【正文】 new_f_y(i,j)=l。tem=tem(find(tem0))。 break。 l=round(new_l)。 new_k=sum(sum(rr1.*es.*er))/sum(sum(es.*er))。 er=((f(i,j)f(khs:k+hs,lhs:l+hs)).^2)/hr^2。flag=1。es(index)=0。r1=c139。hs=7。f=im。 end endendhsi=cat(3,H1,S1,I1)。figure。figure。 end endendfigure。h1=H。imshow(uint8(H))。[m,n]=size(S)。I=im2uint8(I)。 H(S==0)=0。 num=min(min(r,g),b)。 theta=acos(num./(den+eps))。 g=rgb(:,:,2)。figure。最后，感謝各位專家和評(píng)委的耐心審閱，他們提出了很多寶貴意見和建議。從論文的選題、研究思路的確定、論文的撰寫直到論文修改的整個(gè)過程中，陳老師傾注了大量的心血和精力。 (a)原圖像 (b)分割結(jié)果 (c) 原圖像 (d) 分割結(jié)果 (e) 原圖像 (f) 分割結(jié)果 (g) 原圖像 (h) 分割結(jié)果圖41　圖像分割效果圖 （a）目標(biāo)輪廓 （b）目標(biāo)區(qū)域圖42　本文方法提取指定目標(biāo)的輪廓和區(qū)域臺(tái)州學(xué)院畢業(yè)設(shè)計(jì)（論文）5．結(jié)論 本文論述了彩色圖像分割的目前方法，并提出了一種基于結(jié)合邊緣提取、區(qū)域生長和合并方法的無監(jiān)督分割算法，并能準(zhǔn)確提取目標(biāo)圖像的輪廓與區(qū)域，為機(jī)器視覺中的目標(biāo)匹配、跟蹤與識(shí)別打下良好的基礎(chǔ)。如圖41所示的分割效果看，本文的算法是有效和準(zhǔn)確的。 (a)區(qū)域生長 (b)區(qū)域合并圖35　區(qū)域生長和區(qū)域合并效果圖4．實(shí)驗(yàn)結(jié)果與分析在實(shí)驗(yàn)中選取Berkeley圖像庫中的彩色圖像，像素分辨率為321*481。假如一個(gè)像素點(diǎn)滿足上述三個(gè)條件即可最為種子像素點(diǎn)，由此可知種子的選取選擇在邊緣圍起的區(qū)域內(nèi)，使得種子區(qū)域生長更為合理，從而能是最終的分割效果更為準(zhǔn)確。Sobel算子也是一種梯度幅值： ()其中的偏導(dǎo)數(shù)用下式計(jì)算： () ()其中常數(shù)c=2。．Sobel算子邊緣提取為了實(shí)現(xiàn)無監(jiān)督的圖像分割并合理確定分割區(qū)域，采取邊緣與區(qū)域想結(jié)合的方法，邊緣部分的準(zhǔn)確提取決定了分割的準(zhǔn)確度。 den(den==0)=eps。 H(bg)=2*piH(bg)。 num=*((rg)+(rb))。RGB轉(zhuǎn)換為HIS坐標(biāo)的轉(zhuǎn)換關(guān)系為： ()RGB顏色空間轉(zhuǎn)換為HIS顏色空間的主要程序如下：rgb=im2double(rgb)。在HIS系統(tǒng)中，I是指感覺到的顏色明暗程度的量。輸入一幅彩色圖像，輸出結(jié)果是分割后的圖像，具體步驟如下：先將彩色圖像轉(zhuǎn)換為HIS顏色空間，接下來檢測圖像邊緣，然后選取種子，最后進(jìn)行區(qū)域生長算法，得到最終分割結(jié)果。 (a) (b)圖23　區(qū)域生長例圖(3) 區(qū)域合并法區(qū)域歸并方法是指在通過某種初始化分割方法得到的很多小區(qū)域上，根據(jù)一定的歸并標(biāo)準(zhǔn)將滿足歸并標(biāo)準(zhǔn)的兩個(gè)鄰接區(qū)域合并為一個(gè)區(qū)域，直到所有滿足歸并標(biāo)準(zhǔn)的鄰接區(qū)域都被歸并起來。當(dāng)新的點(diǎn)被合并后再用新的區(qū)域重復(fù)這一過程，直到?jīng)]有滿足條件的像素可被接收時(shí)生長過程終止。排序，像素點(diǎn)按梯度值遞增排序，相同梯度值的點(diǎn)作為一個(gè)梯度層級(jí)。它將圖像中每個(gè)物體都看成單獨(dú)的部分，并要求在每個(gè)物體的內(nèi)部至少要有一個(gè)標(biāo)記。．基于區(qū)域的分割方法(1) 分水嶺方法數(shù)學(xué)形態(tài)學(xué)理論在圖像分割的應(yīng)用中有代表性的是分水嶺算法。(4) Hough變換[19]當(dāng)圖像是由已知形狀和大小的物體組成時(shí)，分割可以看成是在圖像中尋找物體的問題。在迭代的第一次，每個(gè)邊緣e的信度c(1)(e)可以定義為規(guī)范化的裂縫邊緣幅值，規(guī)范化可以是基于整幅圖像裂縫邊緣的全局最大值，也可以是基于該邊緣某個(gè)大鄰域內(nèi)的局部最大值。在兩個(gè)強(qiáng)邊緣間的一個(gè)弱邊緣構(gòu)成的一個(gè)上下文里，位于其間的弱邊緣就很可能屬于結(jié)果邊界的一部分。不同的邊緣檢測子所得到的邊緣圖像是不同的，基于邊緣的分割方法常用的有以下幾種：(1) 邊緣閾值化[16]因?yàn)閹缀鯖]有0值像素，但小的邊緣值對應(yīng)于由量化噪聲、弱且不規(guī)則照明等引起的非顯著的灰度變化的邊緣圖像，所以就應(yīng)該對邊緣圖像做簡單的閾值化處理去除這些小數(shù)值的邊緣。一種有效的解決方法就是給每個(gè)譜段計(jì)算一個(gè)平滑的直方圖，在每個(gè)直方圖中找到一個(gè)最顯著的峰，確定兩個(gè)閾值分別對應(yīng)于該峰兩側(cè)的局部最小值。當(dāng)物體或圖像區(qū)域表征為不變的反射率或其表面光的吸收率時(shí)，則可以確定一個(gè)亮度常量閾值來分割物體和背景。(5) CIE彩色空間CIE彩色空間是由國際照明委員會(huì)提出的，CIE空間有三個(gè)基本量X、Y、Z,通過X、Y、Z能夠表示任何一種顏色，X、Y、Z可以利用R、G、B線性表示出來： ()．彩色圖像分割方法彩色圖像分割是彩色圖像處理的首要問題，分割彩色圖像可以看作是灰度圖像分割技術(shù)在彩色模型上的應(yīng)用。如強(qiáng)度取最小值時(shí)為黑色，強(qiáng)度取最大值時(shí)為白色。表示藍(lán)色，360176。設(shè)0176。色調(diào)是描述純色的屬性(純黃色、橘黃或紅色)，飽和度給出一種純色被白光稀釋的程度的度量，亮度是一個(gè)主觀的描述子，實(shí)際上它是不可能測量的。這里的Y不是指黃色，而是指顏色的明適度，就是亮度。因?yàn)橐曈X對顏色的感知是非線性的，所以顏色的指定并不真切，這使它的應(yīng)用范圍受到了局限。最強(qiáng)的紅，綠，藍(lán)三原色相加產(chǎn)生了白色。針對含有紅色成分的多與少，可以將彩色圖像人為地分成0到255共256個(gè)等級(jí)，0表示包含紅色成分255表示含有100%的紅色成分。圖像顏色特征的表達(dá)涉及若干問題，本章在介紹最常用的顏色空間，轉(zhuǎn)換、量化等基本問題的基礎(chǔ)上，討論了顏色特征的提取方法。數(shù)字圖像處理研究方向主要集中在圖像獲取、圖像變換、圖像增強(qiáng)、圖像恢復(fù)、壓縮編碼、圖像分割和圖像邊緣提取等方面。到了20世紀(jì)70年代初，數(shù)字圖像處理已經(jīng)形成了較完善的學(xué)科體系，并成為一門獨(dú)立的新學(xué)科。數(shù)字圖像處理是指使用數(shù)字計(jì)算機(jī)對圖像進(jìn)行處理。在許多場合，圖像所傳遞的信息比其他任何形式所傳遞的信息更加豐富和實(shí)際。為人們在不同的應(yīng)用領(lǐng)域及不同的圖像數(shù)據(jù)條件下選擇不同的分割算法提供了一定的依據(jù)。由于人的視覺對亮度的敏感程度遠(yuǎn)強(qiáng)于對顏色濃淡程度，為了便于色彩處理和識(shí)別，經(jīng)常采用HIS空間，它比RGB顏色空間更符合人的視覺特性。．本文的內(nèi)容安排想要進(jìn)一步對圖像進(jìn)行分析、識(shí)別、跟蹤、理解、壓縮編碼等高級(jí)處理，圖像分割是必不可少的前提，分割的準(zhǔn)確性將直接影響后續(xù)任務(wù)的有效性，所以分割算法十分重要。另外，顏色聚類一般是在三維空間進(jìn)行的。因此，這一算法在很大程度上受到了限制。[7]提出了使用神經(jīng)網(wǎng)絡(luò)進(jìn)行彩色圖像的分割方法。(2) 基于邊緣的分割方法邊緣檢測是灰度圖像分割廣泛使用的一種技術(shù)，它是基于在區(qū)域邊緣上的像素灰度變化較劇烈，試圖通過檢測不同區(qū)域的邊緣來解決圖像分割問題。大多數(shù)方法都是對彩色圖像的每個(gè)分量分別采用直方圖閾值法。這是由于灰度圖像和彩色圖像存在一個(gè)主要的區(qū)別，即對于每一個(gè)像素的描述，前者是在一維亮度空間上，而后者是在三維顏色空間上。無論是基于哪種分割方法，灰度圖像的分割方法都發(fā)展得比較成熟了。而且分割的圖像的種類也各有不同，分割中用到的圖像的模型不同（有物理模型和隨機(jī)模型），分割的目的不同等，這些圖像分割方法的分類也不盡相同。這種技術(shù)明顯導(dǎo)致了時(shí)間復(fù)雜度，但理論上它更可靠更準(zhǔn)確。圖像分割的技術(shù)主要有4種：并行邊界分割技術(shù)、串行邊界分割技術(shù)、并行區(qū)域分割技術(shù)和串行區(qū)域分割技術(shù)。所有現(xiàn)存分割方法只能針對某一類型的圖像，分割的質(zhì)量必須