【正文】 miu2=0。 end omega2=1omega1。 omega2=0。for mindex=1:colorlevel threshold=mindex1。for m=1:colorlevel miuT=miuT+(m1)*hist(m)。 endendhist=hist/(wid*len)。 %初始閾值%計(jì)算直方圖for i=1:wid for j=1:len m=I_gray(i,j)+1。 %灰度級(jí)hist=zeros(colorlevel,1)。 %轉(zhuǎn)化為雙精度[wid,len]=size(I_gray)。endfigure,imshow(I_gray)。 %rgb轉(zhuǎn)灰度if isrgb(I)==1 I_gray=rgb2gray(I)。39。warning off。subplot(1,2,2),imshow(B,[])。top=top1。 %將原圖像起始位置灰度值賦予Bendif count=n %如果滿足判定條件的點(diǎn)個(gè)數(shù)大于等于ntop=1。dge=1，不滿足。 %將dge賦為1endelsedge=1。 %滿足判定條件將B中相對(duì)應(yīng)的點(diǎn)賦為1endif M(r1+i,c1+j)==0。 %滿足判定條件將M中相對(duì)應(yīng)的點(diǎn)賦為 1count=count+1。 %滿足判定條件top加1，top為多少，則q的行數(shù)有多少行q(top,:)=[r1+i c1+j]。 c1+j0 %保證在點(diǎn)周圍范圍之內(nèi)if abs(A(r1+i,c1+j)p)=thresh amp。 r1+i0 amp。 %起始點(diǎn)灰度值dge=0。 %起始點(diǎn)行位置c1=q(1,2)。 %將起始點(diǎn)賦為1，其余為0count=1。 %循環(huán)判斷flagM=zeros(r,c)。 %原圖起始點(diǎn)灰度值q=[seed(1) seed(2)]。 %圖像尺寸 r為行數(shù)，c為列數(shù)n=r*c。 %將圖像灰度化B=A。%灰度化A=imadjust(A,[min(min(double(A)))/255,max(max(double(A)))/255],[])。27%選擇起始位置thresh=15。)。)2. 區(qū)域生長(zhǎng)代碼：A0=imread(39。)%subplot(1,2,2)figureimshow(edge_array)title(39。 end endend % 顯示圖像和邊緣figure%subplot(1,2,1)imshow(X)title(39。 % 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)。26 y1=rc(i,2)。n1=zeros(imx,imy)。 %找到目標(biāo)對(duì)象 r c 是橫縱左邊%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]= ...25 uigetfile({39。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]. 中國圖像圖形學(xué)報(bào)，2022，32（1）：3033.[5] 潘晨，顧峰．基于 3D 直方圖的彩色圖像分割方法[J].中國圖像圖形學(xué)報(bào)，2022，33（2）：3538.[6] 李宏貴，李興國．一種基于函數(shù)的圖像邊緣檢測(cè)算法[J]．中國圖像圖形學(xué)報(bào)，2022，5(3)：102316.[7] 孫祥， 基礎(chǔ)教程[M]．北京：清華大學(xué)出版社，2022：102106，155.[8] 董長(zhǎng)虹．Matlab 神經(jīng)網(wǎng)絡(luò)與應(yīng)用 [M]．北京： 國防工業(yè)出版社，2022：243245，134，189.[9] 賴志國， 圖像處理與應(yīng)用 [M]．北京：國防工業(yè)出版社，2022：139,150170.[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，2022：6975，120，200.謝 辭陽春三月，清風(fēng)扶柳，春暖花開，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)也至今未曾離開廣東的我就要結(jié)束我的大學(xué)生涯，迎來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)到和人類視覺分割更接近的水平。人類視覺分割中應(yīng)用了許多圖像以外的知識(shí),在很多視覺任務(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)值得研究的問題,該量化測(cè)度應(yīng)有助于視覺系統(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、心理視覺感知等因素。,沒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22的 方 向 發(fā) 展 ， 通 過 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 在 圖 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，但可以通過調(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)的情況下將分開的區(qū)域連接起來。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，而是用來判斷邊緣像素是位于圖像的明區(qū)還是暗區(qū)。 各邊緣檢測(cè)分割結(jié)果比較通過比較分割結(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：17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。14 （式 ）????},|,{min10 TyxfyxfC?? （式 ）,|,ax21ff ??其中，f min、f max 分別為圖像 f(x,y)中灰度的最小值和最大值。 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1 迭 代 算 法 是 用 計(jì) 算 機(jī) 解 決 問 題 的 一 種 基 本 方 法 。4)計(jì)算新的閾值 。??maxin21f??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。迭代一直進(jìn)行到 結(jié)束，取kh iiT??1結(jié)束時(shí)的 為閾值。 迭代閾值分割閾值也可以通過迭代計(jì)算得到。??yxg,在一般的多閾值情況下，取閾值分割后的圖像可表示為： （式 ）??KkyxfTk ,21,1 ?????其中 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題轉(zhuǎn)化為一系列單閾值分割問題來解決。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)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，12一般說來，微區(qū)域太大，會(huì)造成因過渡合并而漏分區(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) ， 分別為兩鄰接區(qū)域的累積灰度直方圖）：??zh12Kolmogorov—Smirnov 檢測(cè)： （式 ）??zhz21max?Smoothed—Difference 檢測(cè)： （式 ）?z21如果檢測(cè)結(jié)果小于給定的閾值，即將兩區(qū)域合并 [9]。這兩部分像素在 R 中所占比例分別為 和 ，灰度值分別為 和 ，則區(qū)域均值為 。這表明，當(dāng)考慮灰度均值時(shí)，區(qū)域內(nèi)的灰度變化應(yīng)盡量小。兩種情況進(jìn)行討論：1. 設(shè)區(qū)域?yàn)榫鶆虻?，各像素灰度值為均?m 與一個(gè)零均值高斯噪聲的疊加。11 (式 )??TmyxfR??,a其中 T 為給定的閾值。為克服這個(gè)問題，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]。 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。生長(zhǎng)準(zhǔn)則可根據(jù)不同原則制定，而使用不同的生長(zhǎng)準(zhǔn)則會(huì)影響生長(zhǎng)的過程。這樣一個(gè)區(qū)域就長(zhǎng)成了 [7]。具體先對(duì)每個(gè)需要分割的區(qū)域找一個(gè)種子像素作為生長(zhǎng)的起點(diǎn)，然后將種子像素周圍鄰域中與種子像素有相同或相似性質(zhì)的像素（根據(jù)某些事先確定的生長(zhǎng)或相似準(zhǔn)則來判定）合并到種子像素所在的區(qū)域中。1