【正文】 后對所做工作進行總結(jié)。 I 圖像分割算法研究與實現(xiàn) Research and Implementation of Image Segmentation Algorithms 目 錄 摘 要 : ............................................................................................................. 1 1．前言 ............................................................................................................ 2 2．圖像分割概念 ............................................................................................ 2 圖像分割定義 ..................................................................................... 2 圖像分割方法綜述 ............................................................................. 4 閾 值法 ................................................................................................. 4 基于邊緣檢測的分割方法 ................................................................ 8 基于區(qū)域的分割方法 ....................................................................... 11 3．圖像分割方法詳述 .................................................................................. 12 圖像分割方法 ................................................................................... 12 圖像分割方法實現(xiàn) .......................................................................... 12 4．實驗結(jié)果及分析 ...................................................................................... 14 實驗結(jié)果 .......................................................................................... 14 實驗結(jié)果分析 .................................................................................. 18 5．小結(jié) .......................................................................................................... 20 本文主要工作總結(jié) .......................................................................... 20 結(jié)論及展望 ...................................................................................... 20 6．致謝 .......................................................................................................... 22 7．附錄 .......................................................................................................... 24 圖像分割算法 研究 與實現(xiàn) 摘 要 : 圖像分割是圖像處理與計算機視覺的基本問題之一 ,是圖像處理圖像分析的關(guān)鍵步驟 。 關(guān)鍵詞 :圖像分割 閾值法 邊緣檢測 微分算子 局部閾值 RESEARCH AND IMPLEMENTATION OF IMAGE SEGMENTATION ALGORITHMS Abstract : Image segmentation is one of basic problems in image pro cessing and puter vision,and is a key step in image processing and image original image can be translated into more abstract and more pact format by image segmentation and target expression , feather extraction , parameter survey , and so on which are base on segmentation , this makes more high images analy sis and image understanding possible. Therefore, the image segmen tation for many years is highly first ,image segmentation methods are classified into three typical types ,and their characteris tics are analyzed. Secondly , the scheme of image segmentation are introduced .At last， there is a summation to the whole work， writting program with MATLAB , and show the phenomenon. Key words: Image Segmentation ,Threshold , Edge Detection , Differential operator ,Local threshold 圖像分割算法研究與實現(xiàn) 1． 前言 在圖像的研究和應(yīng)用 過程中，人們往往僅對各幅圖像中的某些部分感興趣 .這些部分常稱為目標或前景，它們一般對應(yīng)圖像中特定的具有獨特性質(zhì)的區(qū)域 .為了辨別和分析目標，需要將這些區(qū)域分離提取出來，在此基礎(chǔ)上才有可能對目標進一步利用 .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的技術(shù)和過程 .在進行圖像分割時，首先要根據(jù)目標和背景的先驗知識來對圖像中的目標、背景進行標記、定位，然后將等待識別的目標從背景中分離出來 .圖像分割是由圖像處理進到圖像分析的關(guān)鍵步驟，也是一種基本的計算機視覺技術(shù) .這是因為圖像的分割、目標的分離、特征的提取 和參數(shù)的測量將原始的圖像轉(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，圖像分割多年來一直得到人們的高度重視 [1]?？梢?，圖象分割在圖 象工程中有重要的地位和影響。 正式“集合”定義： 令集合 R 代表整個圖象區(qū)域，對 R 的分割可看作將 R 分成若干個滿足如下五個條件的非空的子集（子區(qū)域）： （ 1） RRU ?? in1i（ 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象中每個象素都劃分進一個子區(qū)中） （ 2） 對所有的 i 和 j ,有 Ri ∩ Rj = 248。條件 3 指出在分割結(jié)果中每個子區(qū)域都有獨特的特性，或者說屬于同一個區(qū)域中的象素應(yīng)該具有某些相同的特性。因為分割總是根據(jù)一些分割準則進行的。圖像分割是圖像處理和分析中的重要問題 ,也是計算機視覺研究中的一個經(jīng)典難題。本文對傳統(tǒng)的圖像分割方法進行分析 。 (3)相鄰區(qū)域之間對選定的某種同質(zhì)判據(jù)而言，應(yīng)存在顯著差異性 。不同的圖像分割方法總有在各種約束條 件之間找到適當?shù)钠胶恻c[3]。并且閾值法僅僅考慮圖像的灰度信息而沒有考慮圖像的空間信息，致使閾值法對噪聲和灰度不均勻十分地敏感。 它可以分為全局閾值 分割和局部閾值分割。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。當分割閾值位于谷底時 ,圖像分割可取得最好的效果。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]。 （ 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。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。 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。 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)若干個研究目標時，容易喪失部分邊界信息，造成圖像分割 的不完整 [9]。 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。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。 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，其表達式近似 于高斯函數(shù)的一階導(dǎo)數(shù)。 （ 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 。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。 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。 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。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?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)。當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。 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。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)域生長方式的優(yōu)點是計算簡單。 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)某種判斷準則迭代進行合并。 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。 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 ,具體的實現(xiàn)步驟如下： (1)輸入待分割圖像 f(x,y), f(x,y)為 彩色圖像； (2)將待分割圖像 f(x,y)轉(zhuǎn)化為灰度圖像 g(x,y)； (3)利用 MATLAB 顯示 灰度圖像 g(x,y)的 灰度直方圖 ,用迭代法進行閾值選取，以 達到 區(qū)分背景和目標 的目的 ； (4)采用邊緣檢測算子檢測圖像的邊界特征 ,確定圖象的邊界位置 ，得到圖像 G(x,y)； (5)根據(jù)圖象分割的實際效果， 將經(jīng)過邊緣檢測后的圖像 G(x,y)進行局部閾 值分