【正文】 。subplot(121) imshow(texture1)。texture2(mask2)=0。texture1(~mask2)=0。imshow(mask2)。imshow(bw2) mask2=bwareaopen(bw2,1000)。%顯示紋理圖像 bw2=im2bw(e2im,graythresh(e2im))。%轉化為灰度圖像 figure。 e2=entropyfilt(I2)。 圖 48 圖形底部紋理 使用 imfill函數(shù)對圖像中的孔洞進行填充操作，填充后的圖像如圖 49左邊圖像所示， 西安石油大學 本科 畢業(yè)設計 （論文） 24 和原圖進行比較，生成的圖像底部紋理并不完全吻合，可以使用這個圖像對原圖頂部的紋理進行分割，得到的圖像頂部紋理如圖 49右邊圖像所示。 imshow(I2),title(?突出顯示圖像的頂部 ?)。 I2(roughMask) = 0。)。 subplot(121) imshow(roughMask),title(39。)。% 顯示該圖像 roughMask = imfill(closeBWao,39。邊緣光滑后圖像 39。%形態(tài)學相關操作 subplot(122)。%顯示底部紋理圖像 nhood = true(9)。底部紋理圖像 39。%提取底部紋理 figure。使用紋理邊界處的值，如圖 47右圖所示： 西安石油大學 本科 畢業(yè)設計 （論文） 23 圖 47 紋理圖像的灰度圖像和二值圖像顯示 第三步即為分別顯示圖像的底部紋理和頂部紋理。)。 imshow(BW1),title(39。% BW1 = im2bw(Eim, .8)?；叶葓D像 39。%轉化為灰度圖像 figure。其實現(xiàn)代碼如下： E = entropyfilt(I)。% 顯示圖像 在這個程序中，首先讀取一副圖像，從圖 46中可以明顯 d看出這個圖像的頂部和底部的紋理有明顯的差異。原始圖像 39。% 讀取圖像 figure。39。使用紋理濾波器對圖像進行分割時，首先求取不同部分的紋理，然后使用 entropyfilt、 stdfilt、 rangefilt三個不同的濾波函數(shù)對圖像進行圖像濾波。在搖感、醫(yī)學圖像處理和自動化偵察中，紋理分割圖像有著很多的應用。紋理是指一個物體上的顏色模式或者指物體表面的光滑程度。 使用 MATLAB 中的紋理濾波器分割圖像 使用紋理濾波器分割圖像 的基本步驟可分為 四步，分別為讀取圖像、創(chuàng)建紋理圖像、顯示不同部分的紋理、使用合適的濾波器進行分割。模型法則難以用固定的模型區(qū)分析復雜的紋理圖像，而頻譜法則是分析紋理圖像的頻譜特征。 圖像紋理提取方法 圖像紋理特征提取是指通過一定的圖像處理技術提取出紋理特征參數(shù)、從而獲得紋理的定量或定性描述的處理過程，圖像紋理的分析方法可以分為以下幾類： (1) 統(tǒng)計分析方法 西安石油大學 本科 畢業(yè)設計 （論文） 20 (2) 結構分析方法 (3) 頻譜分析方法 (4) 模型分析方法 統(tǒng)計好分析方法是基于 紋理圖像的全局特性，對具有明顯差別的紋理信號處理效果不明顯，這類方法主要有邊緣方向的直方圖法，灰度差分統(tǒng)計法等，也包括著名且實際應用較多的灰度共生矩陣算法。人工紋理是自然背景上的符號的排列組成，這些符號可以是線條、點、字母、數(shù)字等。此外，一些物體的表面可能具有方向相關的紋理信息，通常把圖像灰度分布性質或圖像表面呈現(xiàn)出的方向信息作為紋理結果，它有助于區(qū)別不同的圖像區(qū)域。 基于圖像紋理的圖像分割 圖像紋理的定義 紋理（ Texture）是圖像中一個重要而又難以確切描述的特性，紋理一詞最初指纖維的外觀，雖然問我們大隊圖像的紋理很熟悉，但事實上目前對紋理仍然沒有統(tǒng)一的定義，一般來說，可以認為紋理是有許多互相接近的、相互編織得到元素構成，他們具有周期性。)。39。39。 ylabel(39。 values39。a*39。39。)。 end title(39。, ... plot_labels{count})。, ... plot_labels{count}, 39。,39。 figure for count = 1:nColors plot(a(label==count1),b(label==count1),39。y39。m39。g39。r39。k39。實現(xiàn)代碼如下： purple = [119/255 73/255 152/255]。)。 figure, imshow(segmented_images(:,:,:,6)), %顯示紅色目標 title(39。紅紫色目標 39。)。 figure, imshow(segmented_images(:,:,:,4)), %顯示紫色惡目標 title(39。 綠色目標 39。 figure。 紅色目標 39。 figure。 imshow(segmented_images(:,:,:,1)),%顯示背景 title(39。%不是標號顏色的像素置 0 segmented_images(:,:,:,count) = color。 for count = 1:nColors color = fabric。 rgb_label = repmat(label,[1 1 3])。%求出最小距離顏色 label = color_labels(label)。%求出最小距離的顏色 end 第三步為對圖像樣本區(qū)域中的顏色進行分割，通過計算每個像素點和六種顏色平均值的歐式距離，這六種距離中最小的距離即為該像素點的顏色，這種方法稱為最近鄰法，例如：如果像素點距離紅色平均值的歐式距離最小，那么該像素點久違紅色。 distance = repmat(0,[size(a), nColors])。 a = double(a)。,color_markers(2,1),... color_markers(2,2)))。%b的均值 end disp(sprintf(39。%初始化顏色均值 for count = 1:nColors color_markers(count,1)= mean2(a(sample_regions(:,:,count)))。 b = lab_fabric(:,:,3)。%rgb空間轉換成 L*a*b空間結構 lab_fabric = applycform(fabric,cform)。srgb2lab39。 實現(xiàn)效果如圖 42 所示 圖 42 紅色區(qū)域樣本 第二步 為 轉換色彩空間 ，利用彩色空間轉換函數(shù)吧圖像從 RGB 是色彩空間轉換到 L*a*b 色彩空間 。顯示紅色區(qū)域樣本 39。 %選擇每一小塊顏色的樣本區(qū)域 end subplot(122), imshow(sample_regions(:,:,2))。 sample_regions = false([size(fabric,1) size(fabric,2) nColors])。 load regioncoordinates。原始圖像 39。 subplot(121)。)。 實現(xiàn)代碼如下： fabric = imread(39。 圖像的空間彩色分割 在 L*a*b 空間中 L:亮度層， a：顏色在紅綠軸的分量， b：顏色在藍黃軸的分量。 {?? = ?? +?? + ???? = ?? + ?? +???? = + ?? + ?? （ 41） 再根據(jù) CIE1976 均勻顏色空間 Lab 的計算公式： L = 116(Y/??0)1 3? ?16 （ 42） a =500[(X/??0)1 3? ?(Y/??0)1 3? ] （ 43） b =200[(Y/??0)1 3? ?(Z/??0)1 3? ] （ 44） 求得 Lab 顏色空間的色度值。 公式 41 為顏色三刺激值 X、 Y、 Z 與 R、 G、 B 之間的轉換公式。因此，這種 西安石油大學 本科 畢業(yè)設計 （論文） 15 色彩混合后將產(chǎn)生明亮的色彩。 L 的值域為 0～ 100， a 和 b 的值域都是－ 120～ +120，所有的顏色就以這三個值交互變化所組成。 Lab 中的數(shù)值描述正常視力的人能夠看到所有顏色，人的肉眼能感知的色彩都能通過 Lab 模型表現(xiàn)出來。 Lab 色彩模型是目前所有模式中色彩范圍（或稱為色域）最廣的顏色模式，自然界中任何一種顏色都可以在 Lab 空間中表達出來。 Lab 色彩空間是由 CIE（國際照明委員會）于 1976 年公布的一種色彩模式，基于人類對光的視覺光譜敏感度的數(shù)學色彩模式。但是 RGB 空間是顏色空間，并不適合人的視覺特性 ， 同時RGB 三原色模型中兩點間的歐幾里德距離與顏色距離呈非線性關系 ， 不便于進行圖像的彩色分割。 L*a*b 空間的彩色分割 Lab 顏色空間 國際照明委員會（ CIE）的 RGB 顏色表示系統(tǒng)選擇紅色、綠色、藍色三種單色光作為三基色 ， 利用紅、綠、藍三種基本 顏色進行顏色加法，可以配制出絕大部分肉眼能看到的顏色。圖像的視覺特征是指人的視覺直接感受到的自 然特征（如區(qū)域顏色、亮度、紋理或輪廓等）；統(tǒng)計特征則是需要通過變換或測量才能得到認為特征（如各種變換的頻譜、直方圖、各階矩等）。簡單的講，就是在一幅圖像中，把目標從背景中分離出來，以便進行更深層次的處理。在每個區(qū)域內(nèi)部有相同或者相近的特性，而相鄰區(qū)域的特性不相同。從本質上說是將各像素進行分類。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結合將不斷取得突破和進展。盡管人們在圖像分割方面做了許多研究工作?？煽紤]使用能夠自適應設置交叉概率和變異概率自適應遺傳算法以及和模擬退火法相結合的混合遺傳算法。 遺傳算法應用于圖像分割，其難點在于適應度函數(shù)的選擇以及交叉概率和變異概率的確定。這些特點使得遺傳算法很適于應用在圖像分割中，尤其是閾值分割法以及區(qū)域生長法中。 遺傳算法 ( GA) ，是一種模擬自然選擇和遺傳機制的搜索和優(yōu)化過程，它具有很強的全局優(yōu)化搜索能力，是一種具有廣泛適用性的自 適應搜索方法。神經(jīng)網(wǎng)絡存在巨量的連 西安石油大學 本科 畢業(yè)設計 （論文） 13 接，容易引入空間信息，能較好地解決圖像中的噪聲和不均勻問題?；谏窠?jīng)網(wǎng)絡的分割方法的基本思想是通過訓練多層感知機來得到線性決策函數(shù)，然后用決策函數(shù)對像素進行分類來達到分割的目的。如何將數(shù)學形態(tài)學與其它方法綜合運用以克服這些缺陷，將是數(shù) 學形態(tài)學以后的工作方向。同時這種方法也有著自身的局限性：由于在圖像處理的前期工作中，采用數(shù)學形態(tài)學的開 ( 閉 ) 運算，進行圖像處理后，依然存在大量與目標不符的短線和孤立點 。開運 算具有消除圖像是細小物體，并在物體影響纖細處分離物體和平滑較大物體邊界的作用閉運算具有填充物體影像內(nèi)細小空間，連接鄰近物體和平滑邊界的作用。 而膨脹是將圖像中與目標物體接觸的所有背景點合并到物體中的過程，結果是使目標增大、孔徑縮小，可以增補目標中的空間，使其形成連通域。其基本的形態(tài)運算是腐蝕與膨脹。 數(shù)學形態(tài)學的特點是能將復雜的形狀進行分解，并將有意義的形狀分 量從無用的信息中提取出來。 數(shù)學形態(tài)學是一種非線性濾波方法，可以用于抑制噪聲、特性提取、邊緣檢測、圖像分割等圖像處理問題。 近年來多進制小波開始用于邊緣檢測。從圖像分割的角度來看，小波分解提供了一個數(shù)學上完備的描述；小波變換通過選取合適的濾波器，可以極大地減少或去除所提取的不同特征之間的相關性，不僅具有 “變焦 ”特性，而且在實現(xiàn)上有快速算法。分割算法的計算饋與 西安石油大學 本科 畢業(yè)設計 （論文） 12 圖像尺寸大小呈線性變化。 基于小波變換的閾值圖像分割方法的基本思想是，首先由二進小波變換將圖像的直方圖分解為不同層次的小波系數(shù)，然后依據(jù)給定的分割準則和小波系數(shù)選擇閾值門限，最后利用閾值標出圖像分割的區(qū)域。 并且 FCM 算法對初始參數(shù)極為敏感，有時需要人工干預參數(shù)的初始化以接近全局最優(yōu)解，提高分割速度。 (3)聚類中心的位置和特性事先不清楚時，如何設置初始值。 聚類方法應注意幾個問題： (1)聚類的類數(shù)如何確定。模糊 C 均值算法是在模糊數(shù)學基礎上對 K均值算法的推廣，是通過最優(yōu)化一個模糊目標函數(shù)實現(xiàn)聚類，它不像 K 均值聚類那樣認為每個點只能屬于某一類，而是賦予每個點一個對各類的隸屬度，用隸屬度更好地描述邊緣像素亦此亦彼的特點，適合處理事物內(nèi)在的不確定性。 K均值算法先選 K 個初始類均值，然后將每個像素歸入均 值離它最近的類并計算新的類均值。 特征空間聚類法進行圖像分割是將圖像空間中的像素用對應的特征空間點表示，根據(jù)它們在特征空間的聚集對特征空間進行分割，然后將它們映射回原圖像空間，得到分割結果。它是先將圖像分割成很多的一致性較強的小區(qū)域，再 按一定