數(shù)字圖像灰度閾值的圖像分割技術matlab(編輯修改稿)
2025-08-21 21:40 本頁面
【文章內容簡介】 T(N(x，y)，f(x，y)) (與點的灰度值和該點的局部鄰域特征有關) （3）局部閾值或動態(tài)閾值T＝T(x，y，N(x，y)，f(x，y))(與點的位置、該點的灰度值和該點鄰域特征有關)所有這些閾值化方法，根據(jù)使用的是圖像的局部信息還是整體信息，可以分為上下文無關(noncontextual)方法(也叫做基于點(pointdependent)的方法)和上下文相關(contextual)方法(也叫做基于區(qū)域(regiondependent)的方法)；根據(jù)對全圖使用統(tǒng)一閾值還是對不同區(qū)域使用不同閾值，可以分為全局閾值方法(global thresholding)和局部閾值方法(local thresholding，也叫做自適應閾值方法adaptive thresholding)；另外，還可以分為雙閾值方法(bilever thresholding)和多閾值方法(multithresholding)。全局閾值法指利用全局信息對整幅圖像求出最優(yōu)分割閾值，可以是單閾值，也可以是多閾值；局部閾值法是把原始的整幅圖像分為幾個小的子圖像，再對每個子圖像應用全局閾值法分別求出最優(yōu)分割閾值。其中全局閾值法又可分為基于點的閾值法和基于區(qū)域的閾值法。閾值分割法的結果很大程度上依賴于閾值的選擇，因此該方法的關鍵是如何選擇合適的閾值。由于局部閾值法中仍要用到全局閾值法，因此本文主要對全局閾值法中基于點的閾值法和基于區(qū)域的閾值法分別進行了研究。根據(jù)閾值法的原理可以將閾值選取技術分為三大類：（1）基于點的全局閾值方法基于點的全局閾值算法與其他幾大類方法相比，算法時間復雜度較低，易于實現(xiàn)，適合應用于在線實時圖像處理系統(tǒng)。（2）基于區(qū)域的全局閾值方法對一幅圖像而言，不同的區(qū)域，比如說目標區(qū)域或背景區(qū)域，同一區(qū)域內的象素，在位置和灰度級上同時具有較強的一致性和相關性。（3）局部閾值法和多閾值法局部閾值(動態(tài)閾值) 當圖像中有如下一些情況：有陰影，照度不均勻，各處的對比度不同，突發(fā)噪聲，背景灰度變化等，如果只用一個固定的全局閾值對整幅圖像進行分割，則由于不能兼顧圖像各處的情況而使分割效果受到影響。有一種解決辦法就是用與象索位置相關的一組閾值(即閾值使坐標的函數(shù))來對圖像各部分分別進行分割。這種與坐標相關的閾值也叫動態(tài)閾值，此方法也叫變化閾值法，或自適應閾值法。這類算法的時間復雜性和空間復雜性比較大，但是抗噪能力強，對一些用全局閾值不易分割的圖像有較好的效果。本文對基于對圖像閾值分割技術的理解，介紹以下三種算法的使用及實現(xiàn)：基于灰度直方圖的閾值選取圖像分割、基于最大熵的閾值分割和基本全局門限算法實現(xiàn)閾值分割。（MATLAB實現(xiàn)）直方圖給出了圖像中各個灰度級再圖像中所占的比例。圖像分割的目的在于將圖像中的前景從背景中提取
試題試卷相關推薦
鄂ICP備17016276號-1