應(yīng)具有的某些共同特性）</p><p>　?。?）對(duì)i≠j，有P(Ri ∪Rj)=FALSE；（屬于不同子區(qū)象素應(yīng)具有某些不同特性）</p><p>　?。?）對(duì)i=1，2，……，N，Ri是連通區(qū)域（同一子區(qū)內(nèi)象素應(yīng)當(dāng)是連通的）[2].</p><p>　　條件1指出對(duì)一幅圖象

13、的分割結(jié)果的全部子區(qū)域的總和(并集)就是原圖象，或者說(shuō)分割應(yīng)該是將圖象中的每個(gè)象素都分進(jìn)某個(gè)子區(qū)域中。條件2指出在分割結(jié)果中各個(gè)子區(qū)域是互不重疊的，或者說(shuō)在分割結(jié)果中一個(gè)象素不能同時(shí)屬于兩個(gè)區(qū)域。條件3指出在分割結(jié)果中每個(gè)子區(qū)域都有獨(dú)特的特性，或者說(shuō)屬于同一個(gè)區(qū)域中的象素應(yīng)該具有某些相同的特性。條件4指出在分割結(jié)果中，不同的子區(qū)域具有不同的特性，沒(méi)有公共元素，或者說(shuō)屬于不同區(qū)域的象素應(yīng)該具有一些不同的特性。條件5要求分割結(jié)果中同一個(gè)子區(qū)

14、域內(nèi)的象素應(yīng)當(dāng)是相通的，即同一個(gè)子區(qū)域內(nèi)的任意兩個(gè)象素在該子區(qū)域內(nèi)是互相連通，或者說(shuō)分割得到的區(qū)域是一個(gè)連通組元。</p><p>　　上面的定義，不僅對(duì)明確的說(shuō)明了分割的含義，而且對(duì)進(jìn)行分割也有相當(dāng)?shù)闹笇?dǎo)作用。因?yàn)榉指羁偸歉鶕?jù)一些分割準(zhǔn)則進(jìn)行的。條件1和條件2說(shuō)明正確的分割準(zhǔn)則應(yīng)可適用于所有區(qū)域和所有象素，條件3和條件4說(shuō)明合理的分割準(zhǔn)則應(yīng)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(shuō)明完整的分割準(zhǔn)則應(yīng)直接

15、或間接地對(duì)區(qū)域內(nèi)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(shí)際應(yīng)用中圖象分割不僅是要把一幅圖象分成滿足以上五個(gè)條件的各具特性的區(qū)域，而且需要把其中感興趣的目標(biāo)區(qū)域提取出來(lái),只有這樣才算是真正完成了圖象分割的任務(wù)。</p><p>　　2.2圖像分割方法綜述</p><p>　　圖像分割是指將圖像劃分為與其中含有的真實(shí)世界的物體或區(qū)域有強(qiáng)相關(guān)性的組成部分的過(guò)程。圖像分割是圖像處理和

16、分析中的重要問(wèn)題,也是計(jì)算機(jī)視覺(jué)研究中的一個(gè)經(jīng)典難題。盡管它一直受到科研人員的重視,但是它的發(fā)展很慢,被認(rèn)為是計(jì)算機(jī)視覺(jué)的一個(gè)瓶頸。迄今為止,還沒(méi)有一種圖像分割方法適用于所有的圖像,也沒(méi)有一類圖像所有的方法都適用于它。近幾年來(lái),研究人員不斷改進(jìn)原有方法并將其它學(xué)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(duì)傳統(tǒng)的圖像分割方法進(jìn)行分析。</p><p>　　典型的圖像分割方法有閾值法，邊緣檢測(cè)法，區(qū)

17、域法。</p><p>　　分析各種圖像分割方法可以發(fā)現(xiàn)，它們分割圖像的基本依據(jù)和條件有以下4方面:</p><p>　　(l)分割的圖像區(qū)域應(yīng)具有同質(zhì)性，如灰度級(jí)別相近、紋理相似等;</p><p>　　(2)區(qū)域內(nèi)部平整，不存在很小的小空洞;</p><p>　　(3)相鄰區(qū)域之間對(duì)選定的某種同質(zhì)判據(jù)而言，應(yīng)存在顯著差異性;</p&

18、gt;<p>　　(4)每個(gè)分割區(qū)域邊界應(yīng)具有齊整性和空間位置的準(zhǔn)確性。</p><p>　　現(xiàn)有的大多數(shù)圖像分割方法只是部分滿足上述判據(jù)。如果加強(qiáng)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:若強(qiáng)調(diào)不 同區(qū)域間性質(zhì)差異的顯著性，則極易造成非同質(zhì)區(qū)域的合并和有意義的邊界丟失。不同的圖像分割方法總有在各種約束條件之間找到適當(dāng)?shù)钠胶恻c(diǎn)[3]。</p><

19、p><b>　　2.3閾值法</b></p><p>　　閾值法的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單，速度快，易于實(shí)現(xiàn)。尤其是對(duì)于不同類的物體灰度值或其他特征值相差很大時(shí)，能很有效地對(duì)圖像進(jìn)行分割。</p><p>　　閾值法的缺點(diǎn)是當(dāng)圖像中不存在明顯的灰度差異或灰度值范圍有較大的重疊時(shí)，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(méi)有考慮圖像的空間信息，致使閾值法對(duì)噪聲和灰

20、度不均勻十分地敏感。在實(shí)際應(yīng)用中，閾值法通常與其他方法結(jié)合使用[4]。</p><p>　　閾值分割法是簡(jiǎn)單地用一個(gè)或幾個(gè)閾值將圖像的直方圖分成幾類, 圖像中灰度值在同一個(gè)灰度類內(nèi)的象素屬干同一個(gè)類。其過(guò)程是決定一個(gè)灰度值, 用以區(qū)分不同的類, 這個(gè)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(lái)得到分割用的閾值, 并根據(jù)該閾值對(duì)整幅圖像進(jìn)行分割而局部閾值分割

21、是根據(jù)圖像中的不同區(qū)域獲得對(duì)應(yīng)的不同區(qū)域的閾值, 利用這些閾值對(duì)各個(gè)區(qū)域進(jìn)行分割, 即一個(gè)閾值對(duì)應(yīng)相應(yīng)的一個(gè)子區(qū)域, 這種方法也稱適應(yīng)閾值分割。</p><p>　　閾值法是一種簡(jiǎn)單但是非常有效的方法, 特別是不同物體或結(jié)構(gòu)之間有很大的強(qiáng)度對(duì)比時(shí), 能夠得到很好的效果它一般可以作為一系列圖像處理過(guò)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)圖像選擇合適的閾值是基于閾值分割方法的

22、重點(diǎn)所在, 也是難點(diǎn)所在。</p><p>　　它的主要局限是, 最簡(jiǎn)單形式的閾值法只能產(chǎn)生二值圖像來(lái)區(qū)分兩個(gè)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(duì)噪聲很敏感它也沒(méi)有考慮圖像的紋理信息等有用信息,使分割效果有時(shí)不能盡如人意[5]。</p><p>　　閾值法的幾種閾值選擇方法:</p><p><b>　　全局閾值

23、法</b></p><p><b>　?。?）雙峰法</b></p><p>　　對(duì)于目標(biāo)與背景的灰度級(jí)有明顯差別的圖像,其灰度直方圖的分布呈雙峰狀,兩個(gè)波峰分別與圖像中的目標(biāo)和背景相對(duì)應(yīng),波谷與圖像邊緣相對(duì)應(yīng)。當(dāng)分割閾值位于谷底時(shí),圖像分割可取得最好的效果。該方法簡(jiǎn)單易行,但是對(duì)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]。<

24、/p><p>　　假設(shè)，一副圖像只有物體和背景兩部分組成，其灰度圖直方圖呈現(xiàn)明顯的雙峰值，如下圖:</p><p>　　圖1 雙峰法灰度直方圖</p><p>　　找出閾值T，則可以對(duì)整個(gè)圖像進(jìn)行二值化賦值。</p><p><b>　　程序的實(shí)現(xiàn)：</b></p><p>　　通過(guò)數(shù)組記錄直方圖中的

25、各像素點(diǎn)值的個(gè)數(shù)， 再對(duì)逐個(gè)像素值進(jìn)行掃描。記錄每個(gè)像素能作為谷底的范圍值，接著找出能作為谷底范圍最大的點(diǎn)作為閾值[7]。</p><p><b>　　實(shí)現(xiàn)流程圖：</b></p><p>　　圖2 雙峰法實(shí)現(xiàn)流程圖</p><p>　?。?）灰度直方圖變換法</p><p>　　該方法不是直接選取閾值,而是對(duì)灰度直方圖

26、進(jìn)行變換,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(gè)共同特征是根據(jù)像素點(diǎn)的局部特性,對(duì)其進(jìn)行灰度級(jí)的增強(qiáng)或減弱的變換。這種方法假設(shè)圖像由目標(biāo)和背景組成,并且目標(biāo)和背景灰度直方圖都是單峰分布[5]。</p><p>　?。?）迭代法（最優(yōu)方法）</p><p>　　它基于逼近的思想，基本算法如下：</p><p>　　<1>

27、; 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；</p><p><b>　　<2> 求出閾值；</b></p><p>　　<3> 如果；則所得即為閾值；否則轉(zhuǎn)<2>迭代計(jì)算。</p><p>　　迭代所得的閾值分割圖

28、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(xì)微處還是沒(méi)有很好的區(qū)分度，令人驚訝的是對(duì)某些特定圖象，微小數(shù)據(jù)的變化會(huì)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(jìn)一步研究[8]。</p><p><b>　　局部閾值法</b></p><p>　　原始圖像被分為幾個(gè)小的子圖像,再對(duì)每個(gè)子圖像分別求

29、出最優(yōu)分割閾值。</p><p><b>　?。?）自適應(yīng)閾值</b></p><p>　　在許多情況下，背景的灰度值并不是常數(shù)，物體和背景的對(duì)比度在圖像中也有變化。這時(shí)，一個(gè)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(dāng)遇到圖像中有陰影、突發(fā)噪聲、照度不均、對(duì)比度不均或背景灰度變化等情況時(shí)，只用一個(gè)固定的閾值對(duì)整幅圖像進(jìn)行閾值化處理，則會(huì)由于不能兼

30、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(gè)固定的值，而是取成一個(gè)隨圖像中位置緩慢變化的函數(shù)值是比較合適的。這就是自適應(yīng)閾值。</p><p>　　自適應(yīng)閾值就是對(duì)原始圖像分塊，對(duì)每一塊區(qū)域根據(jù)一般的方法選取局部閾值進(jìn)行分割。由于各個(gè)子圖的閾值化是獨(dú)立進(jìn)行的，所以在相鄰子圖像邊界處的閾值會(huì)有突變，因此應(yīng)該以采用適當(dāng)?shù)钠交夹g(shù)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。

31、</p><p>　　總的來(lái)說(shuō)，這類算法的時(shí)間和空間復(fù)雜度都較大，但是抗噪能力強(qiáng)，對(duì)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。</p><p><b>　?。?）多閾值分割</b></p><p>　　在多閾值分割中，分割是根據(jù)不同區(qū)域的特點(diǎn)得到幾個(gè)目標(biāo)對(duì)象，所以提取每一個(gè)目標(biāo)需要采用不同的閾值，也就是說(shuō)要使用多個(gè)閾值才能將它們分開(kāi)，

32、這就是多閾值分割。</p><p>　　在實(shí)際的應(yīng)用中，由于噪聲等干擾因素，直方圖有時(shí)不能出現(xiàn)明顯的峰值，此時(shí)選擇的閾值不能得到滿意的結(jié)果；另外一個(gè)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(guān)系，因此當(dāng)背景復(fù)雜，特別是在同一背景上重疊出現(xiàn)若干個(gè)研究目標(biāo)時(shí)，容易喪失部分邊界信息，造成圖像分割的不完整[9]。</p><p>　　2.4 基于邊緣檢測(cè)的分割方法</p&

33、gt;<p>　　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(jié)果，這種不連續(xù)常可以用求導(dǎo)數(shù)方便的檢測(cè)到，一般常用一階導(dǎo)數(shù)和二階導(dǎo)數(shù)來(lái)檢測(cè)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(duì)圖像提取邊緣能極大地降低我們要處理的數(shù)據(jù)量。</p>

34、;<p>　　常見(jiàn)的邊緣剖面有3種：</p><p>　?。?） 階梯狀邊緣：階梯狀的邊緣處于圖像中兩個(gè)具有不同灰度值的相鄰區(qū)域之間，可用二階導(dǎo)數(shù)的過(guò)零點(diǎn)檢測(cè)邊緣位置；</p><p>　　（2）脈沖狀邊緣：主要對(duì)應(yīng)細(xì)條狀的灰度值突變區(qū)域，通過(guò)檢測(cè)二階導(dǎo)數(shù)過(guò)零點(diǎn)可以確定脈沖的范圍；</p><p>　?。?） 屋頂狀邊緣：屋頂狀邊緣位于灰度值從增加到減

35、少的變化轉(zhuǎn)折點(diǎn)，通過(guò)檢測(cè)一階導(dǎo)數(shù)過(guò)零點(diǎn)可以確定屋頂位置。</p><p><b>　　圖3 常見(jiàn)邊緣剖面</b></p><p>　　雖然圖像邊緣點(diǎn)產(chǎn)生的原因不同，但他們都是圖像上灰度不連續(xù)點(diǎn)，或是灰度變化劇烈的地方。</p><p>　　經(jīng)典的邊緣提取方法是考察圖像的每個(gè)像素在某個(gè)鄰域內(nèi)灰度的變化，利用邊緣鄰近一階或二階方向?qū)?shù)變化規(guī)律，用簡(jiǎn)

36、單的方法檢測(cè)邊緣。這種方法稱為邊緣檢測(cè)局部算子法。邊緣檢測(cè)算子檢查每個(gè)像素的鄰域并對(duì)灰度變化率進(jìn)行量化，也包括方向的確定。常用的邊緣檢測(cè)方法的基礎(chǔ)是微分運(yùn)算，邊緣點(diǎn)對(duì)應(yīng)于一階微分幅度大的點(diǎn)，或?qū)?yīng)于二階微分的過(guò)零點(diǎn)。</p><p>　　傳統(tǒng)的邊緣檢測(cè)算法通過(guò)梯度算子來(lái)實(shí)現(xiàn)，在求邊緣的梯度時(shí)，需要對(duì)每個(gè)象素位置計(jì)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]。&l

37、t;/p><p>　　邊緣檢測(cè)的幾種經(jīng)典算法：</p><p>　?。?）Canny 算子</p><p>　　Canny 邊緣檢測(cè)利用高斯函數(shù)的一階微分，在噪聲抑制和邊緣檢測(cè)之間尋求較好的平衡，其表達(dá)式近似于高斯函數(shù)的一階導(dǎo)數(shù)。Canny 邊緣檢測(cè)算子對(duì)受加性噪聲影響的邊緣檢測(cè)是最優(yōu)的。</p><p>　?。?）Prewitt 和Sobel

38、算子</p><p>　　Prewitt從加大邊緣檢測(cè)算子的模板大小出發(fā)，由2×2 擴(kuò)大到3×3 來(lái)計(jì)算差分算子，采用Prewitt算子不僅能檢測(cè)邊緣點(diǎn)，而且能抑制噪聲的影響。Sobel 在Prewitt 算子的基礎(chǔ)上，對(duì)4-鄰域采用帶權(quán)的方法計(jì)算差分，該算子不僅能檢測(cè)邊緣點(diǎn)，且能進(jìn)一步抑制噪聲的影響，但檢測(cè)的邊緣較寬。</p><p><b>　?。?）Lo

39、g算子</b></p><p>　　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(jié)合了起來(lái)，先平滑掉噪聲，再進(jìn)行邊緣檢測(cè)。</p><p>　　邊緣檢測(cè)算法有如下四個(gè)步驟:</p><p>　　1) 濾波: 邊緣檢測(cè)算法主要是基于圖像強(qiáng)度的一階和二階導(dǎo)數(shù), 但導(dǎo)數(shù)的計(jì)算對(duì)噪聲很敏感, 因此必須

40、使用濾波器來(lái)改善與噪聲有關(guān)的邊緣檢測(cè)器的性能。需要指出, 大多數(shù)濾波器在降低噪聲的同時(shí)也導(dǎo)致了邊緣強(qiáng)度的損失, 因此,增強(qiáng)邊緣和降低噪聲之間需要折衷。</p><p>　　2) 增強(qiáng): 增強(qiáng)邊緣的基礎(chǔ)是確定圖像各點(diǎn)鄰域強(qiáng)度的變化值。增強(qiáng)算法可以將鄰域(或局部)強(qiáng)度值有顯著變化的點(diǎn)突顯出來(lái)。邊緣增強(qiáng)一般是通過(guò)計(jì)算梯度幅值來(lái)完成的。</p><p>　　3) 檢測(cè): 在圖像中有許多點(diǎn)的梯度幅值

41、比較大, 而這些點(diǎn)在特定的應(yīng)用領(lǐng)域中并不都是邊緣, 所以應(yīng)該用某種方法來(lái)確定哪些點(diǎn)是邊緣點(diǎn)。最簡(jiǎn)單的邊緣檢測(cè)判據(jù)是梯度幅值閾值判據(jù)。</p><p>　　4) 定位: 如果某一應(yīng)用場(chǎng)合要求確定邊緣位置, 則邊緣的位置可在子像素分辨率上來(lái)估計(jì),邊緣的方位也可以被估計(jì)出來(lái)。</p><p>　　各個(gè)邊緣檢測(cè)算子比較:</p><p>　　Sobel 算子和Prewitt

42、 算子: 都是對(duì)圖像先作加權(quán)平滑處理, 然后再作微分運(yùn)算, 所不同的是平滑部分的權(quán)值有些差異, 因此對(duì)噪聲具有一定的抑制能力, 但不能完全排除檢測(cè)結(jié)果中出現(xiàn)的虛假邊緣。雖然這兩個(gè)算子邊緣定位效果不錯(cuò), 但檢測(cè)出的邊緣容易出現(xiàn)多像素寬度。</p><p>　　Log 算子: 該算子克服了拉普拉斯算子抗噪聲能力比較差的缺點(diǎn), 但是在抑制噪聲的同時(shí)也可能將原有的比較尖銳的邊緣也平滑掉了, 造成這些尖銳邊緣無(wú)法被檢測(cè)到。

43、</p><p>　　Canny 算子: 該算子同樣采用高斯函數(shù)對(duì)圖像做平滑處理, 因此具有較強(qiáng)的抑制噪聲能力, 同樣該算子也會(huì)將一些高頻邊緣平滑掉,造成邊緣丟失。</p><p>　　綜上所述, 前面所介紹的各個(gè)算子各有各的特點(diǎn)和應(yīng)用領(lǐng)域, 每個(gè)算子只能反映出邊緣算法性能的一個(gè)方面, 在許多情況下需要綜合考慮[12]。</p><p>　　該類方法對(duì)邊緣灰度值過(guò)渡

44、比較尖銳且噪聲較小等不太復(fù)雜的圖像,大都可以取得較好的效果。但對(duì)于邊緣復(fù)雜、采光不均勻的圖像來(lái)說(shuō),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(cè)算法,如Marr 算子,遞歸濾波器和Canny 算子等都是先對(duì)圖像進(jìn)行適當(dāng)?shù)钠交?抑制噪聲,然后求導(dǎo)數(shù),或者先對(duì)圖像進(jìn)行局部擬合,然后再用擬合的光滑函數(shù)的導(dǎo)數(shù)來(lái)代替直接的數(shù)值導(dǎo)數(shù)。Canny 算子較為簡(jiǎn)單,而且考慮了梯度方向,效果比較好[1

45、3]。</p><p>　　要做好邊緣檢測(cè), 首先要清楚待檢測(cè)的圖像特性變化的形式從而使用適應(yīng)這種變化的檢測(cè)方法。其次要知道特性變化總是發(fā)生在一定的空間范圍內(nèi),不能期望用一種檢測(cè)算子就能最佳檢測(cè)出發(fā)生在圖像上的所有特性變化。當(dāng)需要提取多空間范圍內(nèi)的變化特性時(shí),要考慮多算子的綜合應(yīng)用。第三, 要考慮噪聲的影響其中一個(gè)辦法就是濾除噪聲, 這有一定的局限性再就是考慮信號(hào)加噪聲的條件檢測(cè)利用統(tǒng)計(jì)信號(hào)分析或通過(guò)對(duì)圖像區(qū)域的

46、建模而進(jìn)一步使檢測(cè)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(guò)內(nèi)插等獲得高精度定位。第五,在正確檢測(cè)邊緣的基礎(chǔ)上要考慮精確定位的問(wèn)題[14]。</p><p>　　2.5基于區(qū)域的分割方法</p><p>　　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(jì)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(gè)物體或區(qū)域中,進(jìn)而將圖像分割成若干

47、個(gè)不同區(qū)域的一種分割方法?；趨^(qū)域的分割方法主要有區(qū)域生長(zhǎng)法、分裂合并法。</p><p>　　區(qū)域生長(zhǎng)法、分裂合并法：</p><p>　　區(qū)域生長(zhǎng)法的基本思想是根據(jù)一定的相似性準(zhǔn)則,將圖像中滿足相似性準(zhǔn)則的像素或子區(qū)域合成更大的區(qū)域;分裂合并法是從整個(gè)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

48、通常相結(jié)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(zhǎng)的固有缺點(diǎn)是分割效果依賴于種子的選擇及生長(zhǎng)順序,區(qū)域分裂技術(shù)的缺點(diǎn)是可能破壞邊界,所以它們常常與其他方法相結(jié)合,以期取得更好的分割效果[15]。</p><p>　　區(qū)域生長(zhǎng)算法的研究重點(diǎn):(l)特征度量和區(qū)域增長(zhǎng)規(guī)則的設(shè)計(jì);(2)算法的高效性和準(zhǔn)確性。區(qū)域生長(zhǎng)方式的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單。與閉值分割類似，區(qū)域增長(zhǎng)也很少單獨(dú)使用，往往是與其它分割方法一起使用。&

49、lt;/p><p>　　區(qū)域生長(zhǎng)的缺點(diǎn)是:（l）它需要人工交互以獲得種子點(diǎn)，這樣使用者必須在每個(gè)需要抽取出的區(qū)域中植入一個(gè)種子點(diǎn);(2)區(qū)域增長(zhǎng)方式也對(duì)噪聲敏感，導(dǎo)致抽取出的區(qū)域有空洞或者在局部體效應(yīng)的情況下將分開(kāi)的區(qū)域連接起來(lái)。</p><p>　　在區(qū)域合并方法中，輸入圖像往往分為多個(gè)相似的區(qū)域，然后類似的相鄰區(qū)域根據(jù)某種判斷準(zhǔn)則迭代進(jìn)行合并。在區(qū)域分裂技術(shù)中，整個(gè)圖像先被看成一個(gè)區(qū)域，然

50、后區(qū)域不斷被分裂為四個(gè)矩形區(qū)域，直到每個(gè)區(qū)域內(nèi)部都是相似的，分裂合并方法中，區(qū)域先從整幅圖像開(kāi)始分裂，然后將相鄰的區(qū)域進(jìn)行合并。分裂合并方法不需要預(yù)先指定種子點(diǎn)，它的研究重點(diǎn)是分裂和合并規(guī)則的設(shè)計(jì)。但是，分裂合并技術(shù)可能會(huì)使分割區(qū)域的邊界破壞[2]。</p><p>　　和閾值法一樣，區(qū)域生長(zhǎng)法一般不單獨(dú)使用, 而是放在一系列處理過(guò)程中。它主要的缺陷是, 每一個(gè)需要提取的區(qū)域都必須人工給出一個(gè)種子點(diǎn), 這樣有多個(gè)

51、區(qū)域就必須給出相應(yīng)的種子個(gè)數(shù)。此法對(duì)噪聲也很敏感, 會(huì)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(huì)使本來(lái)分開(kāi)的區(qū)域連接起來(lái)[4]。</p><p>　　3．圖像分割方法詳述</p><p><b>　　3.1圖像分割方法</b></p><p>　　本次畢業(yè)設(shè)計(jì)采用的是彩色圖像作為分割圖像，采用的分割方法總的來(lái)說(shuō)是閾值法與邊

52、緣檢測(cè)法的結(jié)合使用，在整個(gè)圖象分割的過(guò)程中，最主要的方法是邊緣檢測(cè)法，而閾值法起到是對(duì)圖象進(jìn)行預(yù)處理和后處理的作用。</p><p>　　考慮到既要具有良好的切割效果,又要保留圖像的重要邊緣特征,具體的實(shí)現(xiàn)步驟如下：</p><p>　　(1)輸入待分割圖像f(x,y), f(x,y)為彩色圖像；</p><p>　　(2)將待分割圖像f(x,y)轉(zhuǎn)化為灰度圖像g(

53、x,y)；</p><p>　　(3)利用MATLAB顯示灰度圖像g(x,y)的灰度直方圖,用迭代法進(jìn)行閾值選取，以達(dá)到區(qū)分背景和目標(biāo)的目的；</p><p>　　(4)采用邊緣檢測(cè)算子檢測(cè)圖像的邊界特征,確定圖象的邊界位置，得到圖像G(x,y)；</p><p>　　(5)根據(jù)圖象分割的實(shí)際效果，將經(jīng)過(guò)邊緣檢測(cè)后的圖像G(x,y)進(jìn)行局部閾值分割，以達(dá)到消除圖像中

54、某些存在陰影、照度不均勻 ,各處的對(duì)比度不同 ,背景灰度變化等問(wèn)題。</p><p>　　3.2 圖像分割方法實(shí)現(xiàn)</p><p>　　1、對(duì)彩色圖像進(jìn)行灰度處理</p><p>　　2、用全局閾值法對(duì)圖像進(jìn)行預(yù)處理：閾值法是一種簡(jiǎn)單有效的圖像分割方法,它用一個(gè)或幾個(gè)閾值將圖像的灰度級(jí)分為幾個(gè)部分,認(rèn)為屬于同一個(gè)部分的像素是同一個(gè)物體。運(yùn)用這種思想，我打算首先將全局

55、閾值法用來(lái)區(qū)分圖片中的背景和目標(biāo)。閾值分割法的結(jié)果很大程度上依賴于對(duì)閾值的選擇, 因此該方法的關(guān)鍵是如何選擇合適的閾值。合適的閾值必須具備的條件是在使用選取的閾值對(duì)圖片進(jìn)行分割后，必須使圖像中的背景和目標(biāo)的分割錯(cuò)誤達(dá)到最小。</p><p>　　這種方法是先確定一個(gè)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(gè)像素的灰度值都與這個(gè)閾值相比較，并根據(jù)比較結(jié)果將對(duì)應(yīng)的像素劃分為兩類:像素的灰度值大于閾值的為一類

56、，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(duì)像素根據(jù)閾值分類達(dá)到了區(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; 在圖像內(nèi)容不太復(fù)雜、灰度分布較集中的情況下，往往采用最簡(jiǎn)單的全局閾值，并不考慮圖像中點(diǎn)的位置和其鄰域性質(zhì).</p><p>　　我采用的是迭代法來(lái)求取閾值，迭代法是基于逼近思想：</p><p>　?。?）求出圖像的最大灰度值和最

57、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；</p><p><b>　?。?）求出閾值；</b></p><p>　?。?）如果；則所得即為閾值；否則轉(zhuǎn)（2）迭代計(jì)算。</p><p>　　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。<

58、/p><p>　　3、用邊緣檢測(cè)法對(duì)圖像進(jìn)行分割：邊緣是圖像的最基本的特征, 邊緣中包含著有價(jià)值的目標(biāo)邊界信息, 這些信息可以用作圖像分析、目標(biāo)識(shí)別。</p><p>　　邊緣檢測(cè)分割法是通過(guò)檢測(cè)出不同區(qū)域邊界來(lái)進(jìn)行分割的.邊緣總是以強(qiáng)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、紋理結(jié)構(gòu)的突變等.邊緣常常意味著一個(gè)區(qū)域的終結(jié)和另一個(gè)區(qū)域的開(kāi)始.圖像的邊緣包含了物體形狀的重

59、要信息，兩個(gè)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(jié)果，這種不連續(xù)?？衫们笠浑A和二階導(dǎo)數(shù)方便的檢測(cè)到.</p><p>　　在對(duì)圖像進(jìn)行分割時(shí)，采用了多種算子對(duì)圖像進(jìn)行分割，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(shè)計(jì)的邊緣檢測(cè)算子。</p><p>　　4、用局部閾值法對(duì)圖像進(jìn)行后處理：經(jīng)過(guò)全局閾值分割和邊緣檢測(cè)分割后,有的地方存在灰

60、度不連續(xù)，邊緣不清晰的情況，如果只用一個(gè)固定的全局閾值對(duì)整幅圖像進(jìn)行后,則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(shí)采用局部閾值法,即用與像素位置相關(guān)的一組閾值對(duì)圖像各部分分別進(jìn)行分割。最簡(jiǎn)單的方法是將圖像劃分為若干小圖像,先對(duì)各子圖像閾值法進(jìn)行分割,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(jié)果。其實(shí)局部閾值法是全局閾值法的一個(gè)拓展。</p><p><b>　　4．實(shí)驗(yàn)結(jié)果及分析

61、</b></p><p><b>　　4.1 實(shí)驗(yàn)結(jié)果</b></p><p><b>　　圖4 灰度直方圖</b></p><p><b>　　圖5 灰度圖像</b></p><p>　　圖6 全局閾值化后的圖片</p><p>　　圖7

62、 prewitt算子分割后的圖片</p><p>　　圖8 Canny算子分割后的圖片</p><p>　　圖9 log算子分割后的圖片</p><p>　　將Canny算子分割后的圖片作為邊緣檢測(cè)后的圖片，再將這個(gè)圖片分割為四個(gè)小圖片，每一個(gè)圖片的直方圖如下:</p><p>　　圖10 第一塊的直方圖

63、圖11 第二塊的直方圖</p><p>　　圖12 第三塊的直方圖 圖13 第四塊的直方圖</p><p>　　圖13 局部閾值化后的圖像</p><p>　　4.2 實(shí)驗(yàn)結(jié)果分析</p><p>　　由灰度圖片的直方圖可以看出，這個(gè)直方圖有多個(gè)峰值，不滿足雙峰法的兩個(gè)波峰一個(gè)波谷的條件，所以不適合采用

64、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(gè)像素，因此，對(duì)于直方圖波峰明顯或目標(biāo)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(biāo)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，基本上保持了原圖的輪廓。</p><p&

65、gt;　　在采用邊緣算子時(shí)，本次畢業(yè)設(shè)計(jì)測(cè)試了3種算子，分別是Prewitt算子，Log算子和Canny算子。</p><p>　　對(duì)于三種算子的實(shí)驗(yàn)現(xiàn)象，從視覺(jué)上來(lái)看，以Canny算子最好，邊緣信息豐富，幾乎保留了邊緣所有的邊緣點(diǎn)，而且邊緣清晰，連續(xù)性好。 </p><p>　　Log算子，其分割圖像中所含非邊緣點(diǎn)較少，而且主要邊緣大部分被保留，但是還是去掉了很多真邊緣點(diǎn)。</p&

66、gt;<p>　　Prewitt算子的分割的圖像中雖然幾乎沒(méi)有非邊緣點(diǎn)，但是邊緣的連續(xù)性較差，從視覺(jué)上來(lái)看圖像顯得很雜亂。</p><p>　　我們對(duì)圖像分割的結(jié)果通常以人的主觀判決作為評(píng)價(jià)準(zhǔn)則。盡管對(duì)大多數(shù)圖像處理問(wèn)題而言，最后的信宿是人的視覺(jué)，但對(duì)不同分割方法的處理結(jié)果作一定量的比較、評(píng)價(jià)也是必需的。這是一個(gè)有意義但比較困難的問(wèn)題。從目前的文獻(xiàn)來(lái)看，已有學(xué)者在這方面做了一些工作。一般認(rèn)為對(duì)分割方

67、法的評(píng)價(jià)可以通過(guò)分析和實(shí)驗(yàn)兩種方式來(lái)進(jìn)行。因此，分割評(píng)價(jià)方法可以分為分析法和實(shí)驗(yàn)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(shí)驗(yàn)法是通過(guò)對(duì)測(cè)試圖像的分割結(jié)果來(lái)評(píng)價(jià)算法的。通過(guò)對(duì)實(shí)際分割結(jié)果的分析來(lái)評(píng)估分割算法是具有實(shí)際意義的。</p><p><b>　　定量試驗(yàn)準(zhǔn)則：</b></p><p><b>　　區(qū)域間的對(duì)比度</b><

68、/p><p>　　圖像分割要把一幅原始圖像分為若干個(gè)區(qū)域。直觀的考慮，這些區(qū)域的特性之間應(yīng)該有比較大的差距，或者說(shuō)有明顯的對(duì)比，根據(jù)區(qū)域間的特性對(duì)比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(lái)，對(duì)于圖像中相鄰接的兩個(gè)區(qū)域來(lái)說(shuō)，如果他們各自的平均灰度為f1和f2，則它們之間的區(qū)域?qū)Ρ榷瓤梢园聪率絹?lái)計(jì)算：</p><p><b>　　(1) </b>&l

69、t;/p><p>　　事實(shí)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)域間的對(duì)比度，當(dāng)一幅圖像有多個(gè)區(qū)域時(shí)，可利用式(1)分別計(jì)算兩兩間的區(qū)域間的對(duì)比度再求和[16]。 </p><p>　　將圖像分為左右兩個(gè)大的區(qū)域，下表是各個(gè)算子分割圖像后的區(qū)域間的對(duì)比度：</p><p>　　表1 區(qū)域間的對(duì)比度</p>

70、<p>　　所以，區(qū)域間的對(duì)比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。</p><p>　　接下來(lái)的局部閾值法，采用的就是Canny算子分割的圖像。</p><p>　　在將邊緣分割后的圖像進(jìn)行分割后，分成四塊小圖像，在實(shí)驗(yàn)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

71、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(duì)不同的圖像進(jìn)行閾值化的時(shí)候，采用的是全局閾值法里面的迭代法，總的來(lái)說(shuō)，就是將Canny算子分割后的圖片繼續(xù)分割成四小塊，對(duì)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(lái)。</p><p>　　局部閾值化后，由現(xiàn)象可以看出，并沒(méi)有對(duì)原圖進(jìn)行多大的改善，只是在一些很細(xì)微的地方有了一些邊緣的細(xì)化以及平滑，這說(shuō)明在經(jīng)過(guò)Canny算子分割后，由灰度直方圖

72、可以看出，這個(gè)灰度圖雙峰的谷底是在接近0的位置，而且是絕大部分像素都是接近于0的位置，所以圖像的改善并不大，并且圖像并沒(méi)有太多的灰度不連續(xù)以及陰影的情況存在，但是這并不能否定局部閾值化的效果的存在性。</p><p><b>　　5．小結(jié)</b></p><p>　　5.1 主要工作總結(jié)</p><p>　　通過(guò)對(duì)大量文獻(xiàn)的閱讀，在對(duì)圖像分割領(lǐng)

73、域研究現(xiàn)狀和研究?jī)?nèi)容有了一定了解的基礎(chǔ)上，本文圍繞圖像分割技術(shù)的理論基礎(chǔ)及其實(shí)際應(yīng)用情況，主要進(jìn)行了以下幾個(gè)方面的研究工作： </p><p>　　<1>對(duì)圖像分割的概念進(jìn)行詳細(xì)的陳述。</p><p>　　<2>對(duì)圖像分割的常用方法進(jìn)行分析和總結(jié)；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(cè)分割和基于區(qū)域分割三大類，并對(duì)他們做了簡(jiǎn)

74、單的介紹和比較。</p><p>　　<3>提出本次圖像分割的方案，并且對(duì)方案進(jìn)行詳細(xì)的論述以及分析。</p><p>　　<4>運(yùn)用MATLAB軟件進(jìn)行實(shí)驗(yàn)，展示實(shí)驗(yàn)現(xiàn)象，得到了較好的效果，根據(jù)實(shí)驗(yàn)現(xiàn)象對(duì)圖像分割進(jìn)行分析，運(yùn)用相關(guān)的圖像分割評(píng)價(jià)標(biāo)準(zhǔn)來(lái)對(duì)分割出來(lái)的圖像進(jìn)行分析，根據(jù)數(shù)據(jù)說(shuō)明圖像分割結(jié)果的優(yōu)劣，總結(jié)本次圖像分割方案的優(yōu)缺點(diǎn)。</p>&l

75、t;p><b>　　5.2 結(jié)論</b></p><p>　　通過(guò)研究分析，可以得到以下結(jié)論：</p><p>　?。?）閾值分割法的重點(diǎn)是對(duì)閾值的選擇, 因此該方法的關(guān)鍵是如何選擇最佳閾值，如果閾值選擇不合適，則影響了圖片分割出來(lái)的效果，也影響下一步邊緣分割的效果。</p><p>　?。?）從實(shí)驗(yàn)現(xiàn)象中可以看出，圖像中的目標(biāo)和背景灰度

76、差異不明顯或灰度值范圍有重疊的地方分割效果不明顯，這一塊的背景和目標(biāo)就沒(méi)有得到很好的區(qū)分，而其他灰度差異比較大的地方分割效果較好。</p><p>　　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，則達(dá)不到理想的效果。</p><p>　　（3）同樣都是邊緣檢測(cè)法，不同的邊緣檢測(cè)算子對(duì)同一幅圖像分割出來(lái)的效果是不同的，因?yàn)槊恳环N邊緣算子的卷積形式是不同的，對(duì)于圖像的

77、明暗程度，分辨率，灰度變化的敏感程度也是不同的。</p><p>　　沒(méi)有哪一種邊緣算子是絕對(duì)的合適，從以上實(shí)驗(yàn)現(xiàn)象可以看出，例如：Canny算子的整體效果最好，它的分割結(jié)果很明顯沒(méi)有Prewitt算子分割細(xì)致，這是它不足的地方，每一種邊緣檢測(cè)算子分割的圖像都有相應(yīng)的優(yōu)缺點(diǎn)，我們只能選取當(dāng)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(shuō)對(duì)于特定的圖片，這種算子達(dá)到的效果最好。</p>

78、<p>　?。?）局部閾值分割法是將原始圖像劃分成較小的圖像，并對(duì)每個(gè)子圖像選取相應(yīng)的閾值。局部閾值分割法雖然能改善分割效果，但存在幾個(gè)缺點(diǎn)：</p><p>　?、倜糠訄D像的尺寸不能太小，否則統(tǒng)計(jì)出的結(jié)果無(wú)意義。</p><p>　　②每幅圖像的分割是任意的，假如有一幅子圖像正好落在目標(biāo)區(qū)域或背景區(qū)域，而根據(jù)統(tǒng)計(jì)結(jié)果對(duì)其進(jìn)行分割，也許會(huì)產(chǎn)生更差的結(jié)果。</p>

79、<p>　　③局部閾值法對(duì)每一幅子圖像都要進(jìn)行統(tǒng)計(jì)，速度慢，難以適應(yīng)實(shí)時(shí)性的要求。</p><p>　?。?）通常對(duì)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(jìn)行了完善歸納和分類的圖象分割理論也是遠(yuǎn)遠(yuǎn)不夠的，每一種方法都有它不足的地方，因此僅僅只用一種方法往往達(dá)不到很好的效果，可以運(yùn)用其他的方法結(jié)合使用，互相彌補(bǔ)不足。因?yàn)闆](méi)有哪一種分割方法能夠?qū)λ械膱D象都產(chǎn)生理想的分

80、割結(jié)果，而根據(jù)待分割圖象的不同特點(diǎn)，結(jié)合已知的先驗(yàn)知識(shí)，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。</p><p>　　盡管人們?cè)趫D像分割方面作出了很多的研究，但是，迄今為止，沒(méi)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(duì)于特定的圖像分割，最主要的是分析這幅圖像的特性，針對(duì)這幅圖像的特點(diǎn)，制定適合它的方案，以達(dá)到最好的分割效果。</p><p&

81、gt;<b>　　參考文獻(xiàn)</b></p><p>　　[1] 高秀娟. 圖像分割的理論、方法及應(yīng)用[D]. 吉林大學(xué)碩士學(xué)位論文</p><p>　　[2] see.xidian.edu.cn/course/dip/pdf/ch7.pdf 2008-2-25</p><p>　　[3] 管慧娟. 基于區(qū)域的圖像分割方法[D]. 大連理工大學(xué)碩

82、士學(xué)位論文 </p><p>　　[4] 楊衛(wèi)平,李忠科,王勇,呂培軍. 基于區(qū)域的圖像分割算法綜述[J]. 電子測(cè)量與儀器學(xué)報(bào), 2007: 278-281</p><p>　　[5] 趙春燕,閏長(zhǎng)青,時(shí)秀芳. 圖像分割綜述[J]. 基礎(chǔ)及前沿研究. 中國(guó)科技信息,2009: 41-43</p><p>　　[6] 韓思奇, 王蕾. 圖像分割的閾值法綜述[J].

83、 系統(tǒng)工程與電子技術(shù)第24卷第6期: 91-94</p><p>　　[7] 周強(qiáng). 圖像分割算法研究. 福建電腦[J],2009：27-35</p><p>　　[8] 劉爽. 圖象分割中閾值選取方法的研究及其算法實(shí)現(xiàn)[J]. 電腦知識(shí)與技術(shù)：68-70</p><p>　　[9] 黃春艷. 河南大學(xué)碩士學(xué)位論文[D]. 圖像分割若干算法研究 </p>

84、;<p>　　[10] 楊金龍. 西北師范大學(xué)碩士學(xué)位論文[D]. 圖像分割算法研究與實(shí)現(xiàn) </p><p>　　[11] 呂玉琴，曾光宇.基于圖像邊緣檢測(cè)算法的研究. 太原科技[J]. 2009：31-33</p><p>　　[12] 特尼格爾，汪瀅. 圖像邊緣檢測(cè)的研究與分析[J]. 科技論壇，2008：423-444</p><p>　　[13

85、] 周鮮成. 圖像分割方法及其應(yīng)用研究綜述[J]. 信息技術(shù),2007: 11-14</p><p>　　[14] 丁莉,張琦. 簡(jiǎn)捷圖像分割研究[J]. 技術(shù)講座,140-144</p><p>　　[15] 黃長(zhǎng)專,王　彪,楊　忠. 圖像分割方法研究[J]. 計(jì)算機(jī)技術(shù)與發(fā)展，2009:76-79</p><p>　　[16] 章毓晉.圖象分割[M]. 科學(xué)出版

86、社，2001.</p><p>　　[17] 姜彬，施志剛. 圖像分割技術(shù)分析與展望[J]. 電腦知識(shí)與技術(shù)，2009：10066-10068</p><p>　　[18] 樂(lè)宋進(jìn)，武和雷，胡泳芬. 圖像分割方法的研究現(xiàn)狀與展望[J]. 南昌水專學(xué)報(bào)，2004：15-20</p><p><b>　　7．附錄</b></p>&l

87、t;p><b>　　源碼：</b></p><p><b>　　第一步（迭代法）：</b></p><p><b>　　clear </b></p><p><b>　　clc; </b></p><p>　　tic %計(jì)時(shí)器<

88、/p><p>　　Init=imread('gh.jpg'); </p><p>　　Im=rgb2gray(Init);</p><p>　　figure,imhist(Im),title('直方圖') </p><p>　　figure,imshow(Im) , title('灰度圖像 ') &

89、lt;/p><p>　　[x,y]=size(Im); % 求出圖象大小 </p><p>　　b=double(Im); </p><p>　　zd=double(max(max(Im))) % 求出圖象中最大的灰度 </p><p>　　zx=double(min(min(Im

90、))) % 最小的灰度 </p><p>　　T=double((zd+zx))/2; % T賦初值，為最大值和最小值的平均值 </p><p>　　count=double(0); % 記錄幾次循環(huán) </p><p>　　while 1 % 迭代最佳閾值分割算法 </p&g

91、t;<p>　　count=count+1; </p><p>　　S0=0.0; n0=0.0; %為計(jì)算灰度大于閾值的元素的灰度總值、個(gè)數(shù)賦值 </p><p>　　S1=0.0; n1=0.0; %為計(jì)算灰度小于閾值的元素的灰度總值、個(gè)數(shù)賦值 </p><p><b>　　for i=1:x</b></p>

92、;<p><b>　　for j=1:y</b></p><p>　　if double(Im(i,j))>=T</p><p>　　S1=S1+double(Im(i,j)); %大于閾域值圖像點(diǎn)灰度值累加</p><p>　　n1=n1+1; %大于閾域值圖像點(diǎn)個(gè)數(shù)累加</p>&

93、lt;p><b>　　else </b></p><p>　　S0=S0+double(Im(i,j)); %小于閾域值圖像點(diǎn)灰度值累加</p><p>　　n0=n0+1; %小于閥域值圖像點(diǎn)個(gè)數(shù)累加</p><p><b>　　end </b></p><p>

94、<b>　　end </b></p><p><b>　　end </b></p><p>　　T0=S0/n0; %求小于閥域值均值</p><p>　　T1=S1/n1; %求大于閥域值均值</p><p>　　if abs(T-((T0+T1)/2))<0.1 %迭代至 前后兩次閥域值

95、相差幾乎為0時(shí)停止</p><p><b>　　break;</b></p><p><b>　　else</b></p><p>　　T=(T0+T1)/2; %在閾值T下，迭代閾值的計(jì)算過(guò)程 </p><p><b>　　end </b></p><

96、;p><b>　　end </b></p><p>　　count %顯示運(yùn)行次數(shù)</p><p>　　T %顯示最佳閾值 算出T</p><p><b>　　toc</b></p><p>　　i1=im2bw(Im,T/255)

97、; % 圖像在最佳閾值下二值化 </p><p>　　figure,imshow(i1)</p><p>　　imwrite(i1,'D:\pp.jpg')</p><p>　　第二步（邊緣檢測(cè)（以canny算子為例））：</p><p>　　im=imread('pp.jpg');</p>&

98、lt;p><b>　　figure</b></p><p>　　imshow(im);</p><p>　　BW=im2bw(im);</p><p>　　I=double(BW);</p><p>　　BW1 = edge(I,'canny',0.2); </p>

99、<p>　　figure(1);</p><p>　　imshow(I);</p><p>　　figure(2);</p><p>　　imshow(BW1);</p><p>　　imwrite(BW1,'D:\pp2.jpg')</p><p>　　第三步（局部閾值）：</p>

100、;<p><b>　　clear; </b></p><p>　　img=imread('pp2.jpg'); </p><p>　　subimg1=img(1:216,1:135); %將原圖像平均分為四個(gè)子圖像 </p><p>　　subimg2=img(1:216,136:269); </

101、p><p>　　subimg3=img(217:431,1:135); </p><p>　　subimg4=img(217:431,136:269); </p><p>　　I=subimg1;</p><p>　　fxy = imhist(I, 256); %統(tǒng)計(jì)每個(gè)灰度值的個(gè)數(shù)</p><p>　　figure

102、; plot(fxy); %畫(huà)出灰度直方圖</p><p>　　[x,y]=size(I); </p><p>　　b=double(I); </p><p>　　zd=double(max(max(I))) % 求出圖象中最大的灰度 </p><p>　　zx=double(min(

103、min(I))) % 最小的灰度 </p><p>　　T=double((zd+zx))/2; % T賦初值，為最大值和最小值的平均值 </p><p>　　count=double(0); % 記錄幾次循環(huán) </p><p>　　while 1 % 迭代最佳閾值分割算法 <

104、;/p><p>　　count=count+1; </p><p>　　S0=0.0; n0=0.0; %為計(jì)算灰度大于閾值的元素的灰度總值、個(gè)數(shù)賦值 </p><p>　　S1=0.0; n1=0.0; %為計(jì)算灰度小于閾值的元素的灰度總值、個(gè)數(shù)賦值 </p><p><b>　　for i=1:x</b><

105、/p><p><b>　　for j=1:y</b></p><p>　　if double(I(i,j))>=T</p><p>　　S1=S1+double(I(i,j)); %大于閾域值圖像點(diǎn)灰度值累加</p><p>　　n1=n1+1; %大于閾域值圖像點(diǎn)個(gè)數(shù)累加</p>

106、<p><b>　　else </b></p><p>　　S0=S0+double(I(i,j)); %小于閾域值圖像點(diǎn)灰度值累加</p><p>　　n0=n0+1; %小于閥域值圖像點(diǎn)個(gè)數(shù)累加</p><p><b>　　end </b></p><p&g

107、t;<b>　　end </b></p><p><b>　　end </b></p><p>　　T0=S0/n0; %求小于閥域值均值</p><p>　　T1=S1/n1; %求大于閥域值均值</p><p>　　if abs(T-((T0+T1)/2))<0.1%迭代至前后兩次閥域值

108、相差幾乎為0時(shí)停止</p><p><b>　　break;</b></p><p><b>　　else</b></p><p>　　T=(T0+T1)/2; %在閾值T下，迭代閾值的計(jì)算過(guò)程 </p><p><b>　　end </b></p><

109、;p><b>　　end </b></p><p>　　count %顯示運(yùn)行次數(shù)</p><p>　　T %顯示最佳閾值 算出T</p><p>　　bw1=im2bw(I,T/255); % 圖像在最佳閾值下二值化 </p><p>　　I=sub

110、img2;</p><p>　　fxy = imhist(I, 256); %統(tǒng)計(jì)每個(gè)灰度值的個(gè)數(shù)</p><p>　　figure; plot(fxy); %畫(huà)出灰度直方圖</p><p>　　[x,y]=size(I); </p><p>　　b=double(I); </p>

111、<p>　　zd=double(max(max(I))) % 求出圖象中最大的灰度 </p><p>　　zx=double(min(min(I))) % 最小的灰度 </p><p>　　T=double((zd+zx))/2; % T賦初值，為最大值和最小值的平均值 </p><p>　　count=do

112、uble(0); % 記錄幾次循環(huán) </p><p>　　while 1 % 迭代最佳閾值分割算法 </p><p>　　count=count+1; </p><p>　　S0=0.0; n0=0.0; %為計(jì)算灰度大于閾值的元素的灰度總值、個(gè)數(shù)賦值 </p><p>　　S1=0

113、.0; n1=0.0; %為計(jì)算灰度小于閾值的元素的灰度總值、個(gè)數(shù)賦值 </p><p><b>　　for i=1:x</b></p><p><b>　　for j=1:y</b></p><p>　　if double(I(i,j))>=T</p><p>　　S1=S1+doubl

114、e(I(i,j)); %大于閾域值圖像點(diǎn)灰度值累加</p><p>　　n1=n1+1; %大于閾域值圖像點(diǎn)個(gè)數(shù)累加</p><p><b>　　else </b></p><p>　　S0=S0+double(I(i,j)); %小于閾域值圖像點(diǎn)灰度值累加</p><p>　　n0=n0+1

115、; %小于閥域值圖像點(diǎn)個(gè)數(shù)累加</p><p><b>　　end </b></p><p><b>　　end </b></p><p><b>　　end </b></p><p>　　T0=S0/n0; %求小于閥域值均值</p>

116、<p>　　T1=S1/n1; %求大于閥域值均值</p><p>　　if abs(T-((T0+T1)/2))<0.1%迭代至前后兩次閥域值相差幾乎為0時(shí)停止</p><p><b>　　break;</b></p><p><b>　　else</b></p><p>　　T