圖像分割和特征提取畢業(yè)設(shè)計(jì)

1、<p>　　圖像分割和特征提取技術(shù)研究 </p><p><b>　　摘 要</b></p><p>　　圖像分割是圖像分析的第一步，是圖像理解的重要組成部分，在有關(guān)圖像處理的幾乎所有領(lǐng)域具有廣泛的應(yīng)用。因此，圖像分割一直受到高度重視，對(duì)其研究具有十分重要的意義。長(zhǎng)期以來，研究人員提出了許多實(shí)用的分割算法。隨著統(tǒng)計(jì)學(xué)理論，神經(jīng)網(wǎng)絡(luò)，小波理論等在圖像分割中的

2、應(yīng)用日益廣泛，遺傳算法、尺度空間、非線性擴(kuò)散方程等近期涌現(xiàn)的新方法和新思想也不斷被用于解決分割問題，許多國(guó)內(nèi)外學(xué)者也針對(duì)一些具體應(yīng)用提出了許多實(shí)用有效的方法。</p><p>　　本文介紹了數(shù)字圖像處理技術(shù)中圖像分割技術(shù)的基本理論和三種圖像分割方法(1)基于閾值圖像分割；(2)基于邊緣檢測(cè)及算子分割；(3)基于區(qū)域特性的圖像分割。對(duì)基于點(diǎn)的分割方法進(jìn)行了較全面的敘述，主要研究了圖像分割方法中的邊緣檢測(cè)法，區(qū)域提取

3、法和閾值分割法。通過大量的理論研習(xí)。并編寫了MATLAB軟件程序，對(duì)各分割方法進(jìn)行了仿真實(shí)驗(yàn)，得到分割圖像。最后對(duì)于仿真進(jìn)行了數(shù)據(jù)處理分析，驗(yàn)證了Canny算子的整體效果最好, Prewitt算子分割細(xì)致。但對(duì)于一幅圖像僅僅只有只用一種方法達(dá)不到很好的效果，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>　　關(guān)鍵詞：圖像分割；邊緣法；區(qū)

4、域法；閾值法；分水嶺分割法　</p><p>　　Lmage Segmentation And Feature Extraction Technology Research</p><p><b>　　Abstract</b></p><p>　　Image segmentation is the first step in image ana

5、lysis, image segmentation is an important component of image understanding, in almost all areas of the image processing has widely application. As a result, image segmentation has been attached great importance to, its r

6、esearch has the very vital significance. For a long time,researchers put forward many practical segmentation algorithm. With statistics theory, the neural network, wavelet theory has been used increasingly in image segme

7、ntation, su</p><p>　　Digital image processing techniques were introduced in This paper introduces the digital image processing technology of image segmentation technology in basic theory and three methods of

8、 image segmentation. (1) based on threshold image segmentation. (2) segmentation based on edge detection and operator; (3) the image segmentation based on region feature. On the segmentation method based on the point of

9、narrative, mainly studies the edge of image segmentation method, region extraction method and </p><p>　　KEYWORDS：Segmentation； edge method；the regional method；threshold；watershed segmentation </p><

10、;p><b>　　目錄</b></p><p><b>　　第1章 緒論1</b></p><p>　　1.1 課題研究背景與意義1</p><p>　　1.2國(guó)內(nèi)外發(fā)展現(xiàn)狀1</p><p>　　1.3 課題設(shè)計(jì)內(nèi)容2</p><p><b>　　第

11、2章 概述3</b></p><p>　　2.1　圖像和數(shù)字圖像3</p><p>　　2.2 數(shù)字圖像處理簡(jiǎn)介3</p><p>　　2.3 圖像處理文件格式3</p><p>　　2.4圖像分割理論概述5</p><p>　　2.4.1 圖像分割的定義5</p><p&g

12、t;　　2.4.2 圖像分割的目的和意義6</p><p>　　2.5圖像分割主要研究方法6</p><p>　　2.5.1 邊緣檢測(cè)法7</p><p>　　2.5.2 區(qū)域提取法7</p><p>　　2.5.3閾值分割法7</p><p>　　2.5.4 結(jié)合特定理論工具的分割方法8</p>

13、;<p>　　2.6數(shù)字圖像分割質(zhì)量評(píng)價(jià)體系8</p><p>　　第3章 圖像分割方法綜述10</p><p>　　3.1基于閾值圖像分割算法10</p><p>　　3.2 基于邊緣檢測(cè)分割算法12</p><p>　　3.3 基于區(qū)域特性的圖像分割算法14</p><p>　　第4章

14、基于Matlab的圖像分割仿真結(jié)果與討論16</p><p>　　4.1 圖像閾值分割算法研究16</p><p>　　4.1.1 Otsu 閾值圖像分割算法16</p><p>　　4.1.2 直方圖閾值算法17</p><p>　　4.2 圖像邊緣分割算法的研究19</p><p>　　4. 2.1 Ca

15、nny 邊緣檢測(cè)算法19</p><p>　　4. 2.2 Log 分割算發(fā)21</p><p>　　4.3 區(qū)域特性圖像分割方算法的研究21</p><p>　　4.3.1 分水嶺圖像分割算法22</p><p>　　4.4 本章小結(jié)23</p><p>　　4.4.1主要工作總結(jié)23</p>

16、;<p>　　4.4.2 結(jié)論24</p><p><b>　　第5章總結(jié)26</b></p><p><b>　　參考文獻(xiàn)27</b></p><p><b>　　致謝28</b></p><p><b>　　第1章 緒論</b>&

17、lt;/p><p>　　1.1 課題研究背景與意義</p><p>　　圖像分割是圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，也是一經(jīng)典難題，發(fā)展至今仍沒有找到一個(gè)通用的方法，也沒有制定出判斷分割算法好壞的標(biāo)準(zhǔn)，對(duì)近幾年來出現(xiàn)的圖像分割方法作了較為全面的綜述，探討了圖像分割技術(shù)的發(fā)展方向，對(duì)從事圖像處理研究的科研人員具有一定的啟發(fā)作用。</p><p>　　圖像分割是圖像分析的第一步，圖

18、像分割接下來的任務(wù)，如特征提取、目標(biāo)識(shí)別等的好壞，都取決于圖像分割的質(zhì)量如何。由于該課題的難度和深度，進(jìn)展比較緩慢。圖像分割技術(shù)自20世紀(jì)70年代起一直受到人們的高度重視，雖然研究人員針對(duì)各種問題提出了許多方法，但迄今為止仍然不存在一個(gè)普遍適用的理論和方法。另外，還沒有制定出選擇適用分割算法的標(biāo)準(zhǔn)，這給圖像分割技術(shù)的應(yīng)用帶來許多實(shí)際問題。最近幾年又出現(xiàn)了許多新思路、新方法或改進(jìn)算法，對(duì)一些經(jīng)典方法和新出現(xiàn)的方法作了概述，并將圖像分割方法

19、分為閾值分割方法、邊緣檢測(cè)方法、區(qū)域提取方法和結(jié)合特定理論工具的分割方法4類。</p><p>　　然而，對(duì)圖像分割的效果好壞或正確與否，還沒有一個(gè)統(tǒng)一的評(píng)價(jià)判斷準(zhǔn)則。不同的分割方法對(duì)同一幅圖像的分割效果是不同的，而且同一種分割方法對(duì)一幅圖像在不同空間下的分割效果也是不同的。</p><p>　　21世紀(jì)是一個(gè)充滿信息的時(shí)代，圖像作為人類感知世界的視覺基礎(chǔ)，是人類獲取信息、表達(dá)信息和傳遞信

20、息的重要手段。首先，視覺是人類最重要的感知手段，圖像又是視覺的基礎(chǔ)，因此，數(shù)字圖像成為心理學(xué)、生理學(xué)、計(jì)算機(jī)科學(xué)等諸多領(lǐng)域內(nèi)的學(xué)者們研究視覺感知的有效工具。其次，圖像處理在軍事、遙感、氣象等大型應(yīng)用中有不斷增長(zhǎng)的需求。以上說明本次的基于MATLAB圖像分割算法研究對(duì)社會(huì)需求具有重要意義。</p><p>　　1.2國(guó)內(nèi)外發(fā)展現(xiàn)狀</p><p>　　自20世紀(jì)70年代起圖像分割一直受到人們

21、的高度重視，至今已提出上千種分割算法，但因尚無通用的分割理論，現(xiàn)提出的分割算法大都是針對(duì)具體問題的，并沒有一種適合所有圖像的通用分割算法。另外，還沒有制定出選擇適用分割算法的標(biāo)準(zhǔn)，這給圖像分割技術(shù)的應(yīng)用帶來許多實(shí)際問題。最近幾年又出現(xiàn)了許多新思路、新方法或改進(jìn)算法，對(duì)一些經(jīng)典方法和新出現(xiàn)的方法作了概述。并將圖像分割方法分為閾值分割方法、邊緣檢測(cè)方法、區(qū)域提取方法和結(jié)合特定理論工具的分割方法。早期的圖像研究中，圖像的分割方法主要可以分為兩

22、大類。</p><p>　　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(gè)子區(qū)域在原來的圖像中一定會(huì)有邊緣存在；</p><p>　　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(huì)有相同的性質(zhì)，而不同區(qū)域的像素沒有共同的性質(zhì)。</p><p>　　這兩種方法都有缺點(diǎn)和優(yōu)點(diǎn)，有的學(xué)者也試圖把兩者結(jié)合起來進(jìn)行圖像分割，隨著計(jì)算機(jī)處理能力的提高，很多方法不

23、斷涌現(xiàn)，如基于彩色分量分割、紋理圖像分割。所使用的教學(xué)工具和實(shí)驗(yàn)手段也是不斷的擴(kuò)展，從時(shí)域信號(hào)到頻域信號(hào)處理，近來小波變換也應(yīng)用在圖像分割當(dāng)中。</p><p>　　1.3 課題設(shè)計(jì)內(nèi)容</p><p>　　圖像信號(hào)因其傳遞信息的豐富性，在科學(xué)研究與生產(chǎn)實(shí)踐中有著極其重要的應(yīng)用，特別在公共事務(wù)管理中，存在著大量圖像處理應(yīng)用需求。在圖像信息應(yīng)用中，利用圖像分割技術(shù)，能夠有效地從原始圖像中，提

24、取目標(biāo)信息，從而為圖像數(shù)據(jù)庫(kù)管理，圖像信息檢索與應(yīng)用等提供可靠的技術(shù)保障。作為一種成熟的應(yīng)用軟件，Matlab有著強(qiáng)大的數(shù)字圖像處理功能。本課題要求以之作為應(yīng)用開發(fā)平臺(tái)，研究不同噪聲水平下，分割方法選擇、實(shí)現(xiàn)及其效果評(píng)估，具有一定的應(yīng)用價(jià)值和現(xiàn)實(shí)可行性?；谠紙D像及其特征分析，應(yīng)用不同的算法，進(jìn)行圖像分割方法研究與效果比較。</p><p>　　本文主要以MATLAB為工具來實(shí)現(xiàn)數(shù)字圖像分割的處理。</p

25、><p><b>　　第2章 概述</b></p><p>　　2.1　圖像和數(shù)字圖像</p><p>　　圖像是能為人類視覺所感知的信息形式或人們心目中的有形想象。據(jù)統(tǒng)計(jì)，在人類接受的信息中，視覺信息約占80％，俗語(yǔ)“百聞不如一見”就反映了圖像在信息感知中的獨(dú)到之處。目前，圖像處理技術(shù)發(fā)展迅速，應(yīng)用領(lǐng)域也越來越廣。</p><

26、p>　　圖像可以通過各種各樣的形式存在，例如：靜止圖像于運(yùn)動(dòng)圖像；灰度圖像和彩色圖像；平面圖像與立體圖像等等，但是就其本質(zhì)而言，我們可將圖像分為連續(xù)圖像和離散圖像。</p><p>　　對(duì)于圖像信號(hào)，為了描述的方便和不失一般性，假定圖像的指標(biāo)空間為時(shí)間（t）和幾何空間（x,y,z）構(gòu)成，其值空間為U，其元素u＝｛uR,uG,uB}。如果指標(biāo)空間D中的所有元素d=(d1,d2,.....dn)=(x,y,z,

27、t)均可取連續(xù)值，則稱此信號(hào)為連續(xù)圖像。相反的，如果d只能取離散值的圖像為離散圖像。習(xí)慣上，把空間連續(xù)（或離散）的圖像稱為連續(xù)（或離散）圖像。數(shù)字圖像指幅度和空間同時(shí)離散（或同時(shí)連續(xù)的圖像）。</p><p>　　與模擬圖像相比，數(shù)字圖像具有以下顯著特點(diǎn)[1]：</p><p>　　精度高：目前的計(jì)算機(jī)技術(shù)可以將一幅模擬圖像化為任意的二維數(shù)組，即數(shù)字圖像可以由無限個(gè)像素組成，每個(gè)像素的亮度

28、可以量化為12位（即4096個(gè)灰度級(jí)），這樣的精度使數(shù)字圖像與彩色圖像的效果相差無幾；</p><p>　　處理方便：由于數(shù)字圖像本質(zhì)上是一組數(shù)據(jù)，所以可以使用計(jì)算機(jī)對(duì)它進(jìn)行任意方式的修改，例如，放大、縮小、改變顏色、幅值和刪除某一部分等；</p><p>　　重復(fù)性好：模擬圖像（例如，照片）即便使用非常好的底片和相紙，也會(huì)隨著時(shí)間的流逝而褪色、發(fā)黃，而數(shù)字圖像可以儲(chǔ)存在光盤中，上百年后再

29、用計(jì)算機(jī)重現(xiàn)也不會(huì)有絲毫的改變。</p><p>　　2.2 數(shù)字圖像處理簡(jiǎn)介</p><p>　　數(shù)字圖像處理(Digital Image Processing)是通過計(jì)算機(jī)對(duì)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(gè)因素的影響：一是計(jì)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

30、事、工業(yè)和醫(yī)學(xué)等方面的應(yīng)用需求的增長(zhǎng)。</p><p>　　2.3 圖像處理文件格式</p><p>　　組成數(shù)字圖像的基本單位稱為像素(Pixel)，把像素按不同的方式進(jìn)行組織和存儲(chǔ)，就得到不同的圖像格式；把圖像數(shù)據(jù)存為文件就得到圖像文件。圖像文件按其格式的不同一般具有不同的擴(kuò)展名。常用的圖像文件格式有位圖文件、JPEG文件、GIF文件、PNG文件等。每一種格式都有它的特點(diǎn)和用途，在選擇

31、輸出的圖像文件格式時(shí)，應(yīng)考慮圖像的應(yīng)用目的以及圖像文件格式對(duì)圖像數(shù)據(jù)類型的要求。下面我們介紹幾種常用的圖像文件格式及其特點(diǎn)。</p><p>　?。?）BMP圖像格式</p><p>　　這是一種DOS和Windows兼容計(jì)算機(jī)系統(tǒng)的標(biāo)準(zhǔn)圖像格式。BMP格式支持索引色、灰度等色彩模式。圖像存儲(chǔ)為BMP格式時(shí)，每一個(gè)像素所占的位數(shù)可以是1位、4位、8位或32位，相對(duì)應(yīng)的顏色數(shù)也從黑白一直到真

32、彩色。對(duì)于使用Windows格式的4位和8位圖像，可以指定采用RLE壓縮。BMP圖像文件含文件頭、調(diào)色板數(shù)據(jù)和圖像數(shù)據(jù)三個(gè)層次。這種格式在PC機(jī)上應(yīng)用非常普遍。</p><p>　　（2）JPEG圖像格式</p><p>　　JPEG是由聯(lián)合照片專家組(Joint Photo graphic Experts Group)開發(fā)的一種圖像文件格式。它采用有損壓縮方式去除冗余的圖像和彩色數(shù)據(jù)，在

33、獲取極高的壓縮率的同時(shí)也能展現(xiàn)十分豐富生動(dòng)的圖像。也就是說，可以用較少的磁盤空間得到較好的圖像質(zhì)。另外，JPEG還是一種比較靈活的格式，當(dāng)將圖像保存為JPEG格式時(shí)，允許用戶用不同的壓縮比例對(duì)文件進(jìn)行壓縮，就是可以指定圖像的品質(zhì)和壓縮級(jí)別。</p><p>　?。?）TIFF圖像格式</p><p>　　TIFF文件主要由三部份組成，包括文件頭、標(biāo)識(shí)信息區(qū)和圖像數(shù)據(jù)區(qū)。TIFF文件的圖像數(shù)

34、據(jù)區(qū)以行掃描的方式存取圖像，存儲(chǔ)圖像前先將圖像分割成若干部分，壓縮后再存儲(chǔ)。存儲(chǔ)時(shí)，單色圖像一個(gè)字節(jié)存儲(chǔ)8個(gè)點(diǎn)，16色圖像一個(gè)字節(jié)2個(gè)點(diǎn)，而256色圖像就是一個(gè)字節(jié)存儲(chǔ)一個(gè)點(diǎn)。TIFF圖像格式是一種應(yīng)用非常廣泛的位圖圖像格式，幾乎被所有繪畫、圖像編輯和頁(yè)面排版應(yīng)用程序所支持。TIFF格式常常用于在應(yīng)用程序之間和計(jì)算機(jī)平臺(tái)之間交換文件。</p><p>　　(4)GIF圖像格式</p><p&g

35、t;　　GIF是Graphics Interchange Format(圖形交換格式)的縮寫，是由ComputerServe公司推出的一種圖像格式。該種圖像格式的特點(diǎn)是壓縮比高，可以極大地節(jié)省存儲(chǔ)空間。最初的GIF只是簡(jiǎn)單的用來存儲(chǔ)單幅靜止圖像，后來可以同時(shí)存儲(chǔ)若干幅靜止圖像從而形成連續(xù)的動(dòng)畫；同時(shí)，GIF格式支持透明背景，可以較好地與網(wǎng)頁(yè)背景融合在一起。因此，GIF常常用于保存作為網(wǎng)頁(yè)數(shù)據(jù)進(jìn)行傳輸?shù)膱D像文件，成為網(wǎng)絡(luò)和BBS上使用頻率

36、較高的一種圖像文件格式。但是GIF最多只能處理256種色彩，不能用于存儲(chǔ)真彩色的圖像文件。</p><p>　?。?）PNG圖像格式</p><p>　　這種格式稱為可移植網(wǎng)絡(luò)圖像文件格式(Portable Network Graphics)，由Thomas Boutell, Tom Lan。等人提出并設(shè)計(jì)。其特點(diǎn)是:</p><p>　　支持48位真彩色圖像、16

37、位灰度圖像和顏色索引數(shù)據(jù)圖像；</p><p>　?、谥饕嫦蚓W(wǎng)絡(luò)圖像傳輸和圖像編輯，其提供的二維交叉存儲(chǔ)機(jī)制使用戶在圖像網(wǎng)絡(luò)傳輸過程中能更快的觀察到接近真實(shí)的近似圖像；</p><p>　?、蹖?duì)用戶完全透明且無專利限制，用戶可以從Internet上隨時(shí)下載與PNG文件格式配套的圖像數(shù)據(jù)壓縮算法源程序代碼：</p><p>　?、?具有比GIF高5-20%的壓縮效率

38、；</p><p><b>　　⑤ 具有可擴(kuò)展性。</b></p><p>　　作為目前最不失真的圖像格式，PNG格式圖像吸取了GIF和JPEG二者的優(yōu)點(diǎn)。它可以把文件壓縮到極限以利于網(wǎng)絡(luò)傳輸，但由于采用無損壓縮方式來減少文件大小，PNG格式能保留所有與圖像品質(zhì)有關(guān)的信息。同時(shí)，PNG支持圖像背景透明，顯示速度快。</p><p>　　本文是在

39、灰度圖像BMP格式下的研究，在MATLAB中，灰度圖像是保存在一個(gè)矩陣中的，矩陣中的每一個(gè)元素代表一個(gè)像素點(diǎn)。矩陣可以是雙精度類型，其值域?yàn)閇0，1]；也可以為uint8類型，其數(shù)據(jù)范圍為[0，255]。矩陣的每個(gè)元素代表不同的亮度或灰度級(jí)。</p><p>　　2.4圖像分割理論概述</p><p>　　圖像分割是圖像從處理到分析的轉(zhuǎn)變關(guān)鍵，也是一種基本的計(jì)算機(jī)視覺技術(shù)。通過圖像的分割、

40、目標(biāo)的分離、特征的提取和參數(shù)的測(cè)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，因此它被稱為連接低級(jí)視覺和高級(jí)視覺的橋梁和紐帶。所謂圖像分割就是要將圖像表示為物理上有意義的連通區(qū)域的集合，也就是根據(jù)目標(biāo)與背景的先驗(yàn)知識(shí)，對(duì)圖像中的目標(biāo)、背景進(jìn)行標(biāo)記、定位，然后將目標(biāo)從背景或其它偽目標(biāo)中分離出來。</p><p>　　2.4.1 圖像分割的定義</p><p>　　文字

41、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><p>　　令集合 R 代表整個(gè)圖像區(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>　?。?）（分割所得全部子區(qū)域的總和（并集）應(yīng)能包括圖

42、像中所有像素或?qū)D像中每個(gè)像素都劃分進(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><p>　?。?）對(duì)i=1，2，3……，N，有P（Ri）=TRUE；（屬于同一子區(qū)像素應(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)像

43、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)像素應(yīng)當(dāng)是連通的）</p><p>　　條件1指出對(duì)一幅圖像的分割結(jié)果的全部子區(qū)域的總和(并集)就是原圖像，或者說分割應(yīng)該是將圖像中的每個(gè)像素都分進(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，或者說在分割結(jié)果中一個(gè)像素不能同時(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

44、有獨(dú)特的特性，或者說屬于同一個(gè)區(qū)域中的像素應(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，沒有公共元素，或者說屬于不同區(qū)域的像素應(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)域內(nèi)的像素應(yīng)當(dāng)是相通的，即同一個(gè)子區(qū)域內(nèi)的任意兩個(gè)像素在該子區(qū)域內(nèi)是互相連通，或者說分割得到的區(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)

45、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說明正確的分割準(zhǔn)則應(yīng)可適用于所有區(qū)域和所有像素，條件3和條件4說明合理的分割準(zhǔn)則應(yīng)該能夠幫助確定各區(qū)域像素有代表性的特性，而條件5說明完整的分割準(zhǔn)則應(yīng)直接或間接地對(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)用中圖像分割不僅是要把一幅圖像分成滿足以上五個(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,只有這樣才算是真正完成了圖像分割的任務(wù)。<

46、/p><p>　　2.4.2 圖像分割的目的和意義</p><p>　　圖像分割的目的在于根據(jù)某些特征(如灰度級(jí)、頻譜、紋理等)將一幅圖像分成若干有意義的區(qū)域，使得這些特征在某一區(qū)域內(nèi)表現(xiàn)一致或相似，而在不同區(qū)域間表現(xiàn)出明顯的不同[5]。</p><p>　　在圖像的研究和應(yīng)用過程中，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

47、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，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)別的目標(biāo)從背景中分離出來。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

48、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，圖像分割多年來一直得到人們的高度重視。</p><p>　　圖像分割在實(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)過程控制，文檔圖像處理，遙感和生物醫(yī)學(xué)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(yīng)中，只要需對(duì)圖像目標(biāo)進(jìn)行提取，測(cè)量等都離不開圖像分割。近年來，圖像分割在對(duì)圖象的編碼中也起到越來越重要的作用

49、，例如國(guó)際標(biāo)準(zhǔn)MPEG-4中模型基/目標(biāo)基編碼等都需要基于分割的結(jié)果。可見，圖像分割在圖像工程中有重要的地位和影響。</p><p>　　2.5圖像分割主要研究方法</p><p>　　圖像分割是圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，自20世紀(jì)70年代起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，現(xiàn)提出的分割算法大都是針對(duì)具體問題的，并沒有一種適合于所有圖像的通用分割算法，而且近年來

50、每年都有上百篇相關(guān)研究報(bào)道發(fā)表。然而，還沒有制定出選擇合適分割算法的標(biāo)準(zhǔn)，這給圖像分割技術(shù)的應(yīng)用帶來許多實(shí)際問題。因此，對(duì)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(diǎn)之一。</p><p>　　圖像分割在圖像工程中的位置它起著承上啟下的作用，可以認(rèn)為是介于低層次處理和高層次處理的中間層間。最近幾年又出現(xiàn)了許多新思路、新方法、或改進(jìn)算法。下面對(duì)一些經(jīng)典傳統(tǒng)方法作簡(jiǎn)要的概述。</p>&l

51、t;p>　　多年來人們對(duì)圖像分割提出了不同的解釋和表述，借助集合概念對(duì)圖像分割可給出如下定義：令集合R代表整個(gè)圖像區(qū)域，對(duì)R的圖像分割可以看做是將R分成N個(gè)滿足以下條件的非空子集R1，R2，R3，…，RN；</p><p>　?。?）在分割結(jié)果中，每個(gè)區(qū)域的像素有著相同的特性；</p><p>　　（2）在分割結(jié)果中，不同子區(qū)域具有不同的特性，并且它們沒有公共特性；</p>

52、;<p>　?。?）分割的所有子區(qū)域的并集就是原來的圖像；</p><p>　?。?）各個(gè)子集是連通的區(qū)域；</p><p>　　圖像分割是把圖像分割成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程，這些特性可以是像素的灰度、顏色、紋理等提取的目標(biāo)可以是對(duì)應(yīng)的單個(gè)區(qū)域，也可以是對(duì)應(yīng)的多個(gè)區(qū)域。圖像分割方法有許多種分類方式，在這里將分割方法概括為四類：</

53、p><p><b>　　(1)邊緣檢測(cè)方法</b></p><p><b>　　(2)區(qū)域提取方法</b></p><p><b>　　(3)閾值分割方法</b></p><p>　　(4)結(jié)合特定理論工具的分割方法。</p><p>　　下面就這些方法展開

54、介紹。</p><p>　　2.5.1 邊緣檢測(cè)法</p><p>　　圖像分析和理解的第一步常常是邊緣檢測(cè)。邊緣檢測(cè)方法是人們研究得比較多的一種方法，它通過檢測(cè)圖像中不同區(qū)域的邊緣來達(dá)到分割圖像的目的。邊緣檢測(cè)的實(shí)質(zhì)是采用某種算法來提取出圖像中對(duì)象與背景問的交界線。我們將邊緣定義為圖像中灰度發(fā)生急劇變化的區(qū)域邊界。圖像灰度的變化情況可以用圖像灰度分布的梯度來反映，因此我們可以用局部圖像微

55、分技術(shù)來獲得邊緣檢測(cè)算子。經(jīng)典的邊緣檢測(cè)方法，是通過對(duì)原始圖像中像素的某小鄰域構(gòu)造邊緣檢測(cè)算子來達(dá)到檢測(cè)邊緣這一目的。</p><p>　　2.5.2 區(qū)域提取法</p><p>　　區(qū)域提取法有兩種基本形式：一種是從單個(gè)像素出發(fā)，逐漸合并以形成所需的分割區(qū)域；另一種是從全圖出發(fā)，逐漸分裂切割至所需的分割區(qū)域。在實(shí)際中使用的通常是這兩種基本形式的結(jié)合。根據(jù)以上兩種基本形式，區(qū)域提取法可以分

56、為區(qū)域生長(zhǎng)法和分裂合并法。區(qū)域生長(zhǎng)法的基本思想是將具有相似性質(zhì)的像素合起來構(gòu)成區(qū)域，具體做法是先給定圖像中要分割的目標(biāo)物體內(nèi)的一個(gè)小塊或者說種子區(qū)域，再在種子區(qū)域的基礎(chǔ)上不斷將其周圍的像素點(diǎn)以一定的規(guī)則加入其中，達(dá)到最終將代表該物體的所有像素點(diǎn)結(jié)合成一個(gè)區(qū)域的目的。該方法的關(guān)鍵是要選擇合適的生長(zhǎng)或相似準(zhǔn)則。生長(zhǎng)準(zhǔn)則一般可分為三種：基于區(qū)域灰度差準(zhǔn)則、基于區(qū)域內(nèi)灰度分布統(tǒng)計(jì)性質(zhì)準(zhǔn)則和基于區(qū)域形狀準(zhǔn)則。分裂合并法是先將圖像分割成很多的一致性

57、較強(qiáng)的小區(qū)域，再按一定的規(guī)則將小區(qū)域融合成大區(qū)域，達(dá)到分割圖像的目的。區(qū)域提取法的缺點(diǎn)是往往會(huì)造成過度分割，即將圖像分割成過多的區(qū)域，因此近年來針對(duì)這種方法的研究較少。</p><p>　　2.5.3閾值分割法</p><p>　　對(duì)灰度圖像的取閾值分割就是先確定一個(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)的像素分為兩類。這兩

58、類像素一般分屬圖像的兩類區(qū)域，從而達(dá)到分割的目的。閾值分割算法主要有兩個(gè)步驟：</p><p>　　（1）確定需要的閾值；</p><p>　　（2）將分割閾值與像素值比較以劃分像素。</p><p>　　可以看出，確定一個(gè)最優(yōu)閾值是分割的關(guān)鍵。現(xiàn)有的大部分算法都是集中在閾值確定的研究上。閾值分割方法根據(jù)圖像本身的特點(diǎn)，可分為單閾值分割方法和多閾值分割方法：也可分為

59、基于像素值的閾值分割方法、基于區(qū)域性質(zhì)的閾值分割方法和基于坐標(biāo)位置的閾值分割方法．若考慮分割算法所用的特征或準(zhǔn)則的特點(diǎn)，還可以分為直方圖與直方圖變換法、最大類空間方差法、最小誤差法與均勻化誤差法、共生矩陣法、最大熵法、簡(jiǎn)單統(tǒng)計(jì)法與局部特性法、概率松弛法、模糊集法等。</p><p>　　2.5.4 結(jié)合特定理論工具的分割方法</p><p>　　近年來，隨著各學(xué)科許多新理論和方法的提出，人

60、們也提出了許多結(jié)合特定理論工具的分割方法，例如基于數(shù)學(xué)形態(tài)學(xué)的分割方法，基于神經(jīng)網(wǎng)絡(luò)的分割方法，基于信息論的分割方法，基于模糊集合和邏輯的分割方法，基于小波分析和變換的分割方法，基于遺傳算法的分割方法等?；谛〔ǚ治龊妥儞Q的分割方法是借助新出現(xiàn)的數(shù)學(xué)工具小波變換來分割圖像的一種方法，也是現(xiàn)在非常新的一種方法。小波變換是一種多尺度多通道分析工具，比較適合對(duì)圖像進(jìn)行多尺度的邊緣檢測(cè)，例如可利用高斯函數(shù)的一階和二階導(dǎo)數(shù)作為小波函數(shù)，利用Mal

61、lat算法分解小波，然后基于馬爾算子進(jìn)行多尺度邊緣檢測(cè)，這里小波分解的級(jí)數(shù)可以控制觀察距離的“調(diào)焦”。而改變高斯函數(shù)的標(biāo)準(zhǔn)差可選擇所檢測(cè)邊緣的細(xì)節(jié)程度。小波變換的計(jì)算復(fù)雜度較低，抗噪聲能力較強(qiáng)。理論證明以零點(diǎn)為對(duì)稱點(diǎn)的對(duì)稱二進(jìn)小波適合檢測(cè)屋頂狀邊緣，而以零點(diǎn)為反對(duì)稱點(diǎn)的反對(duì)稱二進(jìn)小波適合檢測(cè)階躍狀邊緣。近年來多通道小波也開始用于邊緣檢測(cè)。另外，利用正交小波基的小波變換也可提取多尺度邊緣，并可通過對(duì)圖像奇異度的計(jì)算和估計(jì)來區(qū)分一些邊緣的類

62、型。</p><p>　　2.6數(shù)字圖像分割質(zhì)量評(píng)價(jià)體系</p><p>　　通常我們對(duì)一副圖像分割結(jié)果的好壞判斷，是以人的主觀判斷作為標(biāo)準(zhǔn)的，因此人的視覺決定了分割效果的優(yōu)良，從而導(dǎo)致了由于人的視覺差異對(duì)圖像分割好壞評(píng)價(jià)的差異，所以我們對(duì)不同的分割方法做一個(gè)定量的、定性的評(píng)價(jià)是非常有意義的。</p><p>　　為了把握?qǐng)D像分割算法的性能，應(yīng)當(dāng)對(duì)各種算法都進(jìn)行評(píng)價(jià)

63、。分割評(píng)價(jià)是改進(jìn)和提高現(xiàn)有算法的性能，改善分割質(zhì)量和指導(dǎo)新算法研究的重要手段。評(píng)價(jià)方法一般可以分為直接法和間接法兩大類：直接發(fā)是直接對(duì)算法的原理和性能進(jìn)行評(píng)價(jià)，而沒有考慮到應(yīng)用環(huán)境的影響，評(píng)價(jià)結(jié)果只與算法有關(guān)；間接法在對(duì)結(jié)果進(jìn)行測(cè)試和對(duì)比進(jìn)行評(píng)價(jià)。</p><p>　　圖1-1 圖像分割評(píng)價(jià)方法示意圖</p><p>　　由圖1-1可知，直接評(píng)價(jià)法研究圖像分割所用的算法本身，通過分析它的

64、原理、性質(zhì)、特點(diǎn)，從而推斷和評(píng)判算法的優(yōu)劣;而間接評(píng)價(jià)法是去研究輸出分割圖的質(zhì)量，或由輸入圖得到的參考圖與輸出圖的差別從而通過歸納總結(jié)得到分割算法的性能。同樣要評(píng)價(jià)分割技術(shù)，各種方法的難易程度也不同。用間接法評(píng)判算法需要用算法對(duì)圖像進(jìn)行分割實(shí)驗(yàn)以得到輸出分割圖(有時(shí)還需獲得參考圖)，而用直接法則只需要對(duì)算法本身進(jìn)行分析就可以。</p><p>　　關(guān)于圖像分割評(píng)價(jià)方法方面，許多學(xué)者提出了不少評(píng)價(jià)方法和準(zhǔn)則；在這些

65、準(zhǔn)則中，定量實(shí)驗(yàn)準(zhǔn)則提出最多，而且運(yùn)用這類準(zhǔn)則得到的評(píng)價(jià)標(biāo)準(zhǔn)也具有說服力，定量實(shí)驗(yàn)評(píng)價(jià)準(zhǔn)則主要包括：區(qū)域間對(duì)比度、區(qū)域內(nèi)部均勻性、形狀測(cè)度、目標(biāo)計(jì)數(shù)一致性、像素距離誤差、像素?cái)?shù)量誤差、最終測(cè)量精度等。</p><p>　　第3章 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)性的組成部分的過程。圖像分割是圖像處理和分析中的重要問題,

66、也是計(jì)算機(jī)視覺研究中的一個(gè)經(jīng)典問題。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)視覺的一個(gè)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)域法。</p

67、><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><

68、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)。</p><p>　　下面，我們將圖像分割算法

69、分為以下5類：基于閾值化的分割、基于邊緣的分割、基于區(qū)域的分割、基于聚類的分割、基于形態(tài)學(xué)及其他分割方法。</p><p>　　3.1基于閾值圖像分割算法</p><p>　　閾值分割是一種常用的圖像分割方法，它主要利用圖像中要提取的目標(biāo)物與其背景在灰度特性上的差異，通過設(shè)置合適的灰度門限（閾值），將圖像的灰度劃分為兩個(gè)或多個(gè)灰度區(qū)間，以確定有意義的區(qū)域或分割物體的邊界。閾值分割常用于圖像

70、的二值化處理，即選擇一個(gè)合適的閾值，通過判斷圖像中的每一個(gè)像素點(diǎn)的特征屬性是否滿足閾值的要求來確定圖像中該像素點(diǎn)是屬于目標(biāo)區(qū)域還是屬于背景區(qū)域，從而將圖像轉(zhuǎn)化成二值圖像。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得到分割用的閾值, 并

71、根據(jù)該閾值對(duì)整幅圖像進(jìn)行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(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

72、根據(jù)圖像選擇合適的閾值是基于閾值分割方法的重點(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。</p><p>　　閾值法的幾種閾值選擇方法：</p><p&

73、gt;<b>　　全局閾值法</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

74、圖像,不能使用該方法。</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，如圖3-1所示： </p><p>　　圖3-1 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>

75、<p>　　通過數(shù)組記錄直方圖中的各像素點(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。</p><p>　　其實(shí)現(xiàn)流程圖如圖3-2所示：</p><p>　　圖3-2 雙峰法實(shí)現(xiàn)流程圖</p><p>　　（2）灰度直方圖變換法</p><p>　　該方法不是直接選取閾

76、值,而是對(duì)灰度直方圖進(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。</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>　?、?/p>

77、 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>　?、谇蟪鲩撝?；</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象的效果良好， 基于迭代的閾值能區(qū)分

78、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。</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)子圖像分別求出最優(yōu)分割閾值。</p>&

79、lt;p><b>　　（1）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)由于不能兼顧圖像各處的情況而使分割效果受到影響。在這

80、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。</p><p>

81、　　總的來說，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，也就是說要使用多個(gè)閾值才能將它們分開，這就是多閾值分割。</p>

82、<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。</p><p>　　3.2 基于邊緣檢測(cè)分割算法</p><p>　　邊緣(或邊沿)是指

83、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)?？梢杂们髮?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。邊緣存在于目標(biāo)與背景、目標(biāo)與目標(biāo)之間，包含了豐富的圖像信息?；谶吘?/p>

84、檢測(cè)的圖像分割正是利用邊緣的灰度變化特性，通過考察圖像中各像素在某個(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)變化的規(guī)律檢測(cè)目標(biāo)物邊緣，從而實(shí)現(xiàn)圖像分割。邊緣檢測(cè)可借助空域微分算子通過卷積來實(shí)現(xiàn)。對(duì)圖像進(jìn)行微分運(yùn)算，可求得灰度的變化率，加強(qiáng)圖像中高頻分量的作用，從而使圖像中的邊緣更清晰。</p><p>　　常見的邊緣剖面有3種，如圖3-3所示：</p><p>　?。?） 階梯狀邊

85、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)的過零點(diǎn)檢測(cè)邊緣位置；</p><p>　?。?）脈沖狀邊緣：主要對(duì)應(yīng)細(xì)條狀的灰度值突變區(qū)域，通過檢測(cè)二階導(dǎo)數(shù)過零點(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少的變化轉(zhuǎn)折點(diǎn)，通過檢測(cè)一階導(dǎo)數(shù)過零點(diǎn)可以確定屋頂位置。</p><p>　　圖3-3

86、常見邊緣剖面</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)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)

87、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)于二階微分的過零點(diǎn)。</p><p>　　傳統(tǒng)的邊緣檢測(cè)算法通過梯度算子來實(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。</p><p>　　邊緣檢測(cè)的幾種經(jīng)典算法：</p><p>　?。?）Canny 算子</p>

88、<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>　　（2）Prewitt 和Sobel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 來計(jì)算差分算子

89、，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>　?。?）Log算子</b></p><p>　　Log算子也就是Laplacian-Gauss算子，它把Gauss平滑濾波器和Lap

90、lacian銳化濾波器結(jié)合了起來，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[10]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, 因此必須使用濾波器來改善與噪聲有關(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。&

91、lt;/p><p>　?、?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。邊緣增強(qiáng)一般是通過計(jì)算梯度幅值來完成的。</p><p>　?、?檢測(cè)：在圖像中有許多點(diǎn)的梯度幅值比較大, 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>&l

92、t;p>　?、?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估計(jì),邊緣的方位也可以被估計(jì)出來。</p><p>　　各個(gè)邊緣檢測(cè)算子比較:</p><p>　　Sobel 算子和Prewitt 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

93、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法被檢測(cè)到。</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

94、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。</p><p>　　該類方法對(duì)邊緣灰度值過渡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

95、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。</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

96、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)分析或通過對(duì)圖像區(qū)域的建模而進(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題。</p&g

97、t;<p>　　3.3 基于區(qū)域特性的圖像分割算法</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個(gè)不同區(qū)域的一種分割方法。區(qū)域提取法有兩種基本形式：一種是從單個(gè)象素出發(fā),逐漸合并以形成所需的分割區(qū)域；另一種是從全圖出發(fā),逐漸分裂切割至所需的分割區(qū)域，在實(shí)際中使用的通常是這兩種基本

98、形式的結(jié)合。根據(jù)以上兩種基本形式,區(qū)域提取法可以分為區(qū)域生長(zhǎng)法和分裂合并法。</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

99、法通常相結(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。</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。<

100、/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)的情況下將分開的區(qū)域連接起來。</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，然后區(qū)域

101、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)區(qū)域就

102、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)使本來分開的區(qū)域連接起來。</p><p>　　區(qū)域分裂合并方法利用了圖像數(shù)據(jù)的金字塔或四叉樹數(shù)據(jù)結(jié)構(gòu)的層次概念，將圖像劃分成一組任意不相交的初始區(qū)域，根據(jù)給定的均勻性檢測(cè)準(zhǔn)則進(jìn)行分裂和合并這些區(qū)域，逐步改善區(qū)域劃分的性能，直至最后將圖像分成數(shù)量最少的均勻區(qū)域?yàn)橹埂?lt;/p><p&g

103、t;　　基于區(qū)域的分割算法可以彌補(bǔ)閾值化分割方法因沒有或很少考慮到空間關(guān)系而使多閾值選擇受到限制的不足。該方法利用了圖像的空間性質(zhì)，不但考慮了像素的相似性，同時(shí)考慮到了空間區(qū)域上的鄰接性，從而可以有效消除孤立噪聲的干擾，具有很強(qiáng)的魯棒性。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)區(qū)域就必須給出相應(yīng)的種子個(gè)數(shù)。同時(shí)，無論是分裂運(yùn)算還是合并

104、運(yùn)算，都能夠很好的將分割深入到像素級(jí)，因此對(duì)圖像分割的精度能夠有較高的保障，但其分割的速度都比較慢。</p><p>　　第4章 基于Matlab的圖像分割算法仿真 </p><p>　　圖像分割雖然是一個(gè)得到了比較深入研究的經(jīng)典課題，但仍有許多問題亟待解決。盡管這些算法大都在不同程度上取得了一定的成功，但是圖像分割問題還遠(yuǎn)遠(yuǎn)沒有解決。本文從圖像分割的定義、應(yīng)用等研究背景入手，深入介紹了

105、目前各種經(jīng)典的圖像分割算法，并在此基礎(chǔ)比較了各種算法的優(yōu)缺點(diǎn)，同時(shí)我們還可以針對(duì)具體問題采用多種分割算法的相結(jié)合的思想進(jìn)行處理，從而達(dá)到有效的解決了單一的圖像分割算法所帶來的一定缺陷，進(jìn)而改善圖像分割效果的目的。</p><p>　　本論文是利用MATLAB強(qiáng)大的運(yùn)算和圖形展示功能，來實(shí)現(xiàn)圖像閾值、邊緣檢測(cè)算子及分水嶺分割方法的研究，以進(jìn)行圖像分割算法的一些仿真效果的比較。</p><p>

106、;　　4.1 圖像閾值分割算法研究</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)物與其背景在灰度特性上的差異,把圖像視為具有不同灰度級(jí)的兩類區(qū)域(目標(biāo)和背景) 的組合,選取一個(gè)合適的閾值,以確定圖像中每個(gè)象素點(diǎn)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。</p><p>　　閾值化分割方法計(jì)算簡(jiǎn)單，運(yùn)算效率較高，速度快。全局閥值對(duì)于灰度相差較大的不