【正文】 endendp=new_f_gray。 new_f_x(i,j)=k。tem=median(tem)。 tem=er.*f(khs:k+hs,lhs:l+hs)。 end end er=((f(i,j)f(khs:k+hs,lhs:l+hs)).^2)/hr^2。l=j。 if shift1 flag=0。 k=round(new_k)。 new_l=sum(sum(cc1.*es.*er))/sum(sum(es.*er))。er(index)=0。index=find(er1)。 cc1=c1+l。 while(flag~=0) count=count+1。count=0。for i=hs+1:rhs for j=hs+1:chs k=i。es=exp(es)。es=(r1.^2+c1.^2)/hs^2。c1=repmat(c1,2*hs+1,1)。hr=35。new_f_gray=f。new_f_x=zeros(r,c)。end子程序：function p=meanshift(im)[r,c]=size(im)。figure。 end endendfor i=1:m for j=1:n if (S1(i,j)==255) I1(i,j)=i1(i,j)。imshow(uint8(I1))。 end endendI1=meanshift(I)。imshow(uint8(H1))。 end endendH1=meanshift(H)。imshow(uint8(S1))。 else S1(i,j)=0。i1=I。S1=S。figure。figure。figure。I=double(I)。S=double(S)。H=im2uint8(H)。 I=(r+g+b)/3。 S=13.*num./den。 den=r+g+b。 H=H/(2*pi)。 H=theta。 den=sqrt((rg).^2+(rb).*(gb))。 b=rgb(:,:,3)。 r=rgb(:,:,1)。imshow(rgb)。)。附 件程序清單：主程序：function tu=keyprogram( ) rgb=imread(39。感謝我的父母和家人，沒有你們的鼓勵(lì)和支持我將一事無成。在幾年的學(xué)習(xí)生活中，感謝陳老師給予我的關(guān)心、指導(dǎo)和培養(yǎng)。 . Stochastic relaxation,Gibbs distribution and Bayesian restoration of images[J]．IEEE Transactions on pattern Analysis and Machine Intelligence，1984(6) ：721741．[16] 劉平，陳斌，阮波．基于邊緣信息的圖像閾值化分割方法[J]．計(jì)算機(jī)應(yīng)用，2004，9(24)：2837．[17] 陳勝，楊新，姚麗萍，孫錕．多網(wǎng)格法解總變分問題及在醫(yī)學(xué)圖像增強(qiáng)中的應(yīng)用[J]．中國(guó)圖象圖形學(xué)報(bào)，2004，7(9)：787792．[18] 劉梅華，汪東，柳惠秋．一種改進(jìn)的輪廓跟蹤算法[J]．機(jī)械設(shè)計(jì)與制造，2008，5：4547．[19] 田岳鑫．Hough變換在小目標(biāo)檢測(cè)中的應(yīng)用[J]．激光與紅外，2008，11（38）：11411143．謝　辭本文是在我的導(dǎo)師陳志剛講師的悉心指導(dǎo)下完成的。在試驗(yàn)中選用Berkeley圖像庫中的彩色圖像作為樣本，從實(shí)驗(yàn)的結(jié)果中分析，本文的算法實(shí)現(xiàn)分割的效果良好，論證了本文算法的有效性和準(zhǔn)確性。在實(shí)驗(yàn)中采用Berkeley圖像庫中的彩色圖像作為樣本，從實(shí)驗(yàn)的結(jié)果中分析，本文的算法具有很好的效果。同時(shí)如圖42提取指定目標(biāo)的輪廓與區(qū)域，這樣為彩色圖像的目標(biāo)匹配，跟蹤與識(shí)別奠定了不錯(cuò)的基礎(chǔ)。由于本文的算法是以顏色和紋理特征計(jì)算像素與種子，區(qū)域與區(qū)域之間的相對(duì)距離，并且種子的選取遠(yuǎn)離邊緣。因?yàn)槊糠N算法分割出的區(qū)域不一致，采用人工涂色往往會(huì)造成不同算法的同一區(qū)域顯示不一樣的顏色，為了更好對(duì)比分割后的效果，在分割的區(qū)域內(nèi)使用該區(qū)域內(nèi)像素的平均值涂色。如圖35所示為區(qū)域生長(zhǎng)和區(qū)域合并的效果圖。種子選取效果如圖34所示：圖34　種子選取效果圖．區(qū)域生長(zhǎng)與合并區(qū)域生長(zhǎng)中選用像素間顏色和紋理的相對(duì)歐氏距離作為相似度函數(shù)，其相似度表達(dá)式為 () ()式中Dc和Dt分別為相對(duì)顏色距離和相對(duì)紋理距離，在區(qū)域生長(zhǎng)過程中，判定閾值不應(yīng)選地太大，否則容易產(chǎn)生過分割。(3) 種子與其鄰域像素有高度的紋理相似性，通過紋理距離并選擇合適的閾值判斷。和其他的梯度算子都一樣，sx和sy可用卷積模板來實(shí)現(xiàn)： 圖32　用于說明Sobel算子的鄰域像素點(diǎn)標(biāo)記edge函數(shù)實(shí)現(xiàn)的語法格式如下：BW=edge(I,’sobel’)BW=edge(I,’sobel’,thresh)BW=edge(I,’sobel’,thresh,direction)[BW,thresh]=edge(I,’sobel’…)Sobel算子邊緣檢測(cè)效果如圖33所示： （a） （b）圖33　Sobel算子邊緣檢測(cè)效果圖．種子的選取區(qū)域生長(zhǎng)算法中，種子的選取非常重要，在本文中的算法中種子的選取有三個(gè)原則：(1) 種子的鄰域像素不是任何尺度的邊緣像素點(diǎn)?？紤]如圖32所示的點(diǎn)[i,j]周圍點(diǎn)的排列。Sobel算子是邊緣檢測(cè)器中最常用的算子之一。 I=(r+g+b)/3。 S=13.*num./den。 den=r+g+b。 H=H/(2*pi)。 H=theta。 den=sqrt((rg).^2+(rb).*(gb))。 b=rgb(:,:,3)。 r=rgb(:,:,1)。而本文的算法采用HIS顏色空間，因此要將圖像由RGB顏色空間轉(zhuǎn)換到HIS顏色空間。強(qiáng)度折確定了像素的整體亮度，而不管是什么顏色H和S是包含彩色信息的兩個(gè)參數(shù)。這種顏色空間反映了人觀察彩色的方式。分割方法框圖如圖31所示：原彩色圖像顏色空間轉(zhuǎn)換檢測(cè)邊緣選取種子區(qū)域生長(zhǎng)與合并分割結(jié)果圖31　分割方法框圖．顏色空間的轉(zhuǎn)換圖像分割最終效果好壞是由人來判別的，所以在對(duì)原圖像進(jìn)行分割時(shí)，應(yīng)選擇與人的視覺一致的顏色空間，即在顏色空間計(jì)算的距離應(yīng)該與人觀察到的顏色距離一致。3．無監(jiān)督彩色圖像分割．概述本章主要介紹本文所采用的彩色圖像分割方法。在用分割方法分割圖像后，結(jié)果中可能會(huì)出現(xiàn)過分割，利用區(qū)域歸并方法則可以進(jìn)一步將相鄰的區(qū)域按照合并準(zhǔn)則合并成起來。圖23(b)給出了T＝3時(shí)的區(qū)域生長(zhǎng)結(jié)果，圖像被較好的分成了兩個(gè)區(qū)域。區(qū)域生長(zhǎng)示例如圖23，圖23(a)給出需要分割的圖像，選定兩個(gè)種子像素（下劃線標(biāo)識(shí)），進(jìn)行區(qū)域生長(zhǎng)。(2) 區(qū)域生長(zhǎng)法區(qū)域生長(zhǎng)就是在圖像被分成多個(gè)區(qū)域以及每個(gè)區(qū)域中像素的位置已知的情況下，從一個(gè)已知像素也就是種子像素開始，根據(jù)一致性準(zhǔn)則向鄰接區(qū)域生長(zhǎng)，將滿足準(zhǔn)則的像素合并到種子像素所在區(qū)域中。泛洪，根據(jù)排序掃描像素構(gòu)建集水盆地，每個(gè)集水盆地分派不同的標(biāo)記，不同積水盆地的水流入就匯集成了壩。圖22 三維空間中的分水嶺和集水盆地示意圖分水嶺的分割算法主要分為兩步：排序和泛洪。標(biāo)記是根據(jù)應(yīng)用的關(guān)于該物體的知識(shí)，操作者手工或者通過自動(dòng)程序選擇的。分水嶺算法的思想來源于地理學(xué)（如圖22所示），它將梯度幅值圖像看成一幅地形圖，而梯度幅值對(duì)應(yīng)海拔高度，圖像中不同梯度值的區(qū)域就對(duì)應(yīng)于山峰和山谷間的盆地。分水嶺算法是一種利用圖像形態(tài)學(xué)、基于區(qū)域的分割技術(shù)?；谶吘壍姆指钭畛Ｒ姷膯栴}是由于圖像噪聲或圖像中不恰當(dāng)信息，而造成在沒有邊界的地方出現(xiàn)了邊緣以及在存在邊界的地方卻沒有出現(xiàn)邊緣的情況。Hough變換就是解決該問題的典型方法，它通過在圖像中移動(dòng)一個(gè)合適形狀和大小的掩模，尋找圖像與掩模間的關(guān)聯(lián)，它還可以用于重疊的或部分遮擋的物體的分割。邊界跟蹤