【正文】 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)域獲得對應(yīng)的不同區(qū)域的 閾 值 , 利用這些閾值對各個區(qū)域進行分割 , 即一個閾值對應(yīng)相應(yīng)的一個子區(qū)域 , 這種方法也稱適應(yīng)閾值分割。 閾值法是一種簡單但是非常有效的方法 , 特別是不同物體或結(jié)構(gòu)之間有很大的強度對比時 , 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)圖像選擇合適的閾 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(biāo)與背景的灰度級有明顯差別的圖像 ,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(biāo)和背景相對 應(yīng) ,波谷與圖像邊緣相對應(yīng)。當(dāng)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(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 : 圖 1 雙峰法灰度直方圖 找出閾值 T，則可以對整個圖像進行二值化賦值。 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)， 再對逐個像素值進行掃描。記錄每個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作為閾值 [7]。 實現(xiàn)流程圖： 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。這種方法的一個共同特征是根據(jù)像素點的局部特性 ,對其進行灰度級的增強或減弱的變換。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]。 （ 3）迭代法（最優(yōu)方法） 它基于逼近的思想，基本算法如下： 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： 2/inaxk ）（ MMT ?? ， 根據(jù)閾值 kT 將圖像分割為前景和背開始 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范圍 找出能作為谷底范圍最大的像素值作為閾值 根據(jù)取得的閾值對圖像進行二值化 結(jié)束 景，分別求出兩者的平均灰度值 0Z 和 bZ ； 2 求出閾值 10( ) / 2kbT Z Z? ?? ； 3 如果 1kkTT??；則所得即為閾值；否則轉(zhuǎn) 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(xì)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。 （ 1） 自適應(yīng)閾值 在許多情況下，背景的灰度值并不是常數(shù)，物體和背景的對比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(dāng)遇到圖像中有陰影、突發(fā)噪聲、照度不均、對比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行閾值化處理，則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)值是比較合適的。這就是自適應(yīng)閾值。 自適應(yīng)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行分割。由于各個子圖的閾值化是獨立進行的，所以在相鄰子圖像邊界處的閾值會有突變，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。 總的來說，這類算法的時間和空間復(fù)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。 （ 2） 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(biāo)對象，所以提取每一個目標(biāo)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(yīng)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(jié)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(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)若干個研究目標(biāo)時，容易喪失部分邊界信息，造成圖像分割 的不完整 [9]。 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(jié)果，這種不連續(xù)?？梢杂们髮?dǎo)數(shù)方便的檢測到，一般常用一階導(dǎo)數(shù)和二階導(dǎo)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大地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(dǎo)數(shù)的過零點檢測邊緣位置； （ 2）脈沖狀邊緣：主要對應(yīng)細(xì)條狀的灰度值突變區(qū)域，通過檢測二階導(dǎo)數(shù)過零點可以確定脈沖的范圍； （ 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(zhuǎn)折點，通過檢測一階導(dǎo)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行量化，也包括方向的確定。常用的邊緣檢測方法的基礎(chǔ)是微分運算，邊緣點對應(yīng)于一階微分幅度大的點，或?qū)?yīng)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(dá)式近似 于高斯函數(shù)的一階導(dǎo)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 22 擴大到 33 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 算子的基礎(chǔ)上，對 4鄰域采用帶權(quán)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。 （ 3） Log 算子 Log 算子 也就是 LaplacianGauss 算子 ， 它把 Gauss 平滑 濾波器和Laplacian 銳化濾波器結(jié)合了起來，先平滑掉噪聲，再進行邊緣檢測 。 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(dǎo)數(shù) , 但導(dǎo)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(guān)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(dǎo)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 : 增強邊緣的基礎(chǔ)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較大 , 而這些點在特定的應(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(yīng)用場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 ,邊緣的方位也可以被估計出來。 各個邊緣檢測算子比較 : Sobel 算子和 Prewitt 算子 : 都是對圖像先作加權(quán)平滑處理 , 然后再作微分運算 , 所不同的是平滑部分的權(quán)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(jié)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 : 該算子克服了拉普拉斯算子抗噪聲能力比較差的缺點 , 但是在抑制噪聲的同時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 ,造成邊緣丟失。 綜上所述 , 前面所介紹的各個算子各有各的特點和應(yīng)用領(lǐng)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。在噪聲較大的情況下常用的邊緣檢測算法 ,如 Marr 算子 ,遞歸濾波器和Canny 算子等都是先對圖像進行適當(dāng)?shù)钠交?,抑制噪聲 ,然后求導(dǎo)數(shù) ,或者先對圖像進行局部擬合 ,然后再用擬合的光滑函數(shù)的導(dǎo)數(shù)來代替直接的數(shù)值導(dǎo)數(shù)。 Canny 算子較為簡單 ,而且考慮了梯度方向 ,效果比較好 [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(yīng)這種變化的檢測方法。其次要知道特性變化總是發(fā)生在一定的空間范圍內(nèi) ,不能期望用一種檢測算子就能最佳檢測出發(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 ,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辦法就是濾除噪聲 , 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)近似通過內(nèi)插等獲得高精度定位。第五 ,在正確檢 測邊緣的基礎(chǔ)上要 考慮精確定位的問題 [14]。 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 ,進而將圖像分割成若干個不同區(qū)域的一種分割方法?；趨^(qū)域的分割方法主要有區(qū)域生長法、分裂合并法 。 區(qū)域生長法、 分裂合并法： 區(qū)域生長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(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(shù)的缺點是可能破壞邊界 ,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]。 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)則的設(shè)計 。(2)算法的高效性和準(zhǔn)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(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。 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(zhǔn)則迭代進行合并。在區(qū)域分裂技術(shù)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)域進行合并。分裂合并方法不需要預(yù)先指定種子點，它的研究重點是分裂和合并規(guī)則的設(shè)計。但是，分裂合并技術(shù)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(yīng)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 圖像分割方 法 本次畢業(yè)設(shè)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(jié)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 到是對圖象進行預(yù)處理和后處理 的作用 。 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