【正文】 擇到項目的最終完成，王老師始終給我細心指導(dǎo)和不懈的 支持，她嚴謹細致的作風(fēng)深深感染了我，在我做這個項目遇到困難的時候，在我想對論文中的難點想退卻的時候，也是王老師始終沒有放棄的幫助我，讓我最終可以完成這個項目。雖然近年來研究成果越來越多，但由于圖像分割本身所具有的難度，使研究沒有大的突破性的 進展 。從一般意義上來說，只有對圖像內(nèi)容的徹底理解，才能產(chǎn)生完美的分割 [17]。 盡管人們在圖像分割方面作出了很多的研究，但是，迄今為止，沒有哪種方法是適合于所有圖像的，本文中提出的方法都有它的使用前提條件，因此，對于特定的圖像分割，最主要的是分析這幅圖像的特性，針對這幅圖像的特點，制定適合它的方案，以達到最好的分割效果。 （ 5） 通常對于一幅圖像 的分割 ，僅僅只用一種圖像分割方法是不夠的，僅僅擁有依照分割算法本身進行了完善歸納和分類的圖象分割理論也是遠遠不夠的，每一種方法都有它不足的地方，因此僅僅只用一種方法往往達不到很好的效果，可以運用其他的方法結(jié)合使 用，互相彌補不足。 ② 每幅圖像的分割是任意的，假如有一幅子圖像正好落在目標區(qū)域或背景區(qū)域，而根據(jù)統(tǒng)計結(jié)果對其進行分割，也許會產(chǎn)生更差的結(jié)果。 （ 4） 局部閾值分割法是將原始圖像劃分成較小的圖像，并對每個子圖像選取相應(yīng)的閾值。 （ 3） 同樣都是邊緣檢測法，不同的邊緣檢測算子對同一幅圖像分割出來的效果是不同的，因為每一種邊緣 算子的卷積形式是不同的，對于圖像的明暗程度，分辨率，灰度變化的敏感程度也是不同的。 （ 2） 從實驗現(xiàn)象中可以看出，圖像中的目標和背景灰度差異不明顯或灰度值范圍有重疊的地方分割效果不明顯，這一塊的背景和目標就沒有得到很好的區(qū)分，而其他灰度差異比較大的地方分割效果較好。 4運用 MATLAB 軟件進行實驗， 展示實驗現(xiàn)象， 得到了較好的效果，根據(jù)實驗現(xiàn)象對圖像分割進行分析， 運用相關(guān)的圖像分割評價標準來對分割出來的圖像進行分析，根據(jù)數(shù)據(jù)說明圖像分割結(jié)果的優(yōu)劣， 總結(jié)本次圖像分割方案的優(yōu)缺點。 2對圖 像分割的常用方法進行 分析和 總結(jié)；根據(jù)圖像分割所基于的原理不同，把圖像分割方法主要分為基于閾值分割、基于邊緣檢測分割和基于區(qū)域分割三大類，并對他們做了簡單的介紹和比較。 局部閾值化后，由現(xiàn)象可以看出，并沒有對原圖進行多大的改善，只是在一些很細微的地方有了一些邊緣的 細化以及平滑，這說明在經(jīng)過 Canny算子分割后， 由灰度直方圖可以看出，這個灰度圖雙峰的谷底是在接近 0的位置， 而且是絕大部分像素都是接近于 0 的位置， 所以圖像的改善并不大，并且 圖像并沒有太多的灰度不連續(xù)以及陰影的情況存在，但是這并不 能否定局部閾值化的效果的存在性。 接下來的局 部閾值法，采用的就是 Canny 算子分割的圖像。直觀的考慮，這些區(qū)域的特性之間應(yīng)該有比較大的差 距，或者說有明顯的對比，根據(jù)區(qū)域間的特性對比度的大小可以判別分割圖的質(zhì)量，也可由此反推出所用分割算法的 優(yōu)劣來，對于圖像中相鄰接的兩個區(qū)域來說，如果他們各自的平均灰度為f1 和 f2，則它們之間的區(qū)域?qū)Ρ榷瓤梢园聪率絹碛嬎?： 21 |21| ff ffGC ??? (1) 事實上式 (1)中的 f 也可代表除灰度外的其他特征量，這樣就得到其他區(qū)域間的對比度，當(dāng)一幅圖像有多個區(qū)域時，可利用式 (1)分別計算兩兩間的區(qū)域間的對比 度再求和 [16]。 通過對實際分割結(jié)果的分析來評估分割算法是具有實際意義的。 因此，分割評價方法可以分為分析法和實驗法兩大類 。 從目前的文獻來看，已有學(xué)者在這方面做了一些工作 。 盡管對大多數(shù)圖像處理問題而言，最后的信宿是人的視覺 ， 但對不同分割方法的處理結(jié)果作一定量的比較、評價也是必需的 。 Prewitt 算子的分割的圖像中雖然幾乎沒有非邊緣點，但是邊緣的連續(xù)性較差，從視覺上來看圖像顯得很雜亂。 對于三種算子的實驗現(xiàn)象， 從 視覺上 來看，以 Canny 算子最好，邊緣信息豐富，幾乎保留了邊緣所有的邊緣點，而且邊緣清晰，連續(xù)性好。 由效果圖可以看出，用迭代法得到的閾值分割圖失真度很低，基本上保持了原圖的輪廓。 4． 實驗 結(jié)果 及分析 實驗結(jié)果 圖 4 灰度直方圖 圖 5 灰度圖像 圖 6 全局閾值化后的圖片 圖 7 prewitt算子分割后的圖片 圖 8 Canny算子分割后的圖片 圖 9 log算子分割后的圖片 將 Canny算子分割后的圖片作為邊緣檢測后的圖片，再將這個圖片分割為四 個小圖片，每一個圖片的直方圖如下 : 圖 10 第一塊的直方圖 圖 11 第二塊的直方圖 圖 12 第三塊的直方圖 圖 13 第四塊的直方圖 圖 13 局部閾值化后的圖像 實驗 結(jié)果 分析 由灰度圖片的直方圖可以 看出，這個直方圖有多個峰值， 不滿足雙峰法的兩個波峰一個波谷的條件，所以 不適合采用雙峰法， 我采用的是迭代法，迭代法得到的閾值分割效果良好， 基于迭代的閾值能區(qū)分圖象的前景和背景的主要區(qū)域所在， 迭代法作用于整幅圖像每個像素，因此，對于直方圖 波峰 明顯 或目標和背景的灰度差異懸殊的圖像，得到的效果很好。最簡單的方 法是將圖像劃分為若干小圖像 ,先對各子圖像閾值法進行分割 ,再將分割后的小區(qū)域合并在一起 ,得到整幅圖像的完整分割結(jié)果。 用局部閾值法對圖像進行后處理：經(jīng)過全局閾值分割和邊緣檢測分割后 ,有的地方存在灰度不連續(xù)，邊緣不清晰的情況，如果只用一個固定的全局閾值對整幅圖像進行后 ,則由于不能兼顧圖像各處的情況而使分割效果受到影響。 用邊緣檢測法對圖像進行分割：邊緣是圖像的最基本的特征 , 邊緣中包含著有價值的目標邊界信息 , 這些信息可以用作圖像分析、目標識別。 在圖像內(nèi)容不太復(fù)雜、灰度分布較集中的情況下，往往采用最簡單的全局閾值，并不考慮圖像中點的位置和其鄰域性質(zhì) . 我 采用的是迭代法來求取閾值，迭代法是 基于 逼近思想 ： （ 1）求出圖像的最大灰度值和最小灰度值，分別記為 Max和 Min，令初始閾值為： 2/)(0 M inM a xT ?? ，根據(jù)閾值 kT 將圖像分割為前景和背景，分別求出兩者的平均灰度值 0Z 和 bZ ； （ 2）求出閾值 2/)( 01 bk ZZT ??? ； （ 3）如果 1kk ??TT ；則所得即為閾值 ；否則轉(zhuǎn)（ 2）迭代計算。合適的閾值必須具備的條件是在使用選取 的閾值對圖片進行分割后，必須使圖像中的背景和目標的分割錯誤達到最小 。運用 這種思想，我打算首先將 全局 閾值法用來區(qū)分圖片中的背景和目標。 考慮到既要具有良好的切割效果 ,又要保留圖像的重要邊緣特征 ,具體的實現(xiàn)步驟如下： (1)輸入待分割圖像 f(x,y), f(x,y)為 彩色圖像； (2)將待分割圖像 f(x,y)轉(zhuǎn)化為灰度圖像 g(x,y)； (3)利用 MATLAB 顯示 灰度圖像 g(x,y)的 灰度直方圖 ,用迭代法進行閾值選取，以 達到 區(qū)分背景和目標 的目的 ； (4)采用邊緣檢測算子檢測圖像的邊界特征 ,確定圖象的邊界位置 ，得到圖像 G(x,y)； (5)根據(jù)圖象分割的實際效果， 將經(jīng)過邊緣檢測后的圖 像 G(x,y)進行局部閾值分割，以達到消除圖像中某些存在陰影、照度不均勻 ,各處的對比度不同 ,背景灰度變化等問題。此法對噪聲也很敏感 , 會造成孔狀甚至是根本不連續(xù)的區(qū)域 , 相反的 , 局部且大量的影響還會使本來分開的區(qū)域連接起來 [4]。 和閾值法一樣，區(qū)域生長法一般不單獨使用 , 而是放在一系列處理過程中。分裂合并方法不需要預(yù)先指定種子點，它的研究重點是分裂和合并規(guī)則的設(shè)計。 在區(qū)域合并方法中，輸入圖像往往分為多個相似的區(qū)域，然后類似的相鄰區(qū)域根據(jù)某種判斷準則迭代進行合并。 區(qū)域生長的缺點是 :（ l）它需要人工交互以獲得種子點 ，這樣使用者必須在每個需要抽取出的區(qū)域中植入一個種子點 。區(qū)域生長方式的優(yōu)點是計算簡單。 區(qū)域生長算法的研究重點 :(l)特征度量和區(qū)域增長規(guī)則的設(shè)計 。這兩種方法通常相結(jié)合 ,以便把相似的子區(qū)域合并成盡可能大的區(qū)域。 區(qū)域生長法、 分裂合并法： 區(qū)域生長法的基本思想是根據(jù)一定的相似性準則 ,將圖像中滿足相似性準則的像素或子區(qū)域合成更大的區(qū)域 。 基于區(qū)域的分割方法 基于區(qū)域的圖像分割是根據(jù)圖像灰度、紋理、顏色和圖像像素統(tǒng)計的均勻性等圖像的空間局部特征 ,把圖像中的像素劃歸到各個物體或區(qū)域中 ,進而將圖像分割成若干個不同區(qū)域的一種分割方法。第四 ,可以考慮各種方法的組合 , 如先找出邊緣然后在其局部利用函數(shù)近似通過內(nèi)插等獲得高精度定位。當(dāng)需要提取多空間范圍內(nèi)的變化特性時 ,要考慮多算子的綜合應(yīng)用。 要 做好邊緣檢測 , 首先要清楚待檢測的圖像特性變化的形式從而使用適應(yīng)這種變化的檢測方法。在噪聲較大的情況下常用的邊緣檢測算法 ,如 Marr 算子 ,遞歸濾波器和Canny 算子等都是先對圖像進行適當(dāng)?shù)钠交?,抑制噪聲 ,然后求導(dǎo)數(shù) ,或者先對圖像進行局部擬合 ,然后再用擬合的光滑函數(shù)的導(dǎo)數(shù)來代替直接的數(shù)值導(dǎo)數(shù)。 該類方法對邊緣灰度值過渡比較尖銳且噪聲較小等不太復(fù)雜的圖像 ,大都可以取得較好的效果。 Canny 算子 : 該算子同樣采用高斯函數(shù)對圖像做平滑處理 , 因此具有較強的抑制噪聲能力 , 同樣該算子也會將一些高頻邊緣平滑掉 ,造成邊緣丟失。雖然這兩個算子邊緣定位效果不錯 , 但檢測出的邊緣容易出現(xiàn)多像素寬度。 4) 定位 : 如果某一應(yīng)用場合要求確定邊緣位置 , 則邊緣的位置可在子像素分辨率上來估計 ,邊緣的方位也可以被估計出來。 3) 檢測 : 在圖像中有許多點的梯度幅值比較大 , 而這些點在特定的應(yīng)用領(lǐng)域中并不都是邊緣 , 所以應(yīng)該用某種方法來確定哪些點是邊緣點。增強算法可以將鄰域 (或局部 )強度值有顯著變化的點突顯出來。需要指出 , 大多數(shù)濾波器在降低噪聲的同時也導(dǎo)致了邊緣強度的損失 , 因此 ,增強邊緣和降低噪聲之間需要折衷。 （ 3） 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，先平滑掉噪聲，再進行邊緣檢測 。 （ 2） Prewitt 和 Sobel 算子 Prewitt 從加大邊緣檢測算子的模板大小出發(fā)，由 22 擴大到 33 來計算差分算子，采用 Prewitt 算子不僅能檢測邊緣點，而且能抑制噪聲的影響。 邊緣檢測的幾種經(jīng)典算法 ： （ 1） Canny 算子 Canny 邊緣檢測利用高斯函數(shù)的一階微分，在噪聲抑制和邊緣檢測之間尋求 較好的平衡，其表達式近似于高斯函數(shù)的一階導(dǎo)數(shù)。 傳統(tǒng)的邊緣檢測算法通過梯度算子來實現(xiàn)，在求邊緣的梯度時，需要對每個象素位置計算。邊緣檢測算子檢查每個像素的鄰域并對灰度變化率進行量化，也包括方向的確定。 經(jīng)典的邊緣提取方法是考察圖像的每個像素在某個鄰域內(nèi)灰度的變化，利用邊緣鄰近一階或二階方向?qū)?shù)變化規(guī)律，用簡單的 方法檢測邊緣。 常見的邊緣剖面有 3種： （ 1） 階梯狀邊緣：階 梯狀的邊緣處于圖像中兩個具有不同灰度值的相鄰區(qū)域之間，可用二階導(dǎo)數(shù)的過零點檢測邊緣位置； （ 2）脈沖狀邊緣：主要對應(yīng)細條狀的灰度值突變區(qū)域，通過檢測二階導(dǎo)數(shù)過零點可以確定脈沖的范圍； （ 3） 屋頂狀邊緣：屋頂狀邊緣位于灰度值從增加到減少的變化轉(zhuǎn)折點，通過檢測一階導(dǎo)數(shù)過零點可以確定屋頂位置。邊緣廣泛存在于物體與背景之間、物體與物體之間、基元與基元之間。 在實際的應(yīng)用中，由于噪聲等干擾因素，直方圖有時不能出現(xiàn)明顯的峰值，此時選擇的閾值不能得到滿意的結(jié)果；另外一個就是閾值確定主要依賴于灰度直方圖，很少考慮圖像中象素的空間位置關(guān)系，因此當(dāng)背景復(fù) 雜，特別是在同一背景上重疊出現(xiàn)若干個研究目標時，容易喪失部 分邊界信息，造成圖像分割的不完整 [9]。 總的來說，這類算法的時 間和空間復(fù)雜度都較大，但是抗噪能力強，對一些使用全局閾值法不宜分割的圖像具有較好的分割效果。 自適應(yīng)閾值就是對原始圖像分塊，對每一塊區(qū)域根據(jù)一般的方法選取局部閾值進行分割。在這些情況下，閾值的選取不是一個固定的值，而是取成一個隨圖像中位置緩慢變化的函數(shù)值是比較合適的。這時，一個在圖像中某一區(qū)域效果良好的閾值在其它區(qū)域卻可能效果很差。 局部閾值法 原始圖像被分為幾個小的子圖像 ,再對每個子圖像分別求出最優(yōu)分割閾值。 （ 3）迭代法（最優(yōu)方法） 它基于逼近的思想，基本算法如下： 1 求出圖像的最大灰度值和最小灰度值，分別記為 Max和 Min， 令初始閾值為： 2/inaxk ）（ MMT ?? ， 根據(jù)閾值 kT 將圖像分割為前景和背景，分別求出兩者的平均灰度值 0Z 和 bZ ； 2 求出閾值 10( ) / 2kbT Z Z? ?? ；