【正文】 區(qū)域獲得對應的不同區(qū)域的 閾 值 , 利用這些閾值對各個區(qū)域進行分割 , 即一個閾值對應相應的一個子區(qū)域 , 這種方法也稱適應閾值分割。 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。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]。 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。 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]。另外，當遇到圖像中有陰影、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。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，因此應該以采用適當?shù)钠交夹g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。 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)的結果，這種不連續(xù)?？梢杂们髮?shù)方便的檢測到，一般常用一階導數(shù)和二階導數(shù)來檢測邊緣。 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。常用的邊緣檢測方法的基礎是微分運算，邊緣點對應于一階微分幅度大的點，或?qū)诙A微分的過零點。 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。 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數(shù) , 但導數(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的邊緣檢測器的性能。邊緣增強一般是通過計算梯度幅值來 完成的。 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平滑處理 , 然后再作微分運算 , 所不同的是平滑部分的權值有些差異 , 因此對噪聲具有一定的抑制能力 , 但不能完全排除檢測結果中出 現(xiàn)的虛假邊緣。 綜上所述 , 前面所介紹的各個算子各有各的特點和應用領域 , 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]。 Canny 算子較為簡單 ,而且考慮了梯度方向 ,效果比較好 [13]。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?；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)域分裂技術的缺點是可能破壞邊界 ,所以它們常常與其他方法相結合 ,以期取得更好的分割效果 [15]。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。在區(qū)域分裂技術中，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。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)域就必須給出相應的種子個數(shù)。 圖像 分割方 法實現(xiàn) 對彩色圖像 進行灰度處理 用 全局 閾值法對圖像進行預處理 ： 閾值法是一種簡單有效的圖像分割方法 ,它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像素是同一個物體。 這種方法是先確定一個處于圖像灰度取值范圍之中的灰度閾值，然后將圖像中各個像素的灰度值都與這個閾值相比較，并根據(jù)比較結果將對應的像素劃分為兩類 :像素的灰度值大于閾值的為一類，像素的灰度值小于閾值的為另一類 .這兩類像素一般分屬于圖像中的兩類區(qū)域，所以對像素根據(jù)閾值分類達到了區(qū)域分割的目的 .閾值分割可以分為全局閾值和局部閾值兩種情況 。 邊緣檢測分割法是通過檢測出不同區(qū)域邊界來進行分割的 .邊緣總是以強度突變的形式出現(xiàn)，可以定義為圖像局部特性的不連續(xù)性，如灰度的突變、紋理結構的突變等 .邊緣常常意味著一個區(qū)域的終結和另一個區(qū)域的開始 .圖像的邊緣包含了物體形狀的重要信息，兩個具有不同灰度值的相鄰區(qū)域之間總存在灰度邊緣 .灰度邊緣是灰度 值不連續(xù) (或突變 )的結果，這種不連續(xù)常可利用求一階和二階導數(shù)方便的檢測到 . 在對圖像進行分割時，采用了多種算子對圖像進行分割，最后根據(jù)分割的現(xiàn)象采用效果最好的一種算子作為本次畢業(yè)設計的邊緣檢測算子。其實局部閾值法是全局閾值法的一個拓展。 在采用邊緣算子時，本次畢業(yè)設計測試了 3 種算子，分別 是 Prewitt 算子 ， Log 算子 和 Canny 算子 。 我們對圖像分割的結果通常以人的主觀判決作為評價準則 。 一般認為對分割方法的評價可以通過分析和實驗兩種方式來進行 。 定量試驗準則： 區(qū)域間的對比度 圖像分割要把一幅原始圖像分為若干個區(qū)域。 在將邊緣分割后的圖像進行分割后，分成四塊小圖像，在實驗現(xiàn)象中可以看出，這四塊小圖像的灰度直方圖都有很明顯的雙峰， 但是由于波谷寬闊平坦， 不滿足雙峰法的使用條件， 所以不能使用雙峰法， 所以在對不同的圖像進行閾值化的時候，采用的是 全局 閾值法里面的 迭代法，總的來說，就是將 Canny 算子分割后的圖片繼續(xù)分割成四小塊，對四塊不同的圖片用迭代法求取閾值，再將閾值化后的圖片合并起來。 3提出本次圖像分割的方案，并且對方案進行詳細的論述以及分析。 因此， 全局閾值法適用于灰度差異較大的圖片， 如果圖像灰度變化不是很明顯，則達不到理想的效果。局部閾值分割法雖然能改善分割效果，但存在幾個 缺點： ① 每幅子圖像的尺寸不能太小，否則統(tǒng)計出的結果無意義。因為沒有哪一種分割方法能夠?qū)λ械膱D象都產(chǎn)生理想的分割結果，而根據(jù)待分割圖象的不同特點，結合已知的先驗知識，研究符合具體圖象特性的分割模型，才是提高圖象分割的重要手段。 近年來，隨著各學科許多新理論和新方法的提出，人們也提出了許多與一些特定理論、方法和工具相結合的分割技術，例如：基于數(shù)學形態(tài)學 的分割技術，基于模糊技術的圖像分割方法，基于人工神經(jīng)網(wǎng)絡技術的圖像分割方法，遺傳算法在圖像分割中的應用 和 基于小波分析和變換的分割技術。 tic %計時器 Init=imread(39。 figure,imhist(Im),title(39。) [x,y]=size(Im)。 % 記錄幾次循環(huán) while 1 % 迭代最佳閾值分割算法 count=count+1。 n1=。 %小于閾域值圖像點灰度值累加 n0=n0+1。 else T=(T0+T1)/2。) 第二步（邊緣檢測（以 canny 算子為例））： im=imread(39。 BW=im2bw(im)。,)。 imshow(BW1)。 img=imread(39。 %將原圖像平均分為四個子圖像 subimg2=img(1:216,136:269)。 fxy = imhist(I, 256)。 b=double(I)。 S0=。 %為計算灰度小于閾值的元素的灰度總值、個數(shù)賦值 for i=1:x for j=1:y if double(I(i,j))=T S1=S1+double(I(i,j))。 %小于閥域值圖像點個數(shù)累加 end end end T0=S0/n0。 %在閾值 T 下，迭代閾值的計算過程 end end count %顯示運行次數(shù) T %顯示最佳閾值 算出 T bw1=im2bw(I,T/255)。 plot(fxy)。 % T 賦初值，為最大值和最小值的平均值 count=double(0)。 %為計算灰度大于閾值的元素的灰度總值、個數(shù)賦值 S1=。 %大于閾域值圖像點個數(shù)累加 else S0=S0+double(I(i,j))。 %求大于閥域值均值 if abs(T((T0+T1)/2))%迭代至前后兩次閥域值相差幾乎為 0 時停止 break。 fxy = imhist(I, 256)。 b=double(I)。 S0=。 %為計算灰度小于閾值的元素的灰度總值、個數(shù)賦值 for i=1:x for j=1:y if double(I(i,j))=T S1=S1+double(I(i,j))。 %小于閥域值圖像點個數(shù)累加 end end end T0=S0/n0。 %在閾值 T 下，迭代閾值的計算過程 end end count %顯示運行次數(shù) T %顯示最佳閾值 算出 T bw3=im2bw(I,T/255)。 plot(fxy)。 % T 賦初值，為最大值和最小值的平均值 count=double(0)。 %為計算灰度大于閾值的元素的灰度總值、個數(shù)賦值 S1=。 %大于閾 域值圖像點個數(shù)累加 else S0=S0+double(I(i,j))。 %求大于閥域值均值 if abs(T((T0+T1)/2)) %迭代至 前后兩次閥域值相差幾乎為 0 時停止 break。 %合并子圖像 bw6=horzcat(bw3,bw4)。) 內(nèi)部資料 請勿外傳 9JWKf wvGt YM*Jgamp。849Gx^Gj qv^$UE9wEwZQcUE%amp。MuWFA5uxY7JnD6YWRr Wwc^vR9CpbK!zn%Mz849Gx^Gj qv^$UE9wEwZQcUE% amp。MuWFA5ux^Gj qv^$UE9wEwZQcUE% amp。MuWFA5uxY7JnD6YWRr Wwc^vR9CpbK! zn%Mz849Gx^Gj qv^$UE9wEwZQcUE%amp。 849Gx^Gj qv^$UE9wEwZQcUE%amp。 MuWFA5uxY7JnD6YWRrWwc^vR9CpbK! zn% Mz849Gx^Gj qv^$UE9wEwZQcUE%amp。 MuWFA5ux^Gj qv^$UE9wEwZQcUE%amp。 MuWFA5uxY7JnD6YWRr Wwc^vR9CpbK!zn%Mz849Gx^Gj qv^$UE9wEwZQcUE% amp。 6a*CZ7H$dq8Kqqf HVZFedswSyXTyamp。 qYpEh5pDx2zVkumamp。849Gx^ Gj qv^$UE9wEwZQcUE%amp。 MuWFA5uxY7JnD6YWRrWwc^vR9CpbK! zn% Mz849Gx^Gjqv^$UE9wEwZQcUE% amp。MuWFA5ux^Gjqv^$UE9wEwZQcUE% amp。MuWFA5uxY7JnD6YWRr Wwc^vR9CpbK!zn%Mz849Gx^Gj qv^$UE9wEwZQcUE%amp。 6a*CZ7H$dq8Kqqf HVZFedswSyXTyamp。 qYpEh5pDx2zVkumamp。 qYpEh5pDx2zVkumamp。 qYpEh5pDx2zVkumamp。 qYpEh5pDx2zVkum amp。 qYpEh5pDx2zVkum amp。 qYpEh5pDx2zVkumamp。 qYpEh5pDx2zVkum amp。 qYpEh5pDx2zVkumamp。 qYpEh5pDx2zVkum amp。qYpEh5pDx2zVkumamp。qYpEh5pDx2zVkumamp。 qYpEh5pDx2zVkum amp。MuWFA5uxY7JnD6YWRr Wwc^vR9CpbK!zn%Mz849Gx^Gj qv^$UE9wEwZQcUE% amp。 qYpEh5pDx2zVkumamp。 qYpEh5pDx2zVkum amp。 qYpEh5pDx2zVkumamp。MuWFA5uxY7JnD6YWRr Wwc^vR9CpbK! zn%Mz84! z89Am v^$UE9wEwZQcUE%amp。MuWFA5ux^Gj qv^$UE9wEwZQcUE%amp。MuWFA5uxY7JnD6YWRr Wwc^vR9CpbK!zn%Mz849Gx^G