【文章內(nèi)容簡介】 背景的主要區(qū)域所在。 用邊緣檢測法對圖像進(jìn)行分割：邊緣是圖像的最基本的特征 , 邊緣中包含著有價(jià)值的目標(biāo)邊界信息 , 這些信息可以用作圖像分析、目標(biāo)識別。 邊緣檢測分割法是通過檢測出不同區(qū)域邊界來進(jìn)行分割的 .邊緣總是以強(qiáng)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)常可利用求一階和二階導(dǎo)數(shù)方便的檢測到 . 在對圖像進(jìn)行分割時，采用了多種算子對圖像進(jìn)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(jì)的邊緣檢測算子。 用局部閾值法對圖像進(jìn)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(jìn)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(jìn)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(jìn)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(shí)局部閾值法是全局閾值法的一個拓展。 4．實(shí)驗(yàn)結(jié)果及分析 實(shí)驗(yàn)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(shí)驗(yàn)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(biāo)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(biāo)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(jì)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(shí)驗(yàn)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(diǎn)，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(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)。 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(jià)準(zhǔn)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(jià)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(xiàn)來看，已有學(xué)者在這方面做了一些工作。一般認(rèn)為對分割方法的評價(jià)可以通過分析和實(shí)驗(yàn)兩種方式來進(jìn)行。因此，分割評價(jià)方法可以分為分析法和實(shí)驗(yàn)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(shí)驗(yàn)法是通過對測試圖像的分割結(jié)果來評價(jià)算法的。通過對實(shí)際分割結(jié)果的分析來評估分割算法是具有實(shí)際意義的。 定量試驗(yàn)準(zhǔn)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)該有比較大的差距，或者說有明顯的對比，根據(jù)區(qū)域間的特性對比度的大小可以判別分割圖的質(zhì)量，也可由此反推出所用分割算法的 優(yōu)劣來，對于圖像中相鄰接的兩個區(qū)域來說，如果他們各自的平均灰度為f1 和 f2，則它們之間的區(qū)域?qū)Ρ榷瓤梢园聪率絹碛?jì)算： 21 |21| ff ffGC ??? (1) 事實(shí)上式 (1)中的 f 也可代表除灰度外的其他特征量，這樣就得到其他區(qū)域間的對比度，當(dāng)一幅圖像有多個區(qū)域時，可利用式 (1)分別計(jì)算兩兩間的區(qū)域間的對比度再求和 [16]。 將圖像分為左右兩個大的區(qū)域，下表是各個算子分割圖像后的區(qū)域間的對比度： 圖像 平均灰度 1 平均灰度 2 區(qū)域間對比度 Canny 算子 Prewitt 算子 Log 算子 表 1 區(qū)域間的對比度 所以，區(qū)域間的對比度越高代表分割效果越好，由上表可以看出， Canny算子分割的效果最好， Prewitt 分割效果其次， Log 算 子的分割效果最差。 接下來的局部閾值法，采用的就是 Canny 算子分割的圖像。 在將邊緣分割后的圖像進(jìn)行分割后，分成四塊小圖像，在實(shí)驗(yàn)現(xiàn)象中可以看出，這四塊小圖像的灰度直方圖都有很明顯的雙峰，但是由于波谷寬闊平坦，不滿足雙峰法的使用條件，所以不能使用雙峰法，所以在對不同的圖像進(jìn)行閾值化的時候，采用的是全局閾值法里面的迭代法，總的來說，就是將 Canny 算子分割后的圖片繼續(xù)分割成四小塊，對四塊不同的圖片用迭代法求取閾值，再將閾值化后的圖片合并起來。 局部閾值化后，由現(xiàn)象可以看出，并沒有對原圖進(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，這說明在經(jīng)過 Canny算子分割后，由灰度直方圖可以看出，這個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。 5．小結(jié) 主要工作總結(jié) 通過對大量文獻(xiàn)的閱讀，在對圖像分割領(lǐng)域研究現(xiàn)狀和研究內(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)行了以下幾個方面的研究工作： 1對圖像分割的概念進(jìn) 行詳細(xì)的陳述。 2對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、基于邊緣檢測分割和基于區(qū)域分割三大類，并對他們做了簡單的介紹和比較。 3提出本次圖像分割的方案，并且對方案進(jìn)行詳細(xì)的論述以及分析。 4運(yùn)用 MATLAB 軟件進(jìn)行實(shí)驗(yàn)，展示實(shí)驗(yàn)現(xiàn)象，得到了較好的效果，根據(jù)實(shí)驗(yàn)現(xiàn)象對圖像分割進(jìn)行分析，運(yùn)用相關(guān)的圖像分割評價(jià)標(biāo)準(zhǔn)來對分割出來的圖像進(jìn)行分析，根據(jù)數(shù)據(jù)說明圖像分割結(jié)果的優(yōu)劣，總結(jié)本次圖像分割方案的優(yōu)缺點(diǎn)。 結(jié)論 通過研究分析，可以得 到以下結(jié)論： （ 1）閾值分割法的重點(diǎn)是對閾值的選擇 , 因此該方法的關(guān)鍵是如何選擇最佳閾值，如果閾值選擇不合適，則影響了圖片分割出來的效果，也影響下一步邊緣分割的效果。 （ 2）從實(shí)驗(yàn)現(xiàn)象中可以看出，圖像中的目標(biāo)和背景灰度差異不明顯或灰度值范圍有重疊的地方分割效果不明顯，這一塊的背景和目標(biāo)就沒有得到很好的區(qū)分，而其他灰度差異比較大的地方分割效果較好。 因此，全局閾值法適用于灰度差異較大的圖片，如果圖像灰度變化不是很明顯，則達(dá)不到理想的效果。 （ 3）同樣都是邊緣檢測法，不同的邊緣檢測算子對同一幅圖像分割出來的效 果是不同的，因?yàn)槊恳环N邊緣算子的卷積形式是不同的，對于圖像的明暗程度，分辨率，灰度變化的敏感程度也是不同的。 沒有哪一種邊緣算子是絕對的合適，從以上實(shí)驗(yàn)現(xiàn)象可以看出，例 如： Canny 算子的整體效果最好，它的分割結(jié)果很明顯沒有 Prewitt 算子分割細(xì)致，這是它不足的地方，每一種邊緣檢測算子分割的圖像都有相應(yīng)的優(yōu)缺點(diǎn)，我們只能選取當(dāng)中效果較好的一種，但是這也不能判定為這種算子就是最好的，只能說對于特定的圖片，這種算子達(dá)到的效果最好。 （ 4） 局部閾值分割法是將原始圖像劃分成較小的圖像，并對每個子圖像選取相應(yīng)的 閾值。局部閾值分割法雖然能改善分割效果，但存在幾個缺點(diǎn)： ① 每幅子圖像的尺寸不能太小，否則統(tǒng)計(jì)出的結(jié)果無意義。 ② 每幅圖像的分割是任意的，假如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)果對其進(jìn)行分割，也許會產(chǎn)生更差的結(jié)果。 ③ 局部閾值法對每一幅子圖像都要進(jìn)行統(tǒng)計(jì)，速度慢，難以適應(yīng)實(shí)時性的要求。 （ 5）通常對于一幅圖像的分割，僅僅只用一種圖像分割方法是不夠的，僅僅擁有依照分割算法本身進(jìn)行了完善歸納和分類的圖象分割理論也是遠(yuǎn)遠(yuǎn)不夠的，每一種方法都有它不足的地方，因此僅僅只用一種方法往往達(dá)不到很好的效果 ，可以運(yùn)用其他的方法結(jié)合使用，互相彌補(bǔ)不足。因?yàn)闆]有哪一種分割方法能夠?qū)λ械膱D象都產(chǎn)生理想的分割結(jié)果，而根據(jù)待分割圖象的不同特點(diǎn)，結(jié)合已知的先驗(yàn)知識，研究符合具體圖象特性的分割模型，才是提高圖象分割的重要手段。 盡管人們在圖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，對于特定的圖像分割，最主要的是分析這幅圖像的特性，針對這幅圖像的特點(diǎn)，制定適合它的方案，以達(dá)到最好的分割效果。 參考文獻(xiàn) [1] 高秀娟 . 圖像分割的理論、方法及 應(yīng)用 [D]. 吉林大學(xué)碩士學(xué)位論文 [2] [3] 管慧娟 . 基于區(qū)域的圖像分割方法 [D]. 大連理工大學(xué)碩士學(xué)位論文 [4] 楊衛(wèi)平 ,李忠科 ,王勇 ,呂培軍 . 基于區(qū)域的圖像分割算法綜述 [J]. 電子測量與儀器學(xué)報(bào) , 2021: 278281 [5] 趙春燕 ,閏長青 ,時秀芳 . 圖像分割綜述 [J]. 基礎(chǔ)及前沿研究 . 中國科技信息 ,2021: 4143 [6] 韓思奇 , 王蕾 . 圖像分割的閾值法綜述 [J]. 系統(tǒng)工程與電子技術(shù)第 24卷第 6期 : 9194 [7] 周強(qiáng) . 圖像分割算法研究 . 福建電腦 [J],2021： 2735 [8] 劉爽 . 圖象分割中閾值選取方法的研究及其算法實(shí)現(xiàn) [J]. 電腦知識與技術(shù)： 6870 [9] 黃春艷 . 河南大學(xué)碩士學(xué)位論文 [D]. 圖像分割若干算法研究 [10] 楊金龍 . 西北師范大學(xué)碩士學(xué)位論文 [D]. 圖像分割算法研究與實(shí)現(xiàn) [11] 呂玉琴，曾光宇 .基于圖像邊緣檢測算法的研究 . 太原科技 [J]. 2021：3133 [12] 特尼格爾，汪瀅 . 圖像邊緣檢 測的研究與分析 [J]. 科技論壇， 2021：423444 [13] 周鮮成 . 圖像分割方法及其應(yīng)用研究綜述 [J]. 信息技術(shù) ,2021: 1114 [14] 丁莉 ,張琦 . 簡捷圖像分割研究 [J]. 技術(shù)講座 ,140144 [15] 黃長專 ,王 彪 ,楊 忠 . 圖像分割方法研究 [J]. 計(jì)算機(jī)技術(shù)與 發(fā)展 ， 2021:7679 [16] 章毓晉 .圖象分割 [M]. 科學(xué)出版社， 2021. [17] 姜彬，施志剛 . 圖像分割技術(shù)分析與展望 [J]. 電腦知識與技術(shù)，2021： 1006610068 [18] 樂宋 進(jìn)，武和雷，胡泳芬 . 圖像分割方法的研究現(xiàn)狀與展望 [J]. 南昌水專學(xué)報(bào)， 2021： 1520 7．附錄 源碼： 第一步（迭代法）： clear clc。 tic %計(jì)時器 Init=imread(39。39。)。 Im=rgb2gray(Init)。 figure,imhist(Im),title(39。直方圖 39。) figure,imshow(Im) , title(39?；叶葓D像 39。) [x,y]=size(Im)。 % 求出圖象大小 b=double(Im)。 zd=double(max(max(Im))) % 求出圖象中最大的灰度 zx=double(min(min(Im))) % 最小的灰度 T=double((zd+zx))/2。 % T 賦初值，為最大值和最小值的平均值 count=double(0)。 % 記錄幾次循環(huán) while 1 % 迭代最佳閾值分割算法 count=count+1。 S0=。 n0=。 %為計(jì)算灰度大于閾值的元素的灰度總值、個數(shù)賦值 S1=。 n1=。 %為計(jì)算灰度小于閾值的元素的灰度總值、個數(shù)賦值 for i=1:x for j=1:y if double(Im(i,j))=T