【正文】 代替 ??0 求均值 NO YES 初始閾值 ??0 ????： 小 于 ??0的像素均值 ????：大于 ??0的像素均值 ????： ????與 ????的平均值 |???? ???0| 最佳閾值 ???? 圖像在 ????下二值化，實(shí)現(xiàn)分割 圖像區(qū)域分割算法設(shè)計(jì) 13 圖 33 迭代法流程圖 具體實(shí)現(xiàn)時(shí)，首先根據(jù)初始開(kāi)關(guān)函數(shù)將輸入圖逐個(gè)圖像分為前景和背景，在第一遍對(duì)圖像掃描結(jié)束后，平均兩個(gè)積分器的值以確定一個(gè)閾值。 本章小結(jié) 三種閾值分割法各有優(yōu)缺點(diǎn)。根據(jù)灰度變化的特點(diǎn)，常見(jiàn)的邊緣可分為階梯狀、脈沖狀和屋頂狀。在未來(lái)的研究中，用于提取初始邊緣點(diǎn)的自適應(yīng)閾值選取、用于圖像層次分割的更大區(qū)域的選取 以及如何確認(rèn)重要邊緣以 去掉假 邊緣將變的非常重要。45。由于邊緣點(diǎn)像素的灰度值與其領(lǐng)域點(diǎn)像素的灰度值有顯著不同，在實(shí)際應(yīng)用中通常 采用微分算子和模板匹配方法檢測(cè)圖像的邊緣。 該方法與其他邊緣檢測(cè)方法的不同之處在于，它使用兩種不同的閾值分別檢測(cè)強(qiáng)邊緣和弱邊緣。 這是因?yàn)椋?Roberts 對(duì)噪聲較敏感； Sobel 算子雖對(duì)噪聲有一定的抑制能力，但檢測(cè)出的邊緣容易出現(xiàn)多像素寬度； Prewitt 算子對(duì)噪聲具有較好的平滑作用；Canny 算子不容易受噪聲的干擾，能夠檢測(cè)到真正的弱邊緣，但由于具有較強(qiáng)的噪聲抑制，同樣也會(huì)將一些高頻邊緣平滑掉，造成邊緣丟失。區(qū)域分裂與合并法是先將圖像分割成很多的一致性較強(qiáng)的小區(qū)域，再按一定的規(guī)則將小區(qū)域融合成大區(qū)域，達(dá)到分割圖像的目的。 ：相似性表示在灰度級(jí)中觀察在兩個(gè)空間鄰接像素之間或像素集合圖像區(qū)域分割算法設(shè)計(jì) 20 的平均灰度級(jí)間的最小差分，它們將產(chǎn)生不同的區(qū)域。 例如，利用四叉樹(shù)結(jié)構(gòu)的迭代分裂合并算法分割圖像。當(dāng)再無(wú)法進(jìn)行聚合或拆分時(shí)操作停止。 圖像區(qū)域分割算法設(shè)計(jì) 23 本章小結(jié) 基于區(qū)域的分割是圖像分割中一種重要的分割方法，它彌補(bǔ)了閾值分割沒(méi)有考慮空間信息的不足，解決了邊緣檢測(cè)的區(qū)域連續(xù)性和封閉性的難點(diǎn)，在圖像分割方法中有很強(qiáng)的優(yōu)勢(shì)。 實(shí)驗(yàn)結(jié)果表明，基于邊緣的分割方法對(duì)邊緣灰度值過(guò)渡比較尖銳且噪聲較小等不太復(fù)雜的圖像可以取得較好的效果，受噪聲和曲線間斷的影響較?。换趨^(qū)域的分割方法利用了圖像的局部空間信息，可有效的克服其它方法存在的圖像分割空間不連續(xù)的缺點(diǎn)；閾 值分割算法直觀、實(shí)現(xiàn)簡(jiǎn)單，在圖像分割中應(yīng)用廣泛。本文引用了數(shù)位學(xué)者的研究文獻(xiàn)，如果沒(méi)有各位學(xué)者的研究成果的幫助和啟發(fā)，我將很難完成本篇論文的寫(xiě)作。另外，在校圖書(shū)館查找資料的時(shí)候，圖書(shū)館的老師也給我提供了很多方面的支持與幫助?；陂撝档姆指罘椒ㄖ饕撌?了 直方圖雙峰法 、 最大類(lèi)間方差法和 迭代法 ； 基于邊緣的分割方法主要論述了基于邊緣算子 的分割方法；基于區(qū)域的分割方法主要論述了區(qū)域生長(zhǎng)法和 區(qū)域分裂與合并法。但是這種分割方法將分割區(qū)域的邊界破壞了，產(chǎn)生了塊狀區(qū)域邊界。 其分裂示意圖如下： 圖 53 已分區(qū)的圖像 圖 54 相應(yīng)的四叉樹(shù) ??2 ??1 ??3 ??41 ??43 ??42 ??44 R ??2 ??1 ??3 ??4 ??411 ??44 ??43 ??42 圖像區(qū)域分割算法設(shè)計(jì) 22 若只使用分裂，最后可能出現(xiàn)相鄰的兩個(gè)區(qū)域具有相同的性質(zhì)但并沒(méi)有合成一樣的情況。 區(qū)域分 離 與合并法 這種方法是從整幅圖像開(kāi)始，通過(guò)不斷分裂到最終得到各個(gè)區(qū)域。 。區(qū)域生長(zhǎng)法的基本思想是將具有相似性質(zhì)的象素合起來(lái)構(gòu)成區(qū)域，具體做法是選給定圖像中要分割的目標(biāo)物體內(nèi)的一個(gè)小塊或者說(shuō)種子區(qū)域，再在種子區(qū)域的基礎(chǔ)上不斷將其周?chē)南笏攸c(diǎn)以一定的規(guī)則加入其中，達(dá)到最終將代表該物體的所有象素點(diǎn)結(jié)合成一個(gè)區(qū)域的目的，該方法的關(guān)鍵是要選擇合適的生長(zhǎng)或相似準(zhǔn)則。而在三個(gè)梯度算子中，由圖 41 (b)、 (c)、 (d)可以看出 Sobel 算子的分割效果最好。它在許多圖像處理領(lǐng)域得到了廣泛應(yīng)用。 Sobel算子通常對(duì)灰度漸變和噪聲較多的圖像處理得較好。 算子 Roberts 邊緣算子是一種斜向偏差分的梯度計(jì)算方法，梯度的大小代表邊緣的強(qiáng)度，梯度的方向與邊緣走向垂直。但對(duì)于邊緣復(fù)雜的圖像效果不太理想，如邊緣模糊、邊緣丟失、邊緣不連續(xù)等。 對(duì)于邊緣的檢測(cè)常常借助空間微分算子進(jìn)行，通過(guò)將其模板與圖像卷積完成?；诘拈撝的軈^(qū)分出圖像的前景和背景的主要區(qū)域所在，但在圖像的細(xì)微處還沒(méi)有很好的區(qū)分度。針對(duì)這種情況，使用局部閾值的方法就可以在不同的區(qū)域選擇不同的閾值，將物體從背景中分割出來(lái)。顯然，適 當(dāng)?shù)拈撝凳沟脙深?lèi)數(shù)據(jù)間的方差越大越好，表明該閾值的確將兩類(lèi)不同的問(wèn)題區(qū)分開(kāi)了，同時(shí)希望屬于同一類(lèi)問(wèn)題的數(shù)據(jù)之間的方差越小越好，表明同一類(lèi)問(wèn)題具有一定的相似性。 雙峰法在當(dāng)被分割圖像的灰度直方圖中呈現(xiàn)出明顯、清晰的兩個(gè)波峰時(shí)，使用該方法可以達(dá)到較好的分割精度。 閾值分割分為全局閾值分割和局部閾值方法兩種。 圖像區(qū)域分割算法設(shè)計(jì) 9 第 3 章 基于 閾值 的圖像分割方法的仿真實(shí)現(xiàn) 引言 閾值分割是一種最常見(jiàn)的分割方法。鼠標(biāo)單擊或鍵入信息是一個(gè)事件，如果 MATLAB 程序運(yùn)行相應(yīng)的函數(shù)，那么 MATLAB 函數(shù)肯定會(huì)有所反應(yīng)。 在 GUI 中的每一個(gè)項(xiàng)目 (按鈕 ,標(biāo)簽 ,編輯框等 )都是一個(gè)圖形化組件 。用戶(hù)通過(guò)一定的方法（如鼠標(biāo)或鍵盤(pán)）選擇、激活這些圖形對(duì)象，使計(jì)算機(jī)產(chǎn)生某種動(dòng)作或變化，比如實(shí)現(xiàn)計(jì)算、繪圖等。去噪過(guò)程同時(shí)還可實(shí)現(xiàn)圖像的平滑。 灰度直方圖 灰度直方圖是灰度級(jí)的函數(shù)，它表示圖象中具有每種灰度級(jí)的象素的個(gè)數(shù)，反映圖象中每種灰度出現(xiàn)的頻率。 基于人工神經(jīng)網(wǎng)絡(luò)的分割方法的基本思想是用訓(xùn)練樣本集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以確定節(jié)點(diǎn)間的連接和權(quán)值，再用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)分割新的圖像數(shù)據(jù)。 聚類(lèi)法在特征空間對(duì)像素點(diǎn)集進(jìn)行聚類(lèi)，包括硬聚類(lèi)、概率聚類(lèi)、模糊聚類(lèi)等。因此，人們提出了多尺度邊緣檢測(cè)方法，根據(jù)實(shí)圖像區(qū)域分割算法設(shè)計(jì) 5 際問(wèn)題設(shè)計(jì)多尺度邊緣信息的結(jié)合方案，以便更好地兼顧抗噪性和檢測(cè)精度。 基于邊緣的分割方法 基于邊緣的分割方法是一種利用圖像不同區(qū)域間的像素灰度不連續(xù)的特點(diǎn)檢測(cè)出區(qū)域間的邊緣，從而實(shí)現(xiàn)圖像分割的方法。這樣的劃分可以通過(guò)從灰度級(jí)出發(fā)選取一 個(gè)或多個(gè)閾值來(lái)實(shí)現(xiàn)。 人們?cè)诙嗄甑难芯恐蟹e累了很多圖像分割的方法。 (1)? ????????=1 = ??； (2)對(duì)于所有的 i和 j， i ≠ j， 有 ???? ∩???? = ?； (3)對(duì) 于 i = 1,2,?,N，有 P(????)= TURE； (4)對(duì)于 i ≠ j，有 P(???? ∪ ????) = FALSE； (5)對(duì)于 i = 1,2,?,N， ????是連通的區(qū)域。 像分割法 —— 閾值法、邊緣檢測(cè)法、區(qū)域法，包括基本原理，應(yīng)用實(shí)例。 圖像分割技術(shù)的 發(fā)展趨勢(shì) 縱觀圖像分割技術(shù)在這些年的發(fā)展，其中有幾個(gè)明顯的趨勢(shì)： 、新的方法引入圖像分割領(lǐng)域，如這幾年逐漸引起人們重視的模糊算法、神經(jīng)網(wǎng)絡(luò)遺傳算法、小波分析、粗集理論、數(shù)學(xué)形態(tài)學(xué)等理論都先后被應(yīng)用于圖像分割領(lǐng)域，為領(lǐng)域中的研究注入了新的活力，有效地解決了原有理論的一部分缺陷，改善了分割效果，更重要的是為圖像分割問(wèn)題的最終解決開(kāi)拓了新的思路。關(guān)于圖像分割的原理和方法國(guó)內(nèi)外已有不少的研究成果，但一直以來(lái)沒(méi)有一種分割方法適用于所有圖像分割處理。圖像分割的結(jié)果是圖像特征提取和識(shí)別等圖像理解的基礎(chǔ)，對(duì)圖像分割的研究一直是數(shù)字圖像處理技術(shù)的焦點(diǎn)和熱點(diǎn)。 實(shí)驗(yàn)證明， 沒(méi)有一種方法是 通用 的 分割理論，因此現(xiàn)已提出的分割算法大都是針對(duì)具體問(wèn)題的，并沒(méi)有一種適合于所有圖像的通用的分割算法。 首先，視覺(jué)是人類(lèi)最重要的感知手段，圖像又是視覺(jué)的基礎(chǔ)，因此，數(shù)字圖像成為心理學(xué)、生理學(xué)、計(jì)算機(jī)科學(xué)等諸多領(lǐng)域內(nèi)的學(xué)者們研究視覺(jué)感知的有效工具。 圖像分割就是把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過(guò)程。 Threshold。通過(guò)對(duì)分割結(jié)果的描述，能夠理解圖像中包含的有關(guān)信息。然而，到目前為止，人們還沒(méi)有制定出選擇合適分割算法的標(biāo)準(zhǔn)，這給圖像分割技術(shù)的應(yīng)用帶來(lái)許多實(shí)際困難。而采取什么樣的結(jié)合方式才能體現(xiàn)各種方法的有點(diǎn)，彌補(bǔ)各自的不足，取得好的預(yù)期效果，在未來(lái)將仍是人們關(guān)注的主要問(wèn)題之一。人們一般是通過(guò)對(duì)圖像的不同特征如邊緣、紋理、顏色、亮度等的分析達(dá)到圖像分割的目的。 ???? ∩???? = ?指出分割結(jié)果中的各個(gè)區(qū)域是互不重疊的。此外，還有結(jié)合特定理論工具的分割方法，這些方法包括基于形態(tài)學(xué)分水嶺的分割、基于統(tǒng)計(jì)模式識(shí)別的分割、基于神經(jīng) 網(wǎng)圖像區(qū)域分割算法設(shè)計(jì) 4 絡(luò)的分割、基于信息論的分割、基于小波變換的分割等。設(shè)原始圖像為 f(x,y)，按照一定的準(zhǔn)則 f(x,y)中找到特征值 T，將 圖像分割 為兩個(gè)部分，分割后的圖像為：若?。? ??0 = 0(黑 )， b1 = 1(白 )，即為我們通常所說(shuō)的圖像二值化。圖像中相鄰的不同區(qū)域間總是存在邊緣，邊緣處像素的灰度值是不連續(xù)的，可通過(guò)求導(dǎo)數(shù)的方法檢測(cè)到，因此，我們常用灰度的一階或二階微分算子來(lái)進(jìn)行邊緣檢測(cè)。常用的特征包括：直接來(lái)自原始圖像的灰度或彩色 特征；由原始灰度或彩色值變換得到的特征。松弛法是一種動(dòng)態(tài)調(diào)優(yōu)的標(biāo)號(hào)方法，包括概率松弛、模糊松弛等。小波變換是一種多尺度、多通道的分析工具 它是空域和頻域的局域變換，因而能有效地從信號(hào)中提取信息，通過(guò)伸縮和平移等運(yùn)算功能對(duì)函數(shù)或信號(hào)進(jìn)行多尺度分析，解決了傅立葉變換不能解決的許多問(wèn)題。 我們可以通過(guò)直方圖的狀態(tài)來(lái)評(píng)斷圖像的一些性質(zhì)：明亮圖像的直方圖傾向于灰度級(jí)高的一側(cè)；低對(duì)比度圖像的直方圖窄而集中于灰度級(jí)的中部，高對(duì)比度圖像的直方圖成分覆蓋的灰度級(jí)很寬而且像素的分布沒(méi)有不太均勻，只有少量的垂線比其他高許多。 （ a）有噪點(diǎn)的原始圖像 （ b）濾波后的圖像 圖 三次均值濾波效果圖 均值濾波也稱(chēng)為線性濾波，其采用的主要方法為鄰域平均法。 一個(gè)好的 GUI 能夠使程序更加容易的使用。 GUI 的每一個(gè)組件都必須安排圖象窗口中。只要圖像區(qū)域分割算法設(shè)計(jì) 8 執(zhí)行 GUI 的單個(gè)圖形組件，必須有一個(gè)回應(yīng)。閾值分割算法因其直觀、實(shí)現(xiàn)簡(jiǎn)單等特點(diǎn)在圖像分割的應(yīng)用中一直得到廣泛的使用，尤其是在分割精度要求不是很高的場(chǎng)合。圖像的直方圖可以看作是像素灰度值概率分布密度函數(shù)的一個(gè)近似，設(shè)一幅圖像僅包含目標(biāo)和背景，那么它的直方圖所代表的像素灰度值概率密度分布函數(shù)實(shí)際上就是對(duì)應(yīng)目標(biāo)和背景的兩個(gè)單峰分布密度函數(shù)的和。 此外，該方法的抗噪性較差，當(dāng)被分割對(duì)象存在較強(qiáng)噪聲時(shí)，分割效果會(huì)受到很大的影響。兩組間的類(lèi)間方差如式 3?4 所示： ????2 = ??0(??0 ? ??)2 + ??1(??1 ? ??)2 = ??0??1(??0 ? ??)2 (3?4) 運(yùn)行結(jié)果： graythresh 計(jì)算灰度閾值： 88 (a) 原始圖像 (b) 分割結(jié)果 圖 32 最大類(lèi)間方差法分割圖像 結(jié)果分析：圖 32 是最大類(lèi)間方差法的仿真結(jié)果，這種方法是一種自動(dòng)獲取圖像區(qū)域分割算法設(shè)計(jì) 12 閾值的分割方法，最大類(lèi)間方差方法具有算法簡(jiǎn)單，計(jì)算精確等優(yōu)點(diǎn)。用這個(gè)閾值控制開(kāi)關(guān)再次將輸入圖分為前景和背景，并用做新的開(kāi)關(guān)函數(shù)。直方圖雙峰法算法簡(jiǎn)單，但它要求圖片的灰度直方圖具有良好的雙峰性；最大類(lèi)間方差法 具有計(jì)算精確等優(yōu)點(diǎn) ； 這種方法可以完整地將對(duì)象從圖像背景中整齊清晰地分割出來(lái) ， 但是對(duì)復(fù)雜的整幅圖像用單一閾值不能給出良好的分割結(jié)果 ；迭代法效果良好，但在 圖像的細(xì)微處還沒(méi)有很好的區(qū)分度 。常用的空間微分算子主要包括：梯度算子、拉普拉斯算子和 Canny 算子等。 梯度算子 梯度對(duì)應(yīng)于一階導(dǎo)數(shù)，相應(yīng)的梯度算子對(duì)應(yīng)于一階導(dǎo)數(shù)算子。兩個(gè)方向上微分值的和。 Prewitt 算子不僅能檢測(cè)邊緣點(diǎn)，而且能抑制噪聲的影響，因此對(duì)灰度和噪聲較多的圖像處理得較好。并且僅當(dāng)弱邊緣與