【正文】 重要的預(yù)處理，也稱為對圖像的平滑濾波過程。因此，去除噪聲，恢復(fù)原始圖像是圖像處理中的一個(gè)重要內(nèi)容。 圖像平滑圖像平滑的目的是為了減少圖像噪聲。第2章 圖像分割預(yù)處理由于受多種因素（光學(xué)系統(tǒng)失真、系統(tǒng)噪聲、曝光不足或過量等）條件的影響，得到的圖片往往信息微弱，無法辨識，需要進(jìn)行增強(qiáng)處理。 本次課題的主要研究內(nèi)容本次課題主要以分水嶺算法、區(qū)域生長法、區(qū)域分裂法、背景差值法進(jìn)行圖像分割的研究。近年來多通道小波也開始用于邊緣檢測。小波變換的計(jì)算復(fù)雜度較低，抗噪聲能力較強(qiáng)。小波變換是一種多尺度多通道分析工具，比較適合對圖像進(jìn)行多尺度的邊緣檢測，例如可利用高斯函數(shù)的一階和二階導(dǎo)數(shù)作為小波函數(shù)，利用Matlat算法分解小波，然后基于馬爾算子進(jìn)行多尺度邊緣檢測，這里小波分解的級數(shù)可以控制觀察距離的“調(diào)焦”。 結(jié)合特定理論工具的分割方法近年來，隨著各學(xué)科許多新理論和方法的提出，人們也提出了許多結(jié)合特定理論工具的分割方法，例如基于數(shù)學(xué)形態(tài)學(xué)的分割方法，基于神經(jīng)網(wǎng)絡(luò)的分割方法，基于信息論的分割方法，基于模糊集合和邏輯的分割方法，基于小波分析和變換的分割方法，基于遺傳算法的分割方法等。現(xiàn)有的大部分算法都是集中在閾值確定的研究上。閾值分割算法主要有兩個(gè)步驟：（1）確定需要的閾值； （2）將分割閾值與像素值比較以劃分像素。 閾值分割法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)像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)的像素分為兩類。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，再按一定的規(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。 區(qū)域提取法區(qū)域提取法有兩種基本形式：一種是從單個(gè)像素出發(fā)，逐漸合并以形成所需的分割區(qū)域；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。圖像灰度的變化情況可以用圖像灰度分布的梯度來反映，因此我們可以用局部圖像微分技術(shù)來獲得邊緣檢測算子。邊緣檢測的實(shí)質(zhì)是采用某種算法來提取出圖像中對象與背景問的交界線。 邊緣檢測法圖像分析和理解的第一步常常是邊緣檢測。圖像分割方法有許多種分類方式，在這里將分割方法概括為四類：(1)邊緣檢測方法(2)區(qū)域提取方法(3)閾值分割方法(4)結(jié)合特定理論工具的分割方法。下面對一些經(jīng)典傳統(tǒng)方法作簡要的概述。圖像分割在圖像工程中的位置它起著承上啟下的作用，可以認(rèn)為是介于低層次處理和高層次處理的中間層間。然而，還沒有制定出選擇合適分割算法的標(biāo)準(zhǔn)，這給圖像分割技術(shù)的應(yīng)用帶來許多實(shí)際問題。作者下一步的研究方向是進(jìn)一步研究視覺認(rèn)知的原理，結(jié)合智能科學(xué)的最新理論，對圖像分割作更深一步的研究。未來的發(fā)展需要研究者借鑒數(shù)學(xué)、統(tǒng)計(jì)學(xué)、神經(jīng)學(xué)、認(rèn)知心理學(xué)、計(jì)算機(jī)科學(xué)等領(lǐng)域的成果及其綜合運(yùn)用，不斷引入新的理論和方法。相容粒度空間模型的基本思想來源于模擬人在特定任務(wù)下對資源進(jìn)行粒度化生成粒度空間從而輔助問題求解的能力。粒度計(jì)算（Granular Computing,GrC）是信息處理的一種新的概念和計(jì)算范式，覆蓋了所有有關(guān)粒度的理論、方法、技術(shù)和工具的研究，主要用于處理不精確的、模糊的、不完整的及海量的信息，業(yè)已成為人工智能、軟計(jì)算和控制科學(xué)等領(lǐng)域的研究熱點(diǎn)之一。2008年，Huang等提出一種用于非監(jiān)督圖像分割的核聚類人工免疫網(wǎng)絡(luò)，該網(wǎng)絡(luò)的設(shè)計(jì)受啟發(fā)于人工免疫網(wǎng)絡(luò)和支持向量域描述的思想。6）基于免疫算法的圖像分割方法。2003年，Pavan等提出一種新的用于圖像分割的圖論聚類理論框架。該方法將圖像映射為帶權(quán)無向圖，把像素視作節(jié)點(diǎn)，利用最小剪切準(zhǔn)則得到圖像的最佳分割。5）基于圖論的圖像分割方法。2007年，魏鴻磊等提出了一種采用支持向量機(jī)分類的指紋圖像分割方法。應(yīng)用SVM分割圖像時(shí)，由于輸入向量通過非線性映射映射到高維特征空間的分布結(jié)構(gòu)由核函數(shù)決定，同時(shí)，最優(yōu)超平面與最近的訓(xùn)練樣本之間的最大距離和最小分類誤差通過懲罰因子Ｃ進(jìn)行折衷，因此，核函數(shù)設(shè)計(jì)與懲罰因子Ｃ的選擇將直接影響到圖像分割效果。近年來，建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上的支持向量機(jī)（Support Vector Machine,SVM）方法表現(xiàn)出很多優(yōu)于已有方法的性能，基于支持向量機(jī)的圖像分割方法引起研究人員的注意和研究興趣。2008年，Berg 。3）基于神經(jīng)網(wǎng)絡(luò)的圖像分割方法。模糊集與系統(tǒng)理論是近年來在工程技術(shù)領(lǐng)域中十分活躍的數(shù)學(xué)分支之一，可以有效地解決模式識別中不同層次的由于信息不全面、不準(zhǔn)確、含糊、矛盾等造成的內(nèi)在不確定性問題，己經(jīng)成為圖像分割的重要數(shù)學(xué)工具。2008年，Parvati ，用來對彩色圖像、灰度醫(yī)學(xué)圖像和航空圖像等進(jìn)行分割。由于圖像分割技術(shù)至今尚無通用的自身理論，所以每當(dāng)有新的數(shù)學(xué)工具或方法提出來，人們就嘗試著將其用于圖像分割，因而提出了不少特殊的算法：1）基于數(shù)學(xué)形態(tài)學(xué)的圖像分割方法。傳統(tǒng)的圖像分割方法包括基于區(qū)域的，基于邊緣的和兩者結(jié)合的圖像分割方法。小波變換具有良好局部特性，當(dāng)小波函數(shù)尺度較大時(shí)，抗噪聲的能力強(qiáng)，當(dāng)小波函數(shù)尺度較小時(shí)，提取圖像細(xì)節(jié)的能力強(qiáng)，這樣就可以很好地解決抑制噪聲和提取圖像邊緣細(xì)節(jié)之間的矛盾。越來越多的學(xué)者開始將數(shù)學(xué)形態(tài)學(xué)、模糊理論、遺傳算法理論、分形理論和小波變換理論等研究成果運(yùn)用到圖像分割中，產(chǎn)生了結(jié)合特定數(shù)學(xué)方法和針對特殊圖像分割的先進(jìn)圖像分割技術(shù)。圖像分割的方法有許多種，有閾值分割方法，邊界分割方法，區(qū)域提取方法，結(jié)合特定理論工具的分割方法等。隨著計(jì)算機(jī)技術(shù)的迅猛發(fā)展，及其相關(guān)技術(shù)的發(fā)展和成熟，結(jié)合圖像增強(qiáng)等技術(shù)，能夠在計(jì)算機(jī)上實(shí)現(xiàn)圖像分割處理。關(guān)于圖像分割的原理和方法國內(nèi)外已有不少的論文發(fā)表，但一直以來沒有一種分割方法適用于所有圖像分割處理。圖像處理技術(shù)在航空航天、生物醫(yī)學(xué)工程、工業(yè)檢測、機(jī)器人視覺、公安司法、軍事制導(dǎo)、文化藝術(shù)、地理測繪等領(lǐng)域受到廣泛重視，并取得了重大的開拓性成就，使圖像處理成為一門引人注目、前景遠(yuǎn)大的新型學(xué)科。盡管圖像分割的任務(wù)在人類視覺感受中很難找到對照，但在數(shù)字圖像處理和分析中它卻是一個(gè)非常重要且艱巨的任務(wù)。人所觀察理解的并不僅僅是一個(gè)復(fù)雜的景物，而更是由多個(gè)內(nèi)容組成的集合體。圖像分割的目的是把圖像劃分成若干互不相交的區(qū)域，使各區(qū)域具有一致性，而相鄰區(qū)域間的屬性特征有明顯的差別。圖像分割是一項(xiàng)基礎(chǔ)而長久的研究領(lǐng)域，其結(jié)果好壞直接影響計(jì)算機(jī)視覺工程各環(huán)節(jié)。圖像分割可定義為將數(shù)字圖像分割成互不相交區(qū)域的過程。在對圖像分割問題的起源、發(fā)展和研究現(xiàn)狀進(jìn)行簡要綜述的基礎(chǔ)上，介紹了該領(lǐng)域當(dāng)前的研究熱點(diǎn)及論文的主要研究內(nèi)容。太原理工大學(xué)畢業(yè)設(shè)計(jì) 圖像分割的方法及應(yīng)用圖像分割的方法及應(yīng)用畢業(yè)論文目 錄摘　要 IAbstract II第1章 緒 論 1 選題意義 1 圖像分割技術(shù)的現(xiàn)狀和發(fā)展情況 1 圖像分割主要研究方法 3 邊緣檢測法 4 區(qū)域提取法 4 閾值分割法 4 結(jié)合特定理論工具的分割方法 5 本次課題的主要研究內(nèi)容 5第2章 圖像分割預(yù)處理 6 圖像平滑 6 中值濾波原理 6 平滑效果分析 7 灰度調(diào)整 7 灰度調(diào)整原理 7 灰度調(diào)整效果分析 8第3章 圖像分割的基本方法綜述 9 基于區(qū)域的分割方法 9 閾值法 9 區(qū)域生長和分裂合并法 10 聚類分割法 10 基于邊界的分割方法 11 微分算子法 11 串行邊界技術(shù) 11 基于區(qū)域和邊界技術(shù)相結(jié)合的分割方法 11 基于特定理論的分割方法 12 基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測方法 12 基于模糊集理論的方法 12 基于小波變換的邊緣檢測方法 12 基于神經(jīng)網(wǎng)絡(luò)的分割方法 12 基于遺傳算法的圖像分割技術(shù) 13 基于粗糙集理論的圖像分割技術(shù) 13 邊緣檢測法 13第4章 圖像分割算法 15 基于分水嶺算法的圖像分割 15 基于區(qū)域生長法的圖像分割 16 基于區(qū)域分裂合并法的圖像分割 18第5章 圖像分割應(yīng)用綜述 22 區(qū)域生長法在車牌定位中的應(yīng)用 22 分水嶺算法在粘連顆粒圖像分割中的應(yīng)用 23 形態(tài)學(xué)重建濾波 23 閾值分割 24 距離變換 24 分水嶺變換 25 結(jié)果與分析 25 圖像分割技術(shù)在煤礦生產(chǎn)中的應(yīng)用 27 常用的噪聲去除算法 27 圖像分割算法介紹 28 實(shí)驗(yàn)結(jié)果分析 30 圖像分割技術(shù)在醫(yī)學(xué)圖像處理中的應(yīng)用研究 30 基于區(qū)域的分割方法 31 基于邊界的分割方法 31 基于特定理論的方法 32第6章 總結(jié)與展望 34 工作總結(jié) 34 展望 34參考文獻(xiàn) 35致 謝 36附錄A 外文文獻(xiàn)翻譯 37附錄B 源程序 61 65 第1章 緒 論本章對論文涉及的研究領(lǐng)域進(jìn)行了較為詳細(xì)的綜述。簡要介紹了圖像分割的研究背景和意義，給出了圖像分割的基本方法及步驟。 選題意義圖像分割是從上世紀(jì)60年代開始被人們所研究的，它是由圖像處理到圖像分析的關(guān)鍵步驟，多年來一直被廣泛關(guān)注。在計(jì)算機(jī)視覺理論中，圖像分割、特征提取與目標(biāo)識別構(gòu)成了有低層到高層的三大任務(wù)。圖像分割的應(yīng)用非常廣泛，幾乎出現(xiàn)在有關(guān)圖像處理的所有領(lǐng)域并涉及各種類型。當(dāng)人觀察景物時(shí)，在視覺系統(tǒng)中對景物進(jìn)行分割的過程是必不可少的。但是在由像元陣列構(gòu)成的數(shù)字圖像中，不同圖像內(nèi)容占據(jù)不同的連通像元集合，圖像分割的任務(wù)是將整個(gè)圖像分離成代表不同圖像內(nèi)容的像元集合的過程。圖像分割作為前沿學(xué)科充滿了挑戰(zhàn)，吸引了眾多學(xué)者從事這一領(lǐng)域研究。 圖像分割技術(shù)的現(xiàn)狀和發(fā)展情況圖像分割算法的研究已有幾十年的歷史，一直以來都受到人們的高度重視。傳統(tǒng)的圖像分割方法存在著不足，不能滿足人們的要求，為進(jìn)一步的圖像分析和理解帶來了困難。其中最主要的技術(shù)是圖像分割技術(shù)，從圖像中將某個(gè)特定區(qū)域與其它部分進(jìn)行分離并提取出來的處理。早在1965年就有人提出檢測邊緣算子，邊緣檢測已產(chǎn)生不少經(jīng)典算法。尤其是近年來迅速發(fā)展起來的小波理論為圖像處理帶來了新的理論和方法。圖像分割作為前沿學(xué)科充滿了挑戰(zhàn)，吸引了眾多學(xué)者從事這一領(lǐng)域研究。近年來，隨著各學(xué)科許多新理論和新方法的提出，人們也提出了許多結(jié)合一些特定理論、方法和工具的圖像分割技術(shù)。數(shù)學(xué)形態(tài)學(xué)是由法國數(shù)學(xué)家Mathern ．1982年Serra 、模式識別和計(jì)算機(jī)視覺等領(lǐng)域得到長足的發(fā)展。2）基于模糊理論的圖像分割方法。2008年，Masooleh等提出一種的改進(jìn)模糊算法，使用粒子群優(yōu)化方法來優(yōu)化模糊系統(tǒng)，并用于彩色圖像分類和分割，具有最少的規(guī)則和最小的錯(cuò)誤識別率。20世紀(jì)80年代后期，受到人工智能發(fā)展的影響，出現(xiàn)了基于神經(jīng)網(wǎng)絡(luò)的的圖像分割技術(shù)。4）基于支持向量機(jī)的圖像分割方法。支持向量機(jī)方法已經(jīng)被看作是對傳統(tǒng)學(xué)習(xí)方法的一個(gè)好的替代，特別在小樣本、高維非線性情況下，具有較好的泛化性能。目前常用的核函數(shù)有：線性核、多項(xiàng)式核以及高斯徑向核等。2008年，Liu等提出了一種使用支持向量機(jī)的多尺度SAR圖像分割方法?；趫D論的圖像分割技術(shù)是近年來國際上圖像分割領(lǐng)域的一個(gè)新的研究熱點(diǎn)。該方法本質(zhì)上將圖像分割問題轉(zhuǎn)化為最優(yōu)化問題，是一種點(diǎn)對聚類方法，對數(shù)據(jù)聚類也具有很好的應(yīng)用前景。2006年，Bilodeau 。人工免疫系統(tǒng)（Artificial Immune System,AIS）是模仿自然免疫系統(tǒng)功能的一種智能方法，它實(shí)現(xiàn)一種受生物免疫系統(tǒng)啟發(fā)，通過學(xué)習(xí)外界物質(zhì)的自然防御機(jī)理的學(xué)習(xí)技術(shù)，提供噪聲忍耐、無教師學(xué)習(xí)、自組織、記憶等進(jìn)化學(xué)習(xí)機(jī)理，結(jié)合了分類器、神經(jīng)網(wǎng)絡(luò)和機(jī)器推理等系統(tǒng)的一些優(yōu)點(diǎn)，因此具有提供新穎的解決問題的潛力。7）基于粒度計(jì)算理論的圖像分割方法。2008年，史忠植等提出了面向相容粒度空間模型的圖像分割方法。當(dāng)前，圖像分割已成為圖像理解領(lǐng)域關(guān)注的一個(gè)熱點(diǎn)。過去幾年，研究人員不斷將相關(guān)領(lǐng)域出現(xiàn)的新理論和新方法應(yīng)用到圖像分割中，雖然取得了一定的效果，但仍未出現(xiàn)一種令人滿意的高效的通用的方法．其主要原因是人類對視覺系統(tǒng)還沒有充分的認(rèn)識，已有的模型只是從功能上來模擬，而不是從結(jié)構(gòu)上來實(shí)現(xiàn)。 圖像分割主要研究方法圖像分割是圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，自20世紀(jì)70年代起一直受到人們的高度重視，至今已提出了上千種各種類型的分割算法，現(xiàn)提出的分割算法大都是針對具體問題的，并沒有一種適合于所有圖像的通用分割算法，而且近年來每年都有上百篇相關(guān)研究報(bào)道發(fā)表。因此，對圖像分割的研究還在不斷深入之中，是目前圖像處理中研究的熱點(diǎn)之一。最近幾年又出現(xiàn)了許多新思路、新方法、或改進(jìn)算法。多年來人們對圖像分割提出了不同的解釋和表述，借助集合概念對圖像分割可給出如下定義：令集合R代表整個(gè)圖像區(qū)域，對R的圖像分割可以看做是將R分成N個(gè)滿足以下條件的非空子集R1，R2，R3，…，RN；（1）在分割結(jié)果中，每個(gè)區(qū)域的像素有著相同的特性；（2）在分割結(jié)果中，不同子區(qū)域具有不同的特性，并且它們沒有公共特性；（3）分割的所有子區(qū)域的并集就是原來的圖像；（4）各個(gè)子集是連通的區(qū)域；圖像分割是把圖像分割成若干個(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程，這些特性可以是像素的灰度、顏色、紋理等提取的目標(biāo)可以是對應(yīng)的單個(gè)區(qū)域，也可以是對應(yīng)的多個(gè)區(qū)域。下面就這些方法展開介紹。邊緣檢測方法是人們研究得比較多的一種方法，它通過檢測圖像中不同區(qū)域的邊緣來達(dá)到分割圖像的目的。我們將邊緣定義為圖像中灰度發(fā)生急劇變化的區(qū)域邊界。經(jīng)典的邊緣檢測方法，是通過對原始圖像中像素的某小鄰域構(gòu)造邊緣檢測算子來達(dá)到檢測邊緣這一目的。在實(shí)際中使用的通常是這兩種基本形式的結(jié)合。區(qū)域生長法的基本思想是將具有相似性質(zhì)的像素合起來構(gòu)成區(qū)域，具體做法是先給定圖像中要分割的目標(biāo)物體內(nèi)的一個(gè)小塊或者說種子區(qū)域，再在種子區(qū)域的基礎(chǔ)上不斷將其周圍的像素點(diǎn)以一定的規(guī)則加入其中，達(dá)到最終將代表該物體的所有像素點(diǎn)結(jié)合成一個(gè)區(qū)域的目的。生長準(zhǔn)則一般可分為三種：基于區(qū)域灰度差準(zhǔn)則、基于區(qū)域內(nèi)灰度分布統(tǒng)計(jì)性質(zhì)準(zhǔn)則和基于區(qū)域形狀準(zhǔn)則。區(qū)域提取法的缺點(diǎn)是往往會