【正文】 和條件 4 說明合理的分割準則應該能夠幫助確定各區(qū)域象素有代表性的特性，而條件 5說明完整的分割準則應直接或間接地對區(qū)域內(nèi)象素的連通性有一定的要求或限定。 圖像分割方法綜述 圖像分 割是指將圖像劃分為與其中含有的真實世界的物體或區(qū)域有強相關性的組成部分的過程。盡管它一直受到科研人員的重視 ,但是它的發(fā)展很慢 ,被認為是計算機視覺的一個瓶頸。近幾年來 ,研究人員不斷改進原有方法并將其它學科的新理論和新方法引入圖像分割 ,提出了不少新的分割方法。 典型的圖像分割方法有閾值法，邊緣檢測法，區(qū)域法 。 (2)區(qū)域內(nèi)部平整，不存在很小的小空洞 。 (4)每個分割區(qū)域邊界應具有齊整性和空間位置的準確性。如果加強分割區(qū)域的同性質(zhì)約束，分割區(qū)域很容易產(chǎn)生大量小空洞和不規(guī)整邊緣 :若強調(diào)不 同區(qū)域間性質(zhì)差異的顯著性，則極易造成非同質(zhì)區(qū)域的合并和有意義的邊界丟失。 閾值法 閾值法的優(yōu)點是計算簡單，速度快，易于實現(xiàn)。 閾值法的缺點是當圖像中不存在明顯的灰度差異或灰度值范圍有較大的重疊時，分割效果不理想。在實際應用中，閾值法通常與其他方法結(jié)合使用 [4]。其過程是決定一個灰度值 , 用以區(qū)分不同的類 , 這個灰度值就叫做“閾值” 。所謂全局閾 值分割是利用利用整幅圖像的信息來得到分割用的閾值 , 并根據(jù)該閾值對整幅圖像進行分割而局部閾值分割是 根據(jù)圖像中的不同區(qū)域獲得對應的不同區(qū)域的 閾 值 , 利用這些閾值對各個區(qū)域進行分割 , 即一個閾值對應相應的一個子區(qū)域 , 這種方法也稱適應閾值分割。它一般要求在直方圖上能得到明顯的峰或谷 , 并在谷底選擇 閾值 。 它的主要局限是 , 最簡單形式的閾值法只能產(chǎn)生二值圖像來區(qū)分兩個不同的類。 閾值法的幾種閾值選擇方法 : 全局閾值法 （ 1）雙峰法 對于目標與背景的灰度級有明顯差別的圖像 ,其灰度直方圖的分布呈雙峰狀 ,兩個波峰分別 與圖像中的目標和背景相對應 ,波谷與圖像邊緣相對應。該方法簡單易行 ,但是對于灰度直方圖中波峰不明顯或波谷寬闊平坦的圖像 ,不能使用該方法 [6]。 程序的實現(xiàn)： 通過數(shù)組記錄直方圖中的各像素點值的個數(shù)， 再對逐個像素值進行掃 描。 實現(xiàn)流 程圖： 圖 2 雙峰法實現(xiàn)流程圖 （ 2）灰度直方圖變換法 該方法不是直接選取閾值 ,而是對灰度直方圖進行變換 ,使其具有更深的波谷和更尖的波峰 ,然后再利用雙峰法得到最優(yōu)閾值。這種方法假設圖像由目標和背景組成 ,并且目標和背景灰度直方圖都是單峰分布 [5]。 迭代所得的閾值分割圖象的效果良好， 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，但是在圖象的細微處還是沒有很好的區(qū)分度，令人驚訝的是對某些特定圖象，微小數(shù)據(jù)的變化會引起分割效果的巨大變化，兩者的數(shù)據(jù)只是稍有變化，分割效果反差極大，具體原因還有待進一步研究 [8]。 （ 1） 自適應閾值 在許多情況下，背景的灰度值并不是常數(shù)，物體和背景的對比度在圖像中也有變化。另外，當遇到圖像中有陰影、突發(fā)噪聲、照度不均、 對比度不均或背景灰度變化等情況時，只用一個固定的閾值對整幅圖像進行閾值化處理，則會由于不能兼顧圖像各處的情況而使分割效果受到影響。這就是自適應閾值。由于各個子圖的閾值化是獨立進行的，所以在相鄰子圖像邊界處的閾值會有突變，因此應該以采用適當?shù)钠交夹g(shù)消除這種不連續(xù)性，子圖像之間的相互交疊也有利于減小這種不連續(xù)性。 （ 2） 多閾值分割 在多閾值分割中，分割是根據(jù)不同區(qū)域的特點得到幾個目標對象，所以提取每一個目標需要采用不同的閾值，也就是說要使用多個閾值才能將它們分開，這就是多閾值分割。 基于邊緣檢測的分割方法 邊緣 (或邊沿 )是指其周圍像素灰度有階躍變化或“屋頂”變化的那些像素的集合，也即邊緣是灰度值不連續(xù)的結(jié)果，這種不連續(xù)常可以用求導數(shù)方便的檢測到，一般常用一階導數(shù)和二階導數(shù)來檢測邊緣。因此，它是圖像分割所依賴的重要特征，而邊緣信息是一種圖像的緊描述，所包含的往往是圖像中最重要的信息，故對圖像提取邊緣能極大地降低我們要處理的數(shù)據(jù)量。 圖 3 常見邊緣剖面 雖然圖像邊緣點產(chǎn)生的原因不同，但他們都是圖像上灰度不連續(xù)點，或是灰度變化劇烈的地方。這種方法稱為邊緣檢測局部算子法。常用的邊緣檢測方法的基礎是微分運算，邊緣點對應于一階微分幅度大的點，或?qū)诙A微分的過 零點。經(jīng)典的梯度算子模板有 Prewitt 模板、 Canny 模板、Sobel 模板、 Log 模板等 [10]。 Canny 邊緣檢測算子對受加性噪聲影響的邊緣檢測是最優(yōu)的。 Sobel 在 Prewitt 算子的基礎上，對 4鄰域采用帶權(quán)的方法計算差分，該算子不僅能檢測邊緣點，且能進一步抑制噪聲的影響，但檢測的邊緣較寬。 邊緣檢測算法有如下四個步驟 : 1) 濾波 : 邊緣檢測算法主要是基于圖像強度的一階和二階導數(shù) , 但導數(shù)的計算對噪聲很敏感 , 因此必須使用濾波器來改善與噪聲有關的邊緣檢測器的性能。 2) 增強 : 增強邊緣的基礎是確定圖像各點鄰域強度的變化值。邊緣增強 一般是通過計算梯度幅值來完成的。最簡單的邊緣檢測判據(jù)是梯度幅值閾值判據(jù)。 各個邊緣檢測算子比較 : Sobel 算子和 Prewitt 算子 : 都是對圖像先作加權(quán)平滑處理 , 然后再作微分運算 , 所不同的是平滑部分的權(quán)值有些差異 , 因此對噪聲具有一定的抑制能力 , 但 不能完全排除檢測結(jié)果中出現(xiàn)的虛假邊緣。 Log 算子 : 該算子克服了拉普拉斯算子抗噪聲能力比較差的缺點 , 但是在抑制噪聲的同時也可能將原有的比較尖銳的邊緣也平滑掉了 , 造成這些尖銳邊緣無法被檢測到。 綜上所述 , 前面所介紹的各個算子各有各的特點和應用領域 , 每個算子只能反映出邊緣算法性能的一個方面 , 在許多情況下需要綜合考慮 [12]。但對于邊緣復雜、采光不均勻的圖像來說 ,則效果不太理想 ,主要表現(xiàn)在邊緣模糊、弱邊緣丟失和整體邊緣不連續(xù)等方面。 Canny 算子較為簡單 ,而且考慮了梯度方向 ,效果比較好 [13]。其次要知道特性變化總是發(fā)生在一定的空間范圍內(nèi) ,不能期望用一種檢測算子就能最佳檢測出發(fā)生在圖像上的所有特性變化。第三 , 要考慮噪聲的影響其中一個辦法就是濾除噪聲 , 這有一定的局限性再就是考慮信號加噪聲的條件檢測利用統(tǒng)計信號分析或通過對圖像區(qū)域的建模而進一步使檢測參數(shù)化。第五 ,在正確檢測邊緣的基礎上要考慮精確定位的問題 [14]?；趨^(qū)域的分割方法主要有區(qū)域生長法、分裂合并法 。分裂合并法是從整個圖像出發(fā) ,根據(jù)圖像和各區(qū)域的不均勻性 ,把圖像或區(qū)域分割成新的子區(qū)域 ,根 據(jù)毗鄰區(qū)域的均勻性 ,把毗鄰的子區(qū)域合并成新的較大的區(qū)域。區(qū)域生長的固有缺點是分割效果依賴于種子的選擇及生長順序 ,區(qū)域分裂技術(shù)的缺點是可能破壞邊界 ,所以它們常常與其他方法相結(jié)合 ,以期取得更好的分割效果 [15]。(2)算法的高效性和準確性。與閉值分割類似，區(qū)域增長也很少單獨使用，往往是與其它分割方法一起使用。(2)區(qū)域增長方式也對噪聲敏感，導致抽取出的區(qū)域有空洞或者在局部體效應的情況下將分開的區(qū)域連接起來。在區(qū)域分裂技術(shù)中，整個圖像先被看成一個區(qū)域，然后區(qū)域不斷被分裂為四個矩形區(qū)域，直到每個區(qū)域內(nèi)部都是相似的，分裂合并方法中，區(qū)域先從整幅圖像開始分裂，然后將相鄰的區(qū)域進行合并。但是，分裂合 并技術(shù)可能會使分割區(qū)域的邊界破壞 [2]。它主要的缺陷是 , 每一個需要提取的區(qū)域都必須人工給出一個種子點 , 這樣有多個區(qū)域就必須給出相應的種子個數(shù)。 3．圖像分割方 法 詳述 圖像分割方 法 本次畢業(yè)設計采用的是彩色圖像作為分割圖像，采用的分割方法總的來說是閾值法與邊緣檢測法的結(jié)合使用，在整個圖象分割的過程中， 最主要的方法 是邊緣檢測法，而 閾值法起到是對圖象進行預處理和后處理 的作用 。 圖像 分割方 法實現(xiàn) 對彩色圖像 進行灰度處理 用 全局 閾值法對圖像進行預處理 ： 閾值法是一種簡單有效的圖像分割方法 ,它用一個或幾個閾值將圖像的灰度級分為幾個部分 ,認為屬于同一個部分的像素是同一個物體。閾值分割法的結(jié)果很大程度上依賴于對閾值的選擇 , 因此該方法的關鍵是如何選擇合適的閾值。 這種方法是先確定一個處于圖像灰度取值范圍之中的灰度閾值，然后 將圖像中各個像素的灰度值都與這個閾值相比較，并根據(jù)比較結(jié)果將對應的像素劃分為兩類 :像素的灰度值大于閾值的為一類，像素的灰度值小于閾值的為另一類 .這兩類像素一般分屬于圖像中的兩類區(qū)域，所以對像素根據(jù)閾值分類達到了區(qū)域分割的目的 .閾值分割可以分為全局閾值和局部閾值兩種情況 。 迭代所得的閾值分割效果良好 ,基于迭代的閾值能區(qū)分圖像的前景和背景的主要區(qū)域所在 。 邊緣檢測分割法是通過檢測出不同區(qū)域邊界來進行分割的 .邊緣總是以強度突變的形式出現(xiàn)，可以定義為圖像局部特性的不連續(xù)性，如灰度的突變、紋理結(jié)構(gòu)的突變等 .邊緣常常意味著一個區(qū)域的終結(jié)和另一個區(qū)域的開始 .圖像的邊緣包含了物體形狀的重要信息，兩個具有不同灰度值的相鄰區(qū)域之間總存在 灰度邊緣 .灰度邊緣是灰度值不連續(xù) (或突變 )的結(jié)果，這種不連續(xù)常可利用求一階和二階導數(shù)方便的檢測到 . 在對圖像進行分割時，采用了多種算子對圖像進行分割，最后根據(jù)分割的現(xiàn)象采用效果最好的一種算子作為本次畢業(yè)設計的邊緣檢測算子。這時采用局部閾值法 ,即用與像素位置相關的一組閾值對圖像 各部分分別進行分割。其實局部閾值法是全局閾值法的一個拓展。 由灰度圖和灰度直方圖可以看出，該圖像的目標和背景的灰度差異懸殊，并且該灰度直方圖的波峰明顯，滿足迭代法的使用條件。 在采用邊緣算子時，本次畢業(yè) 設計測試了 3 種算子，分別是 Prewitt 算子 ， Log 算子 和 Canny 算子 。 Log 算子，其分割圖像中所含非邊緣點較少，而且主要邊緣大部分被保留，但是還是去掉了很多真邊緣點。 我們對圖像分割的結(jié)果通常以人的主觀判決作為評價準則 。 這是一個有意義但比較困難的問題 。 一般認為對分割方法的評價可以通過分析和實驗兩種方式來進行 。 分析法是直接分析分割算法本身的原理及性能，而實驗法是通過對測試圖像的分割結(jié)果來評價算法的 。 定量試驗準則： 區(qū)域間的對比度 圖像分割要把一幅原始圖像分為若干個區(qū)域。 將圖像分為左右兩個大的區(qū)域， 下表是各個算子分割圖像后的區(qū)域間的對比度： 圖像 平均灰度 1 平均灰度 2 區(qū)域間對比度 Canny 算子 Prewitt 算子 Log 算子 表 1 區(qū)域間的對比度 所以，區(qū)域間的對比度越高代表分割效果越好，由上表可以看出， Canny算子分割的效果最好， Prewitt 分割效果其次， Log 算子的分割效果最差。 在將邊緣分割后的圖像進行分割后，分成四塊小圖像，在實驗現(xiàn)象中可以看出，這四塊小圖像的灰度直方圖都有很明顯的雙峰， 但是由于波谷寬闊平坦， 不滿足雙峰法的使用條件， 所以不能使用雙峰法， 所以在對不同的圖像進行閾值化的時候，采用的是 全局 閾值法里面的 迭代法，總的來說，就是將 Canny 算子分割后的圖片繼續(xù)分割成四小塊，對四塊不同的圖片用迭代法求取閾值，再將閾值化后的圖片合并起來。 5． 小 結(jié) 本文主要工作總結(jié) 通過對大量文獻的閱讀，在對圖像分割領域研究現(xiàn)狀和研究內(nèi)容有了一定了解的基礎上，本文圍繞圖像分割技術(shù)的理論基礎及其實際應用情況，主要進行了以下幾個方面的研究工作： 1對圖像分割的概念進行詳細的陳述。 3提出本次圖像分割的方案，并且對方案進行詳細的論述以及分析。 結(jié)論 通過研究分析，可以得到以下結(jié)論： （ 1）閾值分 割法的重點是對閾值的選擇 , 因此該方法的關鍵是如何選擇 最佳 閾值，如果閾值選擇不合適，則影響了圖片分割出來的效果，也影響下一步邊緣分割的效果。 因此， 全局閾值法適用于灰度差異較大的圖片， 如果圖像灰度變化不是很明顯，則達不到理想的效果。 沒有哪一種邊緣算子是絕對的合適，從以上實驗 現(xiàn)象 可以看出，例 如： Canny 算子的整體效果最好， 它的分割結(jié)果很明顯沒有 Prewitt 算子分割細致 ，這是它不足的地方， 每一種邊緣檢測算子分割的圖像都有相應的優(yōu)缺點，我們只能選取當中效果較好的一種，但是這也不能判定為這種算子就是最好的，只能說對于特定的圖片，這種算子達到的效果最好。局部閾值分割法雖然能 改善分割效果，但存在幾個缺點： ① 每幅子圖像的尺寸不能太小，否則統(tǒng)計出的結(jié)果無意義。 ③ 局部閾值法對每一幅子圖像都要進行統(tǒng)計，速度慢，難以適應實時性的要求。因為沒有哪一種分割方法能夠?qū)λ械膱D象都產(chǎn)生理想的分割結(jié)果，而根據(jù)待分割圖象的不同特點，結(jié)合已知的先驗知識，研究符合具體圖象特性的分割模型，才是提高圖象分割的重要手段。 展望 圖像分割是圖像理解與計算機視覺領域國際學術(shù)界公認的將會長期存在的最 困難的問題之一，到目前為止既不存在一種通用的圖像分割方法，也不存在一種判斷是否分割成功的客觀標準。 近年來，隨著各學科許多新理論和新方法的提出，人們也提出了許多與一些特定理論、方法和工具相結(jié)合的分割技術(shù)，例如：基于數(shù)學形態(tài)學 的分割技術(shù)，基于模糊技術(shù)的圖像分割方法，基于人工神經(jīng)網(wǎng)絡技術(shù)的圖像分割方法