【正文】 MuWFA5ux^Gj qv^$UE9wEwZQcUE%amp。 qYpEh5pDx2zVkumamp。 qYpEh5pDx2zVkumamp。 qYpEh5pDx2zVkum amp。qYpEh5pDx2zVkumamp。 qYpEh5pDx2zVkumamp。 qYpEh5pDx2zVkumamp。 qYpEh5pDx2zVkum amp。 qYpEh5pDx2zVkumamp。 6a*CZ7H$dq8Kqqf HVZFedswSyXTyamp。MuWFA5ux^Gjqv^$UE9wEwZQcUE% amp。849Gx^ Gj qv^$UE9wEwZQcUE%amp。 6a*CZ7H$dq8Kqqf HVZFedswSyXTyamp。 MuWFA5ux^Gj qv^$UE9wEwZQcUE%amp。 849Gx^Gj qv^$UE9wEwZQcUE%amp。MuWFA5ux^Gj qv^$UE9wEwZQcUE% amp。849Gx^Gj qv^$UE9wEwZQcUE%amp。 %合并子圖像 bw6=horzcat(bw3,bw4)。 %大于閾 域值圖像點(diǎn)個(gè)數(shù)累加 else S0=S0+double(I(i,j))。 % T 賦初值，為最大值和最小值的平均值 count=double(0)。 %在閾值 T 下，迭代閾值的計(jì)算過程 end end count %顯示運(yùn)行次數(shù) T %顯示最佳閾值 算出 T bw3=im2bw(I,T/255)。 %為計(jì)算灰度小于閾值的元素的灰度總值、個(gè)數(shù)賦值 for i=1:x for j=1:y if double(I(i,j))=T S1=S1+double(I(i,j))。 b=double(I)。 %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(shí)停止 break。 %為計(jì)算灰度大于閾值的元素的灰度總值、個(gè)數(shù)賦值 S1=。 plot(fxy)。 %小于閥域值圖像點(diǎn)個(gè)數(shù)累加 end end end T0=S0/n0。 S0=。 fxy = imhist(I, 256)。 img=imread(39。,)。) 第二步（邊緣檢測（以 canny 算子為例））： im=imread(39。 %小于閾域值圖像點(diǎn)灰度值累加 n0=n0+1。 % 記錄幾次循環(huán) while 1 % 迭代最佳閾值分割算法 count=count+1。 figure,imhist(Im),title(39。 近年來，隨著各學(xué)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(jié)合的分割技術(shù)，例如：基于數(shù)學(xué)形態(tài)學(xué) 的分割技術(shù)，基于模糊技術(shù)的圖像分割方法，基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的圖像分割方法，遺傳算法在圖像分割中的應(yīng)用 和 基于小波分析和變換的分割技術(shù)。局部閾值分割法雖然能改善分割效果，但存在幾個(gè) 缺點(diǎn)： ① 每幅子圖像的尺寸不能太小，否則統(tǒng)計(jì)出的結(jié)果無意義。 3提出本次圖像分割的方案，并且對(duì)方案進(jìn)行詳細(xì)的論述以及分析。 定量試驗(yàn)準(zhǔn)則： 區(qū)域間的對(duì)比度 圖像分割要把一幅原始圖像分為若干個(gè)區(qū)域。 我們對(duì)圖像分割的結(jié)果通常以人的主觀判決作為評(píng)價(jià)準(zhǔn)則 。其實(shí)局部閾值法是全局閾值法的一個(gè)拓展。 這種方法是先確定一個(gè)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(gè)像素的灰度值都與這個(gè)閾值相比較，并根據(jù)比較結(jié)果將對(duì)應(yīng)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(duì)像素根據(jù)閾值分類達(dá)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 。它主要的缺陷是 , 每一個(gè)需要提取的區(qū)域都必須人工給出一個(gè)種子 點(diǎn) , 這樣有多個(gè)區(qū)域就必須給出相應(yīng)的種子個(gè)數(shù)。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。基于區(qū)域的分割方法主要有區(qū)域生長法、分裂合并法 。 Canny 算子較為簡單 ,而且考慮了梯度方向 ,效果比較好 [13]。 各個(gè)邊緣檢測算子比較 : Sobel 算子和 Prewitt 算子 : 都是對(duì)圖像先作加權(quán)平滑處理 , 然后再作微分運(yùn)算 , 所不同的是平滑部分的權(quán)值有些差異 , 因此對(duì)噪聲具有一定的抑制能力 , 但不能完全排除檢測結(jié)果中出 現(xiàn)的虛假邊緣。 邊緣檢測算法有如下四個(gè)步驟 : 1) 濾波 : 邊緣檢測算法主要是基于圖像強(qiáng)度的一階和二階導(dǎo)數(shù) , 但導(dǎo)數(shù)的計(jì)算對(duì)噪聲很敏感 , 因此必須使用濾波器來改善與噪聲有關(guān)的邊緣檢測器的性能。常用的邊緣檢測方法的基礎(chǔ)是微分運(yùn)算，邊緣點(diǎn)對(duì)應(yīng)于一階微分幅度大的點(diǎn)，或?qū)?yīng)于二階微分的過零點(diǎn)。 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(jié)果，這種不連續(xù)?？梢杂们髮?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。另外，當(dāng)遇到圖像中有陰影、突發(fā)噪聲、照度不均、對(duì)比度不均或背景灰度變化 等情況時(shí)，只用一個(gè)固定的閾值對(duì)整幅圖像進(jìn)行閾值化處理，則會(huì)由于不能兼顧圖像各處的情況而使分割效果受到影響。 實(shí)現(xiàn)流程圖： 圖 2 雙峰法實(shí)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(duì)灰度直方圖進(jìn)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。 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(gè)不同的類。在實(shí)際應(yīng)用中，閾值法通常與其他方法結(jié)合使用 [4]。 (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。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。條件 4指出在分割結(jié)果中，不同的子區(qū)域具有不同的特性，沒有公共元素，或者說屬于不同區(qū)域的象素應(yīng)該具有一些不同的特性。 本文主要從圖像分割 定義 、圖像分割的方法 等 幾個(gè)方面來闡述關(guān)于圖像分割的幾個(gè)問題 。因?yàn)閳D像分割及其基于分割的目標(biāo)表達(dá)、特征提取和參數(shù)測量等將原始圖像轉(zhuǎn)化為更抽象更緊湊的形式，使得更高層的圖像分析和理解成為可能。概括來說，在各種圖象應(yīng)中，只要需對(duì)圖象目標(biāo)進(jìn)行提取，測量等都離不開圖象分割。（各子區(qū)互不重疊） （ 3）對(duì) i=1， 2， 3??， N，有 P（ Ri） =TRUE；（屬于同一子區(qū)象素應(yīng)具有的某些共同特性） （ 4）對(duì) i≠j，有 P(Ri ∪ Rj)=FALSE；（屬于不同子區(qū)象素應(yīng)具有某些不同特性） （ 5）對(duì) i=1， 2， …… ， N， Ri是連通區(qū)域（同一子區(qū)內(nèi)象素應(yīng)當(dāng)是連通的） [2]. 條件 1 指出對(duì)一幅圖象的分割結(jié)果的全部子區(qū)域的總和 (并集 )就是原圖象，或者說分割應(yīng)該是將圖象中的每個(gè)象素都分進(jìn)某 個(gè)子區(qū)域中。最后需要指出的是，在實(shí)際應(yīng)用中圖象分割不僅是要把一幅圖象分成滿足以上五 個(gè)條件的各具特性的區(qū)域，而且需要把其中感興趣的目標(biāo)區(qū)域提取出來 ,只有這樣才算是真正完成了圖象分割的任務(wù)。 分析各種圖像分割方法可以發(fā)現(xiàn)，它們 分割圖像的基本依據(jù)和條件有以下 4 方面 : (l)分割的圖像區(qū)域應(yīng)具有同質(zhì)性，如灰度級(jí)別相近、紋理相似等 。尤其是對(duì)于不同類的物體灰度值或其他特征值相差很大時(shí)，能很有效地對(duì)圖像進(jìn)行分割。 閾值法是一種簡單但是非常有效的方法 , 特別是不同物體或結(jié)構(gòu)之間有很大的強(qiáng)度對(duì)比時(shí) , 能夠得到很好的效果它一般可以作為一系列圖像處理過程的第一步。 假設(shè)，一副圖像只有物體和背景兩部分組成，其灰度圖直方圖呈現(xiàn)明顯的雙峰值，如下圖 : 圖 1 雙峰法灰度直方圖 找出閾值 T，則可以對(duì)整個(gè)圖像進(jìn)行二值化賦值。 局部閾值法 原始圖像被分為幾個(gè)小的子圖像 ,再對(duì)每個(gè)子圖像分別求出最優(yōu)分割閾值。 總的來說，這類算法的時(shí)間和空間復(fù)雜度都較大，但 是抗噪能力強(qiáng)，對(duì)一些使用全局閾值法不宜分割的圖像具有較好的分割效果。 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。 （ 2） Prewitt 和 Sobel 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。 3) 檢測 : 在圖像中有許多點(diǎn)的梯度幅值比較大 , 而這些點(diǎn)在特定的應(yīng)用領(lǐng)域中并不都是邊緣 , 所以應(yīng)該用某種方法來確定哪些點(diǎn)是邊緣點(diǎn)。 該類方法對(duì)邊緣灰度值過渡比較尖銳且噪聲較小等不太復(fù)雜的圖像 ,大都可以取得較好的效果。第四 ,可以考慮各種方法的組合 , 如先找出邊緣然后在其局部利用函數(shù)近似通過內(nèi)插等獲得高精度定位。 區(qū)域生長算法的研究重點(diǎn) :(l)特征度量和區(qū)域增長規(guī)則的設(shè)計(jì) 。分裂合并方法不需要預(yù)先指定種子點(diǎn)，它的研究重點(diǎn)是分裂和合并規(guī)則的設(shè)計(jì)。運(yùn)用 這種思想，我打算首先將 全局 閾值法用來區(qū)分圖片中的背景和目標(biāo)。 用局部閾值法對(duì)圖像進(jìn)行后處理：經(jīng)過全局閾值分割和邊緣檢測分割后 ,有的地方存在灰度不連續(xù)，邊緣不清晰的情況，如果只用一個(gè)固定的全局閾值對(duì)整幅圖像進(jìn)行后 ,則由于不能兼顧圖像各處的情況而使分割效 果受到影響。 對(duì)于三種算子的實(shí)驗(yàn)現(xiàn)象， 從 視覺上 來看，以 Canny 算子最好，邊緣信息豐富，幾乎保留了邊緣所有的邊緣點(diǎn)，而且邊緣清晰，連續(xù)性好。 因此，分割評(píng)價(jià)方法可以分為分析法和實(shí)驗(yàn)法兩大類 。 局部閾值化后，由現(xiàn)象可以看出，并沒有對(duì)原圖進(jìn)行多大的改善，只是在一些很細(xì)微的地方有了一些邊緣的細(xì)化以及平滑，這說明在經(jīng) 過 Canny算子分割后， 由灰度直方圖可以看出，這個(gè)灰度圖雙峰的谷底是在接近 0的位置， 而且是絕大部分像素都是接近于 0 的位置， 所以圖像的改善并不大，并且 圖像并沒有太多的灰度不連續(xù)以及陰影的情況存在，但是這并不 能否定局部閾值化的效果的存在性。 （ 3） 同樣都是邊緣檢測法，不同的邊緣檢測算子對(duì)同一幅圖像分割出來的效果是不同的，因?yàn)槊恳环N邊緣算子的卷積形式是不同的， 對(duì)于圖像的明暗程度，分辨率，灰度變化的敏感程度也是不同的。 盡管人們?cè)趫D像分割方面作出了很多的研究，但是，迄今為止，沒有哪種方法是適合于所有圖像的，本文中提出的方法都有它的使用前提條件，因此，對(duì)于特定的圖像分割，最主要的是分析這幅圖像的特性，針對(duì)這幅圖像的特點(diǎn)，制定適合它的方案，以達(dá)到最好的分割效果。39。 % 求出圖象大小 b=double(Im)。 %為計(jì)算灰度小于閾值的元素的灰度總值、個(gè)數(shù)賦值 for i=1:x for j=1:y if double(Im(i,j))=T S1=S1+double(Im(i,j))。 %在閾值 T下，迭代閾值的計(jì)算過程 end end count %顯示運(yùn)行次數(shù) T %顯示最佳閾值 算出 T toc i1=im2bw(Im,T/255)。 I=double(BW)。 imwrite(BW1,39。 subimg3=img(217:431,1:135)。 zd=double(max(max(I))) % 求出圖象中最大的灰度 zx=double(min(min(I))) % 最小的灰度 T=double((zd+zx))/2。 %大于閾域值圖像點(diǎn)灰度值累加 n1=n1+1。 % 圖像在最佳閾值下二值化 I=subimg2。 % 記錄幾次循環(huán) while 1 % 迭代最佳閾值分割算法 count=count+1。 %小于閾域值圖像點(diǎn)灰度值累加 n0=n0+1。 %統(tǒng)計(jì)每個(gè)灰度值的個(gè)數(shù) figure。 n0=。 %求小于閥域值均值 T1=S1/n1。 %畫出灰度直方圖 [x,y]=size(I)。 n1=。 else T=(T0+T1)/2。 6a*CZ7H$dq8Kqqf HVZFedswSyXTyamp。 qYpEh5pDx2zVkum amp。 qYpEh5pDx2zVkumamp。 qYpEh5pDx2zVkumamp。 qYpEh5pDx2zVkum amp。 gTXRm 6X4NGpP$vSTTamp。qYpEh5pDx2zVkumamp。 qYpEh5pDx2zVkum amp。 gTXRm 6X4NGpP$vSTTamp。 gTXRm 6X4NGpP$vSTTamp。gTXRm 6X4NGpP$vSTTamp。 gTXRm 6X4NGpP$vST