【正文】 subplot(2,2,4)。title(39。)。BW1=edge(I,39。 endenddisp(strcat(39。 ForegroundSum=ForegroundSum+double(tmp)。bCal=1。)disp(strcat(39。)。)。imshow(I)。)。imshow(I)。（2）。[vals4,r,c]=qtgetblk(I,N,32)。imshow(N)。祝愿他們永遠健康快樂!參考文獻[1] 龔生容，劉純平，王 強，等數(shù)字圖像處理與分析，2006年7月[2] 陳天華，數(shù)字圖像處理，2007年6月[3] 崔屹，數(shù)字圖像處理技術(shù)及應(yīng)用，電子工業(yè)出版社[M]，1997[4] 江澤濤，朱穎一種基于插值的圖像分割方法[J].計算機工程與應(yīng)用，2005(7):4748[5] 吳健康，數(shù)字圖像分析[M]，人民郵電出版社，1989[6] 趙椿榮，趙忠明等，數(shù)字圖像處理導論[M]，西北工業(yè)大學出版社，1996[7] 阮秋琦，數(shù)字圖像數(shù)理基礎(chǔ)，2009年12月[8] 阮秋琦，數(shù)字圖像數(shù)理基礎(chǔ)，2009年12月 附錄程序源碼（1）:subplot(1,2,1)。從跟他學習以來，他就十分關(guān)心我的學習和生活，并給予了我無私的指導和幫助。因此，下列問題需要進一步深入研究:(1)如何根據(jù)不同圖像的特點，選擇合適的分割方法。在邊緣檢測算法中，在比較復(fù)雜的圖像中，用Roberts算子得不到較好的邊緣檢測，而相對較復(fù)雜的Prewitt和Sobel算子檢測效果較好。Canny算子是幾種算子中最優(yōu)的邊緣檢測算子，此方法不容易受噪聲的干擾，能夠檢測到真正的弱邊緣。④ Log算子：拉普拉斯高斯算子經(jīng)常出現(xiàn)雙像素邊界，并且該檢測方法對噪聲比較敏感；所以，很少用拉普拉斯算子做邊緣檢測，而是用來判斷邊緣檢測是位于圖像的明區(qū)還是暗區(qū)。盡管人們在灰度圖像的分割方面做了許多研究工作，但是由于尚無通用的分割理論，因此現(xiàn)己提出的分割算法大都是針對具體問題的，并沒有一個適合于所有灰度圖像的通用的分割算法。為解決這個問題，在每次分裂后允許其后繼續(xù)分裂或合并。另一種分割的想法可以是先從整幅圖像開始通過不斷分裂得到各個區(qū)域。(3) 區(qū)域形狀準則在決定對區(qū)域的合并時也可以利用對目標形狀的檢測結(jié)果，常用的方法有兩種:①把圖像分割成灰度固定的區(qū)域，設(shè)兩鄰區(qū)域的周長分別為和，把兩區(qū)域共同邊界線兩側(cè)灰度差小于給定值的那部分長度設(shè)為L，如果(,為預(yù)定閾值): (225) 則合并兩區(qū)域。②設(shè)區(qū)域為非均勻，且由兩部分不同目標的圖像像素構(gòu)成。為克服這個問題可采用下面的改進方法: ①設(shè)灰度差的閾值為零，用上述方法進行區(qū)域擴張，使灰度相同像素合并； ②求出所有鄰接區(qū)域之間的平均灰度差，并合并具有最小灰度差的鄰接區(qū)域； ③設(shè)定終止準則，通過反復(fù)進行上述步驟②中的操作將區(qū)域依次合并直到終止準則滿足為止。但常用的基于灰度、紋理、彩色的準則大都基于圖像中的局部性質(zhì)，并沒有充分考慮生長的“歷史”。第一個問題通?？梢愿鶕?jù)具體圖像的特點來選取種子像素。這里采用的判斷準則是:如果所考慮的像素與種子像素灰度值差的絕對值小于某個閾值T，則將該像素包括進種子像素所在區(qū)域。生長點和相鄰小區(qū)域的相似性判據(jù)可以是灰度、紋理，也可以是色彩等等多種圖像要素特征的量化數(shù)據(jù)。對于直方圖雙峰明顯，谷底較深的圖像，迭代方法可以較快地獲得滿意結(jié)果，但是對于直方圖雙峰不明顯，或圖像目標和背景比例差異懸殊，迭代法所選取的閾值不如其它方法。③計算和 均值和 。) disp(strcat(39。)。因方差是灰度分布均勻性的一種度量,方差值越大,說明構(gòu)成圖像的兩部分差別越大,當部分目標錯分為背景或部分背景錯分為目標都會導致兩部分差別變小，因此使類間方差最大的分割意味著錯分概率最小。圖25 直方圖的雙峰與閾值具體實現(xiàn)的方法四先做出圖像的灰度直方圖，若出現(xiàn)背景目標物兩區(qū)域部分所對應(yīng)的直方圖呈雙峰且有明顯的谷底，則可以將谷底點所對應(yīng)的灰度值作為閾值t，然后根據(jù)閾值進行分割就可以將目標從圖像中分割出來。閾值分割實質(zhì)上就是按照某個準則求出最佳閾值的過程。 由于圖像閾值處理額度直觀性和易于實現(xiàn)等特點，以及閾值分割總能用封閉而且連同的邊界定義不交疊的區(qū)域，使得與之分割成為圖像分割中應(yīng)用數(shù)量最多的一類，很具代表性。 Roberts算子：根據(jù)計算梯度原理，采用對角線方向相鄰兩像素之差得Roberts算子為： (28) (29) 并可由以下2個的算子模板(卷積算子)共同實現(xiàn)01101001 圖24 Roberts算子模板兩個模板為 在x方向和y方向的一階差分。Canny把上面三個公式結(jié)合起來，并試圖找到能夠使之最大化的濾波器，但結(jié)果太復(fù)雜，最后Canny證明了Gaussian函數(shù)的一階導數(shù)是該優(yōu)化的邊緣檢測濾波器的有效近似。在高斯噪聲中，一個典型的邊緣表示著一個階躍的強度變化。最簡單的邊緣檢測判據(jù)是梯度幅值的閾值判據(jù)。常見的邊緣可分為階躍型、房屋型、和凸緣型，如圖21所示(a)階躍型 （b）房頂型 （c）凸緣型 圖21邊緣灰度變換的幾種類型 邊緣檢測的主要原理是：兩個不同灰度值的相鄰區(qū)域之間總有邊緣，邊緣時灰度值不連續(xù)的結(jié)果，此種不連續(xù)可以利用求導的方法檢測到。條件3和條件4說明合理的分割準則應(yīng)該能夠幫助確定各區(qū)域像素有代表性的特征。③對于i=1，2，…，n；有P（Ri）=TRUE。這里的獨特性可以是像素的灰度值、物體的輪廓曲線、顏色、紋理等，也可以是空間頻譜或直方圖特征等。圖像能以各種各樣的形式出現(xiàn)，例如，抽象的和具體的，可視和不可視的，適于計算機處理的和不適合的。這是因為參數(shù)的測量、特征的提取、目標的分離和圖像的分割將原始的圖像轉(zhuǎn)化為更為抽象的形式，使得更上層的分析變?yōu)榭赡?，所以，圖像分割多年來一直得到人們的高度重視。s thought and the concept, like based on marginal check image division, threshold value law image division, region splitting method. Although the image division39。雖然圖像分割的分割算子繁多，但此處主要介紹了prewitt算子、sobel算子、canny算子等。在分割方法上主要介紹基于EDGE函數(shù)、檢測微小結(jié)構(gòu)、四叉樹分解和閾值分割的方法實現(xiàn)對圖像的邊緣檢測及提取。s division operator is many, but here mainly introduced the prewitt operator, the sobel operator, the canny operator and so on. In the division method the main introduction based on the EDGE function, the examination small structure, four fork tree deposition and the threshold value division39。圖像分割是一種非常重要和應(yīng)用廣泛的圖像處理技術(shù)，在不同的領(lǐng)域中有時也有其它的名稱：如閾值化技術(shù)（threshold technology），圖像區(qū)分或求差技術(shù)（image discrimination technology），目標的輪廓技術(shù)（object delineation technology）,目標的檢測技術(shù)（target detection technology），目標跟蹤技術(shù)（target tracking technology），目標的識別技術(shù)（target recognition technology）等[1]。就其本質(zhì)來說，可以將圖像分為兩大類：一類時將連續(xù)的模擬圖像經(jīng)過離散化處理后變成計算機能夠識別的點陣圖像，稱為數(shù)字圖像。為了辨識和分析目標，需要把目標從一副圖像的個別部分提取出來，這就是圖像分割所要研究的問題。即分割得到的屬于同一區(qū)域的像素應(yīng)具有某些相同的特征。而條件5說明完整的分割準則應(yīng)直接或間接地對區(qū)域像素的連通性有一定的要求和限定。一般用一階導數(shù)和二階導數(shù)來進行檢測邊緣；首先是利用邊緣增強算子，突出圖像的局部邊緣信息，然后突出“邊緣強度”，通過設(shè)閾值的方法提取邊緣點點集。④定位：如果是某應(yīng)用場合要求確定邊緣位置，則邊緣的位置可在子像素的分辨率上來估計。依據(jù)這個模型，一個好的邊緣檢測算子應(yīng)該具備的以下3個指標:① 低失誤的概率，既要減少將真正的邊緣丟失也要減少將非邊緣判為邊緣。下面是算法的基本步驟：①用Gaussian濾波器對圖像進行卷積；②計算圖像梯度的幅值和方向；③對梯度圖像應(yīng)用非極大值抑制（置零）。適當選取閾值T，并做如下判斷：如果則為階躍狀邊緣點，為邊緣圖像。 閾值分割的原理：閾值分割算法是以一定的圖像為依托的，最常用的圖像模型是假設(shè)圖像是由具有單峰灰度分布的目標和背景組成，對于目標和圖像內(nèi)部像素的灰度分布是高度相關(guān)的，而目標與背景之間灰度值存在較大差距的圖像可以用閾值化進行分割，其基本處理方式是：首先在圖像的灰度取值范圍中選擇一灰度閾值，然后將圖像中各個像素的灰度值與這個閾值相比較，并根據(jù)比較的結(jié)果將圖像中的像素劃分到兩個類中?，F(xiàn)有的大部分算法都是集中在閾值確定的研究上。這種方法適用于適用于目標和對景的灰度差較大，直方圖有明顯谷底的情況。直接應(yīng)用大津法計算量較大，因此在實現(xiàn)時采用了等價的公式 (213) 圖像記t為前景與背景的分割閾值，前景點數(shù)占圖像比例為，平均灰度為；背景點數(shù)占圖像比例為，平均灰度為，則圖像的總平均灰度為： (214)