【導(dǎo)讀】熟悉和掌握數(shù)字圖像處理的相關(guān)內(nèi)容與知識(shí)；利用Matlab對(duì)基于Otsu算法的圖像分割進(jìn)行實(shí)現(xiàn)；日至2020年6月5日，共14周。工作內(nèi)容及目標(biāo)、要求等；不長(zhǎng)，但受到的關(guān)注確實(shí)是極大的，所以圖像分析與處理也形成了自己的體系。同時(shí)生理心理學(xué)，應(yīng)用科學(xué)等領(lǐng)域?qū)W科中研究方法的關(guān)鍵之一就是數(shù)字。其次，圖像處理在軍事行動(dòng)中，在國防中，在航天技術(shù)中，在氣象預(yù)測(cè)中等大。型應(yīng)用程序有一個(gè)不斷增長(zhǎng)的需求。閾值的選取合適與否直接決定著結(jié)果的成敗。于Otsu算法的圖像分割。Otsu算法具有自動(dòng)選取閾值的特點(diǎn)，并且相比較于其他閾。Otsu算法不僅對(duì)于圖形亮度變化的影響較小，而且還可。應(yīng)能力，可以節(jié)省運(yùn)算時(shí)間。

　　

【正文】 ）采用了一維 Otsu 方法，（ d）采用了改進(jìn)的一維 Otsu 方法。從上面的分割圖像結(jié)果中可以看出來，一維 Otsu算法背景和目標(biāo)的分離并不徹底，對(duì)目標(biāo)邊緣的處理也并不讓人樂觀，而改進(jìn)算法在這兩方面的效果明顯 好了很多， lena 臉部和頭發(fā)更為清楚一些。 江蘇科技大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 21 （ a） saturn圖像原始圖像 （ b） saturn灰度直方圖 （ c）一維 Otsu算法 (d)一維改進(jìn) Otsu算法 圖 43： saturn圖像的實(shí)驗(yàn)結(jié)果 如圖 43 中，（ a）為木星的原圖，（ b）為其灰度直方圖，（ c）采用了一維 Otsu方法，（ d）采用了改進(jìn)的一維 Otsu 方法。從圖中可以看出來對(duì)于這個(gè)圖像一維 Otsu的方法分割并不理想，改進(jìn)的算法效果也差不 多，都未將目標(biāo)和背景很好的分離出來。 Otsu 算法的圖像分割的實(shí)現(xiàn) 為了驗(yàn)證二維 Otsu 算法的圖像分割算法的有效性，繼續(xù)使用上一小節(jié)的 3 幅實(shí)驗(yàn)圖像，在 CORE i5， 4G 內(nèi)存的計(jì)算機(jī)上進(jìn)行的，操作系統(tǒng)為 Windows 7,編程環(huán)境為 MATLAB R2020a。對(duì)這幾幅實(shí)驗(yàn)圖像，分別用二維 Otsu 方法進(jìn)行處理，圖像的分江蘇科技大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 22 割效果與一維分割效果進(jìn)行對(duì)比，結(jié)果如圖 44， 45， 46所示： （ a） blood圖像原圖 （ b） blood的一維 Otsu (c)blood二維直方圖 （ d） blood的二維 Otsu 圖 44:blood圖像分割實(shí)驗(yàn)結(jié)果 如圖 44 中，（ a）是血液細(xì)胞的原圖；（ b）是一維 Otsu 的變換；（ c）是其二維灰度直方圖；（ d）是用二維的 Otsu 方法進(jìn)行圖像分割。從圖中可以看出來對(duì)于這個(gè)圖像使用一維和二維的分割方法都有效的將所需目標(biāo)分離出來，但如果更細(xì)致的觀察就會(huì)發(fā)現(xiàn)二維的效果更好一些。 江蘇科技大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 23 （ a） lena圖像原圖 （ b） lena圖像的一維 Otsu （ c） lena圖像的二維直方圖 （ d） lena圖像的二維 Otsu 圖 45:lena圖像分割實(shí)驗(yàn)結(jié)果 如圖 45 中，（ a） lena 的原圖；（ b）是上章算法的一維 Otsu 變換；（ c）是其二維灰度直方圖；（ d）是二維的 Otsu 方法。從圖中可以看出來一維的算法在部分細(xì)節(jié)上還不足，比如 lena 的頭發(fā)與背景重合，未能很好的區(qū)分出來，而二維的分割效果就好了很多。 江蘇科技大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 24 （ a） saturn圖像原始圖像 （ b） saturn圖像的一維 Otsu （ c） saturn圖像的二維直方圖 （ d） saturn圖像的二維 Otsu 圖 46:saturn圖像分割實(shí)驗(yàn)結(jié)果 如圖 46 中，（ a）土星的原圖；（ b）是上章算法的一維 Otsu 變換；（ c）是其二維灰度直方圖；（ d）是二維的 Otsu 方法。從圖中可以看出來一維的分割對(duì)于目標(biāo)和背景的未能好的區(qū)分，分割結(jié)果不完整，而二維算法把目標(biāo)和背景完全區(qū)分開來，分割結(jié)果更為準(zhǔn)確。 本章的主要內(nèi)容是對(duì)第三章基于 Otsu 算法的圖像分割進(jìn)行了實(shí)現(xiàn)，通過對(duì)三幅圖像分別進(jìn)行了一維 Otsu 算法，一維改進(jìn) Otsu 算法，二維 Otsu 算法的圖像分割，并進(jìn)行了對(duì)比，比較了其中幾種分割方法之間的優(yōu)劣。一維 Otsu 算法原理簡(jiǎn)單，應(yīng)江蘇科技大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 25 用廣泛。介紹的二維 Otsu 算法不僅利用了圖像像素點(diǎn)的灰度分布信息，而且也利用了像素點(diǎn)的鄰域空間相關(guān)信息。在分割效果不變的前提下，擴(kuò)大了該方法在實(shí)踐中的應(yīng)用范圍。實(shí)驗(yàn)表明，對(duì)于低對(duì)比度、低信噪比的目標(biāo)，二維最大類間方差算法具有良好的分割效果，且快速實(shí)現(xiàn)方法使圖像分割的有效性得到很 大的提高。 江蘇科技大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 26 結(jié)束語 本文工作總結(jié) 20 世紀(jì) 50年 代，隨著電子計(jì)算技術(shù)的發(fā)展，人們開始利用計(jì)算機(jī)來處理圖像信息，圖像處理技術(shù)便起源于這個(gè)時(shí)候，并 在 60 年代 成為一門專門的學(xué)科。當(dāng)時(shí)由于計(jì)算機(jī)技術(shù)的限制圖像處理的應(yīng)用面非常窄，隨著計(jì)算機(jī)的快速發(fā)展，使得圖像處理的速度大大提高，而處理消耗也進(jìn)一步降低，使得圖像處理技術(shù)得到廣闊的應(yīng)用，本文主要闡述了數(shù)字圖像處理的基本理論，并介紹了常用的集中圖像分割的方法，重點(diǎn)討論了閾值分割中的一種分割方法：基于 Otsu（即最大類間方差）算法 的圖像分割。該方法簡(jiǎn)單實(shí)用，在一定條件下不受圖像對(duì)比度與亮暗度變化的影響，因而在一些實(shí)時(shí)圖像處理系統(tǒng)中得到了很廣泛的應(yīng)用。本文的工作如下： 討論了傳統(tǒng)意義上的一維 Otsu方法，通過文獻(xiàn) [23]中引用了一種改進(jìn)一維 Otsu方法，將最小相對(duì)類內(nèi)方差代替?zhèn)鹘y(tǒng)方法中的最小絕對(duì)類內(nèi)方差。所以目標(biāo)類和背景類之間的區(qū)別更為明顯。 由于在一維 Otsu 算法的抗噪能力差等其他缺陷，將以上方法方法推廣到二維。使分割效果更令人滿意，而且還節(jié)約了運(yùn)算時(shí)間。 進(jìn)一步工作 本文著重?cái)⑹隽?Otsu 的方法與改進(jìn)，但是它并不完 美，還有諸多的改進(jìn)之處，例如： 1 多維 Otsu 算法的研究。 2 對(duì)于抗噪方面還有很大的進(jìn)步空間，如何盡可能的濾除噪聲以及邊緣細(xì)節(jié)的處理還須進(jìn)一步完善 3 本文介紹的改進(jìn)的分割算法，運(yùn)算量較大，提高運(yùn)算速度，減少時(shí)間的浪費(fèi)，爭(zhēng)取做到圖像分割的及時(shí)性。 4 本文討論的方法并沒有應(yīng)用于彩色圖像，這也是今后發(fā)展的一個(gè)方向。 江蘇科技大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 27 致謝 大學(xué)的生活一瞬即逝，回想起大學(xué)四年匆匆歲月，在江蘇科技大學(xué)四年的學(xué)習(xí)和生活中，我收獲了很多，我不僅僅是學(xué)習(xí)到了知識(shí)也學(xué)會(huì)了為人處事之道。在大學(xué)中遇到了很多人也參加了很多學(xué)校的活動(dòng)，從中 我學(xué)到了很多東西讓我在四年時(shí)間里迅速成熟起來。現(xiàn)在四年的大學(xué)生活即將結(jié)束，這也將是我人生的一個(gè)轉(zhuǎn)折點(diǎn)，我要向所有支持，陪伴，關(guān)心我的人表示感謝。 首先感謝我的導(dǎo)師黃煒嘉老師的教誨。在畢業(yè)論撰寫的過程中我遇到很多難題，但是學(xué)校和學(xué)院為我提供了各種各樣便利的條件，無論是書籍的查閱還是資料的收集都十分方便，讓我能更好完成畢業(yè)論文。在論文完成之際，在此我要特別感謝我的指導(dǎo)老師黃煒嘉老師悉心指導(dǎo)，在論文的前期準(zhǔn)備時(shí)遇到很多困難，黃煒嘉老師一直耐心的教導(dǎo)我，幫助我分析課題的研究方向，在論文的撰寫過程中指導(dǎo)我寫作注意事項(xiàng)幫助我修改錯(cuò)誤。無論在什么時(shí)間遇到難題，黃煒嘉老師都會(huì)給我提供幫助。在此我想向我的指導(dǎo)老師黃煒嘉老師表達(dá)由衷的謝意。 感謝電信學(xué)院的各位領(lǐng)導(dǎo)和老師，他們從各個(gè)方面給予了我很大的關(guān)心和幫助。 感謝于毅，高誠，朱浩，趙越，盧洋作為我的舍友陪伴著我度過這大學(xué)四年，他們不僅給了我學(xué)習(xí)上的幫主，還給了我生活中的幫助。 感謝 11 電信的同學(xué)和老師在學(xué)習(xí)和生活中對(duì)我的幫助，他們帶給我集體的溫暖，讓我的大學(xué)很充實(shí)。 感謝我的家人給予我物質(zhì)和精神上的支持，在我最迷茫最失落的 時(shí)候 支持我，鼓勵(lì)我。家人的關(guān)心是我前進(jìn) 的力量！ 最后我要向各位老師抽出時(shí)間為本文的批閱表示衷心的感謝 ！ 江蘇科技大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 28 參考文獻(xiàn) [1] 張建偉 , 方林 , 陳允杰 , 詹天明 , 李小田 . 基于活動(dòng)輪廓模型的左心室 MR 圖像分割 [J].電子學(xué)報(bào) , 2020, 39(11):26702673. [2] 黃展鵬等 . 基于數(shù)學(xué)形態(tài)學(xué)和區(qū)域合并的醫(yī)學(xué) CT 圖像分割 [J]. 計(jì)算機(jī)應(yīng)用研究 ,2020,27(11):119121. [3] 劉利雄 , 馬忠梅 , 趙恒博 , 姚宇華 , 張麒 . 一種基于主動(dòng)輪廓模型的心臟核磁共振圖像分割方法 [J]. 計(jì)算機(jī) 學(xué)報(bào) , 2020, 35(1):146153. [4] Feng W, Jia J Y, Liu Z Q. Selfvalidated labeling of Markov random fields for image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020,32(10):18711887. [5] M. Sezgin and B. Sankur. Survey over image thresholding techniques and quantitative performance evaluation [J]. Journal of Electronic Imaging, 2020, 13(1): 146165. [6] Sahoo P K, Arara G. A thresholding method based on twodimensional Renyi’s entropy [J].Pattern Recognition, 2020, 37(6):11491161. [7] Yu Qiao, Qingmao Hua, et al. Thresholding based on variance and intensity contrast [J].Pattern Recognition, 2020, 40(2):596608. [8] 薛麗霞 , 李濤 , 王佐成 . 一種自適應(yīng)的 Canny 邊緣檢測(cè)算法 [J]. 計(jì)算機(jī)應(yīng)用研究 ,2020,27(9):35883590. [9] 黃海龍 , 王宏 . 一種基于小波變換和數(shù)學(xué)形態(tài)學(xué)的邊緣檢測(cè)算法 [J]. 東北大學(xué)學(xué)報(bào) , 2020,32(9):13151318. [10] 黃茜 , 吳煒峰 , 董肖 . 基于局部尺度控制的模糊邊緣檢測(cè)算法 [J]. 模式識(shí)別與人工智能 ,2020, 24(6):875881. [11] ZHOUA Y, STARKEYB J, MANSINHA L. Segmentation of petrographic images byintegrating edge detection and region growing [J]. Computers amp。 Geosciences, 2020,30(8):817831 [12] Chunming Li, Chenyang Xu, et al. Distance regularized level set evolution and its applicationto image segmentation [J]. IEEE transactions on image processing, 2020, 江蘇科技大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 29 19(20):32433254. [13] XN Wang, YJ Feng, ZR Feng. Ant colony optimization for image segmentation[C].Proceedings of 2020 International Conference on Machine Learning and Cyberics,2020,9:53555360. [14] Bo Zhao, Zhongxiang Zhu, Enrong Mao, Zhenghe Song. Image Segmentation Based AntColony Optimization and KMeans Clustering [C]. 2020 IEEE International Conference onAutomation and Logistics, 2020:459463. [15] Junmo Kim, John , et al. A Nonparametric Statistical Method for Image SegmentationUsng Information Theory and Curve Evolution [J]. IEEE Transactions on Image Processing,2020,14(10):14861502. [16] 馬時(shí)平，畢篤彥，黃文濤 . 基于分形特征紋理圖像分割方法 [J]. 計(jì)算機(jī)應(yīng)用 ,2020,24(6):117118. [17] G Dong, M Xie. Color clustering and learning for image segmentation based on neural works[J]. IEEE transactions on Neural Networds, 2020,16(4):925936. [18] T Song, MM Jamsh