【正文】 4 第 4 章 基于邊緣的圖像分割方法的仿真實現(xiàn) 引言 邊緣檢測是檢測圖像中有意義的不連續(xù)性的常用方法。 本章小結(jié) 三種閾值分割法各有優(yōu)缺點?；诘拈撝的軈^(qū)分出圖像的前景和背景的主要區(qū)域所在，但在圖像的細微處還沒有很好的區(qū)分度。對于直方圖雙峰明顯，谷底較深的圖像，迭代方法可以較快地獲得滿意結(jié)果，但是對于直方圖雙峰不明顯，或圖像目標(biāo)和背景比例差異懸殊，迭代法所選取的閾值不如其它方法。如此反復(fù)迭帶直到開關(guān)函數(shù)不在發(fā)生變化，此時得到的前景和背景即為最終分割結(jié)果。 流程圖如圖 33 所示： 將像素點分為兩部分 ，求均值 代替 ??0 求均值 NO YES 初始閾值 ??0 ????： 小 于 ??0的像素均值 ????：大于 ??0的像素均值 ????： ????與 ????的平均值 |???? ???0| 最佳閾值 ???? 圖像在 ????下二值化，實現(xiàn)分割 圖像區(qū)域分割算法設(shè)計 13 圖 33 迭代法流程圖 具體實現(xiàn)時，首先根據(jù)初始開關(guān)函數(shù)將輸入圖逐個圖像分為前景和背景，在第一遍對圖像掃描結(jié)束后，平均兩個積分器的值以確定一個閾值。針對這種情況，使用局部閾值的方法就可以在不同的區(qū)域選擇不同的閾值，將物體從背景中分割出來。 但是，在很多情況下，對復(fù)雜的整幅圖像用單一閾值不能給出良好的分割結(jié)果。從圖 32(b)的分割結(jié)果可見，這種方法可以完整地將對象從圖像背景中整齊清晰地分割出來，并充分反映出了原圖像的細節(jié)。 在分割閾值確定過程中，以 ????2(T)代表閾值為 k時的類間方差， ????， ????分別為????組中像素 i產(chǎn)生的概率和組內(nèi) 所有像素點灰度值的均值 ， μ為整體圖像所有像素點灰度的均值。顯然，適 當(dāng)?shù)拈撝凳沟脙深悢?shù)據(jù)間的方差越大越好，表明該閾值的確將兩類不同的問題區(qū)分開了，同時希望屬于同一類問題的數(shù)據(jù)之間的方差越小越好，表明同一類問題具有一定的相似性。 最大類間方差法 從統(tǒng)計意義上講，方差是表征數(shù)據(jù)分布不均衡的統(tǒng)計量， 可 通過閾值對 這 類問題進行分割。 (a) 灰度直方圖 (b) 原始圖像 (c) 分割結(jié)果 圖 31 直方圖雙峰法分割圖像 結(jié)果分析：從圖 31 的仿真結(jié)果可以發(fā)現(xiàn)，這是一種有效且簡單的閾值分割方法，只需要將圖 31(a)直方圖上兩個波峰之間的谷底選擇為分割閾值，即選擇閾值為 80，就可以將對象從背景中分割出來了，得到圖 31(c)所示的分割結(jié)果。盡管可以通過人工參與、交互設(shè)定閾值，但設(shè)定閾值后分割效果如何，也需要通過人工觀察圖像分割結(jié)果來判斷。 雙峰法在當(dāng)被分割圖像的灰度直方圖中呈現(xiàn)出明顯、清晰的兩個波峰時，使用該方法可以達到較好的分割精度。因此直方圖左側(cè)山峰為亮度較低的部分，這部分恰好對應(yīng)于畫面中較暗的背景部分；直方圖右側(cè)山峰為亮度較高的部分，對應(yīng)于畫面中需要分割的目標(biāo)。圖像二值化過程就是在直方圖上尋找兩個峰、一個谷來對一個圖像進行分割，也可以通過兩級函數(shù)來近似直方圖。 直方圖雙峰法 該閾值法的依據(jù)是圖像的直方圖，通過對直方圖進行各種分析來實現(xiàn)對圖像的分割。 閾值分割分為全局閾值分割和局部閾值方法兩種。設(shè)輸入圖像是 F(x,y)，輸出圖像是 B(x,y)，如式 3?1 所示 ： B(x,y) = {1, ??(??,??) ??0, ??(??,??) ?? （ 3? 1） 閾值分割實質(zhì)上就是按照某個準(zhǔn)則求出最佳閾值的過程。 常用的方法是：設(shè)定某一閾值 T，用 T將圖像分割成大于閾值 T的像素群 (目標(biāo) )和小于閾值 T的像素群 (背景 )兩部分。分割的關(guān)鍵就是選取合適的閾值，以確定圖像中每個像素點是屬于目標(biāo)還是屬于背景。 圖像區(qū)域分割算法設(shè)計 9 第 3 章 基于 閾值 的圖像分割方法的仿真實現(xiàn) 引言 閾值分割是一種最常見的分割方法。對圖像濾波是對圖片的預(yù)處理，對于噪點比較高的圖片，通過濾波可以很好地改善圖片的分割效果。 本次設(shè)計 GUI 界面如圖 所示： 圖 圖像分割 GUI 界面 本章小結(jié) 圖像分割 有多種 分類方式 ，本文主要分為四類，閾值分割方法、邊緣檢測方法、區(qū)域提取方法和結(jié)合特定理論工具的分割方法。這些相應(yīng)的語句被稱為回應(yīng)。鼠標(biāo)單擊或鍵入信息是一個事件，如果 MATLAB 程序運行相應(yīng)的函數(shù)，那么 MATLAB 函數(shù)肯定會有所反應(yīng)。 。以前，我們在畫數(shù)據(jù)圖象時，圖象窗口會被自動創(chuàng)建。 。 在 GUI 中的每一個項目 (按鈕 ,標(biāo)簽 ,編輯框等 )都是一個圖形化組件 。例如，當(dāng)鼠標(biāo)在一個按鈕上發(fā)生了單擊事件，用戶圖形界面初始化它的操作，并在按鈕的標(biāo)簽上對這個操作進行描述。它提供用戶一個常 見的界面，還提供一些控件，例如，按鈕，列表框，滑塊，菜單等。但是如果讀者想向別人提供應(yīng)用程序，想進行某種技術(shù)、方法的演示，想制作一個供反復(fù)使用且操作簡單的專用工具，那么圖形用戶界面也許是最好的選擇之一。用戶通過一定的方法（如鼠標(biāo)或鍵盤）選擇、激活這些圖形對象，使計算機產(chǎn)生某種動作或變化，比如實現(xiàn)計算、繪圖等。 GUI 簡介 圖形用戶界面（ Graphical User Interface，簡稱 GUI，又稱圖形用戶接口）是指采用圖形方式顯示的計算機操作用戶界面。線性濾波的基本原理是用均值代替原圖像中的各個像素值，即對待處理的當(dāng)前像素點 (x,y)，選擇一個模板，該模板由其近鄰的若干像素組成，求模板中所有像素的均值，再圖像區(qū)域分割算法設(shè)計 7 把該均值賦予當(dāng)前像素點 (x,y)，作為處理后圖像在該點上的灰度個 g(x,y)，即 g(x,y) = 1 ??? ∑??(??,??) m為該模板中包含當(dāng)前像素在內(nèi)的像素總個數(shù)。再用模板中的全體像素的平均值來代替原來像素值。去噪過程同時還可實現(xiàn)圖像的平滑。 均值濾波 由于不可知處理前的圖像是不是受到過噪聲干擾，而噪聲會影響到圖像的質(zhì)量，所以去除圖像中的噪聲對于改善圖像分割效果非常重要。直觀上來說 ， 若一幅圖像其像素占有全部可能的灰度級并且分布 均勻，則這樣的圖像有高對比度和多變的灰度色調(diào)。直方圖操作能夠有效用于圖像增強；提供有用的圖像統(tǒng)計資料，其在軟件中易于計算，適用于商用硬件設(shè)備。 灰度直方圖 灰度直方圖是灰度級的函數(shù)，它表示圖象中具有每種灰度級的象素的個數(shù)，反映圖象中每種灰度出現(xiàn)的頻率。但該方法還不能很好地解決耗時問題，將其與一些節(jié)約時間的方法結(jié)合起來，是圖像分割的一種趨勢。 基于數(shù)學(xué)形態(tài)學(xué)的分割技術(shù)的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素 去量度和提取圖像中的對應(yīng)形狀，以達到對圖像分析和識別的目的。 基于小波分析和變換的分割方法是借助數(shù)學(xué)工具小波變換來分割圖像的一種方法。 基于人工神經(jīng)網(wǎng)絡(luò)的分割方法的基本思想是用訓(xùn)練樣本集對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，以確定節(jié)點間的連接和權(quán)值，再用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)分割新的圖像數(shù)據(jù)。這兩種方法在實現(xiàn)上存在一定的困難。把對應(yīng)于不同目標(biāo)的標(biāo)號分別賦給圖像中每個像素，根據(jù)相鄰像素之間的相容性，通過迭代調(diào)整標(biāo)號，直到收斂。聚類準(zhǔn)則是聚類分割的關(guān)鍵。 聚類法在特征空間對像素點集進行聚類，包括硬聚類、概率聚類、模糊聚類等。這種方法的關(guān)鍵在于種子點的位置、生長準(zhǔn)則和生長順序等。方法主要有區(qū)域生長法、區(qū)域分裂與合并法、聚類法、松弛法等。其基本思想是根據(jù)圖像數(shù)據(jù)的特征將圖像空間劃分為不同的區(qū)域，然后根據(jù)不同區(qū)域的不同特征進行圖像分割。因此，人們提出了多尺度邊緣檢測方法，根據(jù)實圖像區(qū)域分割算法設(shè)計 5 際問題設(shè)計多尺度邊緣信息的結(jié)合方案，以便更好地兼顧抗噪性和檢測精度。 這種分割方法實現(xiàn)的難點就在于邊緣檢測時抗噪性和檢測精度之間的矛盾。這種利用常用的微分算子進行邊緣檢測的方法是一種并行邊界技術(shù)。邊緣檢測可以根據(jù)處理的順序分為并行邊緣檢測和串行邊緣檢測。 基于邊緣的分割方法 基于邊緣的分割方法是一種利用圖像不同區(qū)域間的像素灰度不連續(xù)的特點檢測出區(qū)域間的邊緣，從而實現(xiàn)圖像分割的方法。目前，圖像的閾值分割已被應(yīng)用于很多的領(lǐng)域，例如，在紅外技術(shù)應(yīng)用中，紅外無損檢測中紅外熱圖像的分割，紅外成像跟蹤系統(tǒng)中目標(biāo)的分割；在遙感應(yīng)用中，合成孔徑雷達圖像中目標(biāo)的分割等；在醫(yī)學(xué)應(yīng)用中，血液細胞圖像的分割，磁共振圖像的分割；在農(nóng)業(yè)工程應(yīng)用中，水果品質(zhì)無損檢測過程中水果圖像與背景的分割。 閾值分割的優(yōu)點是計算簡單、運算效率較高、速度快。常用的特征包括：直接來自原始圖像的灰度或彩色特征；由原始灰度或彩色值變換得到的特征。這樣的劃分可以通過從灰度級出發(fā)選取一 個或多個閾值來實現(xiàn)。它不僅可以極大的壓縮數(shù)據(jù)量，而且也大大簡化了分析和處理步驟，因此在很多情況下，是進行圖像分析、特征提取與模式識別之前的必要的圖像預(yù)處理過程。 基于閾值的分割方法 圖像閾值化分割是一種傳統(tǒng)的最常用的圖像分割方法，因其實現(xiàn)簡單、計算量小、性能較穩(wěn)定而成為圖像分割中最基本和應(yīng)用最廣泛的分割技術(shù)。對于相似性檢測方法（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的方法。 這些條件對分割具有一定的指導(dǎo)作用。P(????) = TURE表明在分割結(jié)果中，每個區(qū)域都有其獨特的特性。 ? ????????=1 = ??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理的保證。 (1)? ????????=1 = ??； (2)對于所有的 i和 j， i ≠ j， 有 ???? ∩???? = ?； (3)對 于 i = 1,2,?,N，有 P(????)= TURE； (4)對于 i ≠ j，有 P(???? ∪ ????) = FALSE； (5)對于 i = 1,2,?,N， ????是連通的區(qū)域。圖像分割在有些領(lǐng)域也稱目標(biāo)輪廓、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)跟蹤技術(shù)等。圖像分割通常是為了進一步對圖像進行分析、識別、跟蹤、理解、壓縮編碼等，分割的準(zhǔn)確性直接影響后續(xù)任務(wù)的有效性，因此具有十分重要的意義。 圖像區(qū)域分割算法設(shè)計 3 第 2 章 圖像分割技術(shù)綜述 圖像分割基本概念 圖像分割（ Image Segmentation）就是將圖像表示為物理上有意義的連通區(qū)域。 像分割法 —— 閾值法、邊緣檢測法、區(qū)域法，包括基本原理，應(yīng)用實例。 研究已經(jīng)有了許多成果，但是與灰度圖像分割方法的多樣性相比，其理論不夠豐富，近幾年，關(guān)于彩色圖像分割的文獻有增加的趨勢，有可能成為一個新的熱點方向。 ，利用這些領(lǐng)域的專業(yè)知識來輔助解決圖像分割問題，越來越多的吸引人們的注意力，相應(yīng)的，對圖像分割作為一個統(tǒng)一對象的研究在逐漸弱化。 ，綜合使用兩種以上的方法，能夠部分客服單獨的圖像分割算法難以對一般圖像取得令人滿意的分割效果的問題，占據(jù)了分割領(lǐng)域中現(xiàn)有文獻 的大部分。 圖像分割技術(shù)的 發(fā)展趨勢 縱觀圖像分割技術(shù)在這些年的發(fā)展，其中有幾個明顯的趨勢： 、新的方法引入圖像分割領(lǐng)域，如這幾年逐漸引起人們重視的模糊算法、神經(jīng)網(wǎng)絡(luò)遺傳算法、小波分析、粗集理論、數(shù)學(xué)形態(tài)學(xué)等理論都先后被應(yīng)用于圖像分割領(lǐng)域，為領(lǐng)域中的研究注入了新的活力，有效地解決了原有理論的一部分缺陷，改善了分割效果，更重要的是為圖像分割問題的最終解決開拓了新的思路。早在 1965 年就有人提出了檢測邊緣算子邊緣檢測方法，邊緣檢測已產(chǎn)生了不少經(jīng)典算法。因此，圖像分割的研究還在不斷 深入，是目前圖像處理中研究的熱點之一。隨著計算機技術(shù)的發(fā)展及其相關(guān)技術(shù)的成熟，結(jié)合圖像增強等圖像處理技術(shù)，我們已經(jīng)能夠在計算機上實現(xiàn)圖像分割處理過程。關(guān)于圖像分割的原理和方法國內(nèi)外已有不少的研究成果，但一直以來沒有一種分割方法適用于所有圖像分割處理。 圖像分割在不同的領(lǐng)域也有其它的名稱，如目標(biāo)輪廓技術(shù)、目標(biāo)檢測技術(shù)、閾值化技術(shù)、目標(biāo)跟蹤技術(shù)等，