【正文】 煩的問題，由于缺少通用的理論指導(dǎo)，常常需要反 復(fù)的進(jìn)行實(shí)驗(yàn)。另外，圖像分割在實(shí)際中也得到了廣泛的應(yīng)用，在計(jì)算機(jī)視覺和圖像識別的各種應(yīng)用系統(tǒng) 中占有相當(dāng)重要的地位，也是研制和研發(fā)計(jì)算機(jī)視覺系統(tǒng)、字符識別和目標(biāo)自動(dòng)獲取等圖像識別和理解系統(tǒng)首先要解決的問題。第三章主要對圖像分割算法的概述以及簡述了 幾種分割算法及特點(diǎn)。 MATLAB 應(yīng)用非常之廣泛！ MATLAB 和 Mathematica、 Maple 并稱為三大 數(shù)學(xué) 軟件。在新的版本中也加入了對 C， FORTRAN， C++， JAVA 的支持。MATLAB 的基本數(shù)據(jù)單位是矩陣，它的指令表達(dá)式與數(shù)學(xué)，工程中常用的形式十分相似， 故用 MATLAB 來解算問題要比用 C,FORTRAN 等語言完成相同的事情來的簡單的多。學(xué)科工具包是專業(yè)性比較強(qiáng)的工具包，控制工具包，信號處理工具包，通信工具包等都屬于此類。 MATLAB 具有以下幾個(gè)特點(diǎn) : 語言簡潔緊湊，語法限制不嚴(yán)，程序設(shè)計(jì)自由度大，可移植性好 、 運(yùn)算符、庫函數(shù)豐富 、 強(qiáng)大的數(shù)值（矩陣）運(yùn)算功能 、 界面友好、編程效率高、圖形功能強(qiáng)大 。而且 Matlab 有特殊矩陣專門的庫函數(shù)，可以高效地求解 諸如信號處理、圖像處理、控制等問題。核心部分中有數(shù)百個(gè)核心內(nèi)部函數(shù)。 強(qiáng)大的數(shù)值（矩陣）運(yùn)算功能。在通常情況下，可以用它來代替底層編程語言，如 C 和 C++。 界面友好、編程效率高。利用豐富的庫函數(shù)避開繁雜的子程序編程任務(wù)，壓縮了一切不必要的編程工作 圖形功能強(qiáng)大。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。 圖像分割的定義 圖像分割就是指把圖像分成各具特性的區(qū)域并提取出自己感興趣區(qū)域的技術(shù)過程。有 ???? ?????=?。 ????=1?? ????=R 代表分割的所有 子區(qū)域的并集即為原來的圖像，它是圖像處理中的每個(gè)像素都被處明在分割理的保證。 這些條件對分割具有一定的指導(dǎo)作用。對于相似性的檢測方法（即基于區(qū)域的分割方法）主要有：雙峰法，區(qū)域分裂與合并和自適應(yīng)閾值分割等；對于灰度不連續(xù)性檢測方法（即基于邊緣的分割方法）主要有：邊緣檢測、邊緣跟蹤和霍夫變換等。由此可見，閾值分割算法的關(guān)鍵是確定閾值，如果能確定一個(gè)合適的閾值就可準(zhǔn)確地將圖像分割開來。 人們發(fā)展了各種各樣的閾值處理技術(shù)，包括全局閾值、自適應(yīng)閾值、最佳閾值等等。常用的全局閾值選取方法有利用圖像灰度直方圖的峰谷法、最小誤差法、 最大類間方差法 、最大熵自動(dòng)閾值法以及其它一些方法。這時(shí)的閾值為自適應(yīng)閾值。 區(qū)域生長的基本思想是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域。 區(qū)域生長需要選擇一組能正確代表所需區(qū)域的種子像素， 確定在生長過程中的相似性準(zhǔn)則，制定讓生長停止的條件或準(zhǔn)則。生長準(zhǔn)則可根據(jù)不同原則制定，而使用不同的生長準(zhǔn)則會(huì)影響 區(qū)域生長 的過程。 區(qū)域生長是從某個(gè)或者某些像素點(diǎn)出發(fā)，最后得到整個(gè)區(qū)域，進(jìn)而實(shí)現(xiàn)目標(biāo)提取。 在這類方法中，最常用的方法是四叉樹分解法 (如圖 所示 )。 分裂合并法的關(guān)鍵是分裂合并準(zhǔn)則的設(shè)計(jì)。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特征可以分割圖像。常用的一階 微分算子 有 Roberts 算子、 Prewitt 算子和 Sobel 算子，二階微分算子有 Laplace 算子和 Kirsh 算子等。因此用 微分算子 檢測邊緣前要對圖像進(jìn)行 平滑濾波 。在這種方法中，直方圖是從圖像中的像素的計(jì)算，并在直方圖的波峰和波谷是用于定位圖像中的簇。 基于直方圖的方法也能很快適應(yīng)于多個(gè)幀，同時(shí)保持他們的單通效率。這種方法部分基于主動(dòng)對象和一個(gè)靜態(tài)的環(huán)境，導(dǎo)致在不同類型的視 頻分割提供跟蹤。顯然， 閾值分割方法的關(guān)鍵和難點(diǎn)是如何取得一個(gè)合適的閾值。 閾值分割的優(yōu)點(diǎn)是計(jì)算簡單、運(yùn)算效率較高、速度快。在實(shí)際應(yīng)用中，閾值法通常與其他方法結(jié)合使用。常用的微分算子有一次微分(Sobel 算子、 Roberts 算子等 )、二次微分 (拉普拉斯算子等 )和模板操作 (Prewit 算子、Kirsch 算子等 )，它是一種并行邊界技術(shù)。根據(jù)跟蹤方法不同又可分為輪廓跟蹤、光棚跟蹤和全向跟蹤三種方法。 基于 Hough變換的邊緣連接技術(shù) 。為此，人們提出各種多尺度邊緣檢測方法，根據(jù)實(shí)際問題設(shè)計(jì)多尺度 邊緣信息的結(jié)合方案，以較好地兼顧抗噪性和檢測精度。如果從像元出發(fā)，按區(qū)域?qū)傩蕴卣饕恢碌臏?zhǔn)則，將屬性接近的連通像元聚集為區(qū)域，則是區(qū)域增長的分割方法。 特征空間聚類法進(jìn)行圖像分割是將圖像空間中的像素用對應(yīng)的特征空間點(diǎn)表示，根據(jù)它們在特征空間的聚集對特征空間進(jìn)行分割，然后將它們映射回原圖像空間，得到分割結(jié)果。模糊 C 均值算法是在模糊數(shù)學(xué)基礎(chǔ)上對 K均值算法的推廣，是通過最優(yōu)化一個(gè)模糊目標(biāo)函數(shù)實(shí)現(xiàn)聚類，它不像 K 均值聚類那樣認(rèn)為每個(gè)點(diǎn)只能屬于某一類，而是賦予每個(gè)點(diǎn)一個(gè)對各類的隸屬度，用隸屬度更好地描述邊緣像素亦此亦彼的特點(diǎn)，適合處理事物內(nèi)在的不確定性。 (3)聚類中心的位置和特性事先不清楚時(shí)，如何設(shè)置初始值。 基于小波變換的閾值圖像分割方法的基本思想是，首先由二進(jìn)小波變換將圖像的直方圖分解為不同層次的小波系數(shù)，然后依據(jù)給定的分割準(zhǔn)則和小波系數(shù)選擇閾值門限，最后利用閾值標(biāo)出圖像分割的區(qū)域。從圖像分割的角度來看，小波分解提供了一個(gè)數(shù)學(xué)上完備的描述；小波變換通過選取合適的濾波器，可以極大地減少或去除所提取的不同特征之間的相關(guān)性，不僅具有 “變焦 ”特性，而且在實(shí)現(xiàn)上有快速算法。 數(shù)學(xué)形態(tài)學(xué)是一種非線性濾波方法，可以用于抑制噪聲、特性提取、邊緣檢測、圖像分割等圖像處理問題。其基本的形態(tài)運(yùn)算是腐蝕與膨脹。開運(yùn) 算具有消除圖像是細(xì)小物體，并在物體影響纖細(xì)處分離物體和平滑較大物體邊界的作用閉運(yùn)算具有填充物體影像內(nèi)細(xì)小空間，連接鄰近物體和平滑邊界的作用。如何將數(shù)學(xué)形態(tài)學(xué)與其它方法綜合運(yùn)用以克服這些缺陷，將是數(shù) 學(xué)形態(tài)學(xué)以后的工作方向。神經(jīng)網(wǎng)絡(luò)存在巨量的連 西安石油大學(xué) 本科 畢業(yè)設(shè)計(jì) （論文） 13 接，容易引入空間信息，能較好地解決圖像中的噪聲和不均勻問題。這些特點(diǎn)使得遺傳算法很適于應(yīng)用在圖像分割中，尤其是閾值分割法以及區(qū)域生長法中。可考慮使用能夠自適應(yīng)設(shè)置交叉概率和變異概率自適應(yīng)遺傳算法以及和模擬退火法相結(jié)合的混合遺傳算法。但是可以看出，圖像分割方法正朝著更快速、更精確的方 向發(fā)展，通過各種新理論和新技術(shù)結(jié)合將不斷取得突破和進(jìn)展。在每個(gè)區(qū)域內(nèi)部有相同或者相近的特性，而相鄰區(qū)域的特性不相同。圖像的視覺特征是指人的視覺直接感受到的自 然特征（如區(qū)域顏色、亮度、紋理或輪廓等）；統(tǒng)計(jì)特征則是需要通過變換或測量才能得到認(rèn)為特征（如各種變換的頻譜、直方圖、各階矩等）。但是 RGB 空間是顏色空間，并不適合人的視覺特性 ， 同時(shí)RGB 三原色模型中兩點(diǎn)間的歐幾里德距離與顏色距離呈非線性關(guān)系 ， 不便于進(jìn)行圖像的彩色分割。 Lab 色彩模型是目前所有模式中色彩范圍（或稱為色域）最廣的顏色模式，自然界中任何一種顏色都可以在 Lab 空間中表達(dá)出來。 L 的值域?yàn)?0～ 100， a 和 b 的值域都是－ 120～ +120，所有的顏色就以這三個(gè)值交互變化所組成。 公式 41 為顏色三刺激值 X、 Y、 Z 與 R、 G、 B 之間的轉(zhuǎn)換公式。 圖像的空間彩色分割 在 L*a*b 空間中 L:亮度層， a：顏色在紅綠軸的分量， b：顏色在藍(lán)黃軸的分量。)。原始圖像 39。 sample_regions = false([size(fabric,1) size(fabric,2) nColors])。顯示紅色區(qū)域樣本 39。srgb2lab39。 b = lab_fabric(:,:,3)。%b的均值 end disp(sprintf(39。 a = double(a)。%求出最小距離的顏色 end 第三步為對圖像樣本區(qū)域中的顏色進(jìn)行分割，通過計(jì)算每個(gè)像素點(diǎn)和六種顏色平均值的歐式距離，這六種距離中最小的距離即為該像素點(diǎn)的顏色，這種方法稱為最近鄰法，例如：如果像素點(diǎn)距離紅色平均值的歐式距離最小，那么該像素點(diǎn)久違紅色。 rgb_label = repmat(label,[1 1 3])。%不是標(biāo)號顏色的像素置 0 segmented_images(:,:,:,count) = color。 figure。 figure。 figure, imshow(segmented_images(:,:,:,4)), %顯示紫色惡目標(biāo) title(39。紅紫色目標(biāo) 39。)。k39。g39。y39。,39。, ... plot_labels{count})。)。a*39。 ylabel(39。39。 基于圖像紋理的圖像分割 圖像紋理的定義 紋理（ Texture）是圖像中一個(gè)重要而又難以確切描述的特性，紋理一詞最初指纖維的外觀，雖然問我們大隊(duì)圖像的紋理很熟悉，但事實(shí)上目前對紋理仍然沒有統(tǒng)一的定義，一般來說，可以認(rèn)為紋理是有許多互相接近的、相互編織得到元素構(gòu)成，他們具有周期性。人工紋理是自然背景上的符號的排列組成，這些符號可以是線條、點(diǎn)、字母、數(shù)字等。模型法則難以用固定的模型區(qū)分析復(fù)雜的紋理圖像，而頻譜法則是分析紋理圖像的頻譜特征。紋理是指一個(gè)物體上的顏色模式或者指物體表面的光滑程度。使用紋理濾波器對圖像進(jìn)行分割時(shí)，首先求取不同部分的紋理，然后使用 entropyfilt、 stdfilt、 rangefilt三個(gè)不同的濾波函數(shù)對圖像進(jìn)行圖像濾波。% 讀取圖像 figure。% 顯示圖像 在這個(gè)程序中，首先讀取一副圖像，從圖 46中可以明顯 d看出這個(gè)圖像的頂部和底部的紋理有明顯的差異。%轉(zhuǎn)化為灰度圖像 figure。% BW1 = im2bw(Eim, .8)。)。%提取底部紋理 figure。%顯示底部紋理圖像 nhood = true(9)。邊緣光滑后圖像 39。)。)。 imshow(I2),title(?突出顯示圖像的頂部 ?)。 e2=entropyfilt(I2)。%顯示紋理圖像 bw2=im2bw(e2im,graythresh(e2im))。imshow(mask2)。texture2(mask2)=0。 。subplot(121) imshow(texture1)。texture1(~mask2)=0。imshow(bw2) mask2=bwareaopen(bw2,1000)。%轉(zhuǎn)化為灰度圖像 figure。 圖 48 圖形底部紋理 使用 imfill函數(shù)對圖像中的孔洞進(jìn)行填充操作，填充后的圖像如圖 49左邊圖像所示， 西安石油大學(xué) 本科 畢業(yè)設(shè)計(jì) （論文） 24 和原圖進(jìn)行比較，生成的圖像底部紋理并不完全吻合，可以使用這個(gè)圖像對原圖頂部的紋理進(jìn)行分割，得到的圖像頂部紋理如圖 49右邊圖像所示。 I2(roughMask) = 0。 subplot(121) imshow(roughMask),title(39。% 顯示該圖像 roughMask = imfill(closeBWao,39。%形態(tài)學(xué)相關(guān)操作 subplot(122)。底部紋理圖像 39。使用紋理邊界處的值，如圖 47右圖所示： 西安石油大學(xué) 本科 畢業(yè)設(shè)計(jì) （論文） 23 圖 47 紋理圖像的灰度圖像和二值圖像顯示 第三步即為分別顯示圖像的底部紋理和頂部紋理。 imshow(BW1),title(39?；叶葓D像 39。其實(shí)現(xiàn)代碼如下： E = entropyfilt(I)。原始圖像 39。39。在搖感、醫(yī)學(xué)圖像處理和自動(dòng)化偵察中，紋理分割圖像有著很多的應(yīng)用。 使用 MATLAB 中的紋理濾波器分割圖像 使用紋理濾波器分割圖像 的基本步驟可分為 四步，分別為讀取圖像、創(chuàng)建紋理圖像、顯示不同部分的紋理、使用合適的濾波器進(jìn)行分割。 圖像紋理提取方法 圖像紋理特征提取是指通過一定的圖像處理技術(shù)提取出紋理特征參數(shù)、從而獲得紋理的定量或定性描述的處理過程，圖像紋理的分析方法可以分為以下幾類： (1) 統(tǒng)計(jì)分析方法 西安石油大學(xué) 本科 畢業(yè)設(shè)計(jì) （論文） 20 (2) 結(jié)構(gòu)分析方法 (3) 頻譜分析方法 (4) 模型分析方法 統(tǒng)計(jì)好分析方法是基于 紋理圖像的全局特性，對具有明顯差別的紋理信號處理效果不明顯，這類方法主要有邊緣方向的直方圖法，灰度差分統(tǒng)計(jì)法等，也包括著名且實(shí)際應(yīng)用較多的灰度共生矩陣算法。此外，一些物體的表面可能具有方向相關(guān)的紋理信息，通常把圖像灰度分布性質(zhì)或圖像表面呈現(xiàn)出的方向信息作為紋理結(jié)果，它有助于區(qū)別不同的圖像區(qū)域。)。39。 values39。39。 end title(39。, ... plot_labels{count}, 39。 figure for count = 1:nColors plot(a(label==count1),b(label==count1),39。m39。r39。實(shí)現(xiàn)代碼如下： purple = [119/255 73/255 152/255]。 figure, imshow(segmented_images(:,:,:,6)), %顯示紅色目標(biāo) title(39。)。 綠色目標(biāo) 39。 紅色目標(biāo) 39。