【正文】 感謝我的同學(xué)和朋友，在我寫(xiě)論文的過(guò)程中給予我了很多 素材，還在論文的撰寫(xiě)和排版 的 過(guò)程中提供熱情的幫助。尤其要強(qiáng)烈感謝我的論文指導(dǎo)老師 申麗然 老師，她對(duì)我進(jìn)行了無(wú)私的指導(dǎo)和幫助，不厭其煩的幫助進(jìn)行論文的修改和改進(jìn)。 基于邊緣的分割方法對(duì)于邊緣復(fù)雜的圖像效果不太理想，會(huì)產(chǎn)生邊緣模糊、邊緣丟失、邊緣不連續(xù)等現(xiàn)象；基于區(qū)域的分割方法法若選取不好閾值，穩(wěn)定性、準(zhǔn)確性以及運(yùn)算速度都會(huì)受到很大影響；閾值法能區(qū)分出圖像的前景和背景的主要區(qū)域所在，但在圖像的細(xì)微處還沒(méi)有很好的區(qū)分度。本文首先介紹了數(shù)字圖像處理技術(shù)中圖像分割技術(shù)的基本原理和主要方法，然后分別研究了基于 閾值、邊緣和區(qū)域 的圖像分割方法。區(qū)域生長(zhǎng)法有效地克服其它方法存在的圖像分割空間不連續(xù)的缺點(diǎn)， 但是 穩(wěn)定性、準(zhǔn)確性以及運(yùn)算速度都會(huì)受到 所選種子好壞的影響；區(qū)域分離與合并法克服了區(qū)域生長(zhǎng)法的過(guò)分割缺陷，但是這種分割方法將分割區(qū)域的邊界破壞了，產(chǎn)生了塊狀區(qū)域邊界。 (a) 原始圖像 (b) 分割結(jié)果 圖 55 四叉樹(shù)法分割圖像 結(jié)果分析：仿真結(jié)果如圖 55 所示，這種方法克服了區(qū)域生長(zhǎng)法的過(guò) 分 分割缺陷，從分割圖像中可以看出，它很好的將對(duì)象從背景中分割出來(lái)了。 圖 55 是使用四叉樹(shù)結(jié)構(gòu)的迭代分裂合并算法的仿真結(jié)果，這種分割方法在MATLAB 里可以直接調(diào)用函數(shù)進(jìn)行四叉樹(shù)分解，方法簡(jiǎn)單有效，可以迅速分割出對(duì)象。如此類(lèi)推，直到 ????為單個(gè)像素。令 R代表整個(gè)圖像區(qū)域， P代表邏輯謂詞。 (a) 原始圖像 (b) 分割結(jié)果 圖 52 區(qū)域生長(zhǎng)法分割圖像 10 8 9 1 5 7 1 13 10 10 8 9 1 5 7 1 13 10 0 1 0 0 0 1 0 0 1 圖像區(qū)域分割算法設(shè)計(jì) 21 結(jié)果分析：從圖 52(b)中的分割結(jié)果可以看出，區(qū)域生長(zhǎng)法利用了圖像的局部空間信息，可有效的克服其它方法存在的圖像分割空間不連續(xù)的缺點(diǎn)，此方法的關(guān)鍵是初始種子點(diǎn)的選取和相似區(qū)域生長(zhǎng)準(zhǔn)則的確定，若選取不好，穩(wěn)定性、準(zhǔn)確性以及運(yùn)算速度都會(huì)受到很大影響。如果這個(gè)差分比相似度閾值小，則像素屬于相同的區(qū)域。 在區(qū)域生長(zhǎng)中的主要問(wèn)題如下： ：在區(qū)域生長(zhǎng)過(guò)程中，這些不同區(qū)域點(diǎn)合適屬性的選擇。 區(qū)域生長(zhǎng)法 區(qū)域生長(zhǎng)的基本思想是將具有相似性質(zhì)的像素集合起來(lái)構(gòu)成區(qū)域。 在此類(lèi)方法中，如果從全圖出發(fā)，按區(qū)域?qū)傩蕴卣饕恢碌臏?zhǔn)則，決定每個(gè)像元的區(qū)域歸屬，形成區(qū)域圖，這常稱(chēng)之為區(qū)域生長(zhǎng)的分割方法；如果從像元出發(fā)，按區(qū)域?qū)傩蕴卣饕恢碌臏?zhǔn)則，將屬性接近的連通像元聚 集為區(qū)域是區(qū)域增長(zhǎng)的分割方法；若綜合利用上述兩種方法，就是區(qū)域分裂與合并法的方法。 (a) 原始圖像 (b) Roberts 算子 圖像區(qū)域分割算法設(shè)計(jì) 18 (c) Sobel算子 (d) Prewitt 算子 (e) 拉普拉斯算子 (f) Canny 算子 圖 42 邊緣算子的邊緣檢測(cè)圖像 本章小結(jié) 在一階 微分 算子里， Roberts 邊緣算子定位精度高，在水平和垂直方向效果較好，但對(duì)噪聲敏感； Sobel算子通常對(duì)灰度漸變和噪聲較多的圖像處理得較好；Prewitt 算子不僅能檢測(cè)邊緣點(diǎn)，而且能抑制噪聲的影響，因此對(duì)灰度和噪聲較多的圖像處理得較好。 (a) 原始圖像 (b) Roberts 算子 (c) Sobel算子 (d) Prewitt 算子 圖像區(qū)域分割算法設(shè)計(jì) 17 (e) 拉普拉斯算子 (f) Canny 算子 圖 41 邊緣算子的邊緣檢測(cè)圖像 從圖 41 的仿真結(jié)果可以看出，對(duì)于復(fù)雜的圖像，分割結(jié)果確實(shí)出現(xiàn)了邊緣丟失和不連續(xù)的現(xiàn)象，而且對(duì)比發(fā)現(xiàn)：由圖 41(f)可以看出 Canny 算子的分割效果最好，能夠檢測(cè)到真正的弱邊緣，但是會(huì)造成一定的邊緣丟失。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，因此這種方法容易檢查出真正的弱邊緣。 Canny算子 Canny 算子是一類(lèi)最優(yōu)邊緣檢測(cè)算子。 Prewitt 算子不僅能檢測(cè)邊緣點(diǎn)，而且能抑制噪聲的影響，因此對(duì)灰度和噪聲較多的圖像處理得較好。運(yùn)算結(jié)果是一副邊緣圖像。兩個(gè)方向上微分值的和。應(yīng)用梯度算子進(jìn)行邊緣檢測(cè)， Sobel算子的檢測(cè)效果最好。 梯度算子 梯度對(duì)應(yīng)于一階導(dǎo)數(shù)，相應(yīng)的梯度算子對(duì)應(yīng)于一階導(dǎo)數(shù)算子。這些邊緣檢測(cè)器對(duì)邊緣灰度值過(guò)渡比較尖銳且噪聲較小等不太復(fù)雜的圖像可以取得較好的效果。常用的空間微分算子主要包括：梯度算子、拉普拉斯算子和 Canny 算子等。邊緣常常意味著一個(gè)區(qū)域的終結(jié)和另一個(gè)區(qū)域的開(kāi)始。直方圖雙峰法算法簡(jiǎn)單，但它要求圖片的灰度直方圖具有良好的雙峰性；最大類(lèi)間方差法 具有計(jì)算精確等優(yōu)點(diǎn) ； 這種方法可以完整地將對(duì)象從圖像背景中整齊清晰地分割出來(lái) ， 但是對(duì)復(fù)雜的整幅圖像用單一閾值不能給出良好的分割結(jié)果 ；迭代法效果良好，但在 圖像的細(xì)微處還沒(méi)有很好的區(qū)分度 。 迭代后的閾值 ： 89 (a) 原始圖像 (b) 分割結(jié)果 圖 34 迭代法分割圖像 結(jié)果分析：從圖 34(b)的迭代法分割仿真結(jié)果可以看出：迭代所得的閾值分割的圖像效果良好。用這個(gè)閾值控制開(kāi)關(guān)再次將輸入圖分為前景和背景，并用做新的開(kāi)關(guān)函數(shù)。圖像中某一部分的閾值能把該部分的物體和背景精確區(qū)分出，而對(duì)另一部分來(lái)說(shuō)，可能把太多的背景也作為物體分割下來(lái)了。兩組間的類(lèi)間方差如式 3?4 所示： ????2 = ??0(??0 ? ??)2 + ??1(??1 ? ??)2 = ??0??1(??0 ? ??)2 (3?4) 運(yùn)行結(jié)果： graythresh 計(jì)算灰度閾值： 88 (a) 原始圖像 (b) 分割結(jié)果 圖 32 最大類(lèi)間方差法分割圖像 結(jié)果分析：圖 32 是最大類(lèi)間方差法的仿真結(jié)果，這種方法是一種自動(dòng)獲取圖像區(qū)域分割算法設(shè)計(jì) 12 閾值的分割方法，最大類(lèi)間方差方法具有算法簡(jiǎn)單，計(jì)算精確等優(yōu)點(diǎn)。最大類(lèi)間方差法以圖像的灰度直方圖為依據(jù)，以目標(biāo)和背景的類(lèi)間方差最大為閾值選取準(zhǔn)則，綜合考慮了像素鄰域以及圖像整體灰度分布等特征關(guān)系，以經(jīng)過(guò)灰度分類(lèi)的像素類(lèi)群之間產(chǎn)生最大方差時(shí)候的灰度數(shù)值作為圖像的整體分割閾值。 此外，該方法的抗噪性較差，當(dāng)被分割對(duì)象存在較強(qiáng)噪聲時(shí)，分割效果會(huì)受到很大的影響。選擇的閾值為兩峰之間的谷底點(diǎn)時(shí)，即可將目標(biāo)分割出來(lái)。圖像的直方圖可以看作是像素灰度值概率分布密度函數(shù)的一個(gè)近似，設(shè)一幅圖像僅包含目標(biāo)和背景，那么它的直方圖所代表的像素灰度值概率密度分布函數(shù)實(shí)際上就是對(duì)應(yīng)目標(biāo)和背景的兩個(gè)單峰分布密度函數(shù)的和?，F(xiàn)有的大部分算法都是集中在閾值確定的研究上。閾值分割算法因其直觀、實(shí)現(xiàn)簡(jiǎn)單等特點(diǎn)在圖像分割的應(yīng)用中一直得到廣泛的使用，尤其是在分割精度要求不是很高的場(chǎng)合。 在 MATLAB 中 GUI 是面向?qū)ο蟮木幊?，可以?MATLAB 程序的終端用戶(hù)操作更加輕松，即使不懂 MATLAB 程序也能輕易操作。只要圖像區(qū)域分割算法設(shè)計(jì) 8 執(zhí)行 GUI 的單個(gè)圖形組件，必須有一個(gè)回應(yīng)。最后，如果用戶(hù)用鼠標(biāo)單擊或用鍵盤(pán)鍵入一些信息，那么程序就要有相應(yīng)的動(dòng)作。 GUI 的每一個(gè)組件都必須安排圖象窗口中。 創(chuàng)建 MATLAB 用戶(hù)圖形界面必須由三個(gè)基本元素 : 。 一個(gè)好的 GUI 能夠使程序更加容易的使用。它是由窗口、光標(biāo)、按鍵、菜單、文字說(shuō)明等對(duì)象構(gòu)成的。 （ a）有噪點(diǎn)的原始圖像 （ b）濾波后的圖像 圖 三次均值濾波效果圖 均值濾波也稱(chēng)為線(xiàn)性濾波，其采用的主要方法為鄰域平均法。本次設(shè)計(jì)使用三次均值濾波（取像素點(diǎn)及周?chē)簿艂€(gè)點(diǎn)平均灰度作為新的灰度值）去掉這些噪聲。 我們可以通過(guò)直方圖的狀態(tài)來(lái)評(píng)斷圖像的一些性質(zhì)：明亮圖像的直方圖傾向于灰度級(jí)高的一側(cè)；低對(duì)比度圖像的直方圖窄而集中于灰度級(jí)的中部，高對(duì)比度圖像的直方圖成分覆蓋的灰度級(jí)很寬而且像素的分布沒(méi)有不太均勻，只有少量的垂線(xiàn)比其他高許多。 遺傳算法是基于進(jìn)化論自然選擇機(jī)制的、并行的、統(tǒng)計(jì)的、隨機(jī)化搜索的方圖像區(qū)域分割算法設(shè)計(jì) 6 法 。小波變換是一種多尺度、多通道的分析工具 它是空域和頻域的局域變換，因而能有效地從信號(hào)中提取信息，通過(guò)伸縮和平移等運(yùn)算功能對(duì)函數(shù)或信號(hào)進(jìn)行多尺度分析，解決了傅立葉變換不能解決的許多問(wèn)題。 結(jié)合特定理論工具的分割方法 近年來(lái)，隨著各學(xué)科許多新理論和新方法的提出，人們也提出了許多與一些特定理論、方法和工具相結(jié)合的分割技術(shù)。松弛法是一種動(dòng)態(tài)調(diào)優(yōu)的標(biāo)號(hào)方法，包括概率松弛、模糊松弛等。與之對(duì)應(yīng)的區(qū)域分裂與合并法則剛好相反，將整幅圖像分裂成小的區(qū)域，最后將分裂區(qū)域中性質(zhì)相同的小區(qū)域合并進(jìn)行圖像分割處理。常用的特征包括：直接來(lái)自原始圖像的灰度或彩色 特征；由原始灰度或彩色值變換得到的特征。若提高了檢測(cè)精度，噪聲產(chǎn)生的偽邊緣會(huì)導(dǎo)致不合理的輪廓；若提高了抗噪性，則會(huì)產(chǎn)生輪廓漏檢和位置偏差。圖像中相鄰的不同區(qū)域間總是存在邊緣，邊緣處像素的灰度值是不連續(xù)的，可通過(guò)求導(dǎo)數(shù)的方法檢測(cè)到，因此，我們常用灰度的一階或二階微分算子來(lái)進(jìn)行邊緣檢測(cè)。在工業(yè)生產(chǎn)應(yīng)用中，機(jī)器視覺(jué)運(yùn)用于產(chǎn)品質(zhì)量檢測(cè)等。設(shè)原始圖像為 f(x,y)，按照一定的準(zhǔn)則 f(x,y)中找到特征值 T，將 圖像分割 為兩個(gè)部分，分割后的圖像為：若?。? ??0 = 0(黑 )， b1 = 1(白 )，即為我們通常所說(shuō)的圖像二值化。圖像閾值化的目的是要按照灰度級(jí)，對(duì)像素集合進(jìn)行一個(gè)劃分，得到的每個(gè)子集形成一個(gè)與現(xiàn)實(shí)景物相對(duì)應(yīng)的區(qū)域，各個(gè)區(qū)域內(nèi)部具有一致的屬性，而相鄰區(qū)域布局有這種一致屬性。此外，還有結(jié)合特定理論工具的分割方法，這些方法包括基于形態(tài)學(xué)分水嶺的分割、基于統(tǒng)計(jì)模式識(shí)別的分割、基于神經(jīng) 網(wǎng)圖像區(qū)域分割算法設(shè)計(jì) 4 絡(luò)的分割、基于信息論的分割、基于小波變換的分割等。但是，實(shí) 際中的圖像分析和處理都是針對(duì)某種特定的應(yīng)用，所以條件中的各種關(guān)系也需同實(shí)際需求結(jié)合來(lái)設(shè)定的。 ???? ∩???? = ?指出分割結(jié)果中的各個(gè)區(qū)域是互不重疊的。 多年來(lái)人們對(duì)圖像分割提出了不同的解釋和表述，借助集合概念對(duì)圖像分割可給出如下定義：令集合 R代表的整個(gè)圖像區(qū)域，對(duì) R的圖像分割可以看做是將 R分成 N個(gè)滿(mǎn)足以下條件的非空子集 ??1,??2,? ,????。人們一般是通過(guò)對(duì)圖像的不同特征如邊緣、紋理、顏色、亮度等的分析達(dá)到圖像分割的目的。 本論文 的主要工作及內(nèi)容安排 ，并介紹相關(guān)的術(shù)語(yǔ)，這里面有三次均值濾波、灰度直方圖等。而采取什么樣的結(jié)合方式才能體現(xiàn)各種方法的有點(diǎn)，彌補(bǔ)各自的不足，取得好的預(yù)期效果，在未來(lái)將仍是人們關(guān)注的主要問(wèn)題之一。目前越來(lái)越多的學(xué)者開(kāi)始將數(shù)學(xué)形態(tài)學(xué)、模糊理論、遺傳算法理論、分形理論和小波變換理論等研究成果運(yùn)用到圖像分割中，產(chǎn)生了結(jié)合特定數(shù)學(xué)方法和針對(duì)特殊圖像分割的先進(jìn)圖像分割技術(shù)。然而，到目前為止，人們還沒(méi)有制定出選擇合適分割算法的標(biāo)準(zhǔn)，這給圖像分割技術(shù)的應(yīng)用帶來(lái)許多實(shí)際困難。 圖 像分 割的基本現(xiàn)狀 圖像分割算法的研究已經(jīng)有幾十年的歷史，一直都受到人們的高度重視。通過(guò)對(duì)分割結(jié)果的描述，能夠理解圖像中包含的有關(guān)信息。 圖像分割是按一定的制約規(guī)則把圖像劃分為若干個(gè)互不相交、具有特定性質(zhì)的區(qū)域，是把我們關(guān)注的區(qū)域從需要分割的圖像中提取出來(lái)，以此進(jìn)行進(jìn)一步研究分析和處理的技術(shù)。 Threshold。 全文先后 用閾值法、 邊緣檢測(cè)法和區(qū)域提取法進(jìn)行了仿真，對(duì)分割出來(lái)的圖片加以比較，探討 各種分割法的優(yōu)點(diǎn)與不足。 圖像分割就是把圖像分成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提出感興趣目標(biāo)的技術(shù)和過(guò)程。隨著計(jì)算機(jī)科學(xué)技術(shù)的不斷發(fā)展，圖像處理和分析逐漸形成了自己的科學(xué)體系，新的處理方法層出不窮，盡管其發(fā)展歷史不長(zhǎng)，但卻引起各方面人士的廣泛關(guān)注。 首先，視覺(jué)是人類(lèi)最重要的感知手段，圖像又是視覺(jué)的基礎(chǔ)，因此，數(shù)字圖像成為心理學(xué)、生理學(xué)、計(jì)算機(jī)科學(xué)等諸多領(lǐng)域內(nèi)的學(xué)者們研究視覺(jué)感知的有效工具。它是由圖像處理到圖像分析的關(guān)鍵步驟。 實(shí)驗(yàn)證明， 沒(méi)有一種方法是 通用 的 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。 Edge detection。圖像分割的結(jié)果是圖像特征提取和識(shí)別等圖像理解的基礎(chǔ)，對(duì)圖像分割的研究一直是數(shù)字圖像處理技術(shù)的焦點(diǎn)和熱點(diǎn)。圖像分割質(zhì)量直接影響后續(xù)圖像處理的效果，甚至決定其成敗，因此，分割的方法和精確程度至關(guān)重要。關(guān)于圖像分割