【正文】 %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(shí)停止 break。 plot(fxy)。 S0=。 %大于閾域值圖像點(diǎn)個(gè)數(shù)累加 else S0=S0+double(I(i,j))。 %在閾值T下，迭代閾值的計(jì)算過程 end end count %顯示運(yùn)行次數(shù)T %顯示最佳閾值 算出Tbw1=im2bw(I,T/255)。 b=double(I)。imshow(BW1)。elseT=(T0+T1)/2。) [x,y]=size(Im)。 展望圖像分割是圖像理解與計(jì)算機(jī)視覺領(lǐng)域國(guó)際學(xué)術(shù)界公認(rèn)的將會(huì)長(zhǎng)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)。5．小結(jié) 本文主要工作總結(jié)通過對(duì)大量文獻(xiàn)的閱讀，在對(duì)圖像分割領(lǐng)域研究現(xiàn)狀和研究?jī)?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(shí)際應(yīng)用情況，主要進(jìn)行了以下幾個(gè)方面的研究工作： 1對(duì)圖像分割的概念進(jìn)行詳細(xì)的陳述。 Log算子，其分割圖像中所含非邊緣點(diǎn)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(diǎn)。閾值分割法的結(jié)果很大程度上依賴于對(duì)閾值的選擇, 因此該方法的關(guān)鍵是如何選擇合適的閾值。(2)算法的高效性和準(zhǔn)確性。但對(duì)于邊緣復(fù)雜、采光不均勻的圖像來(lái)說(shuō),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。Sobel 在Prewitt 算子的基礎(chǔ)上，對(duì)4鄰域采用帶權(quán)的方法計(jì)算差分，該算子不僅能檢測(cè)邊緣點(diǎn)，且能進(jìn)一步抑制噪聲的影響，但檢測(cè)的邊緣較寬。（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(diǎn)得到幾個(gè)目標(biāo)對(duì)象，所以提取每一個(gè)目標(biāo)需要采用不同的閾值，也就是說(shuō)要使用多個(gè)閾值才能將它們分開，這就是多閾值分割。程序的實(shí)現(xiàn)：通過數(shù)組記錄直方圖中的各像素點(diǎn)值的個(gè)數(shù)， 再對(duì)逐個(gè)像素值進(jìn)行掃描。閾值法的缺點(diǎn)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(shí)，分割效果不理想。圖像分割是指將圖像劃分為與其中含有的真實(shí)世界的物體或區(qū)域有強(qiáng)相關(guān)性的組成部分的過程。近年來(lái)，圖象分割在對(duì)圖象的編碼中也起到越來(lái)越重要的作用，例如國(guó)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?？梢?，圖象分割在圖象工程中有重要的地位和影響。圖像分割是圖像處理和分析中的重要問題,也是計(jì)算機(jī)視覺研究中的一個(gè)經(jīng)典難題。并且閾值法僅僅考慮圖像的灰度信息而沒有考慮圖像的空間信息，致使閾值法對(duì)噪聲和灰度不均勻十分地敏感。記錄每個(gè)像素能作為谷底的范圍值，接著找出能作為谷底范圍最大的點(diǎn)作為閾值[7]。在實(shí)際的應(yīng)用中，由于噪聲等干擾因素，直方圖有時(shí)不能出現(xiàn)明顯的峰值，此時(shí)選擇的閾值不能得到滿意的結(jié)果；另外一個(gè)就是閾值確定主要依賴于灰度直方圖，很少考慮圖像中象素的空間位置關(guān)系，因此當(dāng)背景復(fù)雜，特別是在同一背景上重疊出現(xiàn)若干個(gè)研究目標(biāo)時(shí)，容易喪失部分邊界信息，造成圖像分割的不完整[9]。（3）Log算子Log算子也就是LaplacianGauss算子，它把Gauss平滑濾波器和Laplacian銳化濾波器結(jié)合了起來(lái)，先平滑掉噪聲，再進(jìn)行邊緣檢測(cè)。在噪聲較大的情況下常用的邊緣檢測(cè)算法,如Marr 算子,遞歸濾波器和Canny 算子等都是先對(duì)圖像進(jìn)行適當(dāng)?shù)钠交?抑制噪聲,然后求導(dǎo)數(shù),或者先對(duì)圖像進(jìn)行局部擬合,然后再用擬合的光滑函數(shù)的導(dǎo)數(shù)來(lái)代替直接的數(shù)值導(dǎo)數(shù)。區(qū)域生長(zhǎng)方式的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單。合適的閾值必須具備的條件是在使用選取的閾值對(duì)圖片進(jìn)行分割后，必須使圖像中的背景和目標(biāo)的分割錯(cuò)誤達(dá)到最小。Prewitt算子的分割的圖像中雖然幾乎沒有非邊緣點(diǎn)，但是邊緣的連續(xù)性較差，從視覺上來(lái)看圖像顯得很雜亂。2對(duì)圖像分割的常用方法進(jìn)行分析和總結(jié)；根據(jù)圖像分割所基于的原理不同，把圖像分割方法主要分為基于閾值分割、基于邊緣檢測(cè)分割和基于區(qū)域分割三大類，并對(duì)他們做了簡(jiǎn)單的介紹和比較。從一般意義上來(lái)說(shuō)，只有對(duì)圖像內(nèi)容的徹底理解，才能產(chǎn)生完美的分割[17]。 % 求出圖象大小 b=double(Im)。 %在閾值T下，迭代閾值的計(jì)算過程 end end count %顯示運(yùn)行次數(shù)T %顯示最佳閾值 算出Ttoci1=im2bw(Im,T/255)。imwrite(BW1,39。 zd=double(max(max(I))) % 求出圖象中最大的灰度 zx=double(min(min(I))) % 最小的灰度 T=double((zd+zx))/2。 % 圖像在最佳閾值下二值化 I=subimg2。 %小于閾域值圖像點(diǎn)灰度值累加 n0=n0+1。 n0=。 %畫出灰度直方圖[x,y]=size(I)。 else T=(T0+T1)/2。 %求小于閥域值均值 T1=S1/n1。 %統(tǒng)計(jì)每個(gè)灰度值的個(gè)數(shù)figure。 % 記錄幾次循環(huán) while 1 % 迭代最佳閾值分割算法 count=count+1。 %大于閾域值圖像點(diǎn)灰度值累加 n1=n1+1。 else T=(T0+T1)/2。 %畫出灰度直方圖[x,y]=size(I)。figure(2)。 %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(shí)停止 break?；叶葓D像 39。盡管人們?cè)趫D像分割方面作出了很多的研究，但是，迄今為止，沒有哪種方法是適合于所有圖像的，本文中提出的方法都有它的使用前提條件，因此，對(duì)于特定的圖像分割，最主要的是分析這幅圖像的特性，針對(duì)這幅圖像的特點(diǎn)，制定適合它的方案，以達(dá)到最好的分割效果。局部閾值化后，由現(xiàn)象可以看出，并沒有對(duì)原圖進(jìn)行多大的改善，只是在一些很細(xì)微的地方有了一些邊緣的細(xì)化以及平滑，這說(shuō)明在經(jīng)過Canny算子分割后，由灰度直方圖可以看出，這個(gè)灰度圖雙峰的谷底是在接近0的位置，而且是絕大部分像素都是接近于0的位置，所以圖像的改善并不大，并且圖像并沒有太多的灰度不連續(xù)以及陰影的情況存在，但是這并不能否定局部閾值化的效果的存在性。對(duì)于三種算子的實(shí)驗(yàn)現(xiàn)象，從視覺上來(lái)看，以Canny算子最好，邊緣信息豐富，幾乎保留了邊緣所有的邊緣點(diǎn)，而且邊緣清晰，連續(xù)性好。運(yùn)用這種思想，我打算首先將全局閾值法用來(lái)區(qū)分圖片中的背景和目標(biāo)。區(qū)域生長(zhǎng)算法的研究重點(diǎn):(l)特征度量和區(qū)域增長(zhǎng)規(guī)則的設(shè)計(jì)。該類方法對(duì)邊緣灰度值過渡比較尖銳且噪聲較小等不太復(fù)雜的圖像,大都可以取得較好的效果。（2）Prewitt 和Sobel 算子Prewitt從加大邊緣檢測(cè)算子的模板大小出發(fā)，由22 擴(kuò)大到33 來(lái)計(jì)算差分算子，采用Prewitt算子不僅能檢測(cè)邊緣點(diǎn)，而且能抑制噪聲的影響?？偟膩?lái)說(shuō)，這類算法的時(shí)間和空間復(fù)雜度都較大，但是抗噪能力強(qiáng)，對(duì)一些使用全局閾值法不宜分割的圖像具有較好的分割效果。假設(shè)，一副圖像只有物體和背景兩部分組成，其灰度圖直方圖呈現(xiàn)明顯的雙峰值，如下圖:圖1 雙峰法灰度直方圖找出閾值T，則可以對(duì)整個(gè)圖像進(jìn)行二值化賦值。尤其是對(duì)于不同類的物體灰度值或其他特征值相差很大時(shí)，能很有效地對(duì)圖像進(jìn)行分割。最后需要指出的是，在實(shí)際應(yīng)用中圖象分割不僅是要把一幅圖象分成滿足以上五個(gè)條件的各具特性的區(qū)域，而且需要把其中感興趣的目標(biāo)區(qū)域提取出來(lái),只有這樣才算是真正完成了圖象分割的任務(wù)。概括來(lái)說(shuō)，在各種圖象應(yīng)中，只要需對(duì)圖象目標(biāo)進(jìn)行提取，測(cè)量等都離不開圖象分割。本文主要從圖像分割定義、圖像分割的方法等幾個(gè)方面來(lái)闡述關(guān)于圖像分割的幾個(gè)問題。盡管它一直受到科研人員的重視,但是它的發(fā)展很慢,被認(rèn)為是計(jì)算機(jī)視覺的一個(gè)瓶頸。在實(shí)際應(yīng)用中，閾值法通常與其他方法結(jié)合使用[4]。實(shí)現(xiàn)流程圖：開始通過數(shù)組g[255]讀入直方圖逐個(gè)查看能每個(gè)像素值在直方圖中能作為谷底的范圍找出能作為谷底范圍最大的像素值作為閾值根據(jù)取得的閾值對(duì)圖像進(jìn)行二值化結(jié)束圖2 雙峰法實(shí)現(xiàn)流程圖（2）灰度直方圖變換法該方法不是直接選取閾值,而是對(duì)灰度直方圖進(jìn)行變換,使其具有更深的波谷和更尖的波峰,然后再利用雙峰法得到最優(yōu)閾值。 基于邊緣檢測(cè)的分割方法邊緣(或邊沿)是指其周圍像素灰度有階躍變化或“屋頂”變化的那些像素的集合，也即邊緣是灰度值不連續(xù)的結(jié)果，這種不連續(xù)?？梢杂们髮?dǎo)數(shù)方便的檢測(cè)到，一般常用一階導(dǎo)數(shù)和二階導(dǎo)數(shù)來(lái)檢測(cè)邊緣。邊緣檢測(cè)算法有如下四個(gè)步驟:1) 濾波: 邊緣檢測(cè)算法主要是基于圖像強(qiáng)度的一階和二階導(dǎo)數(shù), 但導(dǎo)數(shù)的計(jì)算對(duì)噪聲很敏感, 因此必須使用濾波器來(lái)改善與噪聲有關(guān)的邊緣檢測(cè)器的性能。Canny 算子較為簡(jiǎn)單,而且考慮了梯度方向,效果比較好[13]。與閉值分割類似，區(qū)域增長(zhǎng)也很少單獨(dú)使用，往往是與其它分割方法一起使用。這種方法是先確定一個(gè)處于圖像灰度取值范圍之中的灰度閾值，然后將圖像中各個(gè)像素的灰度值都與這個(gè)閾值相比較，并根據(jù)比較結(jié)果將對(duì)應(yīng)的像素劃分為兩類:像素的灰度值大于閾值的為一類。我們對(duì)圖像分割的結(jié)果通常以人的主觀判決作為評(píng)價(jià)準(zhǔn)則。3提出本次圖像分割的方案，并且對(duì)方案進(jìn)行詳細(xì)的論述以及分析。近年來(lái)，隨著各學(xué)科許多新理論和新方法的提出，人們也提出了許多與一些特定理論、方法和工具相結(jié)合的分割技術(shù)，例如：基于數(shù)學(xué)形態(tài)學(xué)的分割技術(shù)，基于模糊技術(shù)的圖像分割方法，基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的圖像分割方法，遺傳算法在圖像分割中的