【正文】 的規(guī)則將小區(qū)域融合成大區(qū)域，達到分割圖像的目的。如果從像元出發(fā)，按區(qū)域?qū)傩蕴卣饕恢碌臏?zhǔn)則，將屬性接近的連通像元聚集為區(qū)域，則是區(qū)域增長的分割方法。 它利用了圖像的局部空間信息，可有效地克服其他方法存在的圖像分割空間小連續(xù)的缺點。為此，人們提出各種多尺度邊緣檢測方法，根據(jù)實際問題設(shè)計多尺度 邊緣信息的結(jié)合方案，以較好地兼顧抗噪性和檢測精度。 基于邊緣的分割方法其難點就在于邊緣檢測時抗噪性和檢測精度之間的矛盾。 基于 Hough變換的邊緣連接技術(shù) 。當(dāng)分割的圖像含有強噪聲干擾或者區(qū)域之間的性質(zhì)差別很小時，分割出來的邊緣可能是不連續(xù)的，此時可考慮用邊緣連接技術(shù)把斷開處連接起來。根據(jù)跟蹤方法不同又可分為輪廓跟蹤、光棚跟蹤和全向跟蹤三種方法。 基于邊緣檢測的圖像分割方法可分成兩大類，即串行邊緣分割技術(shù)和并行邊緣分割技術(shù)。常用的微分算子有一次微分(Sobel 算子、 Roberts 算子等 )、二次微分 (拉普拉斯算子等 )和模板操作 (Prewit 算子、Kirsch 算子等 )，它是一種并行邊界技術(shù)。通常不同的區(qū)域之間的邊緣上像素灰度值的變化往往比較劇烈，這是邊緣檢測方法得以實現(xiàn)的主要假設(shè)之一。在實際應(yīng)用中，閾值法通常與其他方法結(jié)合使用。當(dāng)圖像的灰度差異不明顯或不同目標(biāo)的灰度值范圍有重疊時，應(yīng)采用局部 閾值或動態(tài)閾值分割法。 閾值分割的優(yōu)點是計算簡單、運算效率較高、速度快。 近年來的方法有：用最大相關(guān)性原則選擇閾值的方法、基于圖像拓?fù)浞€(wěn)定狀態(tài)的方法、 Yager 測度極小化方法、灰度共生矩陣方法、方差法、熵法、峰值和谷值分析法等， 其中，自適應(yīng)閾值法、最大熵法、模糊閾值法、類間閾值法是對傳統(tǒng)閾值法改進較成功的幾種算法。顯然， 閾值分割方法的關(guān)鍵和難點是如何取得一個合適的閾值。 閾值分割方法作為一種常見的區(qū)域并行技術(shù)，就是用一個或幾個閾值將圖像的灰度直方圖分成幾個類，認(rèn)為圖像中灰度值在同一類中的像素屬于同一物體。這種方法部分基于主動對象和一個靜態(tài)的環(huán)境，導(dǎo)致在不同類型的視 頻分割提供跟蹤。同樣的方法是采取一個框架可以應(yīng)用到多個，和之后的結(jié)果合并，山峰和山谷在以前很難識別，但現(xiàn)在更容易區(qū)分。 基于直方圖的方法也能很快適應(yīng)于多個幀，同時保持他們的單通效率。 這種技術(shù)的一種改進是遞歸應(yīng)用直方圖求法的集群中的形象以分成更小的簇。在這種方法中，直方圖是從圖像中的像素的計算，并在直方圖的波峰和波谷是用于定位圖像中的簇。其中 log 算子是采用 Laplacian 算子 求 高斯函數(shù) 的 二階導(dǎo)數(shù) ， Canny 算子是高斯函數(shù)的 一階導(dǎo)數(shù) ，它在噪聲抑制和 邊緣檢測 之間取得了較好的平衡。因此用 微分算子 檢測邊緣前要對圖像進行 平滑濾波 。這些算子對噪聲敏感，只 適合于噪聲較小不太復(fù)雜的圖像。常用的一階 微分算子 有 Roberts 算子、 Prewitt 算子和 Sobel 算子，二階微分算子有 Laplace 算子和 Kirsh 算子等。對 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 9 于階躍狀邊緣，其位置對應(yīng) 一階導(dǎo)數(shù) 的 極值點 ，對應(yīng) 二階導(dǎo)數(shù) 的過零點 (零交叉點 )。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特征可以分割圖像。 圖 31 四叉樹分割后的圖像 邊緣分割 圖像分割的一種重要途徑是通過 邊緣檢測 ，即檢測灰度級或者結(jié)構(gòu)具有突變的地方，表明一個區(qū)域的終結(jié)，也是另一個區(qū)域開始的地方。 分裂合并法的關(guān)鍵是分裂合并準(zhǔn)則的設(shè)計?；痉至押喜⑺惴ú襟E如下： (1)對任一個區(qū)域，如果 H(Ri)=FALSE 就將其分裂成不重疊的四等份； (2)對相鄰的兩個區(qū)域 Ri 和 Rj，它們也可以大小不同（即不在同一層），如果條件 H(Ri∪ Rj)=TRUE 滿足，就將它們合并起來。 在這類方法中，最常用的方法是四叉樹分解法 (如圖 所示 )。分裂合并的假設(shè)是對于一幅圖像，前景區(qū)域由一些相互連通的像素組成的，因此，如果把一幅圖像分裂到像素級，那么就可以判定該像素是否為前景像素。 區(qū)域生長是從某個或者某些像素點出發(fā)，最后得到整個區(qū)域，進而實現(xiàn)目標(biāo)提取。它的缺點是需要人為確定種子點，對噪聲敏感，可能導(dǎo)致區(qū)域內(nèi)有空洞。生長準(zhǔn)則可根據(jù)不同原則制定，而使用不同的生長準(zhǔn)則會影響 區(qū)域生長 的過程。選取的種子像素可以是單個像素，也可以是包含若干個像素的小區(qū)域。 區(qū)域生長需要選擇一組能正確代表所需區(qū)域的種子像素， 確定在生長過程中的相似性準(zhǔn)則，制定讓生長停止的條件或準(zhǔn)則。將這些新像素當(dāng)作新的種子像素繼續(xù)進行上面的過程，直到再沒有滿足條件的像素可被包括進來。 區(qū)域生長的基本思想是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域。對于給定的圖像，可以通過分析直方圖的方法確定最佳的閾值，例如當(dāng)直方圖明顯呈現(xiàn)雙峰情況時，可以選擇兩個峰值的中點作為最佳閾值。這時的閾值為自適應(yīng)閾值。這時可以根據(jù)圖像的局部特征分別采用不同的閾值進行分割。常用的全局閾值選取方法有利用圖像灰度直方圖的峰谷法、最小誤差法、 最大類間方差法 、最大熵自動閾值法以及其它一些方法。它是根據(jù)整幅圖像確定的： T=T(f)。 人們發(fā)展了各種各樣的閾值處理技術(shù)，包括全局閾值、自適應(yīng)閾值、最佳閾值等等。 閾值分割的優(yōu)點是計算簡單、運算效率較高、速度快。由此可見，閾值分割算法的關(guān)鍵是確定閾值，如果能確定一個合適的閾值就可準(zhǔn)確地將圖像分割開來。 圖像分割的幾種方法 閾值分割 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 7 灰度 閾值分割 法是一種最常用的并行區(qū)域技術(shù)，它是圖像分割中應(yīng)用數(shù)量最多的一類。對于相似性的檢測方法（即基于區(qū)域的分割方法）主要有：雙峰法，區(qū)域分裂與合并和自適應(yīng)閾值分割等；對于灰度不連續(xù)性檢測方法（即基于邊緣的分割方法）主要有：邊緣檢測、邊緣跟蹤和霍夫變換等。人們在多年的研究中積累了很多圖像分割方法。 這些條件對分割具有一定的指導(dǎo)作用。 P(????)=TRUE 表 結(jié)果中，每個區(qū)域都有其獨特的特性。 ????=1?? ????=R 代表分割的所有 子區(qū)域的并集即為原來的圖像，它是圖像處理中的每個像素都被處明在分割理的保證。 (4) 對于 i≠j，有 P(???? ?????)=FASLE； (5) 對于 i=1,2,…,N, ????是連通的區(qū)域。有 ???? ?????=?。 多年來人們對圖像分割提出了不同的解釋和闡述，借助集合的概念對圖像分割可以給出以下定義：令集合 R 代表整個圖像區(qū)域，對 R 的圖像分割可以看做是將 R 分成 N 個滿足以下條件的非空子集 ??1， ??2， ...， ???? 。 圖像分割的定義 圖像分割就是指把圖像分成各具特性的區(qū)域并提取出自己感興趣區(qū)域的技術(shù)過程。圖像分割在不同領(lǐng)域中有時也用其他名稱，如目標(biāo)輪廓技術(shù)、閾值化技術(shù)、圖像 區(qū)分或求差技術(shù)、目標(biāo)檢測技術(shù)、目標(biāo)識別技術(shù)、目標(biāo)眼跟蹤技術(shù)等，這些技術(shù)的核心實際上就是圖像分割技術(shù)。另外新版本的 Matlab 還著重在圖形用戶界面（ GUI）的制作上作了很大的改善，對這方面有特殊要求的用戶也可以得到滿足。 Matlab 的圖形技術(shù)包括二維和三維的可視化、圖象處理、動 畫等高層次的專業(yè)圖形的高級繪圖函數(shù)（例如圖形的光照處理、色度處理以及四維數(shù)據(jù)的表現(xiàn)等），又包括一些可以讓用戶靈活控制圖形特點的低級繪圖命令，可以利用 Matlab 的句柄圖形技術(shù)創(chuàng)建圖形用戶界面。利用豐富的庫函數(shù)避開繁雜的子程序編程任務(wù)，壓縮了一切不必要的編程工作 圖形功能強大。此外 Matlab 還是一種解釋性語言，不需要專門的編譯器。 界面友好、編程效率高。 Matlab 的這些函數(shù)集包括從最簡單最基本的函數(shù)到諸如矩陣、特征向量、快速傅立葉變換的復(fù)雜函數(shù)。在通常情況下，可以用它來代替底層編程語言，如 C 和 C++。其擁有 600 多個工程中要用到的數(shù)學(xué)運算函數(shù)，可以方便的實現(xiàn)用戶所需的各種計算功能。 強大的數(shù)值（矩陣）運算功能。功能性工具箱主要用來擴充其符號計算功能，圖示建模仿真功能，文字處理功能以及與硬件實時交互功能；而學(xué)科性工具箱是專業(yè)性比較強的，如 control， toolbox， signl proceessingtoolbox，mumnicationtoolbox 等。核心部分中有數(shù)百個核心內(nèi)部函數(shù)。 Matlab 的一個重要特色就是具有一套程序擴展系統(tǒng)和一組稱之為工具箱的特殊應(yīng)用子程序，每一個工具箱都是為某一類學(xué)科專業(yè)和應(yīng)用而定制的。而且 Matlab 有特殊矩陣專門的庫函數(shù)，可以高效地求解 諸如信號處理、圖像處理、控制等問題。 Matlab 是一個高級的矩陣陣列語言，它包含控制語句、函數(shù)、數(shù)據(jù)結(jié)構(gòu)、輸入輸出和面向?qū)ο缶幊烫攸c。 MATLAB 具有以下幾個特點 : 語言簡潔緊湊，語法限制不嚴(yán)，程序設(shè)計自由度大，可移植性好 、 運算符、庫函數(shù)豐富 、 強大的數(shù)值（矩陣）運算功能 、 界面友好、編程效率高、圖形功能強大 。除內(nèi)部函數(shù)外，所有 MATLAB 主包文件和各種工具包都是可讀可修改的文 件，用戶通過對源程序的修改或加入自己編寫程序構(gòu)造新的專用工具包。學(xué)科工具包是專業(yè)性比較強的工具包，控制工具包，信號處理工具包，通信工具包等都屬于此類。工具包又可以分為功能性工具包和學(xué)科工具包。MATLAB 的基本數(shù)據(jù)單位是矩陣，它的指令表達式與數(shù)學(xué)，工程中常用的形式十分相似， 故用 MATLAB 來解算問題要比用 C,FORTRAN 等語言完成相同的事情來的簡單的多。 MATLAB 概況 MATLAB 是矩陣實驗室（ Matrix Laboratory）之意。在新的版本中也加入了對 C， FORTRAN， C++， JAVA 的支持。 MATLAB 可以進行 矩陣 運算、繪制函數(shù)和數(shù)據(jù)、實現(xiàn) 算法 、創(chuàng)建用戶界面、連接其他 編程語言 的程序等，主要應(yīng)用于工程計算、控制設(shè)計、信號處理與通訊、 圖像處理 、信號檢測、金融建模設(shè)計與分析等領(lǐng)域。 MATLAB 應(yīng)用非常之廣泛！ MATLAB 和 Mathematica、 Maple 并稱為三大 數(shù)學(xué) 軟件。第五章則為本次畢業(yè)設(shè)計做出了總結(jié)。第三章主要對圖像分割算法的概述以及簡述了 幾種分割算法及特點。 論文 內(nèi)容及結(jié)構(gòu) 本文主要介紹一些常用的圖像分割算法，以及這些算法的特點。另外，圖像分割在實際中也得到了廣泛的應(yīng)用，在計算機視覺和圖像識別的各種應(yīng)用系統(tǒng) 中占有相當(dāng)重要的地位，也是研制和研發(fā)計算機視覺系統(tǒng)、字符識別和目標(biāo)自動獲取等圖像識別和理解系統(tǒng)首先要解決的問題。 近 年來，對圖像分割的研究一直是圖像技術(shù)研究中的熱點和焦點，人們對其的關(guān)注和投入不斷提高。另一方面，給定一個實際應(yīng)用要選擇合用的分割算法仍是一個很麻煩的問題，由于缺少通用的理論指導(dǎo)，常常需要反 復(fù)的進行實驗。不同的分割方法對同一幅圖像的分割效果是不同的，而且同一種分割方法對同一幅圖像在不同空間下的分割效果也是不同的。分割 結(jié)果的好壞需要根據(jù)具體的場合及要求來進行衡量。需要提出的是，到目前為止還沒有唯一的標(biāo)準(zhǔn)的分割方法。有些算法需要先對圖像進行粗分割，因為他們需要從圖像中提取出來信息。經(jīng)典的方法由灰度值閾值分割法、邊緣檢測法和區(qū)域跟蹤以及基于分水嶺算法的分割方法等。它是圖像處理、模式識別和人工智能等多個領(lǐng)域中重要的課題，也是計算機視覺技術(shù)中的關(guān)鍵步驟。其次，圖像處理在軍事、遙感、氣象等大型應(yīng)用中不斷增長的需求。 研究背景及目的 21 世紀(jì)是一個充滿信息的時代，圖像作為人類感知世界的視覺基礎(chǔ)，是人類為獲取信息、表達信息和傳遞信息的重要手段。 關(guān)鍵詞 ： Matlab 圖像分割 分割 算法 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） Image Segmentation Based on MATLAB and Its Application Abstract: In recent years, the rapid development of science and technology, puter performance is getting better, declining prices image processing system, image processing is widely utilized in many fields of science and engineering fields. The transition from image processing to image analysis, image segmentation is the key step,so that the image segmentation occupies an important position in the image project. In the image analysis, image segmentation task is to put into meaningful nonoverlapping region, in order to further the image processing, analysis and application. Image segmentation is the basis of the image feature extraction and recognition, image understanding, image segmentation