【文章內容簡介】 能完全排除檢測結果中出現(xiàn)的虛假邊緣。雖然這兩個算子邊緣定位效果不錯 , 但檢測出的邊緣容易出現(xiàn)多像素寬度。 Log 算子 : 該算子克服了 拉普拉斯算子抗噪聲能力比較差的缺點 , 但是在抑制噪聲的同時也可能將原有的比較尖銳的邊緣也平滑掉了 , 造成這些尖銳邊緣無法被檢測到。 Canny 算子 : 該算子同樣采用高斯函數(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用領域 , 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雜的圖像 ,大都可以取得較好的效果。但對于邊緣復雜 、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)的導數(shù)來代替直接的數(shù)值導數(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 ,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的變化特性時 ,要考慮多算子的綜合應用。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)近似通過內插等獲得高精度定位。第五 ,在正確檢 測邊緣的基礎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)域分裂技術的缺點是可能破壞邊界 ,所以它們常常與其他方法相結合 ,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，導致抽取出的區(qū)域有空洞或者在局部體效應的情況下將 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先指定種子點，它的研究重點是分裂和合并規(guī)則的設計。但是，分裂合并技術可能會使分割區(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。閾值分割法的結果很大程度上依賴于對閾值的選擇 , 因此該方法的關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)比較結果將對應的像素劃分為兩類 :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 。 在圖像內容不太復雜、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 . 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（ 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、紋理結構的突變等 .邊緣常常意味著一個區(qū)域的終結和另一個區(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 )的結果，這種不連續(xù)?？衫们笠浑A和二階導數(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)設計的邊緣檢測算子。 用局部閾值法對圖像進行后處理：經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果。其實局部閾值法是全局閾 值法的一個拓展。 4． 實驗 結果 及分析 實驗結果 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果來評價算法的 。 通過對實際分割結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)域對比度可以按下式來計算 ： 21 |21| ff ffGC ??? (1) 事實上式 (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，當一幅圖像有多個區(qū)域時，可利用式 (1)分別計算兩兩間的區(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行分割后，分成四塊小圖像，在實驗現(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，并沒有對原圖進行多大的改善，只是在一些很細微的地方有了一些