【導(dǎo)讀】日益下降，圖像處理在眾多科學(xué)領(lǐng)域與工程領(lǐng)域得到廣泛的利用。圖像分析的關(guān)鍵步驟就是圖像分割，所以說圖像分割在圖像工程中占據(jù)著重要的位置。圖像分割是圖像特征提取和識別等圖像理解的基礎(chǔ)，對圖像分割的研究一直是數(shù)字圖像處理技術(shù)研究中的熱點和焦點。本文主要對圖像分。割算法進(jìn)行了分析、分類、歸納和總結(jié)。并應(yīng)用Matlab進(jìn)行了仿真實驗，在基于L*a*b. 過計算圖像中像素點與樣本像素點的距離來判斷這個像素點的顏色進(jìn)行分割。示圖像的紋理底部紋理。的時候都會有它的缺陷和局限性。利用邊緣檢測方法對細(xì)胞圖像進(jìn)行了分割實驗，結(jié)。果與傳統(tǒng)方法相比，輪廓提取更為精確，且最大程度的保留了內(nèi)部細(xì)胞核的輪廓。

　　

【正文】 :,:,2)。 b = lab_fabric(:,:,3)。 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 17 color_markers = repmat(0, [nColors, 2])。%初始化顏色均值 for count = 1:nColors color_markers(count,1)= mean2(a(sample_regions(:,:,count)))。%a的均值 color_markers(count,2)= mean2(b(sample_regions(:,:,count)))。%b的均值 end disp(sprintf(39。[%,%]39。,color_markers(2,1),... color_markers(2,2)))。%顯示紅色樣本分量的均值 color_labels = 0:nColors1。 a = double(a)。 b = double(b)。 distance = repmat(0,[size(a), nColors])。%初始化距離矩陣 for count = 1:nColors distance(:,:,count) = ( (a color_markers(count,1)).^2 + ... (b color_markers(count,2)).^2 ).^。%求出最小距離的顏色 end 第三步為對圖像樣本區(qū)域中的顏色進(jìn)行分割，通過計算每個像素點和六種顏色平均值的歐式距離，這六種距離中最小的距離即為該像素點的顏色，這種方法稱為最近鄰法，例如：如果像素點距離紅色平均值的歐式距離最小，那么該像素點久違紅色。實現(xiàn)該功能代碼如下： [value, label] = min(distance,[],3)。%求出最小距離顏色 label = color_labels(label)。 clear value distance。 rgb_label = repmat(label,[1 1 3])。 segmented_images = repmat(uint8(0),[size(fabric), nColors])。 for count = 1:nColors color = fabric。 color(rgb_label ~= color_labels(count)) = 0。%不是標(biāo)號顏色的像素置 0 segmented_images(:,:,:,count) = color。 end figure。 imshow(segmented_images(:,:,:,1)),%顯示背景 title(39。 背景 ?)。 figure。 imshow(segmented_images(:,:,:,2)), %顯示紅色目標(biāo) title(39。 紅色目標(biāo) 39。)。 figure。 imshow(segmented_images(:,:,:,3)), %顯示綠色目標(biāo) 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 18 title(39。 綠色目標(biāo) 39。)。 figure, imshow(segmented_images(:,:,:,4)), %顯示紫色惡目標(biāo) title(39。紫色目標(biāo) 39。)。 figure, imshow(segmented_images(:,:,:,5)), %顯示紅紫色目標(biāo) title(39。紅紫色目標(biāo) 39。)。 figure, imshow(segmented_images(:,:,:,6)), %顯示紅色目標(biāo) title(39。 黃色目標(biāo) 39。)。 實驗結(jié)果如圖 43 所示： 圖 43 圖像顏色分割結(jié)果 最后一步即為繪制散點圖，在散點圖中畫出每種顏色 ，在散點圖中可以看出，六種顏色在 a 和 b 分量下能明顯的分開，每種顏色比分成一塊區(qū)域。實現(xiàn)代碼如下： purple = [119/255 73/255 152/255]。 plot_labels = {39。k39。, 39。r39。, 39。g39。, purple, 39。m39。, 39。y39。}。 figure for count = 1:nColors plot(a(label==count1),b(label==count1),39。.39。,39。MarkerEdgeColor39。, ... plot_labels{count}, 39。MarkerFaceColor39。, ... plot_labels{count})。%顯示各種顏色的散點圖 hold on。 end title(39。39。)。 xlabel(39。39。39。a*39。39。 values39。)。 ylabel(39。39。39。b*39。39。 values39。)。 各種顏色的散點圖如圖： 44 所示： 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 19 圖 44 各種顏色散點圖 基于 L*a*b 空間的彩色分割是根據(jù)圖像中色彩空間不同的顏色來確定不同色彩所在的區(qū)域而對圖像進(jìn)行劃分的；在本 實驗 這中主要用到的函數(shù)是色彩空間轉(zhuǎn)換函數(shù)makecform 和 applyccform，通過計算圖像中像素點與樣本像素點的距離來判斷這個像素點的顏色進(jìn)行分割的。 基于圖像紋理的圖像分割 圖像紋理的定義 紋理（ Texture）是圖像中一個重要而又難以確切描述的特性，紋理一詞最初指纖維的外觀，雖然問我們大隊圖像的紋理很熟悉，但事實上目前對紋理仍然沒有統(tǒng)一的定義，一般來說，可以認(rèn)為紋理是有許多互相接近的、相互編織得到元素構(gòu)成，他們具有周期性。與圖像分析直接相關(guān)的紋理一般定義為 “一種反映一個區(qū)域中像素灰度級的空間分布屬性 ”，它們反應(yīng)了物體表面顏色和灰度的某種變化，而這些變化又與物體的本身屬性相關(guān)。此外，一些物體的表面可能具有方向相關(guān)的紋理信息，通常把圖像灰度分布性質(zhì)或圖像表面呈現(xiàn)出的方向信息作為紋理結(jié)果，它有助于區(qū)別不同的圖像區(qū)域。 圖像紋理的分類 紋理可分為人工紋理和天然紋理。人工紋理是自然背景上的符號的排列組成，這些符號可以是線條、點、字母、數(shù)字等。自然紋理是具有重復(fù)性排列現(xiàn)象的自然景象，如磚墻、種子、森林草地之類的照片，人工紋理往往是有規(guī)則的，而自然紋理一般是無規(guī)則的 。 圖像紋理提取方法 圖像紋理特征提取是指通過一定的圖像處理技術(shù)提取出紋理特征參數(shù)、從而獲得紋理的定量或定性描述的處理過程，圖像紋理的分析方法可以分為以下幾類： (1) 統(tǒng)計分析方法 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 20 (2) 結(jié)構(gòu)分析方法 (3) 頻譜分析方法 (4) 模型分析方法 統(tǒng)計好分析方法是基于 紋理圖像的全局特性，對具有明顯差別的紋理信號處理效果不明顯，這類方法主要有邊緣方向的直方圖法，灰度差分統(tǒng)計法等，也包括著名且實際應(yīng)用較多的灰度共生矩陣算法。結(jié)構(gòu)分析法是紋理圖像的集合結(jié)構(gòu)，從中獲取結(jié)構(gòu)特征，但純結(jié)構(gòu)法只能處理那些過于規(guī)則而無實際意義的圖像。模型法則難以用固定的模型區(qū)分析復(fù)雜的紋理圖像，而頻譜法則是分析紋理圖像的頻譜特征。由于現(xiàn)實世界的紋理常常由于方位、尺度或其他方面的變化而引起圖像的不一致，上述方法尚難以全面而精確的描述和提取紋理信息，因而能對各種圖像紋理分析都比較全面的例子并不是很多，當(dāng)然 還存在其他一些方法，比如基于小波分析的方法就有著很好的發(fā)展前景，但也存在著算法復(fù)雜度 較高，計算量大，難以實施等諸多缺點。 使用 MATLAB 中的紋理濾波器分割圖像 使用紋理濾波器分割圖像 的基本步驟可分為 四步，分別為讀取圖像、創(chuàng)建紋理圖像、顯示不同部分的紋理、使用合適的濾波器進(jìn)行分割。 使用紋理濾波器進(jìn)行分割就是利用圖像中不同區(qū)域的紋理來對圖像的區(qū)域進(jìn)行劃分。紋理是指一個物體上的顏色模式或者指物體表面的光滑程度。紋理描述圖像中的區(qū)域特性，試圖直觀的定量描述諸如光滑、質(zhì)地等參數(shù)。在搖感、醫(yī)學(xué)圖像處理和自動化偵察中，紋理分割圖像有著很多的應(yīng)用。利用紋理可以用來檢測圖像的邊界，從而對圖像進(jìn)行分割。使用紋理濾波器對圖像進(jìn)行分割時，首先求取不同部分的紋理，然后使用 entropyfilt、 stdfilt、 rangefilt三個不同的濾波函數(shù)對圖像進(jìn)行圖像濾波。 使用紋理濾波器分割圖像的基本流程如圖 45所示： 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 21 圖 45 紋理濾波器分割圖像的基本流程 第一步讀取圖像的過程中實現(xiàn)代碼如下： I = imread(39。39。)。% 讀取圖像 figure。 imshow(I),title(39。原始圖像 39。)。% 顯示圖像 在這個程序中，首先讀取一副圖像，從圖 46中可以明顯 d看出這個圖像的頂部和底部的紋理有明顯的差異。 開始 讀取圖像 創(chuàng)建紋理圖像 分別轉(zhuǎn)換灰度、二值圖像 顯示圖像底部紋理 顯示圖像頂部紋理的掩膜圖像 提取圖像的頂部、底部紋理 結(jié)束 使用entropyfilt函數(shù) 使用 bwareaopen函數(shù) 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 22 圖 46 原始圖像 第二步即為創(chuàng)建圖像的紋理圖像，使用函數(shù) entropyfilt創(chuàng)建一副紋理圖像，這個函數(shù)返回的圖像與輸入圖像的大小相同，每個像素值是輸入相應(yīng)像素值鄰域的熵值。其實現(xiàn)代碼如下： E = entropyfilt(I)。%創(chuàng)建紋理圖像 Eim = mat2gray(E)。%轉(zhuǎn)化為灰度圖像 figure。 subplot(121) imshow(Eim),title(39?；叶葓D像 39。)。% BW1 = im2bw(Eim, .8)。%轉(zhuǎn)化為二值圖像 subplot(122)。 imshow(BW1),title(39。二值圖像 39。)。%二值圖像 使用函數(shù) mat2gray將矩陣轉(zhuǎn)化為灰度圖像，如圖 47左圖所示。使用紋理邊界處的值，如圖 47右圖所示： 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 23 圖 47 紋理圖像的灰度圖像和二值圖像顯示 第三步即為分別顯示圖像的底部紋理和頂部紋理。實現(xiàn)代碼如下： BWao = bwareaopen(BW1,2020)。%提取底部紋理 figure。 subplot(121) imshow(BWao),title(39。底部紋理圖像 39。)。%顯示底部紋理圖像 nhood = true(9)。 closeBWao = imclose(BWao,nhood)。%形態(tài)學(xué)相關(guān)操作 subplot(122)。 imshow(closeBWao),title(39。邊緣光滑后圖像 39。)。% 顯示該圖像 roughMask = imfill(closeBWao,39。holes39。)。%填充操作 figure。 subplot(121) imshow(roughMask),title(39。填充后圖像 39。)。%顯示填充后圖像 I2 = I。 I2(roughMask) = 0。%底部設(shè)置為黑色 subplot(122)。 imshow(I2),title(?突出顯示圖像的頂部 ?)。 分割后的圖像目標(biāo)區(qū)域顯示為白色，跟原圖像相比，圖像頂部的紋理內(nèi)過度分割，而底部的紋理則以一個整體分割出來，可以使用 bwareaopen函數(shù) 提取圖像的底部紋理，如圖 48左邊圖像所示，分割出的邊界并不光滑，并且 含有很多孔洞，這時候可以使用 imclose函數(shù)對圖像執(zhí)行形態(tài)學(xué)關(guān)操作，處理后的圖像如圖 48右邊圖像所示。 圖 48 圖形底部紋理 使用 imfill函數(shù)對圖像中的孔洞進(jìn)行填充操作，填充后的圖像如圖 49左邊圖像所示， 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 24 和原圖進(jìn)行比較，生成的圖像底部紋理并不完全吻合，可以使用這個圖像對原圖頂部的紋理進(jìn)行分割，得到的圖像頂部紋理如圖 49右邊圖像所示。 圖 49 填充后的頂部紋理 最后使用 entropyfilt對圖像進(jìn)行濾波分割其實現(xiàn)代碼如下 。 e2=entropyfilt(I2)。%創(chuàng)建紋理圖像 e2im=mat2gray(e2)。%轉(zhuǎn)化為灰度圖像 figure。subplot(121), imshow(e2im)。%顯示紋理圖像 bw2=im2bw(e2im,graythresh(e2im))。 subplot(122)。imshow(bw2) mask2=bwareaopen(bw2,1000)。 figure。imshow(mask2)。 texture1=I。texture1(~mask2)=0。 texture2=I。texture2(mask2)=0。 figure。subplot(121) imshow(texture1)。subplot(122) imshow(texture2)。