【正文】 像。在實(shí)際生活和工作中許多方面的背后都有著圖像分割處理技術(shù)給我們提供幫助。數(shù)字圖像處理的本質(zhì)其實(shí)就是計(jì)算機(jī)圖像處理。 threshold。圖像處理有一個(gè)非常重要的手段就是圖像分割。 四、主要參考資料（包括書刊名稱、出版年月等）: 阮秋琦編著. 數(shù)字圖像處理學(xué)（第二版）. 北京：電子工業(yè)出版社，.,.李兆鋒, . 徐金明主編. . ,.楊杰主編. . 電子工業(yè)出版社 1140302123 學(xué) 號(hào)：張博偉 專 學(xué)院名稱： 講師 三、完成日期及進(jìn)度在這里，本文闡述了一種分割方法基于Otsu算法的圖像分割。目 錄第一章 緒論 1 課題研究的目的與意義 1 課題研究現(xiàn)狀與展望 3 課題研究現(xiàn)狀 3 數(shù)字圖像分割的展望 4 5第二章 數(shù)字圖像分割的介紹 6 6 7 7 8 11 12 13第三章 基于Otsu算法的圖像分割原理 14 Otsu算法簡(jiǎn)介 14 一維Otsu算法的圖像分割原理 14 一維改進(jìn)的Otsu算法的圖像分割原理 16 二維Otsu算法的圖像分割原理 16 18第四章 基于Otsu算法的圖像分割的實(shí)現(xiàn) 18 一維Otsu算法及改進(jìn)算法的圖像分割的實(shí)現(xiàn) 18 21 24結(jié)束語(yǔ) 26致謝 27參考文獻(xiàn) 28III 第一章 緒論人們獲取外界信息中，眼睛是一種最直接最方便的方法，他對(duì)信息的獲取具有重要意義。受當(dāng)時(shí)條件影響，空間探測(cè)器發(fā)回的太空照片過(guò)于模糊。圖像處理技術(shù)在人們生產(chǎn)生活中是不可或缺的，比如指紋識(shí)別，車牌識(shí)別，數(shù)碼相機(jī)的產(chǎn)生與應(yīng)用，以及遙感監(jiān)測(cè)等。經(jīng)過(guò)幾十年的發(fā)展，圖像處理已經(jīng)得到了一些巨大的進(jìn)步主要有下面幾個(gè)方面[1]： ：雷達(dá)成像處理等；例如提取海面上的危險(xiǎn)，例如二戰(zhàn)時(shí)期未排除的水雷，天空中的敵機(jī)，以及敵艦； ：氣象局通過(guò)衛(wèi)星傳回的圖像，精確分析當(dāng)前實(shí)時(shí)的云層情況，進(jìn)行天氣的預(yù)測(cè)，為人們衣食住行和生產(chǎn)提供幫助等； ：醫(yī)院利用此技術(shù)研究病人的 CT 圖像和 MR 圖像，深入了解病人的健康狀況，有益于提高治療的實(shí)際效果； ：通過(guò)電子眼的監(jiān)控裝置所得到交通圖像，來(lái)分析路段的交通狀況，給交通帶來(lái)了極大的便利。在這段期間，國(guó)內(nèi)和國(guó)外的學(xué)者已經(jīng)提出了不下千種的研究方法，有些是原創(chuàng)，作為一種新的技術(shù)呈現(xiàn)在我們面前，但是也有很多是基于原有算法的改進(jìn)，使其使用更加與多種粗燥環(huán)境相適應(yīng)，使其得到的目標(biāo)圖像更加的準(zhǔn)確。展望這幾十年的發(fā)展趨勢(shì)，我們不難發(fā)現(xiàn)，在接下來(lái)的時(shí)間里圖形處理有以下一個(gè)明顯的發(fā)展趨勢(shì)：一是繼續(xù)研究新的分割算法，或者是改進(jìn)，組合經(jīng)典算法，使其具有較高的實(shí)用性與適用性。談到數(shù)字圖像處理，灰度直方圖成為一個(gè)不可不談的名詞。 （26） （27）其中是定義在集合中的點(diǎn)上的邏輯謂詞。滿足以上所有條件下的圖像分割可以說(shuō)是非常理想的，但是到目前為止，大多數(shù)方法都是針對(duì)以上某一種類型的圖像，還沒(méi)有找到一種能夠兼顧所有條件的分割方法，所以說(shuō)還需要更多的努力來(lái)解決圖像分割技術(shù)領(lǐng)域的問(wèn)題。下面介紹幾種常用的分割方法：閾值處理是一種區(qū)域分割技術(shù),把閾值作為一個(gè)分界點(diǎn)，將灰度分為兩個(gè)或者幾個(gè)灰度區(qū)間。就一般的圖像而言，背景和物體的灰度級(jí)差距明顯。這種方法是基于圖像的灰度特征，把圖像區(qū)分為目標(biāo)和背景這兩種區(qū)域。獲取最優(yōu)閾值的方法首先是把圖像中目標(biāo)或者背景的灰度值進(jìn)行均勻的分布。邊緣的檢測(cè)常見的方法有：邊緣圖像閾值化、邊界跟蹤法等。如果應(yīng)用不當(dāng)，分割出來(lái)的結(jié)果也沒(méi)有什么研究意義。重點(diǎn)介紹了基于閾值的分割中的幾個(gè)方法。目標(biāo)類和背景類之間的類間越大，說(shuō)明圖像的目標(biāo)和背景之間的區(qū)別性越大。在實(shí)際應(yīng)用中，由于一維 Otsu 算法只考慮到像素點(diǎn)本身的灰度信息，未考慮其周圍像素點(diǎn)的影響，其確定的閾值往往會(huì)造成錯(cuò)誤分割。 二維Otsu算法的圖像分割原理設(shè)原圖像的灰度級(jí)是L，其臨域均值平滑圖像 )的灰度級(jí)也為L(zhǎng) ，二元組在二維直方圖中出現(xiàn)的次數(shù)是。此時(shí)，可以證明： （321）定義離散度矩陣為： （322）和的離散度的測(cè)度使用離散度矩陣的跡來(lái)描述： （323）當(dāng)上式取最大值時(shí)，就得到最佳的分割閾值，也就是下面的式子： （324）本章主要工作就是系統(tǒng)的介紹了Otsu的算法原理，包括一維Otsu原理及其改進(jìn)算法原理，二維Otsu算法原理。從實(shí)驗(yàn)圖像中可以看出來(lái)，兩種算法都有效的將血液中的細(xì)胞分離出來(lái)了，但是傳統(tǒng)一維的分割目標(biāo)與目標(biāo)之間顯的模糊不清，一些屬于背景里的像素點(diǎn)也參雜進(jìn)來(lái)，相對(duì)來(lái)說(shuō)改進(jìn)算法的分割效果更為清晰，結(jié)果更為準(zhǔn)確。 （a）lena圖像原圖 （b）lena圖像的一維Otsu （c）lena圖像的二維直方圖 （d）lena圖像的二維Otsu圖45:lena圖像分割實(shí)驗(yàn)結(jié)果 如圖45中，（a）lena的原圖；（b）是上章算法的一維Otsu變換；（c）是其二維灰度直方圖；（d）是二維的Otsu方法。實(shí)驗(yàn)表明，對(duì)于低對(duì)比度、低信噪比的目標(biāo)，二維最大類間方差算法具有良好的分割效果，且快速實(shí)現(xiàn)方法使圖像分割的有效性得到很大的提高。 進(jìn)一步工作本文著重?cái)⑹隽薕tsu的方法與改進(jìn)，但是它并不完美，還有諸多的改進(jìn)之處，例如： 1 多維Otsu算法的研究。在論文完成之際，在此我要特別感謝我的指導(dǎo)老師黃煒嘉老師悉心指導(dǎo)，在論文的前期準(zhǔn)備時(shí)遇到很多困難，黃煒嘉老師一直耐心的教導(dǎo)我，幫助我分析課題的研究方向，在論文的撰寫過(guò)程中指導(dǎo)我寫作注意事項(xiàng)幫助我修改錯(cuò)誤。 Geosciences, 2004,30(8):817831[12] Chunming Li, Chenyang Xu, et al. Distance regularized level set evolution and its applicationto image segmentation [J]. IEEE transactions on image processing, 2010, 19(20):32433254.[13] XN Wang, YJ Feng, ZR Feng. Ant colony optimization for image segmentation[C].Proceedings of 2005 International Conference on Machine Learning and Cybernetics,2005,9:53555360.[14] Bo Zhao, Zhongxiang Zhu, Enrong Mao, Zhenghe Song. Image Segmentation Based AntColony Optimization and KMeans Clustering [C]. 2007 IEEE International Conference onAutomation and Logistics, 2007:459463.[15] Junmo Kim, John , et al. A Nonparametric Statistical Method for Image SegmentationUsng Information Theory and Curve Evolution [J]. IEEE Transactions on Image Processing,2005,14(10):14861502.[16] 馬時(shí)平，畢篤彥，黃文濤 . 基于分形特征紋理圖像分割方法 [J]. 計(jì)算機(jī)應(yīng)用 ,2004,24(6):117118.[17] G Dong, M Xie. Color clustering and learning for image segmentation based on neural networks[J]. IEEE transactions on Neural Networds, 2005,16(4):925936.[18] T Song, MM Jamshidi, RR Lee, M Huang. A modified probabilistic neural network for partialvolume segmentation in brain MR image[J]. IEEE Transactions on Neural Networks,2007,18(5):14241432.[19] 李朝暉, 陳明. 基于小波和自學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的圖像分割[J]. 計(jì)算機(jī)應(yīng)用研究, 2006,23(1):246249.[20] Li Hui, Lv Yinghua. Digital Image Segmentation based on Improved Genetic Algorithm[J].Joural of Northeast Normal University (Natural Science Edition), 2006,38(2):3638.[21] EH Said, DEM Nassar, G Fahmy, HH Ammar. Teeth segmentation in digitized dental Xrayfilms using mathematical morphology[J]. IEEE Transactions on Information Forensics andSecurity,2008:178189.[22]Repels?K,A?Review?on?Image?Segmentation?Techniques[J].Pattern?(9:?12771294）.[23] 陳自郁，何中市，[J]計(jì)算機(jī)科學(xué)，2009，36（3）：201204.31