【正文】 39。 end title(39。 figure for count = 1:nColors plot(a(label==count1),b(label==count1),39。r39。 figure, imshow(segmented_images(:,:,:,6)), %顯示紅色目標 title(39。 綠色目標 39。 imshow(segmented_images(:,:,:,1)),%顯示背景 title(39。%求出最小距離顏色 label = color_labels(label)。,color_markers(2,1),... color_markers(2,2)))。%rgb空間轉換成 L*a*b空間結構 lab_fabric = applycform(fabric,cform)。 %選擇每一小塊顏色的樣本區(qū)域 end subplot(122), imshow(sample_regions(:,:,2))。 subplot(121)。 {?? = ?? +?? + ???? = ?? + ?? +???? = + ?? + ?? （ 41） 再根據 CIE1976 均勻顏色空間 Lab 的計算公式： L = 116(Y/??0)1 3? ?16 （ 42） a =500[(X/??0)1 3? ?(Y/??0)1 3? ] （ 43） b =200[(Y/??0)1 3? ?(Z/??0)1 3? ] （ 44） 求得 Lab 顏色空間的色度值。 Lab 中的數(shù)值描述正常視力的人能夠看到所有顏色，人的肉眼能感知的色彩都能通過 Lab 模型表現(xiàn)出來。 L*a*b 空間的彩色分割 Lab 顏色空間 國際照明委員會（ CIE）的 RGB 顏色表示系統(tǒng)選擇紅色、綠色、藍色三種單色光作為三基色 ， 利用紅、綠、藍三種基本 顏色進行顏色加法，可以配制出絕大部分肉眼能看到的顏色。從本質上說是將各像素進行分類。 遺傳算法應用于圖像分割，其難點在于適應度函數(shù)的選擇以及交叉概率和變異概率的確定?；谏窠浘W絡的分割方法的基本思想是通過訓練多層感知機來得到線性決策函數(shù)，然后用決策函數(shù)對像素進行分類來達到分割的目的。 而膨脹是將圖像中與目標物體接觸的所有背景點合并到物體中的過程，結果是使目標增大、孔徑縮小，可以增補目標中的空間，使其形成連通域。 近年來多進制小波開始用于邊緣檢測。 并且 FCM 算法對初始參數(shù)極為敏感，有時需要人工干預參數(shù)的初始化以接近全局最優(yōu)解，提高分割速度。 K均值算法先選 K 個初始類均值，然后將每個像素歸入均 值離它最近的類并計算新的類均值。 它利用了圖像的局部空間信息，可有效地克服其他方法存在的圖像分割空間小連續(xù)的缺點。當分割的圖像含有強噪聲干擾或者區(qū)域之間的性質差別很小時，分割出來的邊緣可能是不連續(xù)的，此時可考慮用邊緣連接技術把斷開處連接起來。通常不同的區(qū)域之間的邊緣上像素灰度值的變化往往比較劇烈，這是邊緣檢測方法得以實現(xiàn)的主要假設之一。 近年來的方法有：用最大相關性原則選擇閾值的方法、基于圖像拓撲穩(wěn)定狀態(tài)的方法、 Yager 測度極小化方法、灰度共生矩陣方法、方差法、熵法、峰值和谷值分析法等， 其中，自適應閾值法、最大熵法、模糊閾值法、類間閾值法是對傳統(tǒng)閾值法改進較成功的幾種算法。同樣的方法是采取一個框架可以應用到多個，和之后的結果合并，山峰和山谷在以前很難識別，但現(xiàn)在更容易區(qū)分。其中 log 算子是采用 Laplacian 算子 求 高斯函數(shù) 的 二階導數(shù) ， Canny 算子是高斯函數(shù)的 一階導數(shù) ，它在噪聲抑制和 邊緣檢測 之間取得了較好的平衡。對 西安石油大學 本科 畢業(yè)設計 （論文） 9 于階躍狀邊緣，其位置對應 一階導數(shù) 的 極值點 ，對應 二階導數(shù) 的過零點 (零交叉點 )?；痉至押喜⑺惴ú襟E如下： (1)對任一個區(qū)域，如果 H(Ri)=FALSE 就將其分裂成不重疊的四等份； (2)對相鄰的兩個區(qū)域 Ri 和 Rj，它們也可以大小不同（即不在同一層），如果條件 H(Ri∪ Rj)=TRUE 滿足，就將它們合并起來。它的缺點是需要人為確定種子點，對噪聲敏感，可能導致區(qū)域內有空洞。將這些新像素當作新的種子像素繼續(xù)進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這時可以根據圖像的局部特征分別采用不同的閾值進行分割。 閾值分割的優(yōu)點是計算簡單、運算效率較高、速度快。人們在多年的研究中積累了很多圖像分割方法。 (4) 對于 i≠j，有 P(???? ?????)=FASLE； (5) 對于 i=1,2,…,N, ????是連通的區(qū)域。圖像分割在不同領域中有時也用其他名稱，如目標輪廓技術、閾值化技術、圖像 區(qū)分或求差技術、目標檢測技術、目標識別技術、目標眼跟蹤技術等，這些技術的核心實際上就是圖像分割技術。此外 Matlab 還是一種解釋性語言，不需要專門的編譯器。其擁有 600 多個工程中要用到的數(shù)學運算函數(shù)，可以方便的實現(xiàn)用戶所需的各種計算功能。 Matlab 的一個重要特色就是具有一套程序擴展系統(tǒng)和一組稱之為工具箱的特殊應用子程序，每一個工具箱都是為某一類學科專業(yè)和應用而定制的。除內部函數(shù)外，所有 MATLAB 主包文件和各種工具包都是可讀可修改的文 件，用戶通過對源程序的修改或加入自己編寫程序構造新的專用工具包。 MATLAB 概況 MATLAB 是矩陣實驗室（ Matrix Laboratory）之意。第五章則為本次畢業(yè)設計做出了總結。 近 年來，對圖像分割的研究一直是圖像技術研究中的熱點和焦點，人們對其的關注和投入不斷提高。需要提出的是，到目前為止還沒有唯一的標準的分割方法。其次，圖像處理在軍事、遙感、氣象等大型應用中不斷增長的需求。 基于紋理濾波器的圖像分割 主要 使用 entropyfilt 函數(shù)創(chuàng)建紋理圖像，使用 bwareaopen 函數(shù)顯示圖像的紋理底部紋理。從圖像處理過渡到圖像分析的關鍵步驟 就 是圖像分割，所以說圖像分割 在圖像工程中占據著重要的位置。 同時 指出了基于閥值的分割方法、基于邊緣的分割方法、基于區(qū)域的分割方法等各類方法的特點，為不同的應用場合及不同的圖像數(shù)據條件下選擇不同的分割算法提供了一些依據 。多年來， 已經提出了許多不同類型的圖像分割方法。然而，對圖像分割的效果好壞或正確與否，還沒有一個統(tǒng)一的評價標準。只要需對圖像目標進行提取，測量等都離不開圖像分割。它在數(shù)學類科技應用軟件中在數(shù)值計算方面首屈一指。 當前流行的 MATLAB 包括擁有數(shù)百個內部函數(shù)的主包和 三十幾種工具包。 西安石油大學 本科 畢業(yè)設計 （論文） 4 語言簡潔緊湊，語法限制不嚴，程序設計自由度大，可移植性好。其工具箱又分為兩類：功能性工具箱和學科性工具箱。在計算要求相同的情況下， 使用 Matlab 的編程工作量會大大減少。 Matlab 具有非常強大的以圖形化顯示矩陣和數(shù)組的能力，同時它能給這些圖形增加注釋并且可以對圖形進行標注和打印。這里所說的特性可以是灰度、顏色、紋理等，而目標可以對應 單個區(qū)域，當然也可以是多個區(qū)域。 ???? ?????=?指出分割結果中的各個區(qū)域是互不重疊的。此外，還有綜合特定理論工具的分割方法，這些方法包括基于形態(tài)學分水嶺的分割、基于統(tǒng)計模式識別的分割、基于神經網絡的分割、基于小波變換的分割。全局閾值是指整幅圖像使用同一個閾值做分割處理，適用于背景和前景有明顯對比的圖像。 閾值的選擇需要根據具體問題來確定，一般通過實驗來確定。相似性準則可以是灰度級、 彩色 、紋理、 西安石油大學 本科 畢業(yè)設計 （論文） 8 梯度等特性。分裂合并差不多是 區(qū)域生長 的逆過程：從整個圖像出發(fā)，不斷分裂得到各個子區(qū)域，然后再把前景區(qū)域合并，實現(xiàn) 目標提取 。這種方法對復雜圖像的分割效果較好，但算法較復雜，計算量大，分裂還可能破壞區(qū)域的邊界。在實際中各種微分算子常用小區(qū)域模板來表示，微分運算是利用模板和圖像 卷積 來實現(xiàn)。顏色和強度可以作為衡量。 圖像分割函數(shù)及算法的分析比較 數(shù)字圖像處理常用的圖像分割算法有：基于閥值的分割方法、基于邊緣的分割方法、基于區(qū)域的分割方法、基于聚類分析的圖像分割方法、基于小波變換的分割方法、基于數(shù)學形態(tài)學方法、基于人工神經網絡的方法、基于遺傳算法的方法。全局閾值對于灰度相差很大的不同目標和背景能進行有效的分割。而串行邊界查找法是先檢測到邊緣再串行連接成閉合邊界的方法，這種方法在很大程度上受起始點的影響。 啟發(fā)式邊緣連接技術。若綜合利用上述兩種方法，就是分裂合并的方法。利用模糊 C 均值(FCM)非監(jiān)督模糊聚類標定的特點進行圖像分割，可以減少人為的干預，且較適合圖像中存在不確定性和模糊性的特點。整個分割過程是從粗到細，有尺度變化來控制，即起始分割由粗略 的 L2(R)子空間上投影的直方圖來實現(xiàn)，如果分割不理想，則利用直方圖在精細的子空間上的小波系數(shù)逐步細化圖像分割。數(shù)學形態(tài)學首先被用來處理二值圖像，后來也被用來處理灰度圖像，現(xiàn)在又有學者開始用軟數(shù)學形態(tài)學和模糊形態(tài)學來解決計算機視覺方面的問題。 數(shù)學形態(tài)學應用于圖像分割，具有定位效果好、分割精度高、抗噪聲性能好的特點。選擇何種網絡結構是這種方法要解決的主要問題。 本章小結 對圖像分割算法的研究已有幾十年的歷史，借助各種理論至今已提出了上千種各種類型的分割算法。一般假設在同一區(qū)域內特性的變化是平緩，而在區(qū)域的邊界上特性的變化是劇烈的。 XYZ 系統(tǒng)是在 RGB 系統(tǒng)的基礎上用數(shù)學方法 ， 選用三個理想的原色來代替實際的三原色。 a 分量代表由綠色到紅色的光譜變化， a 分量包括的顏色是從深綠色（－ 120）到灰色（ 0） 再到 粉紅色（ +120）；而 b 分量代表由藍色到黃色的光譜變化 ， b 分量則是從亮藍色（－ 120）到灰色（ 0）再到黃色（ +120）?；?L*a*b 空間的色彩分割的基本流程如圖 41 所示： 圖 41 基于 L*a*b 空間的色彩分割的基本流程 讀取圖像并選擇合適的樣本區(qū)域 轉換色彩空間 根據樣本區(qū)域的顏色對圖像進行分割 繪制散點 圖 開始 結束 西安石油大學 本科 畢業(yè)設計 （論文） 16 第一步在讀取圖像時 根據需要選擇合適的樣本區(qū)域，即為每種顏色的樣本選擇一個很小的樣本區(qū)域，然后計算每個 樣本中這種顏色的平均值。)。)。 西安石油大學 本科 畢業(yè)設計 （論文） 17 color_markers = repmat(0, [nColors, 2])。 b = double(b)。 segmented_images = repmat(uint8(0),[size(fabric), nColors])。 imshow(segmented_images(:,:,:,2)), %顯示紅色目標 title(39。紫色目標 39。 實驗結果如圖 43 所示： 圖 43 圖像顏色分割結果 最后一步即為繪制散點圖，在散點圖中畫出每種顏色 ，在散點圖中可以看出，六種顏色在 a 和 b 分量下能明顯的分開，每種顏色比分成一塊區(qū)域。, purple, 39。MarkerEdgeColor39。 xlabel(39。39。與圖像分析直接相關的紋理一般定義為 “一種反映一個區(qū)域中像素灰度級的空間分布屬性 ”，它們反應了物體表面顏色和灰度的某種變化，而這些變化又與物體的本身屬性相關。由于現(xiàn)實世界的紋理常常由于方位、尺度或其他方面的變化而引起圖像的不一致，上述方法尚難以全面而精確的描述和提取紋理信息，因而能對各種圖像紋理分析都比較全面的例子并不是很多，當然 還存在其他一些方法，比如基于小波分析的方法就有著很好的發(fā)展前景，但也存在著算法復雜度 較高，計算量大，難以實施等諸多缺點。 使用紋理濾波器分割圖像的基本流程如圖 45所示： 西安石油大學 本科 畢業(yè)設計 （論文） 21 圖 45 紋理濾波器分割圖像的基本流程 第一步讀取圖像的過程中實現(xiàn)代碼如下： I = imread(39。 開始 讀取圖像 創(chuàng)建紋理圖像 分別轉換灰度、二值圖像 顯示圖像底部紋理 顯示圖像頂部紋理的掩膜圖像 提取圖像的頂部、底部紋理 結束 使用entropyfilt函數(shù) 使用 bwareaopen函數(shù) 西安石油大學 本科 畢業(yè)設計 （論文） 22 圖 46 原始圖像 第二步即為創(chuàng)建圖像的紋理圖像，使用函數(shù) entropyfilt創(chuàng)建一副紋理圖像，這個函數(shù)返回的圖像與輸入圖像的大小相同，每個像素值是輸入相應像素值鄰域的熵值。%轉化為二值圖像 subplot(122)。 subplot(121) imshow(BWao),title(39。)。%顯示填充后圖像 I2 = I。%創(chuàng)建紋理圖像 e2im=mat2gray(e2)。 texture