【正文】 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。本次設(shè)計(jì)讓我在工作中遇到問題，并去想辦法解決它，更加熟悉的掌握了所學(xué)的知識。 在使用matlab調(diào)試程序時，遇到了一些錯誤，例如‘；’在中文狀態(tài)下輸入，導(dǎo)致產(chǎn)生錯誤：Error: The input character is not valid in MATLAB statements or expressions.未將圖像轉(zhuǎn)換為二值圖像導(dǎo)致產(chǎn)生錯誤：??? Error using == imageDisplayValidateParamsvalidateCData at 119If input is logical (binary), it must be twodimensional.解決方法：在分水嶺算法中加入“bw=im2bw(f,graythresh(f))。1999 年,A rarerhula Cosi等利用GA的快速尋優(yōu)能力進(jìn)行前列腺的自動化識別工作,GA在這里所起的作用是快速分割出前列腺的邊界,他們對22例前列腺超聲圖像進(jìn)行識別實(shí)驗(yàn),得到了很好的結(jié)果, mm。遺傳算法擅長于全局搜索, 由于局部搜索能力不強(qiáng)，所以常把遺傳算法和其他算法結(jié)合起來應(yīng)用。利用超聲圖像的不同區(qū)域的多尺度過零點(diǎn)表征隨尺度的變化曲線函數(shù), 實(shí)現(xiàn)了醫(yī)學(xué)超聲圖像的區(qū)域分割。在多尺度分割方法下, 跨多個尺度的圖像分析相當(dāng)于在較粗尺度下以高位置分辨率換取較大類別分辨率。對圖像而言, 這些特異點(diǎn)往往構(gòu)成圖像的邊緣, 因此可以選擇適當(dāng)?shù)男〔ê瘮?shù)來提取圖像的邊緣。神經(jīng)網(wǎng)絡(luò)和模糊及其他技術(shù)結(jié)合的研究也越來越多, 出現(xiàn)了模糊神經(jīng)網(wǎng)絡(luò)、小波神經(jīng)網(wǎng)絡(luò)、混沌神經(jīng)網(wǎng)絡(luò)等一批新型混合神經(jīng)網(wǎng)絡(luò),這些方法各具特點(diǎn), 將進(jìn)一步推動醫(yī)學(xué)圖像分割技術(shù)的發(fā)展。在醫(yī)學(xué)圖像分割中, 一般先對原始圖像進(jìn)行特征提取, 再對這些圖像的特征進(jìn)行映射來分割圖像。神經(jīng)網(wǎng)絡(luò)存在巨大量的連接, 容易引入空間信息, 能徹底解決圖像中的噪聲和不均勻問題。Chen等就是運(yùn)用一種基于K平均聚類算法和基于知識的形態(tài)學(xué)運(yùn)算技術(shù)來對心臟CT圖像進(jìn)行自動分割的。目前最常用的聚類方法是模糊C—均值算法( FCM),它是一種基于模糊理論的圖像分割方法, 該法實(shí)際上是兩次尋優(yōu)的迭代過程, 隸屬函數(shù)的設(shè)計(jì)是整個模糊算法的關(guān)鍵所在, 對初值的設(shè)置影響不大。由于邊緣的成因復(fù)雜, 加之圖像的邊緣在圖像中表現(xiàn)為灰度的不連貫, 因而邊緣檢測目前仍存在一定的困難, 但其在醫(yī)學(xué)圖像幾何分析中的意義將十分重大, 還需要工程人員和醫(yī)務(wù)人員的共同努力, 使其廣泛應(yīng)用于影像醫(yī)學(xué)。常用的并行檢測算法有Roberts梯度算子、Wills 算子、Kirsh 算子邊緣檢測等。根據(jù)跟蹤方法的不同, 這種串行邊緣檢測方法又可分為輪廓跟蹤、光棚跟蹤和全向跟蹤3種。串行邊緣檢測法串行邊緣檢測法首先要檢測出一個邊緣起始點(diǎn)。 基于邊界的分割方法基于邊界的分割方法是利用不同區(qū)域間像素灰度不連續(xù)的特點(diǎn)檢測出區(qū)域間的邊緣, 從而實(shí)現(xiàn)圖像分割。區(qū)域生長法對面積不大的區(qū)域進(jìn)行分割時, 效果顯著, 如果對面積較大的區(qū)域進(jìn)行分割, 則計(jì)算速度就會減慢。區(qū)域生長法區(qū)域生長法是根據(jù)預(yù)先定義的標(biāo)準(zhǔn), 提取圖像中相連接的區(qū)域的一種分割方法。閾值分割對于CT圖像的效果較好, 但在選取閾值時需要用戶依經(jīng)驗(yàn)判斷, 或者先做多次嘗試性分割后再對閾值進(jìn)行調(diào)整, 直至用戶滿意為止。此外, 閾值法在考慮像素本身灰度值的同時并不考慮圖像的空間分布, 這樣其分割結(jié)果就對噪聲很敏感。閾值法的優(yōu)點(diǎn)是計(jì)算簡單、運(yùn)算速度快, 特別是不同物體或結(jié)構(gòu)之間有較大的強(qiáng)度對比時, 能夠得到很好的分割效果, 此分割方法通常是交互式的, 由于閾值法能實(shí)現(xiàn)實(shí)時操作, 所以它更易于建立在用戶視覺估計(jì)的基礎(chǔ)上。閾值法閾值法是一種最常用的并行區(qū)域技術(shù), 閾值是用于區(qū)分不同目標(biāo)的灰度值。在醫(yī)學(xué)領(lǐng)域中, 圖像分割常常用于病變區(qū)域提取, 特定組織測量以及實(shí)現(xiàn)三維重建研究, 因此研究圖像分割技術(shù)在醫(yī)學(xué)圖像處理過程中具有十分重要的意義。 (a)原始圖像1 (b)原始圖像2 (c)高階統(tǒng)計(jì)量分割圖 (d)光流場分割圖 (e)CV水平集分割圖 (f)時空結(jié)合算法分割圖圖56 煤礦地面輸送帶視頻實(shí)驗(yàn)圖 實(shí)驗(yàn)結(jié)果分析為了驗(yàn)證四類分割算法的效果，本文選用一組煤礦地面輸送帶視頻圖像進(jìn)行分析。鄭河榮等提出基于時空注意模型的視頻分割算法，通過顯著性映射構(gòu)造時空注意特征，并采用分層條件隨機(jī)場進(jìn)行視頻分割，算法不僅能夠分割復(fù)雜動態(tài)背景下的運(yùn)動目標(biāo)，還可以去除攝像機(jī)運(yùn)動等所導(dǎo)致的誤分割問題。時空分割算法的研究 時空分割算法在運(yùn)動目標(biāo)分割中引入圖像區(qū)域分割，首先根據(jù)某種方法得到基于區(qū)域的圖像信息，再根據(jù)時域信息確定區(qū)域的運(yùn)動，最后合并運(yùn)動區(qū)域?qū)崿F(xiàn)運(yùn)動目標(biāo)的分割。對于運(yùn)動圖像的分割，由于模型方法需要借助其他方法進(jìn)行引導(dǎo)，并且演化速度較慢等原因，不便于實(shí)時系統(tǒng)的應(yīng)用，在煤礦領(lǐng)域應(yīng)用也較少。只有輪廓線位于2個區(qū)域邊界時，E（C）才能達(dá)到最小值。表達(dá)式如下：常用基于模型的方法有Snake模型、CV模型等，Snake模型使初始曲線通過外部約束力及圖像內(nèi)部能量的相互作用進(jìn)行演化，通過圖像的邊緣信息實(shí)現(xiàn)圖像的分割；Chan和Vese提出不依賴圖像梯度信息的圖像檢測算法[5]，該算法可以克服在圖像光滑邊界上分割效果不好的問題。利用光流場對運(yùn)動進(jìn)行估計(jì)是一種常用方法，但由于應(yīng)用過程中存在的空洞問題和遮擋問題，所以也存在估計(jì)的不確定性。光流場估計(jì)經(jīng)典方法有Horn和Shuck利用光流的假設(shè)條件求解光流，相應(yīng)的光流約束方程如下：Ixu+Iyv+It=0 ()式中，u=dx/dt，E169。該方法能夠較完整地分割出運(yùn)動目標(biāo)，但只適用于靜止背景環(huán)境下。下面將分別給出隨機(jī)變量的高階矩和高階累積量。運(yùn)動區(qū)域的提取過程中，首先要計(jì)算局部估計(jì)信息的幀差零延遲四階矩；其次，進(jìn)行自適應(yīng)地設(shè)定閾值，該閾值要能夠隨背景相適應(yīng)的變化；再次，將得到的閾值與計(jì)算出的四階矩相比較，以區(qū)分運(yùn)動區(qū)域和背景；最后，提取出不同于背景波動和噪聲的運(yùn)動區(qū)域。常用變化檢測的方法有幀差法和高階統(tǒng)計(jì)量檢測法，幀差法利用圖像幀間的變化進(jìn)行運(yùn)動目標(biāo)的檢測，該算法簡單易實(shí)現(xiàn)，實(shí)時性強(qiáng)，但容易出現(xiàn)空洞現(xiàn)象，通常結(jié)合其它方法應(yīng)用。 圖像分割算法介紹 經(jīng)過多年的研究，圖像分割方法已經(jīng)有很多種，根據(jù)算法采用特征主要分為四類：基于變化檢測的方法、基于光流估計(jì)的方法、基于模型的方法和時空分割算法。均值濾波能夠平滑圖像且速度快，算法簡單。均值濾波是指在圖像上給定目標(biāo)像素的模板，此模板包括當(dāng)前像素點(diǎn)及其周圍的八鄰域像素點(diǎn)，以模板像素點(diǎn)的平均值來代替原當(dāng)前像素點(diǎn)。雖然中值濾波器對脈沖信號很有效，但僅采用簡單的中值濾波將會丟失圖像的細(xì)節(jié)，造成視覺效果的模糊。中值的定義如下：一組數(shù)x1，x2，x3，…xn，把n個數(shù)按值的大小順序排列如下：xi1≤xi2≤xi3≤…xin≤則序列x1，x2，x3，…，xn的中值表示為：
y=Med{x1，x2，x3，…，xn}= ()二維中值濾波表達(dá)式為：g(x,y)=Med{f(xk，yl),(k,l∈w)} ()其中，f(x,y)為原始圖像，g(x,y)表示處理后的二維圖像。采用33掩模的高斯濾波公式如下:g(x,y)={f(x1,y1)+f(x1,y+1)+f(x+1,y1)+f(x+1,y+1)+[f(x1,y)+f(x,y1)+f(x+1,y)+f(x,y+1)]2+f(x,y)4}/16 ()其中f(x,y)為(x,y)像素點(diǎn)的灰度值，g(x,y)為經(jīng)過高斯濾處理后的值。高斯濾波根據(jù)高斯函數(shù)的形狀來選擇權(quán)值，對服從正態(tài)分布噪聲的去除很有效。圖像的濾波方法可以被分為頻率域法和空間域法[2]?？臻g濾波是借助模板在圖像空間內(nèi)完成的領(lǐng)域操作，空間濾波器的工作原理是抑制圖像在傅里葉空間某個范圍內(nèi)的分量，而其他分量不受影響，以改變輸出圖像的頻率分布來達(dá)到增強(qiáng)的目的。然而，針對煤礦領(lǐng)域特殊環(huán)境的應(yīng)用的算法卻比較少，下面從煤礦領(lǐng)域環(huán)境出發(fā)，對常用的幾種圖像分割算法進(jìn)行深入比較分析。視頻圖像分割是視頻處理領(lǐng)域中的重要組成部分，對于圖像理解、圖像分析、模式識別、計(jì)算機(jī)視覺等具有重要的意義。結(jié)果表明該算法具有較好的抗噪性能。圖55(a)對原始圖像加上均值為0。結(jié)果表明該算法能成功地分離出粘連顆粒圖像中的每個顆粒，幾乎不存在欠分割和過分割現(xiàn)象。圖54(c)是距離變換結(jié)合分水嶺的結(jié)果，仍有過分割。圖54(a)是Sobel算子提取的邊緣，未將粘連顆粒分割開。 結(jié)果與分析根據(jù)顆粒物質(zhì)實(shí)驗(yàn)中得到的圖像做了大量測試，并與常用的邊緣檢測Sobel算子，傳統(tǒng)分水嶺算法基于距離變換的分水嶺算法進(jìn)行比較。然后通過距離變換將要分離的顆粒二值圖像變?yōu)榛叶葓D像，顆粒圖像的邊緣就與其它像素點(diǎn)區(qū)分開來，但顆粒粘連處的那些邊緣點(diǎn)還需要得到。設(shè)B ={(xy)| =0} 為背景像素集合，F(xiàn)={( x,y)| =1}為目標(biāo)像素集合，則距離變換就是對A 中的所有像素點(diǎn)(i,j)求: （）其中， ()在這種算法中存在平方和開方算法，對算法效率有影響，因此實(shí)際的距離變換算法是每次只計(jì)算該像素與局部相鄰的幾個像素點(diǎn)的距離的最小值，再根據(jù)局部距離按比例疊加成全局距離的原理，先后兩次掃描圖像，最終得到近似的距離圖像。非歐氏距離計(jì)算簡單，但不容易滿足精度要求，因此在很多應(yīng)用中采用歐氏距離變換算法。在這幅灰度圖像中，每個像素與距其最近的背景間的距離用該像素的灰度級表示。 (a) 原圖 （b）二值圖圖53 閾值分割結(jié)果圖從圖上可以看出，在前述的閾值分割后，前景區(qū)域內(nèi)的對象之間仍然有粘連，需要進(jìn)行進(jìn)一步的分割。由于從準(zhǔn)二維的顆粒物質(zhì)實(shí)驗(yàn)中得到的圖像中目標(biāo)區(qū)域的灰度值與背景區(qū)域的灰度值相差較大，且通過形態(tài)學(xué)開閉重建消除了噪聲及小細(xì)節(jié)，因此可以比較容易地確定分割閾值，得到二值圖像，從而確定出目標(biāo)和背景區(qū)域。 閾值分割圖像閾值分割是利用圖像中灰度特性的差異，把圖像分為目標(biāo)和背景兩類區(qū)域。開閉重建過程保留了能被經(jīng)典開閉運(yùn)算所去除的輪廓成分，因而能夠保持輪廓形狀不變。將求補(bǔ)后得形態(tài)學(xué)重建濾波后的圖像。開重建運(yùn)算后的圖像中還有一些暗噪聲及非規(guī)則干擾，因此，接著采用膨脹重建及閉重建的方法對其進(jìn)行處理。首先將實(shí)驗(yàn)得到的圖像轉(zhuǎn)換為灰度圖像，再用腐蝕重建及開重建的方法對灰度圖像進(jìn)行處理。) 表示用閾值k 對灰度圖像進(jìn)行二值化得到的二值圖像。Vincent給出的二值形態(tài)學(xué)重建的定義如下:定義1: 設(shè)I和J是定義在相同的離散空間D中的二值圖像，且，則J就叫做標(biāo)記圖像，而I稱為掩模圖像，設(shè)I1，I2，I3，…，In是I中的連通區(qū)域，則I經(jīng)由J的重建就定義為I中所有與J的交集非空的連通區(qū)域的并集: （）形態(tài)學(xué)重建作用于二值圖像時稱為二值形態(tài)學(xué)重建，作用于灰度圖像時稱為灰度形態(tài)學(xué)重建。輸入圖像形態(tài)學(xué)梯度形態(tài)學(xué)濾波前景標(biāo)記背景標(biāo)記修改梯度圖像分水嶺完成圖像分割改進(jìn)分水嶺圖52 改進(jìn)分水嶺分割流程 形態(tài)學(xué)重建濾波形態(tài)學(xué)重建是測地線圖像操作集合的一部分，能夠提取出掩模圖像I 中被I 的子集標(biāo)記圖像J 所標(biāo)記的連通區(qū)域的集合。 分水嶺算法在粘連顆粒圖像分割中的應(yīng)用本文在分水嶺算法的基礎(chǔ)上提出了一種改進(jìn)的分割方法，首先將顆粒圖像轉(zhuǎn)換為灰度圖像，再對灰度顆粒圖像進(jìn)行形態(tài)學(xué)重建濾波，之后在二值化圖像的基礎(chǔ)上進(jìn)行距離變換，最后對距離變換后的圖像采用分水嶺的方法進(jìn)行分割?？傮w來說，分割的結(jié)果還是比較令人滿意，基本上實(shí)現(xiàn)了汽車車牌從汽車背景中的分離。從實(shí)驗(yàn)結(jié)果可以看到，利用區(qū)域生長法從復(fù)雜的汽車背景中來提取車牌是可行的，能夠較清晰的將車牌從汽車圖像與背景中提取出來。車牌的各個灰度特征非常明顯，便于應(yīng)用區(qū)域生長法進(jìn)行分割。本文采用跟蹤技術(shù)中的區(qū)域生長法來實(shí)現(xiàn)車牌定位。車牌定位實(shí)質(zhì)上就是進(jìn)行圖像的區(qū)域分割，即從不相關(guān)性的二維或三維圖像中提取所需的線段、塊或輪廓，它是進(jìn)行車牌號碼識別的前期處理。8 （c）分裂最小子區(qū)域大小8180。 （a）原始圖像 （b）分裂最小子區(qū)域大小16180。for i=1:max_block_size [val,r,c]=qtgetblk(f,spare_qtim,i)。maskim=zeros(size(f))。function g=split_merge(f,min_dim,predicate_fun,std_thresh)%g=split_merge(f,min_dim,predicate_fun,std_thresh)分裂合并圖像%f為輸入圖像,min_dim為分裂最小子區(qū)域的大小%predicate_fun為實(shí)現(xiàn)相同性質(zhì)邏輯謂詞P的函數(shù)%std_thresh為標(biāo)準(zhǔn)方差閾值%用四叉樹結(jié)構(gòu)分裂圖像spate_qtim=qtdep(f,split_test_fun,min_dim,predicate_fun,std_thresh)。分裂合并分割結(jié)果39。)。title(39。subplot(2,2,2)。g=split_merge(f,min_dim,predicate_fun,std_thresh)。std_thresh=10。原始圖像39。imshow(f)。)。if m~=n|m~=pow2size error(39。[m,n]=size(f)。39。程序中該函數(shù)為split_test_fun，它通過調(diào)用predicate_fun函數(shù)判斷圖像子塊的一致性，一致性謂詞