【正文】 s\Administrator\桌面\39。若根據(jù)分割算法所有的特征或準(zhǔn)則,還可以分為直方圖與直方圖變換法、最大類空間方差法、最小誤差法與均勻化誤差法、共生矩陣法、最大熵法、簡單統(tǒng)計(jì)法與局部特性法、概率松馳法、模糊集法、特征空間聚類法、基于過渡區(qū)的閾值選取法等。閾值分割方法根據(jù)圖像本身的特點(diǎn),可分為單閾值分割方法和多閾值分割方法。從該方法中可以看出,確定一個(gè)最優(yōu)閾值是分割的關(guān)鍵。對灰度圖像的取閾值分割就是先確定一個(gè)處于圖像灰度取值范圍之中的灰度閾值,然后將圖像中各個(gè)象素的灰度值都與這個(gè)閾值相比較,并根據(jù)比較結(jié)果將對應(yīng)的象素分為兩類。本文主要采用閾值分割方法。魏寶剛等人提出的基于區(qū)域生長法的多顏色空間,多度量準(zhǔn)則的聚類算法和零碎區(qū)域的全并算法,使多顏色空間上的交互式圖像分割取得了很好的效果。錢曉峰等人提出的一種逆時(shí)針追蹤輪廓線的彩色圖像區(qū)域分割算法,其基本思想是按逆時(shí)針順序追蹤輪廓線,在追蹤過程中避免了象素點(diǎn)的行政管理判斷,采用回溯搜索解決奇點(diǎn)問題,從而保證追蹤過程的連續(xù)性和正確性。該方法對多目標(biāo)圖像分割有更好的適應(yīng)性。因此,近年來針對這種方法的研究較少[18]。 分裂合并法是先將圖像分割成很多的一致性較強(qiáng)的小區(qū)域,再按一事實(shí)上的規(guī)則將小區(qū)域融合成大區(qū)域,達(dá)到分割圖像的目的。該方法的關(guān)鍵是要選擇合適的生長或相似準(zhǔn)則。根據(jù)以上兩種基本形式,區(qū)域提取法可以分為區(qū)域生長法和分裂合并法。另一種是從全圖出發(fā),逐漸分裂切割至所需的分割區(qū)域[15]。哈夫變換法是利用圖像全局特性而直接檢測目標(biāo)輪廓的一種常見的方法,該方法的主要優(yōu)點(diǎn)是受噪聲和曲線間斷的影響較小[14]。要使此方法的結(jié)果令人滿意,決策過程必須是一個(gè)馬爾可夫過程。 狀態(tài)空間搜索法[13]也稱圖(Graph) 搜索法或啟發(fā)式(Heuristic) 搜索法,該方法用圖結(jié)構(gòu)表示邊界點(diǎn)和邊界段,通過在圖中搜索對應(yīng)最小代價(jià)的通道找到閉合邊界,它把邊緣檢測和邊界連接有機(jī)地結(jié)合起來,在圖像受噪聲影響較大時(shí)仍能取得較好的效果。此方法的基本著眼點(diǎn)是較大的物體能在較低的分辨率下存在,而噪聲則不能。基于反應(yīng)擴(kuò)散方程的方法借助反應(yīng)擴(kuò)散方程的觀點(diǎn)來看待多尺度濾波,從而達(dá)到邊緣檢測的目的。多尺度方法實(shí)際上是用不同尺度的濾波算子對圖像進(jìn)行卷積,并考察由此得到的邊緣點(diǎn)隨尺度的變化而具有的性質(zhì),結(jié)合多種不同尺度的信息來最終決定邊緣點(diǎn)。根據(jù)檢測邊緣采用方式的不同,邊緣檢測方法大致包括以下幾類:基于局部圖像函數(shù)的方法、多尺度方法、圖像濾波法、基于反應(yīng)擴(kuò)散方程的方法、多分辨分法、基于邊界曲線擬合方法[11]、狀態(tài)空間搜索法、動(dòng)態(tài)規(guī)劃法、邊界跟蹤法、哈夫變換法[12]等。很多的邊緣檢測算法是基于圖像的灰度函數(shù)求導(dǎo)和在圖像中匹配特定的邊緣模型這兩種方法,如MarrHildreth 算法和Canny 算法就是這兩種方法的經(jīng)典代表。若根據(jù)分割算法所有的特征或準(zhǔn)則,還可以分為直方圖與直方圖變換法、最大類空間方差法、最小誤差法與均勻化誤差法、共生矩陣法、最大熵法、簡單統(tǒng)計(jì)法與局部特性法、概率松馳法、模糊集法、特征空間聚類法、基于過渡區(qū)的閾值選取法等。閾值分割方法根據(jù)圖像本身的特點(diǎn),可分為單閾值分割方法和多閾值分割方法。從該方法中可以看出,確定一個(gè)最優(yōu)閾值是分割的關(guān)鍵。對灰度圖像的取閾值分割就是先確定一個(gè)處于圖像灰度取值范圍之中的灰度閾值,然后將圖像中各個(gè)象素的灰度值都與這個(gè)閾值相比較,并根據(jù)比較結(jié)果將對應(yīng)的象素分為兩類。 圖像分割方法　圖像分割方法有多種分類方式,本文將分割方法分為3類（1）閾值分割方法；（2）邊緣檢測方法；（3）區(qū)域提取方法。然而,由于尚無通用的分割理論,現(xiàn)提出的分割算法大都是針對具體問題的,并沒有一種適合所有圖像的通用分割算法。大的噪音需要圖像分割去除。中值去噪子程序流程圖如下：讀取圖片定義R G B采用3*3模板中值去噪開始結(jié)束 中值去噪子程序流程圖 中值去噪，中值去噪后小的噪音沒有了。去噪后圖像39。imshow(I)。I(:,:,3)=I3。I(:,:,1)=I1。%默認(rèn)為3*3I2=medfilt2(I2)。% GI3=I(:,:,3)。)I1=I(:,:,1)。 %顯示圖片title(39。 %讀取圖片subplot(2,2,1)。39。與平均濾波器相比，中值濾波器從總體上來說，能夠較好地保留原圖像中的躍變部分[16]。對于有緩變的較長輪廓線物體的圖像，采用方形或圓形窗口為宜，對于包含尖頂角物體的圖像，適宜用十字形窗口。用數(shù)學(xué)公式表示為: (41) 對于二位序列進(jìn)行中值濾波時(shí)，濾波窗口也是二維的，但這種二位窗口可以有各種不同的形狀，如線狀、方形、圓形、十字形、圓環(huán)形等。中值濾波的基本原理是把數(shù)字圖像或數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值代替。在一定的條件下，可以克服線性濾波器所帶來的圖像細(xì)節(jié)模糊，而且對濾除脈沖干擾及圖像掃描噪聲最為有效。開始讀取圖像將圖片轉(zhuǎn)化為灰度圖像中值去噪圖像分割轉(zhuǎn)化成彩色圖片結(jié)束 圖 總體方案流程圖4 激光光斑圖像去噪 中值去噪中值濾波是一種非線性濾波，由于它在實(shí)際運(yùn)算過程中并不需要圖像的統(tǒng)計(jì)特性，所以比較方便。得到二值圖像。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. 閾值分割的基本流程是先確定閾值，然后根據(jù)閾值把圖像分割歸類. 圖像分割中確定最優(yōu)閾值是關(guān)鍵。中值去噪輸出的象素值的大小等于邊沿像素的中值。我采用的是3*3模板的中值去噪。最后對得到的二值圖像進(jìn)行彩色處理得到最后的圖像。求取最佳閾值，然后用最佳閾值進(jìn)行圖像分割，去除圖中較大的噪音。首先將圖像讀入，將圖片轉(zhuǎn)換成灰度圖片。3 總體設(shè)計(jì)方案本文解決的主要問題是激光光斑圖像背景噪音的去除。中值濾波在圖像處理中,常用于用來保護(hù)邊緣信息,是經(jīng)典的平滑噪聲的方法。 本文去噪方法通過對以上方法的研究，本文采用中值去噪。歸結(jié)起來主要有三類:模極大值檢測法、閾值去噪法和屏蔽(相關(guān))去噪法。早期的小波去噪工作類似有損壓縮技術(shù)，即先對含噪信號(hào)進(jìn)行正交小波變換，再選定一個(gè)固定的閾值與小波系數(shù)比較進(jìn)行取舍，低于此閾值的小波系數(shù)設(shè)為零，然后進(jìn)行小波重構(gòu)恢復(fù)原信號(hào)，上述算法中的閾值選取完全取決于經(jīng)驗(yàn)和實(shí)際應(yīng)用。相對早期的方法而言，小波噪聲對邊緣等特征的提取和保護(hù)是有很強(qiáng)的數(shù)學(xué)理論背景的，因而便于系統(tǒng)的理論分析。低通濾波特征提帶噪圖像 重建圖像 特征信息 小波去噪的等效框圖在早期，人們通過對邊緣進(jìn)行某些處理，以緩解低通濾波產(chǎn)生的邊緣模糊。從信號(hào)的角度看，小波去噪是一個(gè)信號(hào)濾波的問題，而且盡管在很大程度上小波去噪可以看成是低通濾波，但是由于在去噪后，還能成功地保留圖像特征，所以在這一點(diǎn)上優(yōu)于傳統(tǒng)的低通濾波器。在數(shù)學(xué)上，小波去噪問題的本質(zhì)是一個(gè)函數(shù)逼近問題，即如何在有小波母函數(shù)伸縮和平移所展成的函數(shù)空間中，根據(jù)提出的衡量準(zhǔn)則，尋找對原圖像的最佳逼近，以完成原圖像和噪聲的區(qū)分。后來，人們針對閾值函數(shù)的選取也進(jìn)行了一些研究，并給出了不同的閾值；但是當(dāng)這些方法用到非高斯、有色噪聲場合中，效果卻不甚理想，其最主要的原因是這些方法都基于獨(dú)立同分布噪聲的假設(shè)，并且這些方法大多是從Donoho和Johnstone給出的方法發(fā)展而來的