【正文】 end end end % 顯示圖像和邊。 % 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。 % 最大幅度值 edge_array=edge_array/MAX_E。 % 去除偽邊緣 MAX_E=max(max(edge_array).39。 figure,imshow(BW)。 %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)。 y1=rc(i,2)。 n1=zeros(imx,imy)。 %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]。 %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))。 B=conv2(double(BW),double(msk))。]。 0 1 1 1 0。 0 1 1 1 0。 %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)。Sobel39。 %將圖像轉(zhuǎn)換為灰度圖像 im1=medfilt2(im1,[3 3])。 %讀取圖像 im=im2double(im)。 I=imread(str)。)。},39。39。39。39。39。39。 [filename pathname]= ... uigetfile({39。 24 附 錄 1. 邊緣檢測(cè)代碼： clc。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?。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。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。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)到和人類視覺(jué)分割更接近的水平。人類視覺(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。 。 隨著對(duì)人類視 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視覺(jué)機(jī)理相脫節(jié) ,難以進(jìn)行更精確的分割。 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。 ,沒(méi)有一種普遍適用的分割算法。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。盡管人們?cè)趫D像分割方面做了許多研究工作。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。 而區(qū)域生長(zhǎng) 與閉值分割類似，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。 閾值分割法則是以色塊來(lái)表示分割結(jié)果。且分割效果在很大程度上取決于使用的算子。對(duì)于簡(jiǎn)單色塊的處理比較適用。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。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。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)。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]。在 edge 函數(shù)中，最有效的邊緣檢測(cè)方法是 Canny方法。 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)。 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。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。 Prewitt 算子分割結(jié)果 對(duì)灰度圖 進(jìn)行 Prewitt 算子處理后 ： 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。 利用 edge 函數(shù)，分別采用 Sobel、 Prewitt、 Log、 Canny 這 5種不同的邊緣檢測(cè)算子編程實(shí)現(xiàn)對(duì)原始圖像進(jìn)行邊緣提取。 Otsu 算 法 (最大類間方差法 ) 最大類間方差法是在判決分析或最小二乘法原理的基礎(chǔ)上推導(dǎo)出來(lái)的，最大類間方差法分割圖像的計(jì)算方法如下： 把一幅數(shù)字圖像 f(x,y)中的像素按灰度級(jí)用閾值 T 分為 C0和 C1類，即 ? ? ? ? },|,{ m i n10 TyxffyxfC ??? （式 ） ? ? ? ? },|,{ m a x21 TyxffyxfC ??? （式 ） 其中， fmin、 fmax分別為圖像 f(x,y)中灰度的最小值和最大值。 4)計(jì)算新的閾值 2 21 ?? ??T 。 2)利用選擇的閾值 T 對(duì)圖像進(jìn)行分割，根據(jù)圖像像素的灰度值，可以將圖像分割為兩部分，灰度值大于 T 的圖像區(qū)域 G1和灰度值小于等于 T 的圖像區(qū)域 G2。它利用計(jì)算機(jī)運(yùn)算速度快、適合做重復(fù)性操作的特點(diǎn) ,讓計(jì)算機(jī)對(duì)一組指令 (或一定步 驟 )進(jìn)行重復(fù)執(zhí)行 ,在每次執(zhí)行這組指令 (或這些步驟 )時(shí) ,都從變量的原值推出它的一個(gè)新值。迭代一直進(jìn)行到 ii TT ??1 結(jié)束，取 結(jié)束時(shí)的 iT 為閾值。 迭代閾值分割 閾值也可以通過(guò)迭代計(jì)算得到。 在一般的多閾值情況下，取閾值分割后的圖像可表示為： ? ? ? ? KkTyxfTkyxg kk ,2,1, 1 ????? ? （式 ） 其中 kTTT , 10 ? 是一系列分割閾值， k 表示賦予分割后圖像各區(qū)域不同的標(biāo)號(hào)。反之，有時(shí)候也可以將多閾值分割問(wèn)題轉(zhuǎn)化為一系列單閾值分割問(wèn)題來(lái)解決。如果只用一個(gè)閾值分割稱為單閾值分割方法，如果用多個(gè)閾值分割稱為多閾值分割方法。 把圖像中各種灰度的像素分成兩個(gè)不同的類，需要確定一個(gè)閾值。它一般要求在直方圖上能得到明顯的峰或谷 , 并在谷底選擇閾值。所謂全局閾值分割是利用利用整幅圖像的信息來(lái)得到分割用的閾值 , 并根據(jù)該閾值對(duì)整幅圖像進(jìn)行分割而局部閾值分割是根據(jù)圖像中的不同區(qū)域獲得對(duì)應(yīng)的不同區(qū)域的閾值 , 利用這些閾值對(duì) 12 各個(gè)區(qū)域進(jìn)行分割 , 即一個(gè)閾值對(duì)應(yīng)相應(yīng)的一個(gè)子區(qū)域 , 這種方法也稱適應(yīng)閾值分割 [9]。其過(guò)程是決定一個(gè)灰 度值 , 用以區(qū)分不同的類 , 這個(gè)灰度值就叫做 “閾值 ”。通常，微區(qū)域大小 q 和閾值 T 由特定條件下的 區(qū)域生成效果確定?；叶确植枷嗨坪喜⒎ㄉ蓞^(qū)域的效果與微區(qū)域的大小和閾值的選取關(guān)系密切，一般說(shuō)來(lái)，微區(qū)域太大，會(huì)造成因過(guò)渡合并而漏分區(qū)域；反之，則因合并不足而割斷區(qū)域。 灰度分布統(tǒng)計(jì)準(zhǔn)則 這里考慮以灰度分布相似性作為生長(zhǎng)準(zhǔn)則來(lái)決定區(qū)域的合并，對(duì)灰度分布的相似性常用兩種方法檢測(cè)（設(shè) ??zh1 ， ??zh2 分別為兩鄰接區(qū)域的累積灰度直方圖）： Kolmogorov—Smirnov 檢測(cè)： ? ? ? ?zhzhz 21m ax ? （式 ） Smoothed—Difference 檢測(cè)： ? ? ? ?? ?z zhzh 21 （式 ） 如果檢測(cè)結(jié)果小于給定的閾值，即將兩區(qū)域合并 [9]。對(duì)灰度值為 m ① 閾值： 輸入圖像像元密度值 (灰度、亮度值 )按對(duì)數(shù)函數(shù)關(guān)系變換為輸出圖像 。 2. 設(shè)區(qū)域?yàn)榉蔷鶆?，且由兩部分不同目?biāo)的圖像像素構(gòu)成。當(dāng)用（式）測(cè)試某個(gè)像素時(shí)，條件不成立的概率為 : ? ? ?? ???????? ?? T dzzTP 222e x p22 ??? (式 ) 這就是誤差概率函數(shù)，當(dāng) T 取 3 倍的方差時(shí)，誤判概率為 1～ %。 區(qū)域生長(zhǎng)的過(guò)程中，要求圖像的同一區(qū)域的 灰度值變化盡可能小，而不同的區(qū)域之間，灰度差盡可能大。為克服這個(gè)問(wèn)題，可不用新像素的灰度值去與鄰域像素的灰度值比較，而用新像素所在區(qū)域的平均灰度值去與各鄰域像素的灰度值進(jìn)行比較。 3. 設(shè)定終止準(zhǔn)則，通過(guò)反復(fù)進(jìn)行上述步驟（ 2）中的操作將區(qū)域依次合并直到中指準(zhǔn)則 滿足為止 [8]。 10 灰度差準(zhǔn)則 區(qū)域生長(zhǎng)方法將圖像以像素為基本單位來(lái)進(jìn)行操作，基于區(qū)域灰度差的方法主要有如下步驟： 1. 設(shè)灰度差的閾值 ① 為零，用上述方法進(jìn)行區(qū)域擴(kuò)張，使灰度相同像素合并。下面介紹 2 種基本的生長(zhǎng)準(zhǔn)則和方法。 區(qū)域生長(zhǎng)的一個(gè)關(guān)鍵是選擇合適的生長(zhǎng)或相似準(zhǔn)則，大部分區(qū)域生長(zhǎng)準(zhǔn)則使用圖 像的局部性質(zhì)。將這些新像素當(dāng)作新的種子像素繼續(xù)進(jìn)行上面的過(guò)程，直到再?zèng)]有滿足條件的像素可被包括進(jìn)來(lái)。 區(qū)域生長(zhǎng)法 區(qū)域生長(zhǎng)原理 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。 LoG 算子對(duì)圖像 ? ?yxf , 進(jìn)行邊緣檢測(cè)，輸出 ? ?yxh , 是通過(guò)卷積運(yùn)算得到的，即： ? ? ? ?yxfeyxyxh yx ,*2, 2 2224222???????? ???????? ??? ???? （式 ) 濾波（或平滑）、增強(qiáng)和檢測(cè) 3 個(gè)邊緣檢測(cè)的步驟對(duì) LoG 算子邊緣檢測(cè)依然成立。拉普拉斯 函數(shù)用作二維二階的近似，是因?yàn)樗且环N無(wú)方向算子。由于平滑會(huì)導(dǎo)致邊緣的延展，因此邊緣檢測(cè)器只考慮那些具有局部梯度最大值的點(diǎn)為邊緣點(diǎn)。 0a 1a 2a 7a ? ?ji, 3a 6a 5a 4a 1 0 1 2 0 2 1 0 1 1 2 1 0 0 0 1 2 1 9 Log 算子 Log 算子也就是 LaplacianGauss 算子，它把 Gauss 平滑濾波器和 Laplacian 銳化濾波器結(jié)合了起來(lái)，先平滑掉噪聲，再進(jìn)行邊緣檢測(cè)。 和其他的梯度算子一樣 xs 和 ys 可分別用卷積模板表示為 : 這一算 子把重點(diǎn)放在接近于模板中心的像素點(diǎn)?？紤]下圖中所示的點(diǎn) ? ?ji, 周 圍點(diǎn)的排列。, p a ra m e te rty p eIe d g eBW ?