【正文】 ,提出了不少新的分割方法。如果加強分割區(qū)域的同性質(zhì)約束，分割區(qū)域很容易產(chǎn)生大量小空洞和不規(guī)整邊緣 :若強調(diào)不 同區(qū)域間性質(zhì)差異的顯著性，則極易造成非同質(zhì)區(qū)域的合并和有意義的邊界丟失。 其過程是決定一個灰 度值 , 用以區(qū)分不同的類 , 這個灰度值就叫做“閾值” 。 閾值法的幾種閾值選擇方法 : 全局閾值法 （ 1）雙峰法 對于目標(biāo)與背景的灰度級有明顯差別的圖像 ,其灰度直方圖的分布呈雙峰狀 ,兩個波峰分別與圖像中的目標(biāo)和背景相對 應(yīng) ,波谷與圖像邊緣相對應(yīng)。這種方法假設(shè)圖像由目標(biāo)和背景組成 ,并且目標(biāo)和背景灰度直方圖都是單峰分布 [5]。這就是自適應(yīng)閾值。因此，它是圖像分割所依賴的重要特征，而邊緣信息是一種圖像的緊描述，所包含的往往是圖像中最重要的信息，故對圖像提取邊緣能極大地降低我們要處理的數(shù)據(jù)量。經(jīng)典的梯度算子模板有 Prewitt 模板、 Canny 模板、Sobel 模板、 Log 模板等 [10]。 2) 增強 : 增強邊緣的基礎(chǔ)是確定圖像各點鄰域強度的變化值。 Log 算子 : 該算子克服了拉普拉斯算子抗噪聲能力比較差的缺點 , 但是在抑制噪聲的同時也可能將原有的比較尖銳的邊緣也平滑掉了 , 造成這些尖銳邊緣無法被檢測到。其次要知道特性變化總是發(fā)生在一定的空間范圍內(nèi) ,不能期望用一種檢測算子就能最佳檢測出發(fā)生在圖像上的所有特性變化。分裂合并法是從整個圖像出發(fā) ,根據(jù)圖像和各區(qū)域的不均勻性 ,把圖像或區(qū)域分割成新的子區(qū)域 ,根據(jù)毗鄰區(qū)域的均勻性 ,把毗 鄰的子區(qū)域合并成新的較大的區(qū)域。(2)區(qū)域增長方式也對噪聲敏感，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。 3．圖像分割方 法 詳述 圖像分割方 法 本次畢業(yè)設(shè)計采用的是彩色圖像作為分割圖像，采用的分割方法總的來說是閾值法與邊緣檢測法的結(jié)合使用，在整個圖象分割的過程中， 最主要的方法是邊緣檢測法，而 閾值法起 到是對圖象進行預(yù)處理和后處理 的作用 。 迭代所得的閾值分割效果良好 ,基于迭代的閾值能區(qū)分圖像的前景和背景的主要區(qū)域所在 。 由灰度圖和灰度直方圖可以看出，該圖像的目標(biāo)和背景的灰度差異懸殊，并且該灰度直方圖的波峰明顯，滿足迭代法的使用條件。 這是一個有意義但比較困難的問題 。 將圖像分為左右兩個大的區(qū)域， 下表是各個算子分割圖像后的區(qū)域間的對比度： 圖像 平均灰度 1 平均灰度 2 區(qū)域間對比度 Canny 算子 Prewitt 算子 Log 算子 表 1 區(qū)域間的對比度 所以，區(qū)域間的對比度越高代表分割效果越好，由上表可以看出， Canny算子分割的效果最好， Prewitt 分割效果其次， Log 算子的分割效果最差。 結(jié)論 通過研究分析，可以得到以下結(jié)論： （ 1）閾值分割法的重點是對閾值的選擇 , 因此該方法的關(guān)鍵是如何選擇 最佳 閾值，如果閾值選擇不合適，則影響了圖片分割出來的效果，也影響下一步邊緣分割的效果。 ③ 局部閾值法對每一幅子圖像都要進行統(tǒng)計，速度慢，難以適應(yīng)實時性的要求。 從圖像分割研究的歷 史來看，可以看到對圖像分割的研究有幾個明顯的趨勢：一是對原有算法的不斷改進 ， 二是新方法、新概念的引入和多種方法的有效綜合運用 ， 人們逐漸認識到現(xiàn)有的任何一種單獨的圖像分割算法都難以對一般圖像取得令人滿意的分割效果，因而很多人在把新方法和新概念不斷的引入圖像分割領(lǐng)域的同時，也更加重視把各種方法綜合起來運用 ， 相信隨著研究的不斷深入，存在的問題會很快得到圓滿的解決 [18]。) figure,imshow(Im) , title(39。 n0=。 %求小于閥域值均值 T1=S1/n1。)。 imshow(I)。)。 plot(fxy)。 %為計算灰度大于閾值的元素的灰度總值、個數(shù)賦值 S1=。 %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。 b=double(I)。 %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))。 %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 bw2=im2bw(I,T/255)。 % T 賦初值，為最大值和最小值的平均值 count=double(0)。 %大于閾域值圖像點個數(shù)累加 else S0=S0+double(I(i,j))。 fxy = imhist(I, 256)。 S0=。 %小于閥域值圖像點個數(shù)累加 end end end T0=S0/n0。 figure,imshow(bw),title(39。 gTXRm 6X4NGpP$vSTTamp。gTXRm 6X4NGpP$vSTTamp。 gTXRm 6X4NGpP$vSTTamp。 gTXRm6X4NGpP$vSTTamp。 UE9aQGn8xp$Ramp。 gTXRm6X4NGpP$vSTTamp。 gTXRm 6X4NGpP$vSTTamp。 UE9aQGn8xp$Ramp。ksv*3t nGK8!z89Am YWpazadNuKNamp。 ksv*3t nGK8! z89Am UE9aQGn8xp$Ramp。 ksv*3t nGK8! z89Am YWpazadNuKNamp。 ksv*3t nGK8!z89Am YWv*3tnGK8! z89Am YWpazadNuKNamp。 ksv*3t nGK8!z89Am YWpazadNuKNamp。 ksv*3t nGK8! z89Am YWv*3tnGK8! z89Am YWpaz adNuKNamp。 ksv*3t nGK8! z89Am YWpazadNuKNamp。 ksv*3t nGK8! z89Am YWv*3t nGK8!z89Am YWpa zadNuKNamp。 gTXRm 6X4NGpP$vSTTamp。 gTXRm 6X4NGpP$vSTTamp。 ksv*3t nGK8! z89Am YWpazadNuKNamp。gTXRm 6X4NGpP$vSTTamp。ksv*3t nGK8!z89Am YWpazadNuKNamp。 ksv*3t nGK8! z89Am YWpazadNuGK8! z89Am YWpazadNuKNamp。 ksv*3t nGK8! z89Am YWpazadNuKNamp。 ksv*3t nGK8! z89Am YWpazadNuKNamp。 ksv*3t nGK8!z89Am YWpazadNuKNamp。 ksv*3t nGK8! z89Am YWpazadNuKNamp。 gTXRm 6X4NGpP$vSTTamp。 gTXRm 6X4NGpP$vSTTamp。 ksv*3t nGK8!z89Am YWpazadNuKNamp。gTXRm 6X4NGpP$vSTTamp。 gTXRm6X4NGpP$vSTTamp。 gTXRm 6X4NGpP$vSTTamp。gTXRm 6X4NGpP$vSTTamp。 QA9wkxFyeQ^! djsXuyUP2kNXpRWXm Aamp。 %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 bw4=im2bw(I,T/255)。 %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))。 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 時停止 break。 %為計算灰度大于閾值 的元素的灰度總值、個數(shù)賦值 S1=。plot(fxy)。 %小于閥域值圖像點個數(shù)累加 end end end T0=S0/n0。 S0=。 fxy = imhist(I, 256)。 %大于閾域值圖像點個數(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)。 subimg4=img(217:431,136:269)。D:\39。 BW1 = edge(I,39。 % 圖像在最佳閾值下二值化 figure,imshow(i1) imwrite(i1,39。 %大于閾域值圖像點灰度值累加 n1=n1+1。 zd=double(max(max(Im))) % 求出圖象中最大的灰度 zx=double(min(min(Im))) % 最小的灰度 T=double((zd+zx))/2。)。 展望 圖像分割是圖像理解與計算機視覺領(lǐng)域國際學(xué)術(shù)界公認的將會長期存在的最困難的問題之一，到目前為 止既不存在一種通用的圖像分割方法，也不存在一種判斷是否分割成功的客觀標(biāo)準(zhǔn)。 沒有哪一種邊緣算子是絕對的合適，從以上實驗 現(xiàn)象 可以看出，例 如： Canny 算子的整體效果最好， 它的分割結(jié)果很明顯沒有 Prewitt 算子分割細致 ，這是它不足的地方， 每一種邊緣檢測算子分割的圖像都有相應(yīng)的優(yōu)缺點，我們只能選取當(dāng)中效果較好的一種，但是這也不能判定為這種算子就是最好的，只能說對于特定的圖片，這種算子達到的效果最好。 5． 小 結(jié) 本文主要工作總結(jié) 通過對大量文獻的閱讀，在對圖像分割領(lǐng)域研究現(xiàn)狀和研究內(nèi)容有了一定了解的基礎(chǔ)上，本文圍繞圖像分割技術(shù)的理論基礎(chǔ)及其實際應(yīng)用情況，主要進行了以下幾個方面的研究工作： 1對圖像分割的概念進行詳細的陳述。 分析法是直接分析分割算法本身的原理及性能，而實驗法是通過對測試圖像的分割結(jié)果來評價算法的 。 Log 算子，其分割圖像中所含非邊緣點較少，而且主要邊緣大部分被保留，但是還是去掉了很多真邊緣點。這時采用局部閾值法 ,即用與像素位置相關(guān)的一組閾值對圖像各部分分別進行分割。閾值分割法的結(jié)果很大程度上依賴于對閾值的選擇 , 因此該方法的關(guān)鍵是如何選擇合適的閾值。但是，分裂合并技術(shù)可能會使分割區(qū)域的 邊界破壞 [2]。(2)算法的高效性和準(zhǔn)確性。第五 ,在正確檢 測邊緣的基礎(chǔ)上要 考慮精確定位的問題 [14]。但對于邊緣復(fù)雜、采光不均勻的圖像來說 ,則效果不太理想 ,主要表現(xiàn)在邊緣模糊、弱邊緣丟失和整體邊緣不連續(xù)等方面。 最簡單的邊緣檢測判據(jù)是梯度幅值閾值判據(jù)。 Sobel 在 Prewitt 算子的基礎(chǔ)上，對 4鄰域采用帶權(quán)的方法計算差分，該算子不僅能檢測邊緣點，且能進一步抑制噪聲的影響，但檢測的邊緣較寬。 這種方法稱 為邊緣檢測局部算子法。 （ 2） 多閾值分割 在多閾值分割中，分割是根據(jù)不同區(qū)域的特點得到幾個目標(biāo)對象，所以提取每一個目標(biāo)需要采用不同的閾值，也就是說要使用多個閾值才能將它們分開，這就是多閾值分割。 （ 1） 自適應(yīng)閾值 在許多情況下，背景的灰度值并不是常數(shù)，物體和背景的對比度在圖像中也有變化。 程序的實現(xiàn)： 通過數(shù)組記錄直方圖中的各像素點值的個數(shù)， 再對逐個像素值進行掃描。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 。 閾值法的缺點是當(dāng)圖像中不存在明顯的灰度差異或灰度值范圍有較大的重疊時，分割效果不理想。 (2)區(qū)域內(nèi)部平整，不存在很小的小空洞 。 圖像分割方法綜述 圖像分割是指將圖像劃分為與其中 含有的真實世界的物體或區(qū)域有強相關(guān)性的組成部分的過程。條件 2指出在分割結(jié)果中各個子區(qū)域是互不重疊的，或者說在分割結(jié)果中一個象素不能同時屬于兩個區(qū)域。近年來，圖象分割在對圖象的編碼中也起到越來越重要的作用，例如國際標(biāo)準(zhǔn) MPEG 一 4 中模型基 /目標(biāo)基編碼等都需要基于分割的結(jié)果。 I 圖像分割算法研究與實現(xiàn) Research and Implementation of Image Segmentation Algorithms 目 錄 摘 要 : ....................................................................