【正文】 bwareaopen(BW1,2020)。 imshow(closeBWao),title(39。填充后圖像 39。 圖 49 填充后的頂部紋理 最后使用 entropyfilt對(duì)圖像進(jìn)行濾波分割其實(shí)現(xiàn)代碼如下 。 figure。subplot(122) imshow(texture2)。 texture2=I。subplot(121), imshow(e2im)。%底部設(shè)置為黑色 subplot(122)。holes39。)。二值圖像 39。%創(chuàng)建紋理圖像 Eim = mat2gray(E)。)。 使用紋理濾波器進(jìn)行分割就是利用圖像中不同區(qū)域的紋理來對(duì)圖像的區(qū)域進(jìn)行劃分。 圖像紋理的分類 紋理可分為人工紋理和天然紋理。b*39。39。MarkerFaceColor39。, 39。 plot_labels = {39。 figure, imshow(segmented_images(:,:,:,5)), %顯示紅紫色目標(biāo) title(39。)。 color(rgb_label ~= color_labels(count)) = 0。%初始化距離矩陣 for count = 1:nColors distance(:,:,count) = ( (a color_markers(count,1)).^2 + ... (b color_markers(count,2)).^2 ).^。%a的均值 color_markers(count,2)= mean2(b(sample_regions(:,:,count)))。用以下代碼實(shí)現(xiàn) cform = makecform(39。%下載顏色區(qū)域坐標(biāo)到工作空間 nColors = 6。39。 顏色的空間轉(zhuǎn)換 為了實(shí)現(xiàn)圖像從 RGB 空間到 Lab 空間的轉(zhuǎn)換，首先必須把圖像從 RGB 空間轉(zhuǎn)換到 XYZ 空間后，在從 XYZ 空間轉(zhuǎn)換到 Lab 空間。在 Lab 色彩空間中，顏色之間視覺上的距離與顏色坐標(biāo)上的歐幾里德距離成正比，因此具有一定距離的兩點(diǎn)之間的 色彩是均勻分布的。 使用計(jì)算機(jī)分析和識(shí)別圖像，必須分析圖像特征，圖像特征是指圖像中可用做標(biāo)志的屬性，可以分為視覺特征和統(tǒng)計(jì)特征。但由于尚無通用分 割理論，因此現(xiàn)已提出的分割算法大都是針對(duì)具體問題的，并沒有一種適合于所有圖像的通用的分割算法。它在搜索空間中是在種群中而不是在單點(diǎn)上進(jìn)行尋優(yōu)，它在求解過程中使用遺傳操作規(guī)則而不是確定性規(guī)則來工作。 由于預(yù)處理工作的不徹底，還需要進(jìn)行一系列的基于點(diǎn)的開 ( 閉 ) 運(yùn)算，因此運(yùn)算速度明顯下降。它的基本思想是利用一個(gè)稱為結(jié)構(gòu)元素的探針來收集圖像的信息，當(dāng)探針在圖像中不斷的移動(dòng)時(shí)，不僅可根據(jù)圖像各個(gè)部分間的相互關(guān)系來了解圖像的結(jié)構(gòu)特征，而且利用數(shù)學(xué)形態(tài)學(xué)基本運(yùn)算還可以構(gòu)造出許多非常有效的圖像處理與分析方法。 小波變換為信號(hào)在不同尺度上的分析和表征提供了一個(gè)精確和統(tǒng)一的框架。 (2)怎樣確定聚類的有效性準(zhǔn)則。 基于區(qū)域的分割方法往往會(huì)造成圖像的過度分割，而單純的基于邊緣檢測(cè)方法有時(shí)不能提供較好的區(qū)域結(jié)構(gòu)，為此可將基于區(qū)域的方法和邊緣檢測(cè)的方法結(jié)合起來，發(fā)揮各自的優(yōu)勢(shì)以獲得更好的分割效果。若提高檢測(cè)精度，則噪聲產(chǎn)生的偽邊緣會(huì)導(dǎo)致不合理的輪廓；若提高抗噪性，則會(huì)產(chǎn)生輪廓漏檢和位置偏差。串行邊緣分割方法，首先要確定邊緣的起始點(diǎn)，然后根據(jù)某種相似性搜索準(zhǔn)則尋找下一個(gè)邊緣點(diǎn)，這種確定后續(xù)相似點(diǎn)的方法稱為邊緣跟蹤。另一方面，這種方法只考慮像素本身的灰度值，一般不考慮空間特征，因而對(duì)噪聲很敏感。由于是 西安石油大學(xué) 本科 畢業(yè)設(shè)計(jì) （論文） 10 直接利用圖像的灰度特性，因此計(jì)算方便簡明、實(shí)用性強(qiáng)。重復(fù)此操作，使用更小的簇直到?jīng)]有更多的集群的形成。 由于邊緣和噪聲都是灰度不連續(xù)點(diǎn)，在頻域均為高頻分量，直接采用微分運(yùn)算難以克服噪聲的影響。這種 不連續(xù)性 稱為邊緣。當(dāng)所有像素點(diǎn)或者子區(qū)域完成判斷以后，把前景區(qū)域或者像素合并就可得到前景目標(biāo)。大部分 區(qū)域生長 準(zhǔn)則使用圖像的局部性質(zhì)。 區(qū)域分割 區(qū)域生長和分裂合并法是兩種典型的串行區(qū)域技術(shù)，其分割過程后續(xù)步驟的處理要根據(jù)前面步驟的結(jié)果進(jìn)行判斷而確定。但是 這種方法只考慮像素本身的 灰度值 ，一般不考慮空間特征，因而對(duì)噪聲很敏感。閾值分割方法實(shí)際上是輸入圖像 f 到輸出圖像 g 的如下變換： g(?,j) = {1 ??(??,??) ≥ ??0 ??(??,??) ?? 其中， T 為閾值，對(duì)于物體的圖像元素 g(i,j)=1，對(duì)于背景的圖像元素 g(i,j)=0。 P(???? ?????)=FASLE 表明在分割結(jié)果中同一個(gè)子區(qū)域的像素應(yīng)當(dāng)是連通的，也就是說同一個(gè)子區(qū)域的任意的兩個(gè)像素在該子區(qū)域內(nèi)飾互相連通的。 (1) ????=1?? ????=R； (2) 對(duì)于所有的 i 和 j， i≠j。同時(shí)對(duì)一些特殊的可視化要求，例如圖形對(duì)話等， Matlab 也有相應(yīng)的功能函數(shù)，保證了用 西安石油大學(xué) 本科 畢業(yè)設(shè)計(jì) （論文） 5 戶不同層次的要求。函數(shù)所能解決的問題其大致包括矩陣運(yùn)算和線性方程組的求解、微分方程及偏微分方程組的求解、符號(hào)運(yùn)算、傅立葉變換和數(shù)據(jù)的統(tǒng)計(jì)分析、工程中的優(yōu)化問題、稀疏矩陣運(yùn)算、復(fù)數(shù)的各種運(yùn)算、三角函數(shù)和其他初等數(shù)學(xué)運(yùn)算、多維數(shù)組操作以及建模動(dòng)態(tài)仿真等。這些工具箱都是由該領(lǐng)域內(nèi)學(xué)術(shù)水平很高的專家編寫的，所以用戶無需編寫自己學(xué)科范圍內(nèi)的基礎(chǔ)程序就可直接進(jìn)行高、精、尖的研究。 Matlab 以矩陣為基礎(chǔ)，不需要預(yù)先定義變量和矩陣 (包括數(shù)組 )的維數(shù)，可以方便地進(jìn)行矩陣的算術(shù)運(yùn)算、關(guān)系運(yùn)算和邏輯運(yùn)算等。功能工具包用來擴(kuò)充 MATLAB 的符號(hào)計(jì)算，可視化建模仿真， 文字處理及實(shí)時(shí)控制等功能。 MATLAB 的基本數(shù)據(jù)單位是矩陣，它的指令表達(dá)式與數(shù)學(xué)、工程中常用的形式十分相似，故用 MATLAB 來解算問題要比用 C， FORTRAN 等語言完成相同 的事情簡捷 得多，并且 MATLAB 也吸收了像 Maple 等軟件的優(yōu)點(diǎn)，使 MATLAB 成為一個(gè)強(qiáng)大的數(shù)學(xué)軟件。本文主要結(jié)構(gòu)為在第二章中介紹的圖像分割所使用的軟件 Matlab 以及 Matlab 語言的特點(diǎn)。 圖像分割的研究最早可以追溯到 20 世紀(jì) 60 年代，經(jīng)過近四十年的研究，國內(nèi)外學(xué)者已經(jīng)提出了各種算法上千種，但目前還沒有一種適合于所有圖像的通用的分割算法，絕大多數(shù)算法都是針對(duì)具體問題而提出的。有些分割運(yùn)算可直接應(yīng)用于任何圖像，而另一些只能適用于特殊類別的圖像。為了辨識(shí)和分析目標(biāo)，需要把目標(biāo)從一幅圖像中孤立出來，這就是圖像分割要研究的問題。 圖像分割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)研究中的熱點(diǎn)和焦點(diǎn)。 本文主要對(duì)圖像分割算法進(jìn)行了分析、分類、歸納和總結(jié)。 研究背景及目的 21 世紀(jì)是一個(gè)充滿信息的時(shí)代，圖像作為人類感知世界的視覺基礎(chǔ)，是人類為獲取信息、表達(dá)信息和傳遞信息的重要手段。有些算法需要先對(duì)圖像進(jìn)行粗分割，因?yàn)樗麄冃枰獜膱D像中提取出來信息。另一方面，給定一個(gè)實(shí)際應(yīng)用要選擇合用的分割算法仍是一個(gè)很麻煩的問題，由于缺少通用的理論指導(dǎo)，常常需要反 復(fù)的進(jìn)行實(shí)驗(yàn)。第三章主要對(duì)圖像分割算法的概述以及簡述了 幾種分割算法及特點(diǎn)。在新的版本中也加入了對(duì) C， FORTRAN， C++， JAVA 的支持。學(xué)科工具包是專業(yè)性比較強(qiáng)的工具包，控制工具包，信號(hào)處理工具包，通信工具包等都屬于此類。而且 Matlab 有特殊矩陣專門的庫函數(shù)，可以高效地求解 諸如信號(hào)處理、圖像處理、控制等問題。 強(qiáng)大的數(shù)值（矩陣）運(yùn)算功能。 界面友好、編程效率高。另外新版本的 Matlab 還著重在圖形用戶界面（ GUI）的制作上作了很大的改善，對(duì)這方面有特殊要求的用戶也可以得到滿足。有 ???? ?????=?。 這些條件對(duì)分割具有一定的指導(dǎo)作用。由此可見，閾值分割算法的關(guān)鍵是確定閾值，如果能確定一個(gè)合適的閾值就可準(zhǔn)確地將圖像分割開來。常用的全局閾值選取方法有利用圖像灰度直方圖的峰谷法、最小誤差法、 最大類間方差法 、最大熵自動(dòng)閾值法以及其它一些方法。 區(qū)域生長的基本思想是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域。生長準(zhǔn)則可根據(jù)不同原則制定，而使用不同的生長準(zhǔn)則會(huì)影響 區(qū)域生長 的過程。 在這類方法中，最常用的方法是四叉樹分解法 (如圖 所示 )。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特征可以分割圖像。因此用 微分算子 檢測(cè)邊緣前要對(duì)圖像進(jìn)行 平滑濾波 。 基于直方圖的方法也能很快適應(yīng)于多個(gè)幀，同時(shí)保持他們的單通效率。顯然， 閾值分割方法的關(guān)鍵和難點(diǎn)是如何取得一個(gè)合適的閾值。在實(shí)際應(yīng)用中，閾值法通常與其他方法結(jié)合使用。根據(jù)跟蹤方法不同又可分為輪廓跟蹤、光棚跟蹤和全向跟蹤三種方法。為此，人們提出各種多尺度邊緣檢測(cè)方法，根據(jù)實(shí)際問題設(shè)計(jì)多尺度 邊緣信息的結(jié)合方案，以較好地兼顧抗噪性和檢測(cè)精度。 特征空間聚類法進(jìn)行圖像分割是將圖像空間中的像素用對(duì)應(yīng)的特征空間點(diǎn)表示，根據(jù)它們?cè)谔卣骺臻g的聚集對(duì)特征空間進(jìn)行分割，然后將它們映射回原圖像空間，得到分割結(jié)果。 (3)聚類中心的位置和特性事先不清楚時(shí)，如何設(shè)置初始值。從圖像分割的角度來看，小波分解提供了一個(gè)數(shù)學(xué)上完備的描述；小波變換通過選取合適的濾波器，可以極大地減少或去除所提取的不同特征之間的相關(guān)性，不僅具有 “變焦 ”特性，而且在實(shí)現(xiàn)上有快速算法。其基本的形態(tài)運(yùn)算是腐蝕與膨脹。如何將數(shù)學(xué)形態(tài)學(xué)與其它方法綜合運(yùn)用以克服這些缺陷，將是數(shù) 學(xué)形態(tài)學(xué)以后的工作方向。這些特點(diǎn)使得遺傳算法很適于應(yīng)用在圖像分割中，尤其是閾值分割法以及區(qū)域生長法中。但是可以看出，圖像分割方法正朝著更快速、更精確的方 向發(fā)展，通過各種新理論和新技術(shù)結(jié)合將不斷取得突破和進(jìn)展。圖像的視覺特征是指人的視覺直接感受到的自 然特征（如區(qū)域顏色、亮度、紋理或輪廓等）；統(tǒng)計(jì)特征則是需要通過變換或測(cè)量才能得到認(rèn)為特征（如各種變換的頻譜、直方圖、各階矩等）。 Lab 色彩模型是目前所有模式中色彩范圍（或稱為色域）最廣的顏色模式，自然界中任何一種顏色都可以在 Lab 空間中表達(dá)出來。 公式 41 為顏色三刺激值 X、 Y、 Z 與 R、 G、 B 之間的轉(zhuǎn)換公式。)。 sample_regions = false([size(fabric,1) size(fabric,2) nColors])。srgb2lab39。%b的均值 end disp(sprintf(39。%求出最小距離的顏色 end 第三步為對(duì)圖像樣本區(qū)域中的顏色進(jìn)行分割，通過計(jì)算每個(gè)像素點(diǎn)和六種顏色平均值的歐式距離，這六種距離中最小的距離即為該像素點(diǎn)的顏色，這種方法稱為最近鄰法，例如：如果像素點(diǎn)距離紅色平均值的歐式距離最小，那么該像素點(diǎn)久違紅色。%不是標(biāo)號(hào)顏色的像素置 0 segmented_images(:,:,:,count) = color。 figure。紅紫色目標(biāo) 39。k39。y39。, ... plot_labels{count})。a*39。39。人工紋理是自然背景上的符號(hào)的排列組成，這些符號(hào)可以是線條、點(diǎn)、字母、數(shù)字等。紋理是指一個(gè)物體上的顏色模式或者指物體表面的光滑程度。% 讀取圖像 figure。%轉(zhuǎn)化為灰度圖像 figure。)。%顯示底部紋理圖像 nhood = true(9)。)。 imshow(I2),title(?突出顯示圖像的頂部 ?)。%顯示紋理圖像 bw2=im2bw(e2im,graythresh(e2im))。texture2(mask2)=0。subplot(121) imshow(texture1)。imshow(bw2) mask2=bwareaopen(bw2,1000)。 圖 48 圖形底部紋理 使用 imfill函數(shù)對(duì)圖像中的孔洞進(jìn)行填充操作，填充后的圖像如圖 49左邊圖像所示， 西安石油大學(xué) 本科 畢業(yè)設(shè)計(jì) （論文） 24 和原圖進(jìn)行比較，生成的圖像底部紋理并不完全吻合，可以使用這個(gè)圖像對(duì)原圖頂部的紋理進(jìn)行分割，得到的圖像頂部紋理如圖 49右邊圖像所示。 subplot(121) imshow(roughMask),title(39。%形態(tài)學(xué)相關(guān)操作 subplot(122)。使用紋理邊界處的值，如圖 47右圖所示： 西安石油大學(xué) 本科 畢業(yè)設(shè)計(jì) （論文） 23 圖 47 紋理圖像的灰度圖像和二值圖像顯示 第三步即為分別顯示圖像的底部紋理和頂部紋理?；叶葓D像 39。原始圖像 39。在搖感、醫(yī)學(xué)圖像處理和自動(dòng)化偵察中，紋理分割圖像有著很多的應(yīng)用。 圖像紋理提取方法 圖像紋理特征提取是指通過一定的圖像處理技術(shù)提取出紋理特征參數(shù)、從而獲得紋理的定量或定性描述的處理過程，圖像紋理的分析方法可以分為以下幾類： (1) 統(tǒng)計(jì)分析方法 西安石油大學(xué) 本科 畢業(yè)設(shè)計(jì) （論文） 20 (2) 結(jié)構(gòu)分析方法 (3) 頻譜分析方法 (4) 模型分析方法 統(tǒng)計(jì)好分析方法是基于 紋理圖像的全局特性，對(duì)具有明顯差別的紋理信號(hào)處理效果不明顯，這類方法主要有邊緣方向的直方圖法，灰度差分統(tǒng)計(jì)法等，也包括著名且實(shí)際應(yīng)用較多的灰度共生矩陣算法。)。 values