【導(dǎo)讀】師的指導(dǎo)下進(jìn)行的研究工作及取得的成果。盡我所知，除文中特別加。而使用過(guò)的材料。均已在文中作了明確的說(shuō)明并表示了謝意。除了文中特別加以標(biāo)注引用的內(nèi)容外，本論文。不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫(xiě)的成果作品。究做出重要貢獻(xiàn)的個(gè)人和集體，均已在文中以明確方式標(biāo)明。全意識(shí)到本聲明的法律后果由本人承擔(dān)。同意學(xué)校保留并向國(guó)家有關(guān)部門(mén)或機(jī)構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)大學(xué)可以將本學(xué)位。印或掃描等復(fù)制手段保存和匯編本學(xué)位論文。涉密論文按學(xué)校規(guī)定處理。對(duì)比并得出結(jié)論。圖像分割方法如邊緣檢測(cè)、閾值分割技術(shù)和區(qū)域生長(zhǎng)等進(jìn)行了分析。理逐一介紹并比較各種算子的分割效果。而閾值分割技術(shù)的關(guān)鍵在于閾值的確定，只有。Otsu最大類(lèi)間方差算法的自適應(yīng)閾值。此外還介紹了區(qū)域增長(zhǎng)法，它的基本思想是將具。有相似性質(zhì)的像素集合起來(lái)構(gòu)成新區(qū)域。

　　

【正文】 圖 Prewiit 算子效果圖 Prewitt 算子： Prewitt 從加大邊緣檢測(cè)算子的模板大小出發(fā)，由 22 擴(kuò)大到 33 來(lái)計(jì)算差分算子，采用 Prewitt 算子不僅能檢測(cè)邊緣點(diǎn)，而且能抑制噪聲的影響。 17 Canny 算子分割結(jié)果 對(duì)灰度圖 進(jìn)行 Canny 算子 分割后 ： 圖 Canny 算子效果圖 Canny 算 子： Canny 算子較為簡(jiǎn)單 ， 而且考慮了梯度方向 ,效果比較好 [10]。算子同樣采用高斯函數(shù)對(duì)圖像做平滑處理 , 因此具有較強(qiáng)的抑制噪聲能力。 Log 算子分割結(jié)果 對(duì)灰度圖 進(jìn)行 Log 算子 分割后 ： 圖 Log算子效果圖 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(diǎn) , 但是在抑制噪聲的同時(shí)也可能將原有的比較尖銳的邊緣也平滑掉 , 造成這些尖銳邊緣無(wú)法被檢測(cè)到 [8]。 18 各 邊緣檢測(cè) 分割結(jié)果 比較 通過(guò)比較分割結(jié)果可以看出， Sobel 算子對(duì)灰度漸變和噪聲較多的圖 像處理效果比較好，對(duì)邊緣定位比較準(zhǔn)確。 Prewitt 對(duì)灰度漸變和噪聲較多的圖像處理效果較好。 LoG算子經(jīng)常出現(xiàn)雙邊緣像素邊界，而且該檢測(cè)方法對(duì)噪聲比較敏感，所以很少用 LoG 算子檢測(cè)邊緣，而是用來(lái)判斷邊緣像素是位于圖像的明區(qū)還是暗區(qū)。 Canny 不容易受噪聲的干擾，能夠檢測(cè)到真正的弱邊緣。在 edge 函數(shù)中，最有效的邊緣檢測(cè)方法是 Canny方法。該方法的優(yōu)點(diǎn)在于使用兩種不同的閾值分別檢測(cè)強(qiáng)邊緣和弱邊緣，并且僅當(dāng)弱邊緣與強(qiáng)邊緣相連時(shí)，才將弱邊緣包含在輸出圖像中。因此，這種方法不容易被噪聲 “填充 ”，跟容易檢測(cè)出真正的 弱邊緣 [4]。 區(qū)域生長(zhǎng)結(jié)果與分析 對(duì)灰度圖 進(jìn)行 區(qū)域生長(zhǎng) 分割 后 ： 圖 區(qū)域生長(zhǎng)效果圖 可以看出：區(qū)域生長(zhǎng)方式的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單。但區(qū)域生長(zhǎng)的缺點(diǎn)也比較明顯：（ l）它需要人工交互以獲得種子點(diǎn)，這樣使用者必須在每個(gè)需要抽取出的區(qū)域中植入一個(gè)種 子點(diǎn) ；（ 2） 區(qū)域增長(zhǎng)方式也對(duì)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(kāi)的區(qū)域連接起來(lái)。 19 閾值分割結(jié)果與分析 Otsu 算法求自適應(yīng)閥值結(jié)果 對(duì)灰度圖 進(jìn)行 Otsu 算法求閾值 分割后 ： 圖 Otsu 算法求閾值效果圖 Otsu 算法求出的閾值 ： 圖 閾值直方圖 Otsu算法求自適應(yīng)閾值 分割的效果比迭代閾值分割要好一點(diǎn)。雖然有些地方并未分割出來(lái)，但可以通過(guò)調(diào)整閾值而達(dá)到想要的結(jié)果，十分方便簡(jiǎn)練。 迭代法求全局閾值 對(duì)灰度圖 進(jìn)行 迭代法求閾值分割后 ： 20 圖 迭代法求閾值效果圖 迭代法求出的閾值 ： 圖 閾值直方圖 迭代法閾值分割的結(jié)果十分清晰，能較好地分割出葉子的輪廓以及其高光部位。盡管效率比自適應(yīng)閾值法低，但原理更好理解，而且比較容 易掌握。 各種 圖像 分割 方法 的比較 邊緣檢測(cè)法重要是用線描繪。對(duì)于簡(jiǎn)單色塊的處理比較適用。但遇到圖片中有復(fù)雜背景或者其他情況，如反光，周?chē)衅渌矬w時(shí)，就有機(jī)會(huì)產(chǎn)生誤判。且分割效果在很大程度上取決于使用的算子。不同算子的效果，效率也不同，但運(yùn)行比較簡(jiǎn)單，適合更多的人使用。 閾值分割法則是以色塊來(lái)表示分割結(jié)果。無(wú)論是迭代閾值法還是自適應(yīng)閾值法，使用難度和代碼的復(fù)雜程度都比邊緣檢測(cè)法高。 而區(qū)域生長(zhǎng) 與閉值分割類(lèi)似，區(qū)域增長(zhǎng)也很少單獨(dú)使用，往往是與其它分割方法一起使用。 21 5 結(jié)論 本論文對(duì)傳統(tǒng)的圖像分 割技術(shù)進(jìn)行了簡(jiǎn)要的介紹，隨著圖像分割技術(shù)的深入，其應(yīng)用日漸廣泛，凡是對(duì)圖像目標(biāo)盡興提取測(cè)量的工作都離不開(kāi)圖像分割。目前，圖像分割已經(jīng)在交通，醫(yī)學(xué)，搖感，通信，軍事和工業(yè)自動(dòng)化等領(lǐng)域得到廣泛的應(yīng)用。 對(duì)圖像分割算法的研究已有幾十年的歷史，借助各種理論至今已提出了上千種各種類(lèi)型的分割算法。盡管人們?cè)趫D像分割方面做了許多研究工作。但由于尚無(wú)通用分割理論，因此現(xiàn)已提出的分割算法大都是針對(duì)具體問(wèn)題的，并沒(méi)有一種適合于所有圖像的通用的分割算法。但是可以看出，圖像分割方法正朝著更快速、更精確的方向發(fā)展，通過(guò)各種新理論和新 技術(shù)結(jié)合將不斷取得突破和進(jìn)展。 雖然近年來(lái)對(duì)數(shù)字圖像處理的研究成果越來(lái)越多 ,但由于圖像分割本身所具有的難度 ,使研究沒(méi)有大突破性的進(jìn)展 ,仍然存在以下幾個(gè)方面的問(wèn)題。 ,沒(méi)有一種普遍適用的分割算法。 。 對(duì)分割效果進(jìn)行評(píng)判的標(biāo)準(zhǔn)尚不統(tǒng)一 ,如何對(duì)分割結(jié)果做出量化的評(píng)價(jià)是一個(gè)值得研究的問(wèn)題 ,該量化測(cè)度應(yīng)有助于視覺(jué)系統(tǒng)中的自動(dòng)決策及評(píng)價(jià)算法的優(yōu)劣 ,同時(shí)應(yīng)考慮到均質(zhì)性、對(duì)比度、緊致性、連續(xù)性、心理視覺(jué)感知等因素。 。 隨著對(duì)人類(lèi)視 覺(jué)機(jī)理的研究 ,人們逐漸認(rèn)識(shí)到 ,已有方法大都與人類(lèi)視覺(jué)機(jī)理相脫節(jié) ,難以進(jìn)行更精確的分割。尋找到具有較強(qiáng)的魯棒性、實(shí)時(shí)性以及可并行性的分割方法必須充分利用人類(lèi)視覺(jué)特性。 。 僅利用圖像中表現(xiàn)出來(lái)的灰度和空間信息來(lái)對(duì)圖像進(jìn)行分割 ,往往會(huì)產(chǎn)生和人類(lèi)的視覺(jué)分割不一致的情況。人類(lèi)視覺(jué)分割中應(yīng)用了許多圖像以外的知識(shí) ,在很多視覺(jué)任務(wù)中 ,人們往往對(duì)獲得的圖像已具有某種先驗(yàn)知識(shí) ,這對(duì)于改善圖像分割性能是非常重要的。試圖尋找可以分割任何圖像的算法目前是不現(xiàn)實(shí) ,也是不可能的。人們的工作應(yīng)放在那些實(shí)用的、特定圖像分 割算法的研究上 ， 力圖在實(shí)際應(yīng)用中達(dá)到和人類(lèi)視覺(jué)分割更接近的水平。 22 參考文獻(xiàn) [1] 夏得深，傅德勝 .現(xiàn)代圖像處理技術(shù)與應(yīng)用 [M]．南京：東南大學(xué)出版， 2020： 120135. [2] [M]．北京：電子工業(yè)出版社， 1998： 110， 166， 220. [3] 岡薩雷斯 .數(shù)字圖像處理（ MATLAB 版） [M]．北京：電子工業(yè)出版社， 2020。111120， 152. [4] 劉直芳，游勝志 .基于多尺度彩色形態(tài)矢量算子的邊緣檢測(cè) [J].中國(guó)圖像圖形學(xué)報(bào)， 2020， 32（ 1）：3033. [5] 潘晨，顧峰．基于 3D直方圖的彩色圖像分割方法 [J].中國(guó)圖像圖形學(xué)報(bào)， 2020， 33（ 2）： 3538. [6] 李宏貴，李興國(guó)．一種基于函數(shù)的圖像邊緣檢測(cè)算法 [J]．中國(guó)圖像圖形學(xué)報(bào)， 2020， 5(3)： 1016. [7] 孫祥，徐流美 .MATLAB 基礎(chǔ)教程 [M]．北京：清華大學(xué)出版社， 2020： 102106， 155. [8] 董長(zhǎng)虹． Matlab 神經(jīng)網(wǎng)絡(luò)與應(yīng)用 [M]．北京： 國(guó)防工業(yè)出版社， 2020： 243245， 134， 189. [9] 賴志國(guó)，余嘯海 .Matlab 圖像處理與應(yīng)用 [M]．北京：國(guó)防工業(yè)出版社， 2020： 139,150170. [10] 劉直芳，王運(yùn)瓊．?dāng)?shù)字圖像處理與分析 [M]． 北京：清華大學(xué)出版社， 2020： 6975， 120， 200. 23 謝 辭 陽(yáng)春三月，清風(fēng)扶柳，春暖花開(kāi)，到處都是一片春意盎然的景象，在這樣一個(gè)成長(zhǎng)的季節(jié)里，出生長(zhǎng)廣東、成長(zhǎng)在廣東、就連求學(xué)也至今未曾離開(kāi)廣東的我就要結(jié)束我的大學(xué)生涯，迎來(lái)了我四年中最重要的一刻，畢業(yè)答辯?；仡櫸业那髮W(xué)生涯，我不得不提到我的大學(xué)母校，是 它給予了我學(xué)習(xí)、成長(zhǎng)壯大的優(yōu)美環(huán)境，給予了我寶貴的思想道德文化修養(yǎng)和扎實(shí)的專(zhuān)業(yè)知識(shí)，希望它早日沖出廣東，成為中大，華工一樣的全國(guó)聞名的高等學(xué)府，進(jìn)而走向世界 ! 我之所以能夠順利完成本次論文，離不開(kāi)我的導(dǎo)師一直以來(lái)的辛勤培養(yǎng)和諄諄教誨，她不僅使我獲得了專(zhuān)業(yè)上的扎實(shí)基礎(chǔ)，還在平常不時(shí)督促我按時(shí)交作業(yè)。論文從開(kāi)題到定稿，之中蘊(yùn)含了老師的多少的心血和汗水，耐心指導(dǎo)、提供方法，她是這樣一絲不茍、精益求精對(duì)待學(xué)術(shù)研究的作風(fēng)，使我終身受益。感謝我的導(dǎo)師，希望她身體健康，永遠(yuǎn)快樂(lè)幸福，事業(yè)步步高升 ! 論文的順利完成，我的同 學(xué)，院系老師，班長(zhǎng)輔導(dǎo)員也在我的論文上也花費(fèi)了不少心血，他們給予了我最直接的指導(dǎo)和關(guān)愛(ài)，可以說(shuō)他們是我的導(dǎo)師 。他們對(duì)我的論文耐心指導(dǎo)，不知疲倦，諄諄善誘，使我的論文終于能夠?qū)懙浇裉?。感謝他們，希望他們和家人都幸福安康，快樂(lè)一生 ! 特別感謝我的朋友，是他們給予了我想要的資料和數(shù)據(jù)，希望他們和女朋友永遠(yuǎn)健康幸福 !還要感謝我的同門(mén)師兄弟和我的室友們，沒(méi)有他們?cè)谂赃厼槲掖驓?，給予我鼓勵(lì)和支持，我也不可能堅(jiān)持到今天，感謝他們，希望他們找個(gè)好工作，永遠(yuǎn)健康、幸福、快樂(lè) ! 感謝我慈愛(ài)、無(wú)私的父母，是他們給予了我無(wú)盡的動(dòng)力 和支持，希望他們永遠(yuǎn)健康、快樂(lè)。 24 附 錄 1. 邊緣檢測(cè)代碼： clc。 clear all。 [filename pathname]= ... uigetfile({39。*.*39。39。*.jpg39。39。*.bmp39。39。*.pgm39。39。*.tiff39。39。*.gif39。},39。 讀入圖片 39。)。 str=[pathname filename]。 I=imread(str)。 im=imread(str)。 %讀取圖像 im=im2double(im)。 %將圖像轉(zhuǎn)化為 double型 不是的，看我們的需要，不過(guò)大多數(shù)都是 因?yàn)?double類(lèi)型，處理基本不受限制，其他類(lèi)型有時(shí)受限制 im1=rgb2gray(im)。 %將圖像轉(zhuǎn)換為灰度圖像 im1=medfilt2(im1,[3 3])。 %中值濾波 這個(gè)窗口有 3*3的， 5*5的， 7*7的等等 ，選擇哪個(gè)都可以，關(guān)鍵看我們圖像的要求，當(dāng)然窗口越小，效果會(huì)越好 均值濾波使得圖像模糊 BW = edge(im1,39。Sobel39。)。 %找到邊緣 canny,prewitt,log都可以更換，效果看來(lái)是 Canny較好 [imx,imy]=size(BW)。 %提取 BW圖像的大小 imx代表行數(shù)， imy代表列數(shù) msk=[0 0 0 0 0。 0 1 1 1 0。 0 1 1 1 0。 0 1 1 1 0。 0 0 0 0 0。]。 %隨便刪，隨便加行，減行都可以 實(shí)驗(yàn)了很多種，最后得 到這個(gè)是最好的。 B=conv2(double(BW),double(msk))。 %平滑圖像 平滑圖像能幫助我們更好的標(biāo)注 圖像實(shí)際由于灰度不同，會(huì)呈現(xiàn)許多區(qū)域 標(biāo)注就是對(duì)每個(gè)區(qū)域進(jìn)行標(biāo)注 L = bwlabel(B,8)。 %標(biāo)注連通對(duì)象 選擇 8連通進(jìn)行標(biāo)注 用 8連通函數(shù)進(jìn)行標(biāo)注可以為了標(biāo)注的更緊密些 因?yàn)樗^的 8連通是指可以向 8個(gè)方向進(jìn)行擴(kuò)展 mx=max(max(L))。 %標(biāo)注的最大數(shù) 一共有多少個(gè)灰度區(qū)域 [r,c] = find(L==17)。 %找到目標(biāo)對(duì)象 r c 是橫縱左邊 25 %以下是將目標(biāo)對(duì)象儲(chǔ)存 rc = [r c]。 %存目標(biāo)坐標(biāo) [sx sy]=size(rc)。 n1=zeros(imx,imy)。 %定義圖像大小 for i=1:sx x1=rc(i,1)。 y1=rc(i,2)。 n1(x1,y1)=255。 %實(shí)現(xiàn)圖像的分割 end %分別顯示原圖、去噪后的圖像、平滑后的圖像、實(shí)現(xiàn)分割的圖像 figure,imshow(im)。 figure,imshow(im1)。 figure,imshow(BW)。 figure,imshow(n1) 。 % 去除偽邊緣 MAX_E=max(max(edge_array).39。)。 % 最大幅度值 edge_array=edge_array/MAX_E。 % 最大幅度值 threshold=。 % 閾值（需要調(diào)整） % 遍歷 for m=1:401 for n=1:281 if (edge_array(m,n)threshold) edge_array(m,n)=1。 else edge_array(m,n)=0。 end end end % 顯示圖