【正文】 vakumar K. Morphological Operators for Image Sequences[J]. Computer Vision Image Understanding, 1995, 62(3): 326346.[6] 尹星云,[J]. 計(jì)算機(jī)工程,2008,34(17).271273. [7] [M].,4. [8] Horowitz S L. Picture Segmentation by a Directed SplitandMerge Procedure. Proceedings of Second International Joint Conference on Pattern Recognition,1974,8:424423.[9] Zuker S W. Region Growing:Childhood and Adolescene. CGIP,1976,5: 382399.[10] 方忠民,[J]. 長(zhǎng)沙大學(xué)學(xué)報(bào),2008，22（5）：9497.[11] 趙志峰,[J].華東船舶工業(yè)學(xué)院學(xué)報(bào)(自然科學(xué)版),2003,17(3):4348. [12] 聶斌,[J].泰山醫(yī)學(xué)院學(xué)報(bào),2002 ,23(4):422426.[13] ,Survey Pattern Recognition on Evaluation Methods for Image Segmentation [J].1996, 29(8): 13351346.[14]王愛(ài)民,[J].測(cè)控技術(shù),2000,19(5): 116.[15] Jayaram,et al. Fuzzy Connectedness and Object Defination[J]. Theory,Algorithms,and Applications in Image Segmentation. Graphical Models and Image Processing, 1996,58(3):246251.[16] 袁小平,孫中全,[J]. 能源技術(shù)與管理,2008(1),8586,102.[17] 陸宗騏, C++.NET圖像處理編程[M]..[18] [19] 王芳,[J].內(nèi)蒙古師范大學(xué)學(xué)報(bào)(自然科學(xué)漢文版) ,2008 ,37（3）：389391.[20] 戴青云,[J].控制理論與應(yīng)用,2001,18 (4):478482.[21] Bosworth J, Acton A T. The Morphological Lomo Filter for Multiscale Image Processing[C]. IEEE International Conference on Image Processing. Kobe,Japan ,1999.[22] 潘梅森,[J].微計(jì)算機(jī)信息,2006,22(10):309 311.[23] Mary and Edward . Morphological Operators for Color Image Processing[J].Journal of Electronic Image, 1999，8(3):279289.[24] [D].山東大學(xué)碩士學(xué)位論文,2005.[25] [M]..[26] [D]. 揚(yáng)州大學(xué)碩士學(xué)位論文,2005.[27] J. Gauch, ChiWan Hsia. A Comparison of Three Color Image Segmentation Algorithm in Four Color Spaces. SPIE. Vol. 1818. Visual Communications and Image Processing,.[28] 歐珊瑚,王倩麗, C++.NET數(shù)字圖像處理技術(shù)與應(yīng)用[M]..[29] 高育鵬,黃樹(shù)采,[J]. 彈箭與制導(dǎo)學(xué)報(bào),2008（3）,296298.[30] James, Lee,J. Morphological Edge Detection. IEEE Journal of Robotics and Automation, 1987,RA3 (2):142156.[31] Zhao Yuqian, Images Edge Detection Based on Mathematical Morphology[C].Engineering in Medicine and Biology 27th Annual ：46924695.[32] 胡小鋒, C十十/MATLAB圖像處理與識(shí)別實(shí)用案例精選[M].人民郵電出版社,.[33] Serra J. Image analysis and mathematical morphology [M].London: Acadamic Press,l982.[34] S. Beucher. Use of watersheds in contour detection[M]. 1979.[35] P. Soille, L. Vincent. Determining Watersheds in Digital Pictures via Flooding Simulations[J]. Visual Communications and Image Processing 90. Oct. 1990, 1360:240–250.[36] , P. Soille. Watersheds in Digital Spaces: an Efficient Algorithm Based on Immersion Simulations [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence. June. 1991, 13(6):583–598.[37] L. Vincent, P. Soille. Watersheds in Digital Spaces: An Efficient Algorithm Based on Immersion Simulations [J]. IEEE Transactions on Pattern Analysis and Machine Inteligence, 1991,13 : 583598.[38] 趙濤，[J].科技信息（科學(xué)教研）. 2008(15),5051. [39] [40] [41] 付永慶,[J].哈爾濱工程大學(xué)學(xué)報(bào),2005,26（5）：685687.[42] 楊平先,[J].,32（6）：5659. 。 相比傳統(tǒng)的邊緣檢測(cè)如LOG, Canny算子等，形態(tài)學(xué)邊緣檢測(cè)能較有效地保持邊緣的完整性，但作為梯度運(yùn)算，通常只對(duì)梯度值大小作簡(jiǎn)單的閾值處理來(lái)完成邊緣檢測(cè)，噪聲的存在將使檢測(cè)結(jié)果產(chǎn)生假邊緣和邊緣位置偏移。 本文采用形態(tài)學(xué)中經(jīng)典的分水嶺算法來(lái)對(duì)卟啉陣列圖像進(jìn)行分割，由于圖像中干擾噪聲以及細(xì)小邊緣的存在，會(huì)帶來(lái)嚴(yán)重的過(guò)分割現(xiàn)象，我們采取了濾波的預(yù)處理方法以及過(guò)分割后進(jìn)行區(qū)域合并的方法改進(jìn)分水嶺算法來(lái)修正標(biāo)準(zhǔn)分水嶺分割所產(chǎn)生的過(guò)分割問(wèn)題。圖(a)、(b)、(c)、(d)顯示的是形態(tài)學(xué)濾波對(duì)其的處理效果。圖(a)四幅圖像顯示的是區(qū)域生長(zhǎng)的分割方法，由于非優(yōu)化參數(shù)的設(shè)置，區(qū)域生長(zhǎng)經(jīng)常會(huì)導(dǎo)致欠生長(zhǎng)或過(guò)生長(zhǎng)，本文選用的卟啉陣列圖像是不能用區(qū)域生長(zhǎng)方法的，因此我們選用人腦部CT圖像，我們選取了兩個(gè)不同的種子點(diǎn)，分割出來(lái)的圖片效果是不同的，都出現(xiàn)了欠生長(zhǎng)的情況，不過(guò)在種子點(diǎn)選取合適的情況下，對(duì)于提取特定區(qū)域卻是很有利的。 ③ 閾值分割閾值分割法分為全局閾值法和局部閾值分割法。因此，如何選取適當(dāng)?shù)拈撝凳且豁?xiàng)非常艱難的任務(wù)，在實(shí)際應(yīng)用中也存在著使用的局限性。圖 。步驟5 再一次掃描當(dāng)前梯度層級(jí)的像素點(diǎn)，檢查是否仍有未標(biāo)識(shí)點(diǎn)。在排序后的數(shù)組中，梯度值越低的點(diǎn)存放的位置越靠前。 分水嶺的形成分水嶺算法通常是在圖像形態(tài)學(xué)梯度圖的基礎(chǔ)上實(shí)施變換，對(duì)梯度圖像中強(qiáng)度的變化非常敏感，對(duì)微弱邊緣具有良好的響應(yīng)，由于情景的不同以及目的區(qū)域內(nèi)部的細(xì)小變化，如紋理、噪聲的影響等，梯度圖中可能會(huì)產(chǎn)生過(guò)多的極小點(diǎn)，這會(huì)造成分割后的圖像中存在大量不必要的小區(qū)域，也就是沒(méi)有明顯特征的微小集水盆地， 即分水嶺算法的過(guò)分割現(xiàn)象。 結(jié)果分析 ，這些邊緣檢測(cè)都是用matlab內(nèi)部自帶的函數(shù)實(shí)現(xiàn)的。取它們的平方和的開(kāi)方可以獲得性能更一致的全方位的響應(yīng)。Roberts邊緣檢測(cè)算子的卷積算子為： Roberts邊緣檢測(cè)算子方向模板②Sobel算子Sobel算子利用像素點(diǎn)上下、左右相鄰點(diǎn)的灰度加權(quán)算法，根據(jù)在邊緣點(diǎn)處達(dá)到極值這一現(xiàn)象進(jìn)行邊緣的檢測(cè)。在的基礎(chǔ)上改進(jìn)的梯度算子如圖(d)所示，檢測(cè)的邊緣較 清晰，受噪聲影響不大，但是也存在邊緣較粗的問(wèn)題，需要進(jìn)一步細(xì)化處理，圖像輪廓與原圖相比有一定變形，可能是由于梯度算子的選擇以及多次重復(fù)濾波造成的。為解決上述問(wèn)題，所應(yīng)用的邊緣檢測(cè)算法必須既能檢測(cè)出強(qiáng)度的非連續(xù)性，同時(shí)又能確定他們的精確位置[28]。 我們還可以用三基色的矢量表示彩色像素，如果兩個(gè)像素的矢量差超過(guò)某個(gè)閾值，則存在彩色邊緣。分量法是利用色彩的空間分解，所形成的每一個(gè)子空間(色彩分量)都是灰度圖像，從而用灰度形態(tài)學(xué)分別獨(dú)立處理各分量；向量法是建立以像素向量為變量的標(biāo)量函數(shù)，以該標(biāo)量函數(shù)值的大小來(lái)對(duì)向量排序，形成標(biāo)量函數(shù)的灰度圖像，再據(jù)此應(yīng)用灰度形態(tài)學(xué)[23]。 （a）原始灰度圖 （b）九點(diǎn)中值濾波 （c） 均值濾波 （d）閉運(yùn)算 形態(tài)學(xué)濾波與傳統(tǒng)濾波效果比較 彩色形態(tài)學(xué) 隨著彩色傳感器等硬件設(shè)備的發(fā)展，彩色圖像的獲取越來(lái)越容易，使用也越來(lái)越廣泛，但是把彩色圖像轉(zhuǎn)換成灰度圖像再進(jìn)行處理會(huì)不可避免地會(huì)丟失許多信息，因此，直接對(duì)彩色圖像進(jìn)行處理顯得十分必要，把數(shù)學(xué)形態(tài)學(xué)從二值圖像和灰度圖像直接推廣到彩色圖像也就非常重要了。我這里采用的是2均值濾波。 （a）添加椒鹽噪聲圖片 （b）灰度圖 （c）先開(kāi)后閉（椒鹽噪聲基本消除） 先開(kāi)后閉濾除椒鹽噪聲，為了驗(yàn)證開(kāi)閉運(yùn)算濾除椒鹽噪聲的效果，我們用matlab人為地在原始彩色圖像中添加了椒鹽噪聲，如圖(a)所示，圖(b)為轉(zhuǎn)換后的灰度圖像。尤其是先后進(jìn)行開(kāi)閉運(yùn)算,在處理圖像時(shí)既能消除細(xì)節(jié)又能保持整體形態(tài)不變,在去除圖像的胡椒狀噪聲和砂眼噪聲中有著廣泛應(yīng)用[22]?；叶扰蛎洠豪媒Y(jié)構(gòu)元素對(duì)信號(hào)的灰度膨脹表示為，其定義為： ()和分別是和的定義域。[26]骨架提取 ： () 通過(guò)骨架可以對(duì)原圖像進(jìn)行重構(gòu)，就是以骨架上每一個(gè)點(diǎn)為圓心，以半徑r作圓盤(pán)，所有圓盤(pán)的并集就是重構(gòu)的圖像。集合A被集合B膨脹，定義為： ()腐蝕是對(duì)圖像內(nèi)部作濾波處理，而膨脹是利用結(jié)構(gòu)元素對(duì)圖像補(bǔ)集進(jìn)行填充，因而它是對(duì)圖像外部作濾波處理。其中腐蝕、膨脹是兩種最基礎(chǔ)的運(yùn)算。像素?cái)?shù)據(jù)，位圖數(shù)據(jù)記錄了位圖的每一個(gè)像素值，記錄順序是在掃描行內(nèi)是從左到右,掃描行之間是從下到上。Windows ,因此把它稱為設(shè)備相關(guān)位圖(devicedependent bitmap,DDB)文件格式。第四章：概述分水嶺算法的基本思想，并介紹了基于浸入模擬的分水嶺算法具體實(shí)現(xiàn)步驟以及由于積水盆地和噪聲存在引來(lái)的過(guò)分割問(wèn)題。本文的安排如下：第一章：首先闡明選題背景及意義，介紹了圖像分割的定義、分類，概述了數(shù)學(xué)形態(tài)學(xué)的基本思想、發(fā)展歷程以及研究現(xiàn)狀等，最后介紹本文的主要工作及內(nèi)容安排。經(jīng)過(guò)40多年的發(fā)展，數(shù)學(xué)形態(tài)學(xué)無(wú)論在理論方面還是應(yīng)用方面都取得了很多成就。數(shù)學(xué)形態(tài)學(xué)技術(shù)的核心是像素之間的大小比較，二值圖像是灰度圖像的特例，所以，很容易從二值形態(tài)學(xué)推廣到灰度形態(tài)學(xué)。1985年以后，一些相關(guān)領(lǐng)域的國(guó)際會(huì)議開(kāi)始把數(shù)學(xué)形態(tài)學(xué)列為學(xué)術(shù)討論專題，或?qū)ｉT(mén)舉行研討會(huì)。探針在信號(hào)中不斷移動(dòng)，即可考察信號(hào)各個(gè)部分之間的相互關(guān)系，從而提取信號(hào)全局或局部的有用特征。盡管分割算法多種多樣，新的方法也不斷涌現(xiàn)，但人們還是不能回避一個(gè)長(zhǎng)期困擾的問(wèn)題:如何客觀地評(píng)價(jià)一個(gè)分割結(jié)果。(2)在模糊情況下處理一些拓樸概念，如連通性(connectedness)和邊界等；(3)有效地提取模糊連接分量(fuzzy connected ponents)和模糊邊界的算法等問(wèn)題。該方法利用的是圖像的空間性質(zhì)，認(rèn)為分割出來(lái)的屬于同一區(qū)域的像素應(yīng)具有相似的性質(zhì)。本文將對(duì)圖像分割算法作以下分類：基于邊緣的分割算法，基于區(qū)域的分割算法，以及基于特定理論的分割算法。區(qū)域內(nèi)的所有像素是一個(gè)連通集，在一個(gè)連通集中任意兩像素之間，都存在一條完全有這個(gè)集合元素構(gòu)成的連通路徑。但彩色圖像處理的計(jì)算機(jī)資源消耗又過(guò)大，在這種情況下，人們通常采用灰度圖像作為分割目標(biāo)。同時(shí)，隨著互聯(lián)網(wǎng)與多媒體技術(shù)的發(fā)展，人們已經(jīng)不滿足于把圖像看成簡(jiǎn)單的像素矩陣，而希望能將其表征成多個(gè)有意義的對(duì)像的組合，進(jìn)而實(shí)現(xiàn)視頻的交互功能及基于內(nèi)容的圖像、視頻檢索、瀏覽、編輯與合成等，這些功能的實(shí)現(xiàn)都依賴于一個(gè)好的圖像分割工具。重慶大學(xué)本科學(xué)生畢業(yè)設(shè)計(jì)（論文） 摘要基于數(shù)學(xué)形態(tài)學(xué)的圖像分