【文章內(nèi)容簡介】 樣采用高斯函數(shù)對圖像做平滑處理 , 因此具有較強的抑制噪聲能力 , 同樣該算子也會將一些高頻邊緣平滑掉 ,造成邊 緣丟失。 綜上所述 , 前面所介紹的各個算子各有各的特點和應(yīng)用領(lǐng)域 , 每個算子只能反映出邊緣算法性能的一個方面 , 在許多情況下需要綜合考慮 [12]。 該類方法對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。但對于邊緣復(fù)雜、采光不均勻的圖像來說 ,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。在噪聲較大的情況下常用的邊緣檢測算法 ,如 Marr 算子 ,遞歸濾波器和Canny 算子等都是先對圖像進行適當?shù)钠交?,抑制噪聲 ,然后求導(dǎo)數(shù) ,或者先對圖像進行局部擬合 ,然后再用擬 合的光滑函數(shù)的導(dǎo)數(shù)來代替直接的數(shù)值導(dǎo)數(shù)。 Canny 算子較為簡單 ,而且考慮了梯度方向 ,效果比較好 [13]。 要做好邊緣檢測 , 首先要清楚待檢測的圖像特性變化的形式從而使用適應(yīng)這種變化的檢測方法。其次要知道特性變化總是發(fā)生在一定的空間范圍內(nèi) ,不能期望用一種檢測算子就能最佳檢測出發(fā)生在圖像上的所有特性變化。當需要提取多空間范圍內(nèi)的變化特性時 ,要考慮多算子的綜合應(yīng)用。第三 , 要考慮噪聲的影響其中一個辦法就是濾除噪聲 , 這有一定的局限性再就是考慮信號加噪聲的條件檢測利用統(tǒng)計信號分析或通過對圖像區(qū)域的建模而進一步使檢 測參數(shù)化。第四 ,可以考慮各種方法的組合 , 如先找出邊緣然后在其局部利用函數(shù)近似通過內(nèi)插等獲得高精度定位。第五 ,在正確檢 測邊緣的基礎(chǔ)上要考慮精確定位的問題 [14]。 基于區(qū)域的分割方法 基于區(qū)域的圖像分割是根據(jù)圖像灰度、紋理、顏色和圖像像素統(tǒng)計的均勻性等圖像的空間局部特征 ,把圖像中的像素劃歸到各個物體或區(qū)域中 ,進而將圖像分割成若干個不同區(qū)域的一種分割方法。基于區(qū)域的分割方法主要有區(qū)域生長法、分裂合并法。 區(qū)域生長法、分裂合并法： 區(qū)域生長法的基本思想是根據(jù)一定的相似性準則 ,將圖像中滿足相似性準則的像素或 子區(qū)域合成更大的區(qū)域 。分裂合并法是從整個圖像出發(fā) ,根據(jù)圖像和各區(qū)域的不均勻性 ,把圖像或區(qū)域分割成新的子區(qū)域 ,根據(jù)毗鄰區(qū)域的均勻性 ,把毗鄰的子區(qū)域合并成新的較大的區(qū)域。這兩種方法通常相結(jié)合 ,以便把相似的子區(qū)域合并成盡可能大的區(qū)域。區(qū)域生長的固有缺點是分割效果依賴于種子的選擇及生長順序 ,區(qū)域分裂技術(shù)的缺點是可能破壞邊界 ,所以它們常常與其他方法相結(jié)合 ,以期取得更好的分割效果 [15]。 區(qū)域生長算法的研究重點 :(l)特征度量和區(qū)域增長規(guī)則的設(shè)計 。(2)算法的高效性和準確性。區(qū)域生長方式的優(yōu)點是計算簡單。與閉值分割類 似，區(qū)域增長也很少單獨使用，往往是與其它分割方法一起使用。 區(qū)域生長的缺點是 :（ l）它需要人工交互以獲得種子點，這樣使用者必須在每個需要抽取出的區(qū)域中植入一個種子點 。(2)區(qū)域增長方式也對噪聲敏感，導(dǎo)致抽取出的區(qū)域有空洞或者在局部體效應(yīng)的情況下將分開的區(qū)域連接起來。 在區(qū)域合并方法中，輸入圖像往往分為多個相似的區(qū)域，然后類似的相鄰區(qū)域根據(jù)某種判斷準則迭代進行合并。在區(qū)域分裂技術(shù)中，整個圖像先被看成一個區(qū)域，然后區(qū)域不斷被分裂為四個矩形區(qū)域，直到每個區(qū)域內(nèi)部都是相似的，分裂合并方法中，區(qū)域先從整幅圖像開始分裂 ，然后將相鄰的區(qū)域進行合并。分裂合并方法不需要預(yù)先指定種子點，它的研究重點是分裂和合并規(guī)則的設(shè)計。但是，分裂合并技術(shù)可能會使分割區(qū)域的邊界破壞 [2]。 和閾值法一樣，區(qū)域生長法一般不單獨使用 , 而是放在一系列處理過程中。它主要的缺陷是 , 每一個需要提取的區(qū)域都必須人工給出一個種子 點 , 這樣有多個區(qū)域就必須給出相應(yīng)的種子個數(shù)。此法對噪聲也很敏感 , 會造成孔狀甚至是根本不連續(xù)的區(qū)域 , 相反的 , 局部且大量的影響還會使本來分開的區(qū)域連接起來 [4]。 3．圖像分割方法詳述 圖像分割方法 本次畢業(yè)設(shè)計采用的是彩 色圖像作為分割圖像，采用的分割方法總的來說是閾值法與邊緣檢測法的結(jié)合使用，在整個圖象分割的過程中，最主要的方法是邊緣檢測法，而閾值法起到是對圖象進行預(yù)處理和后處理的作用。 考慮到既要具有良好的切割效果 ,又要保留圖像的重要邊緣特征 ,具體的實現(xiàn)步驟如下： (1)輸入待分割圖像 f(x,y), f(x,y)為彩色圖像； (2)將待分割圖像 f(x,y)轉(zhuǎn)化為灰度圖像 g(x,y)； (3)利用 MATLAB 顯示灰度圖像 g(x,y)的灰度直方圖 ,用迭代法進行閾值選取，以達到區(qū)分背景和目標的目的； (4)采用邊緣檢測算子檢測 圖像的邊界特征 ,確定圖象的邊界位置，得到圖像 G(x,y)； (5)根據(jù)圖象分割的實際效果，將經(jīng)過邊緣檢測后的圖像 G(x,y)進行局部閾值分割，以達到消除圖像中某些存在陰影、照度不均勻 ,各處的對比度不同 ,背景灰度變化等問題。 圖像分割方法實現(xiàn) 對彩色圖像進行灰度處理 用全局閾值法對圖像進行預(yù)處理：閾值法是一種簡單有效的圖像分割方法 ,它用一個或幾個閾值將圖像的灰度級分為幾個部分 ,認為屬于同一個部分的像素是同一個物體。運用這種思想，我打算首先將全局閾值法用來區(qū)分圖片中的背景和目標。閾值分割法的 結(jié)果很大程度上依賴于對閾值的選擇 , 因此該方法的關(guān)鍵是如何選擇合適的閾值。合適的閾值必須具備的條件是在使用選取的閾值對圖片進行分割后，必須使圖像中的背景和目標的分割錯誤達到最小。 這種方法是先確定一個處于圖像灰度取值范圍之中的灰度閾值，然后將圖像中各個像素的灰度值都與這個閾值相比較，并根據(jù)比較結(jié)果將對應(yīng)的像素劃分為兩類 :像素的灰度值大于閾值的為一類，像素的灰度值小于閾值的為另一類 .這兩類像素一般分屬于圖像中的兩類區(qū)域，所以對像素根據(jù)閾值分類達到了區(qū)域分割的目的 .閾值分割可以分為全局閾值和局部閾值兩種情況 。 在圖像內(nèi)容不太復(fù)雜、灰度分布較集中的情況下，往往采用最簡單的全局閾值，并不考慮圖像中點的位置和其鄰域性質(zhì) . 我采用的是迭代法來求取閾值，迭代法是基于逼近思想： （ 1）求出圖像的最大灰度值和最小灰度值，分別記為 Max和 Min，令初始閾值為： 2/)(0 M inM a xT ?? ，根據(jù)閾值 kT 將圖像分割為前景和背景，分別求出兩者的平均灰度值 0Z 和 bZ ； （ 2）求出閾值 2/)( 01 bk ZZT ??? ； （ 3）如果 1kk ??TT ；則所得即為閾值；否則轉(zhuǎn)（ 2）迭代計算。 迭代所得的閾值分割效果良好 ,基于迭代的閾值能區(qū)分圖像的前景和背景的主要區(qū)域所在。 用邊緣檢測法對圖像進行分割：邊緣是圖像的最基本的特征 , 邊緣中包含著有價值的目標邊界信息 , 這些信息可以用作圖像分析、目標識別。 邊緣檢測分割法是通過檢測出不同區(qū)域邊界來進行分割的 .邊緣總是以強度突變的形式出現(xiàn)，可以定義為圖像局部特性的不連續(xù)性，如灰度的突變、紋理結(jié)構(gòu)的突變等 .邊緣常常意味著一個區(qū)域的終結(jié)和另一個區(qū)域的開始 .圖像的邊緣包含了物體形狀的重要信息，兩個具有不同灰度值的相鄰區(qū)域之間總存在灰度邊緣 .灰度邊緣是灰度值不連續(xù) (或突變 )的結(jié)果，這種不連續(xù)?？衫们笠浑A和二階導(dǎo)數(shù)方便的檢測到 . 在對圖像進行分割時，采用了多種算子對圖像進行分割，最后根據(jù)分割的現(xiàn)象采用效果最好的一種算子作為本次畢業(yè)設(shè)計的邊緣檢測算子。 用局部閾值法對 圖像進行后處理：經(jīng)過全局閾值分割和邊緣檢測分割后 ,有的地方存在灰度不連續(xù)，邊緣不清晰的情況，如果只用一個固定的全局閾值對整幅圖像進行后 ,則由于不能兼顧圖像各處的情況而使分割效 果受到影響。這時采用局部閾值法 ,即用與像素位置相關(guān)的一組閾值對圖像各部分分別進行分割。最簡單的方法是將圖像劃分為若干小圖像 ,先對各子圖像閾值法進行分割 ,再將分割后的小區(qū)域合并在一起 ,得到整幅圖像的完整分割結(jié)果。其實局部閾值法是全局閾值法的一個拓展。 4．實驗結(jié)果及分析 實驗結(jié)果 圖 4 灰度直方圖 圖 5 灰度圖像 圖 6 全局閾值化后的圖片 圖 7 prewitt算子分割后的圖片 圖 8 Canny算子分割后的圖片 圖 9 log算子分割后的圖片 將 Canny算子分割后的圖片作為邊緣檢測后的圖片，再將這個圖片分割為四個小圖片，每一個圖片的直方圖如 下 : 圖 10 第一塊的直方圖 圖 11 第二塊的直方圖 圖 12 第三塊的直方圖 圖 13 第四塊的直方圖 圖 13 局部閾值化后的圖像 實驗結(jié)果分析 由灰度圖片的直方圖可以看出，這個直方圖有多個峰值，不滿足雙峰法的兩個波峰一個波谷的條件，所以不適合采用雙峰法，我采用的是迭代法，迭代法得到的閾值分割效果良好，基于迭代的閾值能區(qū)分圖象的前景和背景的主要區(qū)域所在，迭代法作用于整幅圖像每個像素，因此，對于直方圖波峰明顯 或目標和背景的灰度差異懸殊的圖像，得到的效果很好。由灰度圖和灰度直方圖可以看出，該圖像的目標和背景的灰度差異懸殊，并且該灰度直方圖的波峰明顯，滿足迭代法的使用條件。由效果圖可以看出，用迭代法得到的閾值分割圖失真度很低，基本上保持了原圖的輪廓。 在采用邊緣算子時，本次畢業(yè)設(shè)計測試了 3 種算子，分別是 Prewitt 算子， Log 算子和 Canny 算子。 對于三種算子的實驗現(xiàn)象，從視覺上來看，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，而且邊緣清晰，連續(xù)性好。 Log 算子，其分割圖像中所含非邊緣點 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。 Prewitt 算子的分割的圖像中雖然幾乎沒有非邊緣點，但是邊緣的連續(xù)性較差，從視覺上來看圖像顯得很雜亂。 我們對圖像分割的結(jié)果通常以人的主觀判決作為評價準則。盡管對大多數(shù)圖像處理問題而言，最后的信宿是人的視覺，但對不同分割方法的處理結(jié)果作一定量的比較、評價也是必需的。這是一個有意義但比較困難的問題。從目前的文獻來看，已有學者在這方面做了一些工作。一般認為對分割方法的評價可以通過分析和實驗兩種方式來進行。因此，分割評價方法可以分為分析法和實驗法兩大 類。分析法是直接分析分割算法本身的原理及性能，而實驗法是通過對測試圖像的分割結(jié)果來評價算法的。通過對實際分割結(jié)果的分析來評估分割算法是具有實際意義的。 定量試驗準則： 區(qū)域間的對比度 圖像分割要把一幅原始圖像分為若干個區(qū)域。直觀的考慮，這些區(qū)域的特性之間應(yīng)該