【正文】 c1+j]。 %滿足判定條件將 B中相對(duì)應(yīng)的點(diǎn)賦為 1 end if M(r1+i,c1+j)==0。 dge=1，不滿足。 top=top1。 warning off。 %rgb轉(zhuǎn)灰度 if isrgb(I)==1 I_gray=rgb2gray(I)。 %轉(zhuǎn)化為雙精度 [wid,len]=size(I_gray)。 %初始閾值 %計(jì)算直方圖 for i=1:wid for j=1:len m=I_gray(i,j)+1。 for m=1:colorlevel miuT=miuT+(m1)*hist(m)。 omega2=0。 miu2=0。 miu2=miu2/omega2。 xigmaB2=xigmaB21。 xigma(mindex)=xigmaB21。 29 else miu2=miu2+(m1)*hist(m)。 end omega2=1omega1。 for mindex=1:colorlevel threshold=mindex1。 end end hist=hist/(wid*len)。 %灰度級(jí) hist=zeros(colorlevel,1)。 end figure,imshow(I_gray)。39。 subplot(1,2,2),imshow(B,[])。 %將原圖像起始位置灰度值賦予 B end if count=n %如果滿足判定條件的點(diǎn)個(gè)數(shù)大于等于 n top=1。 %將 dge賦為 1 end else dge=1。 %滿足判定條件將 M中相對(duì)應(yīng)的點(diǎn)賦為 1 count=count+1。 c1+j0 %保證在點(diǎn)周圍范圍之內(nèi) if abs(A(r1+i,c1+j)p)=thresh amp。 %起始點(diǎn)灰度值 dge=0。 %將起始點(diǎn)賦為 1，其余為 0 count=1。 %原圖起始點(diǎn)灰度值 q=[seed(1) seed(2)]。 %將圖像灰度化 B=A。 %選擇起始位置 thresh=15。) 2. 區(qū)域生長代碼： A0=imread(39。 end end end % 顯示圖像和邊緣 figure %subplot(1,2,1) imshow(X) title(39。 % 最大幅度值 edge_array=edge_array/MAX_E。 figure,imshow(BW)。 y1=rc(i,2)。 %找到目標(biāo)對(duì)象 r c 是橫縱左邊 25 %以下是將目標(biāo)對(duì)象儲(chǔ)存 rc = [r c]。 B=conv2(double(BW),double(msk))。 0 1 1 1 0。 %找到邊緣 canny,prewitt,log都可以更換，效果看來是 Canny較好 [imx,imy]=size(BW)。 %將圖像轉(zhuǎn)換為灰度圖像 im1=medfilt2(im1,[3 3])。 I=imread(str)。},39。39。39。 [filename pathname]= ... uigetfile({39。他們對(duì)我的論文耐心指導(dǎo)，不知疲倦，諄諄善誘，使我的論文終于能夠?qū)懙浇裉臁?11120， 152. [4] 劉直芳，游勝志 .基于多尺度彩色形態(tài)矢量算子的邊緣檢測 [J].中國圖像圖形學(xué)報(bào)， 2020， 32（ 1）：3033. [5] 潘晨，顧峰．基于 3D直方圖的彩色圖像分割方法 [J].中國圖像圖形學(xué)報(bào)， 2020， 33（ 2）： 3538. [6] 李宏貴，李興國．一種基于函數(shù)的圖像邊緣檢測算法 [J]．中國圖像圖形學(xué)報(bào)， 2020， 5(3)： 1016. [7] 孫祥，徐流美 .MATLAB 基礎(chǔ)教程 [M]．北京：清華大學(xué)出版社， 2020： 102106， 155. [8] 董長虹． Matlab 神經(jīng)網(wǎng)絡(luò)與應(yīng)用 [M]．北京： 國防工業(yè)出版社， 2020： 243245， 134， 189. [9] 賴志國，余嘯海 .Matlab 圖像處理與應(yīng)用 [M]．北京：國防工業(yè)出版社， 2020： 139,150170. [10] 劉直芳，王運(yùn)瓊．?dāng)?shù)字圖像處理與分析 [M]． 北京：清華大學(xué)出版社， 2020： 6975， 120， 200. 23 謝 辭 陽春三月，清風(fēng)扶柳，春暖花開，到處都是一片春意盎然的景象，在這樣一個(gè)成長的季節(jié)里，出生長廣東、成長在廣東、就連求學(xué)也至今未曾離開廣東的我就要結(jié)束我的大學(xué)生涯，迎來了我四年中最重要的一刻，畢業(yè)答辯。人類視覺分割中應(yīng)用了許多圖像以外的知識(shí) ,在很多視覺任務(wù)中 ,人們往往對(duì)獲得的圖像已具有某種先驗(yàn)知識(shí) ,這對(duì)于改善圖像分割性能是非常重要的。 隨著對(duì)人類視覺機(jī)理的研 究 ,人們逐漸認(rèn)識(shí)到 ,已有方法大都與人類視覺機(jī)理相脫節(jié) ,難以進(jìn)行更精確的分割。 ,沒有一種普遍適用的分割算法。盡管人們在圖像分割方面做了許多研究工作。 而區(qū)域生長 與閉值分割類似，區(qū)域增長也很少單獨(dú)使用，往往是與其它分割方法一起使用。且分割效果在很大程度上取決于使用的算子。盡管效率比自適應(yīng)閾值法低，但原理更好理解，而且比較容易掌握。但區(qū)域生長的缺點(diǎn)也比較明顯：（ 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。在 edge 函數(shù)中，最有效的邊緣檢測方法是 Canny方法。 18 各 邊緣檢測 分割結(jié)果 比較 通過比較分割結(jié)果可以看出， Sobel 算子對(duì)灰度漸變和噪聲較多的圖像處理效果 比較好，對(duì)邊緣定位比較準(zhǔn)確。 Prewitt 算子分割結(jié)果 對(duì)灰度圖 進(jìn)行 Prewitt 算子處理后 ： 圖 Prewiit 算子效果圖 Prewitt 算子： Prewitt 從加大邊緣檢測算子的模板大小出發(fā)，由 22 擴(kuò)大到 33 來計(jì)算差分算子，采用 Prewitt 算子不僅能檢測邊緣點(diǎn)，而且能抑制噪聲的影響。 Otsu 算法 (最大類 間方差法 ) 最大類間方差法是在判決分析或最小二乘法原理的基礎(chǔ)上推導(dǎo)出來的，最大類間方差法分割圖像的計(jì)算方法如下： 把一幅數(shù)字圖像 f(x,y)中的像素按灰度級(jí)用閾值 T 分為 C0和 C1類，即 ? ? ? ? },|,{ m i n10 TyxffyxfC ??? （式 ） ? ? ? ? },|,{ m a x21 TyxffyxfC ??? （式 ） 其中， fmin、 fmax分別為圖像 f(x,y)中灰度的最小值和最大值。 2)利用選擇的閾值 T 對(duì)圖像進(jìn)行分割，根據(jù)圖像像素的灰度值，可以將圖像分割為兩部分，灰度值大于 T 的圖像區(qū)域 G1和灰度值小于等于 T 的圖像區(qū)域 G2。迭代一直進(jìn)行到 ii TT ??1 結(jié)束，取 結(jié)束時(shí)的 iT 為閾值。 在一般的多閾值情況下，取閾值分割后的圖像可表示為： ? ? ? ? KkTyxfTkyxg kk ,2,1, 1 ????? ? （式 ） 其中 kTTT , 10 ? 是一系列分割閾值， k 表示賦予分割后圖像各區(qū)域不同的標(biāo)號(hào)。如果只用一個(gè)閾值分割稱為單閾值分割方法，如果用多個(gè)閾值分割稱為多閾值分割方法。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。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 ”?；叶确植枷嗨坪喜⒎ㄉ蓞^(qū)域的效果與微區(qū)域的大小和閾值的選取關(guān)系密切，一般說來，微 區(qū)域太大，會(huì)造成因過渡合并而漏分區(qū)域；反之，則因合并不足而割斷區(qū)域。對(duì)灰度值為 m ① 閾值： 輸入圖像像元密度值 (灰度、亮度值 )按對(duì)數(shù)函數(shù)關(guān)系變換為輸出圖像 。當(dāng)用（式）測試某個(gè)像素時(shí)，條件不成立的概率為 : ? ? ?? ???????? ?? T dzzTP 222e x p22 ??? (式 ) 這就是誤差概率函數(shù)，當(dāng) T 取 3 倍的方差時(shí)， 誤判概率為 1～ %。為克服這個(gè)問題，可不用新像素的灰度值去與鄰域像素的灰度值比較，而用新像素所在區(qū)域的平均灰度值去與各鄰域像素的灰度值進(jìn)行比較。 10 灰度差準(zhǔn)則 區(qū)域生長方法將圖像以像素為基本單位來進(jìn)行操作，基于區(qū)域灰度差的方法主要有如下步驟： 1. 設(shè)灰度差的閾值 ① 為零，用上述方法進(jìn)行區(qū)域擴(kuò)張，使灰度相同像素合并。 區(qū)域生長的一個(gè)關(guān)鍵是選擇合適的生長或相似準(zhǔn)則，大部分區(qū)域生長準(zhǔn)則使用圖像的局部性質(zhì)。 區(qū)域生長法 區(qū)域生長原理 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。拉普拉斯函數(shù)用作二維二階的近似，是因?yàn)樗且环N無方向算子。 0a 1a 2a 7a ? ?ji, 3a 6a 5a 4a 1 0 1 2 0 2 1 0 1 1 2 1 0 0 0 1 2 1 9 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(jìn)行邊緣檢測?？紤]下圖中所示的點(diǎn) ? ?ji, 周 圍點(diǎn)的排列。 Edge 函數(shù)的基本調(diào)用格式如下： ? ??,39。 Prewitt 算子 Prewitt 與 Sobel 算子的方程完全一樣，只是常系數(shù) c=1。?????????????????????dxxhdxxhfD ? （式 ） ??xh39。fD 應(yīng)滿足： ? ? ? ?? ? 2139。 和 ? ?XH39。 定位精確度準(zhǔn)則 ： 邊緣定位精度 L 如下定義： ? ? ? ?? ?dxxhdxxhxGL wwww?????? ??239。 在高斯噪聲中，一個(gè)典型的邊緣代表一個(gè)階躍的強(qiáng)度變化。 傳統(tǒng)的邊緣檢測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，用簡單的 方法檢測邊緣。邊緣坐標(biāo)可以在原始圖像坐標(biāo)系上表示，但大多數(shù)情況下是在邊緣檢測濾波器的是輸出圖像的坐標(biāo)系上表示，因?yàn)闉V波過程可能導(dǎo)致圖像坐標(biāo)平移或者縮放。 邊緣連接：從無序邊緣表形成有序邊緣表的過程。 邊緣點(diǎn) ： 圖像中亮度顯著變化的點(diǎn)。 邊緣檢測法 邊緣檢測原理 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)常可以用求導(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。 (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。 典型的圖像分割方法有閾值法，邊緣檢測法，區(qū)域法。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。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 [1]。這些圖形可以在與運(yùn)行該程序的計(jì)算機(jī)連接的任何打印機(jī)設(shè)備上打印出來 ，這使得 MATLAB 成為技術(shù)數(shù)據(jù)可視化的杰出代表。這就給用戶節(jié)省了很多的時(shí)間，使用戶可以把自己的精力放到創(chuàng)造方面，而把繁瑣的問題交給內(nèi)部函數(shù)來解決。這給使用上帶來了方便，使我能較快的適應(yīng)與使用 MATLAB 這門語言?，F(xiàn)有的大部分算法都是集中在閾值確定的研究上。 閾值分割法是一種簡單高效的圖像分割技術(shù)。該方法的關(guān)鍵是要選擇合適的生長或相 似準(zhǔn)則。 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。邊緣提取算法的提出通常是面向具體問題的，普遍實(shí)用性較差。 2 由于圖像的多義性和復(fù)雜性，許多分割的工作無法依靠計(jì)算機(jī)自動(dòng)完成，而手工分割又存在工作量大，定位不準(zhǔn)確的難題，因此，人們提出了一些人工交互和計(jì)算機(jī)自動(dòng)定位相結(jié)合的方法，利用各自的優(yōu)勢，實(shí)現(xiàn)目標(biāo)輪廓的快速定位。