【正文】 分析的關鍵步驟，他可以將原始圖像轉化為更抽象、 更緊湊的形式，使得高層的分析和決策成為可能。 圖像分割是數字圖像處理中的一項關鍵技術，它使得其后的圖像分析，識別等高級處理階段 所要處理的數據量大大減少，同時又保留有關圖像結構特征的信息。而且，在數字圖像處理工程中，一方面，圖像分割是目標表達的基礎，對特征測量有重要的影響；另一方面，圖像分割是自動目標識別的關鍵步驟，圖像分割及其基于分割的目標表達、特征提取和參數測量等將原始圖像轉化為更抽象更緊湊的形式，分割中出現的誤差會傳播至高層次處理階段，因此分割的精確程度是至關重要的。只有通過細致精細的圖像分割，才能使得更高層的圖像分析和理解成為可能。因此，圖像分割是由圖像處理進到圖像分析的關鍵步驟，在圖像工程中占據重要的位置。 圖像分割方法的研究現狀 作為 計算 機視覺和圖像處理中的難點和熱點之一，圖像分割的研究受到了研究工作者的高度重視，對圖像分割進行了深入、廣泛的研究。圖像分割作為圖像處理、分析的一項基本內容，其應用非常廣泛，幾乎出現在有關圖像處理的所有領域，并涉及各種類型的圖像。在 工業(yè) 自動化、在線產品檢驗、生產程控、文件圖像處理、遙感圖像、保安監(jiān)視、以及軍事 、 體育 、農業(yè)等行業(yè)和工程中，圖像分割都有著廣泛的應用。在各種圖像應用中，只要需對圖像目標進行提取，測量等都離不開圖像分割。 圖像分割算法一般是基于亮度值的兩個基本特性之一：不連續(xù)性和相似性。第一類性質的已用途徑是基于亮度的不連續(xù)變化分割圖像，比如圖像的邊緣。第二類的主要應用途徑是依據事先制訂的準則將圖像分割為相似的區(qū)域。門限處理、區(qū)域生長、區(qū)域分離和聚合都是這類方法的實例。 自 20 世紀 70 年代至今，已提出上千種各種類型的分割算法。如：門限法、匹配法、區(qū)域生長法、分裂－合并法、水線法、馬爾可夫隨機場模型法、多尺度法、小波分析法、數學形態(tài)學等。目前，在己提出的多種類型的分割算法中，大致可以分為 四 種類型 :閾值分割方法、邊緣檢測方法、區(qū)域提取方法和結合特定理論工具的分割方法 4類 。隨著新理論、新技術的發(fā)展，一些新的圖像分割方法也隨之出現，但這些分割算法都是針對某一類型圖像、某一具體的應用問題而提出的，并沒有一 種適合所有圖像的通用分割算法。通用方法和策略仍面臨著巨大的困難。另外，還沒有制定出選擇適用分割 算法的標準，這給圖像分割技術的應用帶來許 多實際問題。 盡管分割算法多種多樣，新的方法也不斷涌現，但人們還是不能回避一個長期困擾的問題：如何客觀地評價一個分割結果?？陀^評價對于自動分割意義重大，對比較不同算法的性能也很重要。一些文獻 1總結了人們對分割評價的幾種研究結果，但可以看出，多數方法都將算法的分割結果與主觀判斷結果作比較。事實上，人們對于人眼視覺系統(tǒng)的研究仍不成熟，難以用一個模型去描述它，這是尋求分割的客觀評價的困難所在。另外一個更重要的原因是，分割是面向一個個具體應用目的，不同的應用場合對分割結果可能會有不同的評價。因此，在許多情況下，主觀評價仍是最佳的衡量標準。 本課題的研究內容 本文 主要研究對遙感圖像的圖像分割方法，并 對圖像分割算法進行了較深入的研究。論文的主要工作如下： 第一章 要介紹了論文的研究背 景和意義以及 圖像分割 的 現實 狀況，闡述了全文研究的思路和框架 。 第二章 收集整理了國內外相關資料，將圖像分割方法分為三類：閾值分割方法、邊緣檢測方法、區(qū)域提取方法和結合特定理論工具的分割方法 4類。分別介紹了這四類算法中的常用算法。 第三章 對數學形態(tài)學的基礎知識和理論進行介紹，主要討論數學形態(tài)學的基本算法包括腐蝕、膨脹、開以及閉運算。并運用實例說明這些形態(tài)學基本運算作用于具體圖像產生的影響。本文從形態(tài)學基本運算的定義出發(fā)，討論結構元素尺寸及形狀對形態(tài)算子的影響，實驗并分析結構元素對圖像結果的影響。 第四章 詳細介紹了基于形態(tài)學分水嶺算法。在研究分水嶺分割算法的基礎上，利用內外標記約束重構梯度圖，對分水嶺算法進行了改進。 對遙感圖像進行處理，并附上實驗結果。 第五章 總結與展望。 第 2 章 圖像與圖像分割 概述 圖像的基本概念及其特點 ： 要對圖像進行處理，必須清楚圖像的概念。一般來說，二維或三維景物呈現在人眼中的樣子就是圖像。圖像具有以下三個方面的特點 : ①圖像帶有大量的信息，一幅圖像頂得上千言萬語 。 ②圖像種類繁多，包括照片、繪圖視頻圖像等 。 ③人類從外界獲得的大部分信息來自視覺系統(tǒng)。 人們看到的任何 自然 界的圖像都是連續(xù)的模擬圖像。其形狀和形態(tài)表現由圖像各位置的顏色來決定?？梢杂?f（ x, y)表示一幅模擬圖像，其中 x, y 表示空 間坐標點的位置， f 表示圖像在點 (x, y)的某種性質的數值，如亮度、顏色等， f、 x、y 可以是任意的實數。而把連續(xù)空間的圖像在坐標空間 (X, Y)和性質空間 F 都離散化，以便于計算機進行加工處理的離散化的圖像則稱為數字圖像。數字圖像用 I (r, c)來表示，其中 :r=row 為行， c = col 為列，表示空間離散點的坐標， I表示離散化的圖像 f。 I, r, c 都是整數。實際中仍習慣用 f (x, y)表示數字圖像。圖像存儲畫面的形式為柵格結構 :即將圖像劃分為均勻分布的柵格 (像素 )，顯式的記錄每一像素的亮度和顏色 。而將 像素的坐標值規(guī)則地隱含起來，其位置排列規(guī)則，通常為矩形排列。 圖像分割 所謂圖像分割，從廣義上來講，是根據圖像的某些特征或特征集合（包括灰度、顏色、紋理等）的相似性準則對圖像象素進行分組聚類，把圖像平面劃分成若干個具有某些一致性的不重疊區(qū)域。這使得同一區(qū)域中的象素特征是類似的，即具有一致性；而不同區(qū)域間象素的特征存在突變，即具有非一致性。從集合的角度出發(fā)，圖像分割定義如下： 設整個圖像空間為一集合 R 。根據選定的一致性準則 P ， R 被劃分為互不重疊的非空子集（或子區(qū)域）： {R1, R2,L, Rn}，這些子集必須滿足下述條件： （ 1） R = （ 2） 對于所有的 i 和 j ，當 i ≠ j， =空集 （ 3） P(Ri) = True ,對所有的 i （ 4） 所有 i ≠ j； Ri ,Rj 相鄰， P(Ri U Rj) = False （ 5） 對 i =1,2,L,n, Ri 是連通區(qū)域 其中： P(Ri)為作用于 Ri 中所有象素的形似性邏輯謂詞， i, j =1,2,L,? n。 上述條件 （ 1）指出分割后的全部子區(qū)域的總和應包含圖像中的所有元素，或者說分割應將圖像中每個象素都分進一個子區(qū)域中。 （ 2）指出各個子區(qū)域相互不重疊。 （ 3）指出分割后得到的屬于同一區(qū)域中的元素應該具有某種相同特性。 （ 4）指出對于分割后得到的屬于相鄰兩個區(qū)域中的元素具有某種不同的特性。（ 5）要求同一個子區(qū)域內的元素應當是連通的。 其中分割準則 P 適用于所有象素，由它來確定各區(qū)域元素的相同特性。上述數學條件說明了圖像分割算法的一些特點，凡不符合以上特點的圖像處理算法則不能稱為圖像分割算法。 基于 閾值 的分割方法 方法定義與特點 閾值分割法是一種傳統(tǒng)的圖像分割方法，因其實現簡單、計算量小、性能較穩(wěn) 定而成為圖像分割 中 最基本和應用最廣泛的分割技術。 閾值分割法的基本原理是：通過設定不同的特征閾值，把圖像像素點分為具有不同灰度級的目標區(qū)域和背景區(qū)域的若干類。它特別適用于 目 標和背景占據不同 灰 度級范圍的圖像，已被應用于很多領域，其中閾值的選取是圖像閾值分割方法中的關鍵技術。從其發(fā)展歷程 上 來看主要有 Otsu提出的最大類聞方差法，它被認為 是 閾值分割中的經典算法。 Kaptur等提出的最 佳 熵 閾 值方法，此算法無需先驗知識，且對于呈非理想雙峰 直 方圖的圖像 也 可 以進行較好的分割。但是，該算法在確定閾值，特別是多 閾 值時，存在計算量相當大、分割結果對 閾 值的變化較為敏感等不足。 Doyle提 出 的 Ptile法是早期的基于灰度直方 圖 的自動閾值選擇方法。該方法計算簡單．抗噪聲性能較好。其不足之處是要預先知道給定目標與整幅圖像的面積比 P。 因 此在 P未知或 P隨 不 同圖像改變時 ， 該方法不適用。 基于閾值分割法雖然簡單，但在閾值的選取很大程度上影響圖像分割的效果，它只考慮像素本身的灰度值， 而 不考慮圖像的空間分布，這樣其分割結果就對噪聲很敏感，對從事圖像分割的人員的先驗知識依賴過強。雖然 目前 出 現了各種甚于閾值分割的改進算法。圖像分割的效果有所改進．但在閾值的設置還是沒有很好的解決方法，若將智能遺傳算法應用在閾值篩選上，選取能最優(yōu)分割圖像的閾值，這可能是基于閾值分割的圖像分割法的發(fā)展趨勢。 閾值分割方法的實質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將圖像的灰度級分為幾個部分，認為屬于同一個部分的象素是同一個物體。它不僅可以極大的壓縮數據量，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，是進行圖像分析、特征提取與模式識別之前必要的圖像預處理過程 。它特別適用于目標和背景占據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用場合，它得到了廣泛的應用。 閾值的分割的描述 設 (x,y)是二維數字圖像的平面坐標，圖像灰度級的取值范圍是G={0, 1, 2,? L1 }(習慣上 0代表最暗的像素點， L1 代表最亮的像素點 )，位于坐標點 (x, y)上的像素點的灰度級表示為 f (x, y)。設 t∈ G為分割閾值， B= {b0, b 1}代表一個二值灰度級，并且 b0, b1∈ B。于是圖像函數f1(