圖像分割畢業(yè)設(shè)計

1、<p><b>　　目 錄</b></p><p><b>　　摘 要I</b></p><p>　　AbstractII</p><p><b>　　第1章 緒論1</b></p><p>　　1.1圖像分割概述1</p><p>

2、;　　1.2 圖像分割特征1</p><p>　　1.3 圖像分割的發(fā)展及現(xiàn)狀1</p><p>　　1.4研究的背景與意義2</p><p>　　第2章 數(shù)字圖像處理3</p><p>　　2.1 發(fā)展概況3</p><p>　　2.2 主要目的4</p><p>　　2.3 常用

3、方法4</p><p>　　2.4 應(yīng)用領(lǐng)域5</p><p>　　2.5 研究方向7</p><p>　　2.6 基本特點7</p><p>　　2.7 MATLAB軟件8</p><p>　　第3章 閾值分割10</p><p>　　3.1 圖像二值化10</p&

4、gt;<p>　　3.2 閾值分割基本原理10</p><p>　　3.3 閾值分割方法定義11</p><p>　　3.4 閾值分割描述12</p><p>　　3.5閾值分割分類12</p><p>　　第4章 閾值分割方法13</p><p>　　4.1直方圖法13</p>

5、<p>　　4.2 迭代法14</p><p>　　4.3最大類間方差法17</p><p><b>　　4.4小結(jié)20</b></p><p>　　第5章 最大類間方差法的改進(jìn)21</p><p><b>　　結(jié)論27</b></p><p><

6、b>　　參考文獻(xiàn)28</b></p><p><b>　　致謝29</b></p><p><b>　　摘 要</b></p><p>　　通常人們只對圖像的某個區(qū)域感興趣，為了能夠把感興趣的區(qū)域提取出來，就得對圖像進(jìn)行分割。圖像分割就是把圖像分成一些具有不同特征而有意義的區(qū)域，以便進(jìn)一步的圖像處理

7、與分析。圖像分割是圖像處理的關(guān)鍵，在灰度圖像中分割出有意義區(qū)域的最基本方法是設(shè)置閾值的分割方法。選擇閾值的主要方法有：直方圖法，迭代法，最大類間方差法。本文主要比較三種方法的優(yōu)缺點，并對其中的最大類間方差法進(jìn)行優(yōu)化，改進(jìn)分割效果。</p><p>　　關(guān)鍵詞： 閾值 直方圖 迭代法 最大類間方差法</p><p><b>　　Abstract</b></p>

8、;<p>　　Usually people only interested in certain parts of the image, in order to be able to extract the interesting part, you have to do image segmentation. Image segmentation is to divide the image into a number

9、of different features and meaningful areas for further image analysis and understanding. Image segmentation is the key of image processing . The most basic method of segmentation in the gray image is to set threshold . T

10、he main methods of selecting threshold are: histogram method, iterative me</p><p>　　Key words：threshold the histogram method iterative method</p><p>　　Otsu method</p><p><b>

11、;　　第1章 緒論</b></p><p><b>　　1.1圖像分割概述</b></p><p>　　圖像分割就是按照人們的意愿將圖像分成許多個區(qū)域，使得人們分離出目標(biāo)與背景[1]。同時人們可以對圖像的特征進(jìn)行提取或者是對目標(biāo)的一些參數(shù)進(jìn)行一些簡單的測量，為人們進(jìn)行更深入的圖像研究提供了基礎(chǔ)。圖像分割是圖像預(yù)處理的重要步驟，在人們進(jìn)行圖像處理研究的初期就

12、已經(jīng)受到人們的高度重視。經(jīng)過幾十年的發(fā)展，到目前為止，人們已經(jīng)提出了很多種分割方法。盡管圖像分割的方法和種類有很多，卻沒有公認(rèn)的標(biāo)準(zhǔn)的分割方法。有些分割運算可直接分割任何圖像，而有一些只能適用于特殊類圖像。許多不同種類的圖像或景物都可作為待分割的圖像，不同類型的圖像，已經(jīng)有相對應(yīng)的分割方法對其分割，同時，某些分割方法也只是適合于某些特殊類型的圖像分割。分割結(jié)果的好壞需要根據(jù)具體情況而定。圖像分割是從圖像處理到圖像分析的關(guān)鍵步驟，可以說，

13、圖像分割結(jié)果的好壞直接影響對圖像的進(jìn)一步處理。</p><p>　　1.2 圖像分割特征</p><p>　?。?）分割出來的各區(qū)域?qū)δ撤N性質(zhì)例如灰度，紋理而言具有相似性，區(qū)域內(nèi)部是連通的且沒有過多小孔；（2）區(qū)域邊界是明確的；（3）相鄰區(qū)域?qū)Ψ指钏罁?jù)的性質(zhì)有明顯的差異。（4）基于亮度值的兩個基本特性之一: 跳躍性不連續(xù)性和相似性.</p><p>　　第1類性質(zhì)

14、的應(yīng)用途徑是基于亮度的跳躍（不連續(xù)）變化分割圖像,比如圖像的邊緣。 </p><p>　　第2類的主要應(yīng)用途徑是依據(jù)事先制定的準(zhǔn)則將圖像分割為相似的區(qū)域、 閾值處理、區(qū)域生長、區(qū)域分離和聚合都是這類方法的實例。</p><p>　　1.3 圖像分割的發(fā)展及現(xiàn)狀</p><p>　　圖像數(shù)據(jù)的模糊和噪聲的干擾是分割問題的主要困難[2]。到目前為止，還沒有一種分割方

15、法，可以使按照人們的意愿準(zhǔn)確無誤的分割任何一種圖像。實際圖像中景物情況多變，具體問題具體分析，需要根據(jù)實際情況選擇適合的方法。分割結(jié)果的好壞，目前還沒有一個統(tǒng)一的評價準(zhǔn)則，分割的好壞必須從分割的效果和實際應(yīng)用場景來判斷。不過在人類研究圖像的歷史中，還是積累了許多經(jīng)典的圖像分割方法。雖然這些分割方法不適合所有類型的圖像分割，但是這些方法卻是圖像分割方法進(jìn)一步發(fā)展的基礎(chǔ)。 </p><p>　　早期的圖像研究中，圖像

16、的分割方法主要可以分為兩大類。一類是邊界方法，這種方法的假設(shè)是圖像分割結(jié)果的某個子區(qū)域在原來的圖像中一定會有邊緣存在；一類是區(qū)域方法，這種方法的假設(shè)是圖像分割結(jié)果的子區(qū)域一定會有相同的性質(zhì)，而不同區(qū)域的像素沒有共同的性質(zhì)[3]。這兩種方法都有缺點和優(yōu)點，研究人員也試圖把兩者結(jié)合起來進(jìn)行圖像分割，隨著計算機(jī)處理能力的提高，很多方法不斷涌現(xiàn)，如基于彩色分量分割、模糊集、紋理圖像分割。所使用的教學(xué)工具和實驗手段也是不斷的擴(kuò)展，從時域信號到頻域

17、信號處理，近來小波變換也被應(yīng)用到圖像分割中。</p><p>　　1.4 研究的背景與意義</p><p>　　圖像分割是圖像處理、模式識別和人工智能等多個領(lǐng)域中的關(guān)鍵課題，也是計算機(jī)處理視覺技術(shù)的首要的、關(guān)鍵的步驟。圖像分割的應(yīng)用非常廣泛，幾乎出現(xiàn)在關(guān)于圖像處理的所有領(lǐng)域。因此，從20世紀(jì)60年代以來，圖像分割一直都是圖像研究技術(shù)的熱點。數(shù)字圖像處理的基礎(chǔ)是圖像分割，圖像分割同時也是進(jìn)行

18、計算機(jī)自動識別和人工智能的橋梁，長期以來圖像分割一直都是數(shù)字圖像處理領(lǐng)域的一個經(jīng)典難題。經(jīng)典的圖像分割算法，諸如：直方圖分割方法具有實現(xiàn)簡單、計算量小、性能較穩(wěn)定等特點。通常，它是利用圖像的灰度直方圖的分布特征,找出灰度直方圖分布的兩波峰之間的波谷，選定恰當(dāng)?shù)拈撝祵D像分割開，然而這種分割方法依賴于圖像灰度的分布，對灰度分布不呈雙峰特征或復(fù)雜背景的圖像,這種方法往往會造成錯誤，并且有些細(xì)節(jié)不能很好的顯示出來，應(yīng)用較窄。</p>

19、;<p>　　第2章 數(shù)字圖像處理</p><p>　　數(shù)字圖像處理是通過計算機(jī)對圖像進(jìn)行去除噪聲、增強(qiáng)、復(fù)原、分割、提取特征等處理的方法和技術(shù)。數(shù)字圖像處理的產(chǎn)生和迅速發(fā)展主要受三個因素的影響：一是計算機(jī)的發(fā)展；二是數(shù)學(xué)的發(fā)展（特別是離散數(shù)學(xué)理論的創(chuàng)立和完善）;三是廣泛的農(nóng)牧業(yè)、林業(yè)、環(huán)境、軍事、工業(yè)和醫(yī)學(xué)等方面的應(yīng)用需求的增長[4]。數(shù)字圖像處理又稱為計算機(jī)圖像處理，它是指將圖像信號轉(zhuǎn)換成數(shù)字信

20、號并利用計算機(jī)對其進(jìn)行處理的過程。</p><p><b>　　2.1 發(fā)展概況</b></p><p>　　數(shù)字圖像處理最早出現(xiàn)于20世紀(jì)50年代，當(dāng)時的電子計算機(jī)已經(jīng)發(fā)展到一定水平，人們開始利用計算機(jī)來處理圖形和圖像信息。數(shù)字圖像處理作為一門學(xué)科大約形成于20世紀(jì)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

21、，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(qiáng)、復(fù)原、編碼、壓縮等。首次獲得實際成功應(yīng)用的是美國噴氣推進(jìn)實驗室（JPL）。他們對航天探測器徘徊者7號在1964年發(fā)回的幾千張月球照片使用了圖像處理技術(shù)，如幾何校正、灰度變換、去除噪聲等方法進(jìn)行處理，并考慮了太陽位置和月球環(huán)境的影響，由計算機(jī)成功地繪制出月球表面地圖，獲得了巨大的成功。隨后又對探測飛船發(fā)回的近十萬張照片進(jìn)行更為復(fù)雜的圖像處理，以致獲得了月球的地

22、形圖、彩色圖及全景鑲嵌圖，獲得了非凡的成果，為人類登月創(chuàng)舉奠定了堅實的基礎(chǔ)，也推動了數(shù)字圖像處理這門學(xué)科的誕生。在以后的宇航空間技術(shù)，如對火星、土星等星球的探測研究中，都發(fā)揮了巨大的作用。數(shù)字圖像處理取得的另一個巨大成就是在醫(yī)學(xué)上獲得的成果。</p><p>　　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(jī)斷層攝影裝置，也就是我們通常所說的CT（Computer Tomogra

23、ph）。CT的基該方法是根據(jù)人的頭部截面的投影，經(jīng)計算機(jī)處理來重建截面圖像，稱為圖像重建。</p><p>　　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(shù)獲得了諾貝爾獎，說明它對人類作出了劃時代的貢獻(xiàn)。與此同時，圖像處理技術(shù)在許多應(yīng)用領(lǐng)域受到廣泛重視并取得了重大的開拓性成就，屬于這些領(lǐng)域的有航空航天、生物醫(yī)學(xué)工程、工業(yè)檢測、機(jī)器人視覺、公

24、安司法、軍事制導(dǎo)、文化藝術(shù)等，使圖像處理成為一門引人注目、前景遠(yuǎn)大的新型學(xué)科。隨著圖像處理技術(shù)的深入發(fā)展，從70年代中期開始，隨著計算機(jī)技術(shù)和人工智能、思維科學(xué)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(jī)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(jī)視覺。很多國家，特別是發(fā)達(dá)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

25、提出的視覺計算理論，這個理論成為計算機(jī)視覺領(lǐng)域其后十多年的主導(dǎo)思想。圖像理解雖然在理論方法研究上已取得不小的進(jìn)展，但它本身是一個比較難的研究領(lǐng)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(jī)視覺是一個有待人們進(jìn)一步探索的新領(lǐng)域。</p><p><b>　　2.2 主要目的</b></p><p>　　一般來講，對圖像進(jìn)行處理（或加工、分析）的主要目

26、的有三個方面：</p><p>　?。?）提高圖像的視感質(zhì)量，如進(jìn)行圖像的亮度、彩色變換，增強(qiáng)、抑制某些成分，對圖像進(jìn)行幾何變換等，以改善圖像的質(zhì)量。</p><p>　?。?）提取圖像中所包含的某些特征或特殊信息，這些被提取的特征或信息往往為計算機(jī)分析圖像提供便利。提取特征或信息的過程是模式識別或計算機(jī)視覺的預(yù)處理。提取的特征可以包括很多方面，如頻域特征、灰度或顏色特征、邊界特征、區(qū)域特

27、征、紋理特征、形狀特征、拓?fù)涮卣骱完P(guān)系結(jié)構(gòu)等。</p><p>　?。?）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。</p><p>　　不管是何種目的的圖像處理，都需要由計算機(jī)和圖像專用設(shè)備組成的圖像處理系統(tǒng)對圖像數(shù)據(jù)進(jìn)行輸入、加工和輸出。</p><p><b>　　2.3 常用方法</b></p><p>

28、;　　數(shù)字圖像處理常用方法有以下幾個方面：</p><p>　?。?）圖像變換：由于圖像陣列很大，直接在空間域中進(jìn)行處理，涉及計算量很大。因此，往往采用各種圖像變換的方法，如傅立葉變換、沃爾什變換、離散余弦變換等間接處理技術(shù)，將空間域的處理轉(zhuǎn)換為變換域處理，不僅可減少計算量，而且可獲得更有效的處理（如傅立葉變換可在頻域中進(jìn)行數(shù)字濾波處理）。目前新興研究的小波變換在時域和頻域中都具有良好的局部化特性，它在圖像處理中

29、也有著廣泛而有效的應(yīng)用。 </p><p>　?。?）圖像編碼壓縮：圖像編碼壓縮技術(shù)可減少描述圖像的數(shù)據(jù)量（即比特數(shù)），以便節(jié)省圖像傳輸、處理時間和減少所占用的存儲器容量。壓縮可以在不失真的前提下獲得，也可以在允許的失真條件下進(jìn)行。編碼是壓縮技術(shù)中最重要的方法，它在圖像處理技術(shù)中是發(fā)展最早且比較成熟的技術(shù)。 </p><p>　　（3）圖像增強(qiáng)和復(fù)原：圖像增強(qiáng)和復(fù)原的目的是為了提高圖像的質(zhì)

30、量，如去除噪聲，提高圖像的清晰度等。圖像增強(qiáng)不考慮圖像降質(zhì)的原因，突出圖像中所感興趣的部分。如強(qiáng)化圖像高頻分量，可使圖像中物體輪廓清晰，細(xì)節(jié)明顯；如強(qiáng)化低頻分量可減少圖像中噪聲影響。圖像復(fù)原要求對圖像降質(zhì)的原因有一定的了解，一般講應(yīng)根據(jù)降質(zhì)過程建立“降質(zhì)模型”，再采用某種濾波方法，恢復(fù)或重建原來的圖像。 </p><p>　?。?）圖像分割：圖像分割是數(shù)字圖像處理中的關(guān)鍵技術(shù)之一。圖像分割是將圖像中有意義的特征部

31、分提取出來，其有意義的特征有圖像中的邊緣、區(qū)域等，這是進(jìn)一步進(jìn)行圖像識別、分析和理解的基礎(chǔ)。雖然目前已研究出不少邊緣提取、區(qū)域分割的方法，但還沒有一種普遍適用于各種圖像的有效方法[5]。因此，對圖像分割的研究還在不斷深入之中，是目前圖像處理中研究的熱點之一。 </p><p>　?。?）圖像描述：圖像描述是圖像識別和理解的必要前提。作為最簡單的二值圖像可采用其幾何特性描述物體的特性，一般圖像的描述方法采用二維形狀

32、描述，它有邊界描述和區(qū)域描述兩類方法。對于特殊的紋理圖像可采用二維紋理特征描述。隨著圖像處理研究的深入發(fā)展，已經(jīng)開始進(jìn)行三維物體描述的研究，提出了體積描述、表面描述、廣義圓柱體描述等方法。 </p><p>　?。?）圖像分類（識別）：圖像分類（識別）屬于模式識別的范疇，其主要內(nèi)容是圖像經(jīng)過某些預(yù)處理（增強(qiáng)、復(fù)原、壓縮）后，進(jìn)行圖像分割和特征提取，從而進(jìn)行判決分類。圖像分類常采用經(jīng)典的模式識別方法，有統(tǒng)計模式分類

33、和句法（結(jié)構(gòu)）模式分類，近年來新發(fā)展起來的模糊模式識別和人工神經(jīng)網(wǎng)絡(luò)模式分類在圖像識別中也越來越受到重視。</p><p><b>　　2.4 應(yīng)用領(lǐng)域</b></p><p>　?。?）航天和航空方面：航天和航空技術(shù)方面的應(yīng)用數(shù)字圖像處理技術(shù)在航天和航空技術(shù)方面的應(yīng)用，除了JPL對月球、火星照片的處理之外，另一方面的應(yīng)用是在飛機(jī)遙感和衛(wèi)星遙感技術(shù)中。許多國家每天派

34、出很多偵察飛機(jī)對地球上有興趣的地區(qū)進(jìn)行大量的空中攝影。對由此得來的照片進(jìn)行處理分析，以前需要雇用幾千人，而現(xiàn)在改用配備有高級計算機(jī)的圖像處理系統(tǒng)來判讀分析，既節(jié)省人力，又加快了速度，還可以從照片中提取人工所不能發(fā)現(xiàn)的大量有用情報。從60年代末以來，美國及一些國際組織發(fā)射了資源遙感衛(wèi)星（如LANDSAT系列）和天空實驗室（如SKYLAB），由于成像條件受飛行器位置、姿態(tài)、環(huán)境條件等影響，圖像質(zhì)量總不是很高。因此，以如此昂貴的代價進(jìn)行簡單直

35、觀的判讀來獲取圖像是不合算的，而必須采用數(shù)字圖像處理技術(shù)。如LANDSAT系列陸地衛(wèi)星，采用多波段掃描器（MSS），在900km高空對地球每一個地區(qū)以18天為一周期進(jìn)行掃描成像，其圖像分辨率大致相當(dāng)于地面上十幾米或100米左右（如1983年發(fā)射的LANDSAT-4，分辨率為30m）。這些圖像在空中先處理（數(shù)字化，編碼）成數(shù)字信號存入磁帶中，在衛(wèi)星經(jīng)過地面站上空時，再高速傳</p><p>　?。?）生物醫(yī)學(xué)工程方

36、面：數(shù)字圖像處理在生物醫(yī)學(xué)工程方面的應(yīng)用十分廣泛，而且很有成效。除了上面介紹的CT技術(shù)之外，還有一類是對醫(yī)用顯微圖像的處理分析，如紅細(xì)胞、白細(xì)胞分類，染色體分析，癌細(xì)胞識別等。此外，在X光肺部圖像增晰、超聲波圖像處理、心電圖分析、立體定向放射治療等醫(yī)學(xué)診斷方面都廣泛地應(yīng)用圖像處理技術(shù)。</p><p>　?。?）通信工程方面：當(dāng)前通信的主要發(fā)展方向是聲音、文字、圖像和數(shù)據(jù)結(jié)合的多媒體通信。具體地講是將電話、電視和

37、計算機(jī)以三網(wǎng)合一的方式在數(shù)字通信網(wǎng)上傳輸。其中以圖像通信最為復(fù)雜和困難，因圖像的數(shù)據(jù)量十分巨大，如傳送彩色電視信號的速率達(dá)100Mbit/s以上。要將這樣高速率的數(shù)據(jù)實時傳送出去，必須采用編碼技術(shù)來壓縮信息的比特量。在一定意義上講，編碼壓縮是這些技術(shù)成敗的關(guān)鍵。除了已應(yīng)用較廣泛的熵編碼、DPCM編碼、變換編碼外，目前國內(nèi)外正在大力開發(fā)研究新的編碼方法，如分行編碼、自適應(yīng)網(wǎng)絡(luò)編碼、小波變換圖像壓縮編碼等。</p><p

38、>　?。?）工業(yè)和工程方面：在工業(yè)和工程領(lǐng)域中圖像處理技術(shù)有著廣泛的應(yīng)用，如自動裝配線中檢測零件的質(zhì)量、并對零件進(jìn)行分類，印刷電路板疵病檢查，彈性力學(xué)照片的應(yīng)力分析，流體力學(xué)圖片的阻力和升力分析，郵政信件的自動分揀，在一些有毒、放射性環(huán)境內(nèi)識別工件及物體的形狀和排列狀態(tài)，先進(jìn)的設(shè)計和制造技術(shù)中采用工業(yè)視覺等等。其中值得一提的是研制具備視覺、聽覺和觸覺功能的智能機(jī)器人，將會給工農(nóng)業(yè)生產(chǎn)帶來新的激勵，目前已在工業(yè)生產(chǎn)中的噴漆、焊接、裝

39、配中得到有效的利用。</p><p>　?。?）軍事公安方面：在軍事方面圖像處理和識別主要用于導(dǎo)彈的精確末制導(dǎo)，各種偵察照片的判讀，具有圖像傳輸、存儲和顯示的軍事自動化指揮系統(tǒng)，飛機(jī)、坦克和軍艦?zāi)M訓(xùn)練系統(tǒng)等；公安業(yè)務(wù)圖片的判讀分析，指紋識別，人臉鑒別，不完整圖片的復(fù)原，以及交通監(jiān)控、事故分析等。目前已投入運行的高速公路不停車自動收費系統(tǒng)中的車輛和車牌的自動識別都是圖像處理技術(shù)成功應(yīng)用的例子。</p>

40、<p>　?。?）文化藝術(shù)方面：目前這類應(yīng)用有電視畫面的數(shù)字編輯，動畫的制作，電子圖像游戲，紡織工藝品設(shè)計，服裝設(shè)計與制作，發(fā)型設(shè)計，文物資料照片的復(fù)制和修復(fù)，運動員動作，分析和評分等等，現(xiàn)在已逐漸形成一門新的藝術(shù)--計算機(jī)美術(shù)。</p><p>　　（7）機(jī)器人視覺：機(jī)器視覺作為智能機(jī)器人的重要感覺器官，主要進(jìn)行三維景物理解和識別，是目前處于研究之中的開放課題。機(jī)器視覺主要用于軍事偵察、危險環(huán)境的

41、自主機(jī)器人，郵政、醫(yī)院和家庭服務(wù)的智能機(jī)器人，裝配線工件識別、定位，太空機(jī)器人的自動操作等。</p><p>　　（8）視頻和多媒體系統(tǒng)：目前，電視制作系統(tǒng)廣泛使用的圖像處理、變換、合成，多媒體系統(tǒng)中靜止圖像和動態(tài)圖像的采集、壓縮、處理、存貯和傳輸?shù)取?lt;/p><p>　　（9）電子商務(wù)：在當(dāng)前呼聲甚高的電子商務(wù)中，圖像處理技術(shù)也大有可為，如身份認(rèn)證、產(chǎn)品防偽、水印技術(shù)等。</p&g

42、t;<p><b>　　2.5 研究方向</b></p><p>　　自20世紀(jì)60年代第第三代數(shù)字計算機(jī)問世以后，數(shù)字圖像處理技術(shù)出現(xiàn)了空前的發(fā)展，在該領(lǐng)域中需要進(jìn)一步研究的問題主要有如下五個方向：</p><p>　　(1)在進(jìn)一步提高精度的同時著重解決處理速度問題；</p><p>　　(2)加強(qiáng)軟件研究，開發(fā)新的處理方法

43、，特別要注意移植和借鑒其他學(xué)科的技術(shù)和研究成果，創(chuàng)造新的處理方法；</p><p>　　(3)加強(qiáng)邊緣學(xué)科的研究工作，促進(jìn)圖像處理技術(shù)的發(fā)展；</p><p>　　(4)加強(qiáng)理論研究，逐步形成處理科學(xué)自身的理論體系；</p><p>　　(5)時刻注意圖像處理領(lǐng)域的標(biāo)準(zhǔn)化問題。</p><p><b>　　2.6 基本特點<

44、/b></p><p>　　(1)處理信息量很大：數(shù)字圖像處理的信息大多是二維信息，處理信息量很大。如一幅256×256低分辨率黑白圖像，要求約64kbit的數(shù)據(jù)量；對高分辨率彩色512×512圖像，則要求768kbit數(shù)據(jù)量；如果要處理30幀/秒的電視圖像序列，則每秒要求500kbit～22.5Mbit數(shù)據(jù)量。因此對計算機(jī)的計算速度、存儲容量等要求較高。</p><

45、p>　　(2)占用頻帶較寬：數(shù)字圖像處理占用的頻帶較寬。與語言信息相比，占用的頻帶要大幾個數(shù)量級。如電視圖像的帶寬約5.6MHz，而語音帶寬僅為4kHz左右。所以在成像、傳輸、存儲、處理、顯示等各個環(huán)節(jié)的實現(xiàn)上，技術(shù)難度較大，成本亦高，這就對頻帶壓縮技術(shù)提出了更高的要求。</p><p>　　(3)各像素相關(guān)性大:數(shù)字圖像中各個像素是不獨立的，其相關(guān)性大。在圖像畫面上，經(jīng)常有很多像素有相同或接近的灰度。就電

46、視畫面而言，同一行中相鄰兩個像素或相鄰兩行間的像素，其相關(guān)系數(shù)可達(dá)0.9以上，而相鄰兩幀之間的相關(guān)性比幀內(nèi)相關(guān)性一般說還要大些。因此，圖像處理中信息壓縮的潛力很大。</p><p>　　(4)無法復(fù)現(xiàn)全部信息:由于圖像是三維景物的二維投影，一幅圖象本身不具備復(fù)現(xiàn)三維景物的全部幾何信息的能力，很顯然三維景物背后部分信息在二維圖像畫面上是反映不出來的。因此，要分析和理解三維景物必須作合適的假定或附加新的測量，例如雙目

47、圖像或多視點圖像。在理解三維景物時需要知識導(dǎo)引，這也是人工智能中正在致力解決的知識工程問題。</p><p>　　(5)受人的因素影響較大:數(shù)字圖像處理后的圖像一般是給人觀察和評價的，因此受人的因素影響較大。由于人的視覺系統(tǒng)很復(fù)雜，受環(huán)境條件、視覺性能、人的情緒愛好以及知識狀況影響很大，作為圖像質(zhì)量的評價還有待進(jìn)一步深入的研究。另一方面，計算機(jī)視覺是模仿人的視覺，人的感知機(jī)理必然影響著計算機(jī)視覺的研究。例如，什么

48、是感知的初始基元，基元是如何組成的，局部與全局感知的關(guān)系，優(yōu)先敏感的結(jié)構(gòu)、屬性和時間特征等，這些都是心理學(xué)和神經(jīng)心理學(xué)正在著力研究的課題。</p><p>　　2.7 MATLAB軟件</p><p>　　MATLAB是由美國mathworks公司發(fā)布的主要面對科學(xué)計算、可視化以及交互式程序設(shè)計的高科技計算環(huán)境。它將數(shù)值分析，矩陣分析，科學(xué)數(shù)據(jù)可視化以及非線性動態(tài)系統(tǒng)的建模和仿真等諸多強(qiáng)

49、大功能集成在一個易于使用的視窗環(huán)境中，為科學(xué)研究、工程設(shè)計等眾多科學(xué)領(lǐng)域提供了一種全面的解決方案，并在很大程度上擺脫了傳統(tǒng)非交互式程序設(shè)計語言（如C、Fortran）的編輯模式，代表了當(dāng)今國際科學(xué)計算軟件的先進(jìn)水平。</p><p>　　編程環(huán)境：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

50、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(biāo)準(zhǔn)界面，人機(jī)交互性更強(qiáng)，操作更簡單。而且新版本的MATLAB提供了完整的聯(lián)機(jī)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(jìn)行出錯原因分析。</p><p&g

51、t;　　編程語言：Matlab是一個高級的矩陣/陣列語言，它包含控制語句、函數(shù)、數(shù)據(jù)結(jié)構(gòu)、輸入和輸出和面向?qū)ο缶幊烫攸c。用戶可以在命令窗口中將輸入語句與執(zhí)行命令同步，也可以先編寫好一個較大的復(fù)雜的應(yīng)用程序（M文件）后再一起運行。新版本的MATLAB語言是基于最為流行的C++語言基礎(chǔ)上的，因此語法特征與C++語言極為相似，而且更加簡單，更加符合科技人員對數(shù)學(xué)表達(dá)式的書寫格式。使之更利于非計算機(jī)專業(yè)的科技人員使用。而且這種語言可移植性好、可

52、拓展性極強(qiáng)，這也是MATLAB能夠深入到科學(xué)研究及工程計算各個領(lǐng)域的重要原因。</p><p>　　圖形處理：MATLAB自產(chǎn)生之日起就具有方便的數(shù)據(jù)可視化功能，以將向量和矩陣用圖形表現(xiàn)出來，并且可以對圖形進(jìn)行標(biāo)注和打印。高層次的作圖包括二維和三維的可視化、圖象處理、動畫和表達(dá)式作圖?？捎糜诳茖W(xué)計算和工程繪圖。新版本的MATLAB對整個圖形處理功能作了很大的改進(jìn)和完善，使它不僅在一般數(shù)據(jù)可視化軟件都具有的功能（例

53、如二維曲線和三維曲面的繪制和處理等）方面更加完善，而且對于一些其他軟件所沒有的功能（例如圖形的光照處理、色度處理以及四維數(shù)據(jù)的表現(xiàn)等），MATLAB同樣表現(xiàn)了出色的處理能力。同時對一些特殊的可視化要求，例如圖形對話等，MATLAB也有相應(yīng)的功能函數(shù)，保證了用戶不同層次的要求。另外新版本的MATLAB還著重在圖形用戶界面（GUI）的制作上作了很大的改善，對這方面有特殊要求的用戶也可以得到滿足。</p><p>　　

54、工具箱:MATLAB對許多專門的領(lǐng)域都開發(fā)了功能強(qiáng)大的模塊集和工具箱。一般來說，它們都是由特定領(lǐng)域的專家開發(fā)的，用戶可以直接使用工具箱學(xué)習(xí)、應(yīng)用和評估不同的方法而不需要自己編寫代碼。目前，MATLAB已經(jīng)把工具箱延伸到了科學(xué)研究和工程應(yīng)用的諸多領(lǐng)域，諸如數(shù)據(jù)采集、數(shù)據(jù)庫接口、概率統(tǒng)計、樣條擬合、優(yōu)化算法、偏微分方程求解、神經(jīng)網(wǎng)絡(luò)、小波分析、信號處理、圖像處理、系統(tǒng)辨識、控制系統(tǒng)設(shè)計、LMI控制、魯棒控制、模型預(yù)測、模糊邏輯、金融分析、地

55、圖工具、非線性控制設(shè)計、實時快速原型及半物理仿真、嵌入式系統(tǒng)開發(fā)、定點仿真、DSP與通訊、電力系統(tǒng)仿真等，都在工具箱家族中有了自己的一席之地。</p><p><b>　　第3章 閾值分割</b></p><p>　　圖像閾值分割是一種廣泛應(yīng)用的分割技術(shù)，利用圖像中要提取的目標(biāo)與其背景在灰度特性上的差異，把圖像看作具有不同灰度級的兩類區(qū)域(目標(biāo)區(qū)域和背景區(qū)域)的組合，

56、選取一個比較合理的閾值，以確定圖像中每個像素點應(yīng)該屬于目標(biāo)還是背景區(qū)域，從而產(chǎn)生相應(yīng)的二值圖像。閾值分割法的特點是:適用于目標(biāo)與背景灰度有較強(qiáng)對比的情況，重要的是背景或物體的灰度比較單一，而且總可以得到封閉且連通區(qū)域的邊界[6]。</p><p><b>　　3.1 圖像二值化</b></p><p>　　假設(shè)原始圖像f(x,y)，則以一定的準(zhǔn)則在f(x,y)中找出一

57、個合適的灰度值，作為閾值T，則分割后的圖像g(x，y)，可由下式表示: </p><p>　　另外，還可以將閾值設(shè)置為一個灰度范圍[T1，T2]，凡是灰度在范圍內(nèi)的像素都變?yōu)?，否則皆變?yōu)?，即: </p><p>　　某種特殊情況下，高于閾值T的像素保持原灰度級

58、，其它像素都變?yōu)?，稱為閾值法，分割后的圖像可表示為: </p><p>　　3.2 閾值分割基本原理</p><p>　　閾值分割圖像的基本原理可用下式表示：</p><p>　　其中，f(x，y)表示原始圖像，g(x，y)為分割后的圖像，T為閾值。閾值的選取是閾值分割技的關(guān)鍵，如果過高，則過多的目標(biāo)點被誤歸為背景，使得目標(biāo)區(qū)域受損;如果閾值過低，則會出現(xiàn)相反的情

59、況。由此可見閾值分割算法主要有兩個步驟:</p><p>　　1)首先，確定一個合理的分割閾值;</p><p>　　2)其次，根據(jù)確定的閾值與像素值進(jìn)行比較，對圖像的像素進(jìn)行劃分。</p><p>　　在利用閾值方法來分割灰度圖像時一般都對圖像有一定的假設(shè)，基于一定的圖像模型。最常用的模型:假設(shè)圖像由具有單峰灰度分布的目標(biāo)和背景組成，處于目標(biāo)或背景內(nèi)部相鄰像素間的

60、灰度值是高度相關(guān)的，但處于目標(biāo)和背景交界處兩邊的像素在灰度值上有很大的差別[7]。如果一幅圖像滿足這些條件，它的灰度直方圖基本上可看作是由分別對應(yīng)目標(biāo)和背景的兩個單峰直方圖混合構(gòu)成的。</p><p>　　3.3 閾值分割方法定義</p><p>　　基于閾值的分割方法是一種應(yīng)用十分廣泛的圖像分割技術(shù)。所謂閾值分割方法的實質(zhì)是利用圖像的灰度直方圖信息得到用于分割的閾值。它是用一個或幾個閾值

61、將圖像的灰度級分為幾個部分，認(rèn)為屬于同一個部分的像素是同一個物體。它不僅可以極大的壓縮數(shù)據(jù)量，而且也大大簡化了圖像信息的分析和處理步驟。因此，在很多情況下，是進(jìn)行圖像分析、特征提取與模式識別之前必要的圖像預(yù)處理過程。它特別適用于目標(biāo)和背景占據(jù)不同灰度級范圍的圖像。閾值分割方法的最大特點是計算簡單，運算效率高，在重視運算效率的應(yīng)用場合，它得到了廣泛的應(yīng)用。</p><p>　　最佳全局閾值確定的常用方法一般有下面幾

62、種:試驗法、直方圖法和最小誤差法[8]。當(dāng)光照不均勻、有突發(fā)噪聲，或者背景灰度變化比較大時，整幅圖像分割將沒有合適的單一閾值，因為單一的閾值不能兼顧圖像各個像素的實際情況。這時，可對圖像按照坐標(biāo)分塊，對每一塊分別選一個閾值進(jìn)行分割。這種與坐標(biāo)相關(guān)的閾值稱為動態(tài)閾值方法，也稱為自適應(yīng)閾值方法。這類方法的時間和空間復(fù)雜度比較大，但是抗噪聲能力比較強(qiáng)，對采用全局閾值不容易分割的圖像有較好的效果。</p><p>　　3

63、.4 閾值分割描述</p><p>　　設(shè)(x，y)是二維數(shù)字圖像的平面坐標(biāo)，圖像灰度級的取值范圍是G={0，1，2，…L-1}(習(xí)慣上0代表最暗的像素點，L-1代表最亮的像素點)，位于坐標(biāo)點(x，y)上的像素點的灰度級表示為f(x，y)。設(shè)t∈G為分割閾值，B={b0,b1}代表一個二值灰度級，于是圖像f（x，y）在閾值T上的分割結(jié)果可以表示為：</p><p>　　閾值分割法實際就是按

64、某個準(zhǔn)則函數(shù)求最優(yōu)閾值T的過程。閾值表達(dá)式的一般形式可寫成如下的形式: </p><p>　　其中f(x，y)是在像素點(x，y)處的灰度值，N(x,y)是該點鄰域的某種局部性質(zhì)。</p><p>　　3.5 閾值分割分類</p><p>　　閾值分割方法分為以下3類:</p><p>　　（1）全局閾值:T=T(f(x,y)):只與點的灰度

65、值有關(guān)。</p><p>　?。?）局部閾值:T=T(N(x,y),f(x,y)):與點的灰度值和該點的局部領(lǐng)域特征有關(guān)。</p><p>　?。?）動態(tài)閾值:T=T(x,y,N(x,y),f(x,y)):與點的位置，該點的灰度值以及領(lǐng)域特征有關(guān)。</p><p>　　第4章 閾值分割方法</p><p><b>　　4.1直方圖法

66、</b></p><p>　　在一些簡單的灰度圖像中，物體的灰度分布比較明顯，背景區(qū)域和目標(biāo)區(qū)域在圖像的灰度直方圖上各形成一個波峰。由于兩個波峰之間形成一個低谷，所以可以選擇雙峰之間低谷處所對應(yīng)的灰度為閾值，便可將兩個區(qū)域分離，故又名雙峰法。下面對一幅硬幣圖像采用雙峰法進(jìn)行圖像分割，首先畫出該硬幣圖像的灰度直方圖，如圖4-2； <

67、/p><p>　　圖4-1：硬幣灰度圖像</p><p>　　圖4-2： 硬幣圖像的灰度直方圖</p><p>　　從上面的直方圖可以看出，兩個峰還是比較明顯的。在低谷處像素個數(shù)比較少，因此即使閾值選擇發(fā)生很大偏差時，分割的結(jié)果也相差不大?？梢越瓢训凸热?00，分割后的圖像如下圖所示：</p><p>　　圖4-3:直方圖法分割后的圖像<

68、;/p><p>　　雙峰法原理易懂，操作簡單，方法直接，當(dāng)有明顯低谷，圖像分割的效果會很好。當(dāng)出現(xiàn)波峰間的波谷平坦，直方圖的波形重疊等情況時，用雙峰法便難以確定閾值。</p><p><b>　　4.2 迭代法</b></p><p>　　圖像中的前景與背景之間的灰度分布相互不重疊的情況下可以用迭代法閾值分割對這兩類對象進(jìn)行分割。</p>

69、;<p>　　迭代式閾值選擇方法的基本思想是：開始選擇一個閾值作為初始估計值，然后按某種策略不斷地改進(jìn)這一估計值，直到滿足給定的要求為止。在迭代過程中，關(guān)鍵之處在于選擇什么樣的閾值改進(jìn)策略。好的閾值改進(jìn)策略應(yīng)該具備以下特征：能夠快速的收斂；并且在迭代過程中，新產(chǎn)生的閾值優(yōu)于上一次的閾值[9]。下面是一符合要求的一種方法：</p><p>　?。?）選擇圖像灰度中值作為初始閾值T0；</p>

70、;<p>　?。?）利用閾值T把圖像分割成兩個區(qū)域：和，用下式計算區(qū)域和的灰度均值和：</p><p>　?。?）計算出和后，用下式計算出新的閾值Ti+1：</p><p>　　（4）重復(fù)步驟（2）和（3），直到兩者之間的差小于某個給定值。</p><p><b>　　迭代法的代碼如下：</b></p><p&

71、gt;　　f=imread('a.jpg');</p><p>　　f=rgb2gray(f);</p><p>　　T=0.5*(min(f(:))+max(f(:)));</p><p>　　done=false;</p><p>　　while ~done</p><p><b>　　g

72、=f>=T;</b></p><p>　　Tn=0.5*(mean(f(g))+mean(f(~g)));</p><p>　　done=abs(T-Tn)<0.1;</p><p><b>　　T=Tn;</b></p><p><b>　　end</b></p>

73、;<p>　　display('Threshold(T)-Iterative');</p><p><b>　　T</b></p><p>　　r=im2bw(f,T);</p><p>　　subplot(221);imshow(f);</p><p>　　xlabel('(a)原

74、始圖像');</p><p>　　subplot(222);imshow(r);</p><p>　　xlabel('(b)迭代法全局閾值分割');</p><p>　　運用迭代法處理的圖片如下圖：</p><p><b>　　圖</b></p><p>　　圖4-4：Le

75、na迭代法閾值分割處理圖像</p><p>　　圖 圖4-5： Rice迭代法閾值分割處理圖像</p><p>　　圖4-6:Pillsetc迭代法閾值分割處理圖像</p><p>　　迭代法的閾值分割的圖像效果良好。基于迭代法的閾值能區(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(xì)微處還沒有很好的區(qū)分度，且此方法運算

76、量較大。</p><p>　　4.3最大類間方差法</p><p>　　最大類間方差法是一種使類間方差最大的自動閾值選取方法，具有簡單處理速度快的優(yōu)點，該法由日本人大津Otsu于1979年提出[10]。其基本思想如下：</p><p>　　設(shè)圖像像素為N，灰度范圍為[0，L-1]，對應(yīng)灰度級i的像素為ni，幾率為：</p><p>　　把圖像

77、中像素按灰度值用閾值T分為兩類C0和C1，C0由灰度值在[0,T]之間的像素組成，C1由灰度值在[T+1，L-1]之間的像素組成，對于灰度分布幾率，整幅圖像的均值為：</p><p>　　則C0和C1的均值為：</p><p><b>　　，</b></p><p>　　由上面的式子可以得到： </p><p>

78、;　　類間方差的定義為： </p><p>　　讓T在[0，L-1]范圍依次取值，使類間方差最大的T值即為Otsu法的最佳閾值。Otsu的Matlab實現(xiàn)代碼如下：</p><p><b>　　clc</b></p><p>　　clear all;</p><p>　　I=imread('a.jpg&

79、#39;);</p><p>　　I=rgb2gray(f);</p><p>　　Subplot(121),imshow(I)</p><p>　　xlabel('(a)原始圖像')</p><p>　　bw=im2bw(I,graythresh(getimage));</p><p>　　subpl

80、ot(122),imshow(bw)</p><p>　　xlabel('(b)Otsu處理圖像')</p><p>　　用大津法實驗處理的圖片如下圖所示：</p><p><b>　　圖</b></p><p>　　圖4-7：Lena大津法閾值分割處理圖像</p><p>　　圖

81、4-8:Camerarman大津法閾值分割處理圖像</p><p>　　圖4-9：Rice大津法閾值分割處理圖像</p><p>　　大津法處所選取的閾值非常理想，處理圖片效果較為良好，Matlab函數(shù)中的graythresh函數(shù)所用的就是這種方法。</p><p><b>　　4.4小結(jié)</b></p><p>　　通

82、過對三種方法處理效果的比較可以看出直方圖法最簡單，最直接，但應(yīng)用較窄，迭代法分割的圖像效果良好，基于迭代的閾值能區(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(xì)微處還沒有很好的區(qū)分度，最大類間方差法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，可以說是最穩(wěn)定的分割，故應(yīng)用最廣泛。</p><p>　　第5章 最大類間方差法的改進(jìn)</p><p>　　我們在實驗處理中發(fā)現(xiàn)：

83、大津法選取出來的閾值非常理想，對各種情況的圖片處理效果都表現(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，可以說是最穩(wěn)定的分割，故大津法是一種較為通用的分割算法。自己根據(jù)大津法原理所編寫的graythresh代碼如下：</p><p>　　function [level] =Mygraythresh(I) %功能函數(shù)%</p><p>　　% GRA

84、YTHRESH Global image threshold using Otsu's method.</p><p>　　% LEVEL = Mygraythresh(I) level表示圖像的分割閾值 </p><p>　　% Example</p><p>　　% I = imread('coins.png&#

85、39;); %讀取圖片%</p><p>　　% level = Mygraythresh(I); %取圖像的分割閾值%</p><p>　　% BW = im2bw(I,level); %轉(zhuǎn)換成灰度圖像%</p><p>　　% figure, imshow(BW) % 顯示圖片%</p><p

86、>　　% See also IM2BW.</p><p>　　I=rgb2gray(I); %將圖像轉(zhuǎn)換成灰度圖像%</p><p>　　I=im2uint8(I(:)); %數(shù)據(jù)類型轉(zhuǎn)換%</p><p>　　depth=256; %圖像的灰度級%</p><p>　　counts=imhist

87、(I,depth); %統(tǒng)計同一灰度的像素個數(shù)%</p><p>　　w=cumsum(counts); %統(tǒng)計區(qū)域面積%</p><p>　　ut=counts .* (1:depth)'; %計算平均灰度%</p><p>　　u=cumsum(ut); %統(tǒng)計區(qū)域灰度的均值%</p><p><b>

88、　　MAX=0;</b></p><p><b>　　level=0;</b></p><p>　　for t=1:depth %灰度從1到設(shè)定的灰度級循環(huán)%</p><p>　　u0=u(t,1)/w(t,1);</p><p>　　u1=(u(depth,1)-u(t,1))/(w(depth,1)-w

89、(t,1));</p><p>　　w0=w(t,1);</p><p>　　w1=w(depth,1)-w0;</p><p>　　g=w0*w1*(u1-u0)*(u1-u0);</p><p>　　if g > MAX</p><p>　　MAX=g; </p><p>　　

90、level = t;</p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　level=level /256;</p><p><b>　　end</b></p><p>　　由于大津法較好的效果，使

91、其得到了廣泛的應(yīng)用。但我們發(fā)現(xiàn)，大津法也有很大的缺陷，就是當(dāng)目標(biāo)區(qū)域物與背景區(qū)域灰度相差不明顯時，會出現(xiàn)無法忍受的大塊黑色區(qū)域，甚至?xí)G失整幅圖像的信息，這嚴(yán)重影響了圖片的分割效果。為了解決這個問題，本文嘗試?yán)没叶壤靵砀纳拼蠼蚍ㄔ诖饲闆r下的分割效果。這種方法的原理其實就是在大津法的基礎(chǔ)上通過增加灰度的級數(shù)來增強(qiáng)前后景的灰度差，從而解決問題?；叶仍黾拥姆椒ㄊ怯迷械幕叶燃壋松贤粋€系數(shù)，從而擴(kuò)大灰度的級數(shù)。比如說，原來灰度級數(shù)是255

92、，我們修改一下255*3，使其變成以前的3倍。特別地，當(dāng)乘上的系數(shù)為1時，這就是大津法的原型，因此，大津法可以看做是這種方法的一個特例。以下是我用Matlab處理的實驗：</p><p>　　首先要找一幅符合上述要求的，即目標(biāo)與背景區(qū)域灰度相差不明顯的圖片，并對該圖片進(jìn)行直方圖統(tǒng)計灰度，如下圖：</p><p>　　圖5-1：獅子圖片的灰度直方圖</p><p>　

93、　從圖中的直方圖我們可以看出，直方圖基本上是一個峰的形式，目標(biāo)與背景十分相似。在此情況下，我們?nèi)』叶燃墳?的時候，用Otsu法處理的圖片如下圖：</p><p>　　圖5-2 ：灰度級為5時的處理圖片</p><p>　　從上圖中我們很明顯的可以看出分割后的圖片出現(xiàn)了很多黑塊區(qū)域，獅子面部有些模糊了，分割不理想。當(dāng)我們把灰度級為15，即以前的3倍時，的處理的圖片如下圖：</p>

94、<p>　　圖5-3：灰度級為15時的處理圖片</p><p>　　從改進(jìn)后的圖片可以看出，大幅的黑塊區(qū)域減少了很多，獅子的面部輪廓比較清晰了。實驗結(jié)果表明該方法的確可以改進(jìn)最大類間方差法的分割效果。</p><p>　　以下，以同樣的方法繼續(xù)對Circuit，Lena，Peppers三幅圖片進(jìn)行同樣灰度拉伸方法處理，改變其控制參數(shù)灰度級，效果如下圖：</p>

95、<p>　　圖5-4:灰度級為5時的Circuit處理圖片</p><p>　　圖5-5：灰度級為5*7=35時的Circuit處理圖片</p><p>　　圖5-6：灰度級為5時的Lena處理效果圖</p><p>　　圖5-7：灰度級為5*7=35時的Lena處理效果圖</p><p>　　圖5-8：灰度級為5時的Peppers

96、處理圖片</p><p>　　圖5-9：灰度級為5*5=25時的Peppers處理圖片</p><p><b>　　結(jié)論</b></p><p>　　通過前面對主要的三種閾值分割方法的比較中，我們可以看出直方圖法最簡單，最直接，最容易理解，但應(yīng)用較窄，只適合目標(biāo)與背景灰度相差較明顯的時候；迭代法分割的圖像效果良好，基于迭代的閾值能區(qū)分出圖像的前

97、景和背景的主要區(qū)域所在，但在圖像的細(xì)微處還沒有很好的區(qū)分度，而且計算量較大；最大類間方差法它在很多情況下都不是最佳的分割，但其算法較為理想，分割質(zhì)量通常都有一定的保障，可以說是最穩(wěn)定的分割，故應(yīng)用最為廣泛。</p><p>　　利用灰度拉伸來增強(qiáng)大津法，這種方法的原理其實就是在大津法的基礎(chǔ)上通過增加灰度的級數(shù)來增強(qiáng)前后景的灰度差。實驗結(jié)果表明：該方法可以有效的改進(jìn)Otsu法分割效果。</p><

98、;p>　　隨著圖像分割應(yīng)用的愈加廣泛，人們對其的研究也日益加深。對圖像分割算法的研究已有幾十年的歷史，借助各種理論，人們至今已提出了上千種類型的分割算法，由于現(xiàn)已提出的大多分割算法大都是針對具體問題的，并沒有一種適合于所有圖像的通用的分割算法。但是可以看出，圖像分割算法正朝著更快速、更精確、更通用的方向發(fā)展，隨著新理論和新技術(shù)出現(xiàn)，圖像分割的發(fā)展方興未艾。</p><p><b>　　參考文獻(xiàn)&l

99、t;/b></p><p>　　[1] 章毓晉. 圖像工程[M]. 清華大學(xué)出版社. 2006.11 </p><p>　　[2] 陳果，左洪福.圖像的自適應(yīng)模糊閾值分割法[J].自動化學(xué)報. 2003.9</p><p>　　[3] 孫樹亮，艾嬌艷，張麗華. 幾種灰度圖像分割方法的比較分析[J]. 計算機(jī)技術(shù)與自動化. 2005.12</p>

100、<p>　　[4] 岡薩雷斯等著，阮秋琦等譯. 數(shù)字圖像處理[M]. 電工業(yè)出版社.2007.8</p><p>　　[5] 周品，李曉東. 數(shù)字圖像處理[M] .清華大學(xué)出版社 .2012.8</p><p>　　[6] 陳寧寧. 幾種圖像閾值分割算法的實現(xiàn)與比較. 電腦知識與技術(shù)[J]. 2010.5 </p><p>　　[7] 林正春，王知衍

101、，張艷青. 最優(yōu)進(jìn)化圖像閾值分割算法[J]. 計算機(jī)輔助設(shè)計與圖像學(xué)學(xué)報.2010.7</p><p>　　[8] 舒紅平，蔣建明. 基于灰度最優(yōu)閾值的圖像分割方法及應(yīng)用[J]. 自然科學(xué)報.2003.12</p><p>　　[9] 楊修國. 圖像閾值方法分割研究與分析[N]. 華東師范大學(xué).2009.4</p><p>　　[10]侯德文，王依才. 改進(jìn)的二維O

102、tsu圖像分割方法的研究[J]. 計算機(jī)工程與應(yīng)用.2010.4</p><p><b>　　致謝</b></p><p>　　隨著論文接近完成，我在蘇州大學(xué)四年的學(xué)習(xí)生活也快結(jié)束了，四年時間如白駒過隙，彈指一揮間?；厥走^去的四年，在老師同學(xué)的共同陪伴下度過了人生中最重要的四年時光。從剛?cè)雽W(xué)時的懵懂到如今的成熟，再從自己專業(yè)知識的積累，在這一過程中班主任陳紅仙老師給了

103、我很多關(guān)心，她負(fù)責(zé)的態(tài)度深深的影響了我。</p><p>　　本論文是在我的導(dǎo)師楊劍宇指導(dǎo)下完成，在此期間，楊老師給予了我很大的幫助。在此，我要對楊老師表示衷心的感謝，感謝楊老師對我的指導(dǎo)、關(guān)心和幫助。我主修的是自動控制專業(yè)，在楊老師的悉心指導(dǎo)下我還學(xué)到了許多關(guān)于圖像處理的知識。楊劍宇老師淵博的專業(yè)知識，嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度讓我受益匪淺。在此謹(jǐn)向楊劍宇老師表示衷心的感謝和誠摯的敬意，祝愿其身體健康，工作順利！</