【正文】 法、哈夫變換法等 . 邊緣檢測(cè)的實(shí)質(zhì)是采用某種算法來提取出圖像中對(duì)象與北京建的交界線。 各種算子的存在就是對(duì)這種導(dǎo)數(shù)分割原理進(jìn)行的實(shí)例化計(jì)算，是為了在計(jì)算過程中直接使用的一種計(jì)算單位； Roberts 算子 ：邊緣定位準(zhǔn)，但是對(duì)噪聲敏感。 Laplacian 算子 ：這是二階微分算子。將這些新像素當(dāng)作新的種子繼續(xù)上面的過 程，直到?jīng)]有滿足條件的像素可被包括進(jìn)來。經(jīng)典分類學(xué)往往是從單因素或有限的幾個(gè)因素出發(fā)，憑經(jīng)驗(yàn)和專業(yè)知識(shí)對(duì)事物分類。日前，圖像分割方法正朝著自動(dòng)、精確、快速、自適應(yīng)性和魯棒性的目標(biāo)發(fā)展。利用它可以消除小而且無意義的物體。 形態(tài)學(xué)重建 所謂形態(tài)學(xué)重建就是根據(jù)一幅圖像（掩模圖像）的特征對(duì)另一幅圖像（標(biāo)記圖像）進(jìn)行重復(fù)膨脹操作，直到該圖像的像素值不再變化為止。然而，用分水嶺算法對(duì)灰度圖像進(jìn)行分割時(shí)，圖中每個(gè)獨(dú)立的局部底谷都劃歸為不同區(qū)域，最終導(dǎo)致“過分割”，即產(chǎn)生大量虛假的輪廓以致無法確認(rèn)哪些是真正的輪廓。算法初始時(shí)取 C[min + 1 ] = T[min + 1 ]。在此謹(jǐn)向 王 老師表示我深深的欽佩和敬意。 首先，要感謝我的導(dǎo)師 王泉德老師 ，整個(gè)論文是在他的親切關(guān)懷和精心指導(dǎo)下完成的。假設(shè)溢流過程都是以單灰度值增加的 , n表示溢流的增加數(shù)值 (即在第 n步時(shí)溢流的深度 ) , T[ n ]表示滿足 f (x) n的所有點(diǎn) x的集合 , f( x)為梯度圖像信號(hào)。 分水嶺算法的基本思想 可以有兩種形式：一是將灰度圖像看成是假想的地形表面：二是將待分割圖像的梯度圖像看成假想的地形表面。圖 給出了用不同的結(jié)構(gòu)元素對(duì)相同的圖像作腐蝕運(yùn)算得到不同的結(jié)果。 A被 B膨脹是所有位移 z的集合，這樣， 和 A至少有一個(gè)元素是重疊的。針對(duì)以上局限性，有學(xué)者采用不同的方法來改進(jìn) ， 他們的方法各不相同，各有 優(yōu)勢(shì)和局限，仍然沒有完全解決 FCM 算法存在的問題。 基于 特定理論 的方法 圖像分割至今為止尚無通用的自身理論．近年來，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)． (1) 基于數(shù)學(xué)形態(tài)學(xué)的分割技術(shù) 其基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。這種方法把一幅 圖 像分成許多小區(qū)域開始。 由于 Sobel 算子是濾波算子的形式，用于提取邊緣，可以利用快速卷積函數(shù)，簡(jiǎn)單有效，因此應(yīng)用廣泛。二階導(dǎo)數(shù)還可以說明灰度突變的類型。 2) 每幅圖像的分割是任意的，如果有一幅子圖像正好落在目標(biāo)區(qū)域或背景區(qū)域，而根據(jù)統(tǒng)計(jì)結(jié)果對(duì)其進(jìn)行分割，也許會(huì)產(chǎn)生更差的結(jié)果。它是用一個(gè)或幾個(gè)閾值將圖像的灰度級(jí)分為幾個(gè)部分，認(rèn)為屬于同一個(gè)部分的象素是同一個(gè)物體。 其中分割準(zhǔn)則 P 適用于所有象素，由它來確定各區(qū)域元素的相同特性。可以用 f（ x, y)表示一幅模擬圖像，其中 x, y 表示空 間坐標(biāo)點(diǎn)的位置， f 表示圖像在點(diǎn) (x, y)的某種性質(zhì)的數(shù)值，如亮度、顏色等， f、 x、y 可以是任意的實(shí)數(shù)。 第二章 收集整理了國(guó)內(nèi)外相關(guān)資料，將圖像分割方法分為三類：閾值分割方法、邊緣檢測(cè)方法、區(qū)域提取方法和結(jié)合特定理論工具的分割方法 4類。第二類的主要應(yīng)用途徑是依據(jù)事先制訂的準(zhǔn)則將圖像分割為相似的區(qū)域。因此我們利用圖像分割技術(shù)對(duì)其進(jìn)行深入的研究、發(fā)掘其中隱含的信息具有非常重要的意義。為解決這個(gè)難題，通常的做法是在出現(xiàn)過分割現(xiàn)象之后再進(jìn)行區(qū)域融合，減少零碎區(qū)塊對(duì)分割結(jié)果的影響。S DEGREE THESIS OF WUHAN UNIVERSITY Object Oriented Programming in processing of remote sensing image data College ： School of Electronic Information Subject ： Measuring and Control Technology and Instrumentations Name ： Chen Huijun Directed by ： Wang Quande Professor June 20xx 鄭 重 聲 明 本人呈交的學(xué)位論文，是在導(dǎo)師的指導(dǎo)下，獨(dú)立進(jìn)行研究工作所取得的成果，所有數(shù)據(jù)、圖片資料真實(shí)可靠。 常見的分割算法包括基于閾值分割、基于邊緣的分割、基于區(qū)域生長(zhǎng)分割、基于聚類法分割、基于遺傳算法分割等。經(jīng)地面站系統(tǒng)處理得到的常規(guī)圖像產(chǎn)品仍存在大氣、地形等多種隨機(jī)因素導(dǎo)致的幾何畸變與輻射失真，并且多種地物目標(biāo)信息混雜，甚至相互遮掩，彼此抑制。在各種圖像應(yīng)用中，只要需對(duì)圖像目標(biāo)進(jìn)行提取，測(cè)量等都離不開圖像分割。因此，在許多情況下，主觀評(píng)價(jià)仍是最佳的衡量標(biāo)準(zhǔn)。 ③人類從外界獲得的大部分信息來自視覺系統(tǒng)。 （ 3）指出分割后得到的屬于同一區(qū)域中的元素應(yīng)該具有某種相同特性。雖然 目前 出 現(xiàn)了各種甚于閾值分割的改進(jìn)算法。局部閾值則將圖像劃分為若干個(gè)子圖像，并對(duì)每個(gè)子圖像設(shè)定局部閾值 。有可能有邊緣的地方并非邊界，也有可能邊界的地方并無邊緣，因?yàn)楝F(xiàn)實(shí)世界中 的物體是三維的，而圖像只具有二維信息，從三維到二維的投影成像不可避免的會(huì)丟失一部分信息；另外，成像過程中的光照和噪聲也是不可避免的重要因素。 Sobel 算子有兩個(gè)，一個(gè)是檢測(cè)水平邊沿的；另一個(gè)是檢測(cè)垂直平邊沿的 。對(duì)于階躍狀邊緣，其二階導(dǎo)數(shù)在邊緣點(diǎn)出現(xiàn)零交叉，并且邊緣點(diǎn)兩旁的像素的二階導(dǎo)數(shù)異號(hào)。為 了 克服大 多數(shù) 區(qū) 域生長(zhǎng)算法對(duì)于初始種子點(diǎn)的選取順序和位置敏感的問題，有 的 開發(fā)出不需種子點(diǎn)的自動(dòng)分割算法； 或 將圖像的紋理信息和厭度信息融合在區(qū)域生長(zhǎng)的標(biāo)準(zhǔn)中； 或是 把平面的區(qū)域 生 長(zhǎng)算法擴(kuò)展到三維空間； 也有 將模糊理論和優(yōu)化算法應(yīng)用到區(qū)域生長(zhǎng)算法中；將各向異性濾波技術(shù)和區(qū)域生長(zhǎng)算法結(jié)合，并在算法中加入自適應(yīng)參數(shù)的自適應(yīng)區(qū)域 生 長(zhǎng)算法對(duì)醫(yī)學(xué) 圖 像進(jìn)行分割。采用模糊 C．均值聚類的方法進(jìn)行圖像分割 的優(yōu)點(diǎn)是避免了 設(shè)定闕值的問題，并且能解決闕值化分割難以解決的多個(gè)分支的分割問題。 膨脹 :將與物體接觸的所有背景點(diǎn)合并到該物體中，使邊界向外部擴(kuò)張的過程。由可知，用相同的結(jié)構(gòu)元素對(duì)同一幅圖像作形態(tài)學(xué)運(yùn)算，開運(yùn)算補(bǔ)充了被腐蝕消除的部分圖像，閉運(yùn)算消弱了膨脹運(yùn)算對(duì)邊界的擴(kuò)張。為了得到更為通用的模型 , Beucher、 Vin2cent[ 2 ]等人繼續(xù)研究 ,使分水嶺的理論得以建立 ,并大量用于灰度圖像的分割。但同時(shí)應(yīng)當(dāng)看出，分水嶺算法對(duì)微弱邊緣具有良好的響應(yīng)，是得到封閉連續(xù)邊緣的保證的。因此 ,在 D內(nèi)必須建一個(gè)堤壩 ,以防止溢流在單獨(dú)的流域中溢出 ,該堤壩是 T [ n ]內(nèi) C[ n 1 ]的測(cè)地 SKIZ。 最后，要感謝我的父母，是他們含辛茹苦將我養(yǎng)育成人 、無私的支持我的學(xué)業(yè) 。 如果 D是 T[ n ]的連通成分 ,將有 3種可能 : 1) D ∩ C[ n 1 ]為空 。在該算法中，分水嶺計(jì)算分兩個(gè)步驟，一個(gè)是排序過程，一個(gè)是淹沒過程。 形態(tài)學(xué)重建是基于掩模圖像處理標(biāo)記圖像的過程，標(biāo)記圖像中的峰值點(diǎn)是處理過程中的起始點(diǎn)，該過程持續(xù)進(jìn)行，直到標(biāo)記圖像中的像素值不再變化。 圖表 1 腐蝕結(jié)果 圖表 2 膨脹結(jié)果 二值圖像的腐蝕和膨脹實(shí)例如圖所示，利用圓盤結(jié)構(gòu)元素對(duì)原始圖像分別進(jìn)行 腐蝕和膨脹，從圖像中可以看到腐蝕運(yùn)算消除了圖像的某些邊界點(diǎn)，膨脹運(yùn)算擴(kuò)大了圖像的邊界。數(shù)學(xué)形態(tài)學(xué)算子的性能主要以幾何方式進(jìn)行刻畫，傳統(tǒng)的理論卻以解析方式的形式描述算子的性能，而幾何描述特點(diǎn)似乎更適合視覺信息的處理和分析 . 最初，由 MaIleron和 Serra提出的數(shù)學(xué)形態(tài)學(xué)研究以二值圖像為對(duì)像，稱為二值形態(tài)學(xué)；此后， se盯 a和 Steinberg等借助于傘理論，把二值形態(tài)算子推廣到灰度圖像，因而使灰度形態(tài)學(xué)的理論和應(yīng)用研究也得到很大的 發(fā)展， 已經(jīng)成為數(shù)字圖像信號(hào)處理和計(jì)算機(jī)視覺領(lǐng)域中的一種有效方法。模糊數(shù)學(xué)的產(chǎn)生為上述軟分類提供了數(shù)學(xué)基礎(chǔ)，由此產(chǎn)生了模糊聚 類分析。對(duì)相鄰區(qū)域的所有邊界進(jìn)行計(jì)算，決定所屬 區(qū) 域并合并到其所屬區(qū)域，這樣一個(gè)迭代過程將具有相似性的像素集合起來構(gòu)成一個(gè)區(qū)域。 Laplacian 算子一般不以其原始形式用于邊緣檢測(cè)，因?yàn)槠渥鳛橐粋€(gè)二階導(dǎo)數(shù)，Laplacian 算子對(duì)噪聲具有無法接受的敏感性；同時(shí)其幅值產(chǎn)生算邊緣，這是復(fù)雜的分割不希望有的結(jié)果；最后 Laplacian算子不能檢測(cè)邊緣的方向；所以 Laplacian在分割中所起的作用包括：（ 1）利用它的零交叉性質(zhì)進(jìn)行邊緣定位；（ 2）確定一個(gè)像素是在一條邊緣暗的一面還是亮的一面；一般使用的是高斯型拉普拉斯算 子（ Laplacian of a Gaussian,LoG)，由于二階導(dǎo)數(shù)是線性運(yùn)算，利用 LoG 卷積一幅圖像與首先使用高斯型平滑函數(shù)卷積改圖 像，然后計(jì)算所得結(jié)果的拉普拉斯是一樣的。經(jīng)分析，由于 Robert 算子通常會(huì)在圖像邊緣附近的區(qū)域內(nèi)產(chǎn)生較寬的響應(yīng)，故采用上述算子檢測(cè)的邊緣圖像常需做細(xì)化處理，邊緣定位的精度不是很高。經(jīng)典的邊緣檢測(cè)方法是對(duì)原始圖像中像素的某小領(lǐng)域來構(gòu)造邊緣檢測(cè)算子。于是圖像函數(shù)f1(x,y)在閾值 t 上的分割結(jié)果可以表示為 : f(x,y) = b1,f(x,y) t 閾值分割法實(shí)際就是按某個(gè)準(zhǔn)則函數(shù)求最優(yōu)閾值 t的過程。但是，該算法在確定閾值，特別是多 閾 值時(shí)，存在計(jì)算量相當(dāng)大、分割結(jié)果對(duì) 閾 值的變化較為敏感等不足。 圖像分割 所謂圖像分割，從廣義