【正文】 造成過(guò)度分割，即將圖像分割成過(guò)多的區(qū)域，因此近年來(lái)針對(duì)這種方法的研究較少。這兩類像素一般分屬圖像的兩類區(qū)域，從而達(dá)到分割的目的?？梢钥闯觯_定一個(gè)最優(yōu)閾值是分割的關(guān)鍵。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：也可分為基于像素值的閾值分割方法、基于區(qū)域性質(zhì)的閾值分割方法和基于坐標(biāo)位置的閾值分割方法．若考慮分割算法所用的特征或準(zhǔn)則的特點(diǎn)，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(jiǎn)單統(tǒng)計(jì)法與局部特性法、概率松弛法、模糊集法等?；谛〔ǚ治龊妥儞Q的分割方法是借助新出現(xiàn)的數(shù)學(xué)工具小波變換來(lái)分割圖像的一種方法，也是現(xiàn)在非常新的一種方法。而改變高斯函數(shù)的標(biāo)準(zhǔn)差可選擇所檢測(cè)邊緣的細(xì)節(jié)程度。理論證明以零點(diǎn)為對(duì)稱點(diǎn)的對(duì)稱二進(jìn)小波適合檢測(cè)屋頂狀邊緣，而以零點(diǎn)為反對(duì)稱點(diǎn)的反對(duì)稱二進(jìn)小波適合檢測(cè)階躍狀邊緣。另外，利用正交小波基的小波變換也可提取多尺度邊緣，并可通過(guò)對(duì)圖像奇異度的計(jì)算和估計(jì)來(lái)區(qū)分一些邊緣的類型。研究時(shí)使用matlab軟件進(jìn)行，最終獲得分水嶺算法、區(qū)域生長(zhǎng)法和區(qū)域分裂合并法的源程序，并貼圖對(duì)比處理前后圖像差距。增強(qiáng)的目的，在于提供一個(gè)滿足一定要求的圖像，或?qū)D像進(jìn)行變換，以進(jìn)行分析。圖像的噪聲來(lái)自于多方面，有來(lái)自于系統(tǒng)外部干擾，如電磁波或經(jīng)電源串進(jìn)系統(tǒng)內(nèi)部而引起的外部噪聲，也有來(lái)自于系統(tǒng)內(nèi)部的干擾，如攝像機(jī)的熱噪聲，電器機(jī)械運(yùn)動(dòng)而產(chǎn)生的抖動(dòng)噪聲等內(nèi)部噪聲。噪聲主要來(lái)自下面三個(gè)方面：（1）光電子噪聲：主要由光的統(tǒng)計(jì)本質(zhì)和圖像傳感器的光電轉(zhuǎn)換過(guò)程引起的（如光電管的光量子噪聲和電子起伏噪聲）；（2）電子噪聲：主要來(lái)自電子元器件（如電阻引起的熱噪聲）；（3）光學(xué)噪聲：主要由光學(xué)現(xiàn)象產(chǎn)生的（如膠片的粒狀結(jié)構(gòu)產(chǎn)生的顆粒噪聲）；圖像在生成和傳輸過(guò)程中受到這些噪聲的干擾和影響，使圖像處理結(jié)果變差。 中值濾波原理中值濾波是一種非線性濾波，由于它在實(shí)際運(yùn)算過(guò)程中并不需要圖像的統(tǒng)計(jì)特性，所以比較方便。在一定的條件下，可以克服線性濾波器所帶來(lái)的圖像細(xì)節(jié)模糊，而且對(duì)濾除脈沖干擾及圖像掃描噪聲最為有效。在一維的情況下，中值濾波器是一個(gè)含有奇數(shù)個(gè)像素的窗口，在處理之后，將窗口正中的像素灰度值用窗口內(nèi)各像素灰度值的中值來(lái)代替。中值濾波表達(dá)式為： ()對(duì)二維序列{Xi,j}的中值濾波，濾波窗口也是二維的，但這種二維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。由于中值濾波是非線性運(yùn)算，在輸入和輸出之間的頻率上不存在一一對(duì)應(yīng)關(guān)系，故不能用一般線性濾波器頻率特性的研究方法。 平滑效果分析圖21所示的是圖像中值濾波前后的效果比較，其中圖21（a）是含有噪聲的原圖，圖21（b）是用中值濾波處理后的圖像，濾波窗口為33，可見(jiàn)，中值濾波后的圖像不僅濾去了椒鹽類噪聲,而且邊緣得到了較好的保護(hù)。灰度調(diào)整就是在圖像采集系統(tǒng)中對(duì)圖像像素進(jìn)行修正，使整幅圖像成像均勻。在曝光不足或過(guò)度的情況下，圖像灰度可能會(huì)局限在一個(gè)很小的范圍內(nèi)。采用線性灰度調(diào)整對(duì)圖像每一個(gè)像素灰度作線性拉伸，將有效地改善圖像視覺(jué)效果。只有在圖像分割的基礎(chǔ)上才能對(duì)目標(biāo)進(jìn)行特征提取和參數(shù)測(cè)量，使得更高層的圖像分析和理解成為可能。圖像分割是將整個(gè)圖像區(qū)域分割成若干個(gè)互不交疊的非空子區(qū)域的過(guò)程，每個(gè)子區(qū)域的內(nèi)部是連通的，同一區(qū)域內(nèi)部具有相同或相似的特性，這里的特性可以是灰度、顏色、紋理等。圖像分割的數(shù)學(xué)描述如下：設(shè)集合R代表整個(gè)圖像區(qū)域，P(?)是區(qū)域上相似性測(cè)量的邏輯準(zhǔn)則,對(duì)R的分割就是把R分成滿足下列條件的非空子區(qū)域:對(duì)于所有的和,有對(duì)于=1,2,…, ,有TRUE對(duì)于,有FALSE對(duì)于=1,2,…,是連通的區(qū)域根據(jù)上面的討論和定義，灰度圖像分割方法一般可分為利用區(qū)域內(nèi)灰度相似性的基于區(qū)域的方法和利用區(qū)域間灰度不連續(xù)性的基于邊界的方法。近幾年來(lái)，研究人員不斷改進(jìn)原有方法并把其他學(xué)科提出的一些新理論和新方法用于圖像分割，提出了不少新的分割方法。 基于區(qū)域的分割方法基于區(qū)域的分割方法是利用區(qū)域內(nèi)特征的相似性把圖像劃分成一系列有意義區(qū)域的處理方法。如果圖像只有目標(biāo)和背景兩大類，那么只需選取一個(gè)閾值稱為單閾值分割。如果圖像中有多個(gè)目標(biāo)，就需要選取多個(gè)閾值將各個(gè)目標(biāo)分開(kāi)，這種方法稱為多閾值分割。閾值法分割的結(jié)果依賴于閾值的選取，確定閾值是閾值法分割的關(guān)鍵，閾值分割實(shí)質(zhì)上就是按照某個(gè)準(zhǔn)則求出最佳閾值的過(guò)程。閾值分割的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單，運(yùn)算效率較高，速度快。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(shí)，應(yīng)采用局部閾值或動(dòng)態(tài)閾值分割法。在實(shí)際應(yīng)用中，閾值法通常與其他方法結(jié)合使用。區(qū)域生長(zhǎng)的基本思想是將具有相似特性的像素集合起來(lái)構(gòu)成區(qū)域。把這些新像素作為種子繼續(xù)生長(zhǎng)，直到?jīng)]有滿足條件的像素可被包括，這時(shí)生長(zhǎng)停止，一個(gè)區(qū)域就形成了。生長(zhǎng)準(zhǔn)則往往和具體問(wèn)題有關(guān)，直接影響最后形成的區(qū)域如果選取不當(dāng)，就會(huì)造成過(guò)分割和欠分割的現(xiàn)象。它的缺點(diǎn)是需要人為確定種子點(diǎn)，對(duì)噪聲敏感，可能導(dǎo)致區(qū)域內(nèi)有空洞。分裂合并法的基本思想是從整幅圖像開(kāi)始通過(guò)不斷分裂合并得到各個(gè)區(qū)域。對(duì)任意區(qū)域若P()=FALSE就將其分裂為不重疊的四等分。若進(jìn)一步的分裂和合并都不可能了，則結(jié)束。這種方法對(duì)復(fù)雜圖像的分割效果較好，但算法較復(fù)雜，計(jì)算量大，分裂還可能破壞區(qū)域的邊界。其中，K均值、模糊C均值聚類（FCM）算法是最常用的聚類算法。迭代執(zhí)行前面的步驟直到新舊類均值之差小于某一閾值。FCM算法對(duì)初始參數(shù)極為敏感，有時(shí)需要人工干預(yù)參數(shù)的初始化以接近全局最優(yōu)解，提高分割速度。FCM算法在醫(yī)學(xué)圖像分割中得到了廣泛的應(yīng)用，例如利用FCM算法分割腦MRI圖像中的白質(zhì)、灰質(zhì)和腦脊液的組織結(jié)構(gòu)。為此，出現(xiàn)了二類改進(jìn)方法并取得了成功。 基于邊界的分割方法基于邊界的分割方法是利用不同區(qū)域間象素灰度不連續(xù)的特點(diǎn)檢測(cè)出區(qū)域間的邊緣，從而實(shí)現(xiàn)圖像分割。 微分算子法圖像中相鄰的不同區(qū)域間總存在邊緣，邊緣處象素的灰度值不連續(xù)，這種不連續(xù)性可通過(guò)求導(dǎo)數(shù)來(lái)檢測(cè)到。因此常用微分算子進(jìn)行邊緣檢測(cè)，它是一種并行邊界技術(shù)。在實(shí)際中各種微分算子常用小區(qū)域模板來(lái)表，求微分運(yùn)算是利用模板與圖像卷積來(lái)實(shí)現(xiàn)。由于邊緣和噪聲都是灰度不連續(xù)點(diǎn)，在頻域均為高頻分量，直接采用微分運(yùn)算難以克服噪聲的影響。LoG算子和Canny算子是具有平滑功能的二階和一階微分算子，邊緣檢測(cè)效果較好。 串行邊界技術(shù)串行邊界查找法是先檢測(cè)邊緣再串行連接成閉合邊界的方法，這種方法在很大程度上受起始點(diǎn)的影響。它是一種全局的方法，在噪聲較大時(shí)效果仍很好。在許多情況下，為加快運(yùn)算速度常常使用動(dòng)態(tài)規(guī)劃的優(yōu)化方法。 基于區(qū)域和邊界技術(shù)相結(jié)合的分割方法在實(shí)際應(yīng)用中，為發(fā)揮各種方法的優(yōu)勢(shì)，克服它們的缺陷以獲得更好的分割效果，經(jīng)常把各種方法結(jié)合起來(lái)使用。為此可將基于區(qū)域的方法和邊緣檢測(cè)的方法結(jié)合起來(lái)解決這個(gè)問(wèn)題。 基于特定理論的分割方法圖像分割至今尚無(wú)通用的自身理論。 基于數(shù)學(xué)形態(tài)學(xué)的邊緣檢測(cè)方法近年來(lái)，數(shù)學(xué)形態(tài)學(xué)已發(fā)展為一種新型的數(shù)字圖像處理方法和理論，在邊緣檢測(cè)和圖像分割中得到了廣泛的研究和應(yīng)用。利用膨脹、腐蝕、開(kāi)啟和閉合四個(gè)基本運(yùn)算進(jìn)行推導(dǎo)和組合，可以產(chǎn)生各種形態(tài)學(xué)實(shí)用算法，其中結(jié)構(gòu)元素的選取很重要。基本的形態(tài)學(xué)邊緣檢測(cè)算子簡(jiǎn)單，易于實(shí)現(xiàn)，但對(duì)噪聲敏感，適用于噪聲較小的圖像。 基于模糊集理論的方法模糊理論具有描述事物不確定性的能力，適合于圖像分割問(wèn)題。目前，模糊技術(shù)在圖像分割中應(yīng)用的一個(gè)顯著特點(diǎn)就是它能和現(xiàn)有的許多圖像分割方法相結(jié)合，形成一系列的集成模糊分割技術(shù)，例如模糊聚類、模糊閾值、模糊邊緣檢測(cè)技術(shù)等。而且小波變換具有多尺度特性，能夠在不同尺度上對(duì)信號(hào)進(jìn)行分析，因此在圖像處理和分析等許多方面得到應(yīng)用。圖像的邊緣出現(xiàn)在圖像局部灰度不連續(xù)處，對(duì)應(yīng)于二進(jìn)小波變換的模極大值點(diǎn)。小波變換位于各個(gè)尺度上，而每個(gè)尺度上的小波變換都能提供一定的邊緣信息，因此可進(jìn)行多尺度邊緣檢測(cè)，得到比較理想的圖像邊緣。它由大量的并行節(jié)點(diǎn)構(gòu)成，每個(gè)節(jié)點(diǎn)都能執(zhí)行一些基本計(jì)算。神經(jīng)網(wǎng)絡(luò)存在巨量的連接，容易引入空間信息，能較好地解決圖像中的噪聲和不均勻問(wèn)題。圖像分割是圖像處理和分析的關(guān)鍵技術(shù)，也是一個(gè)經(jīng)典難題。圖像分割方法將向更快速、更精確的方向發(fā)展，圖像分割方法的研究需要與新理論、新工具和新技術(shù)結(jié)合起來(lái)才能有所突破和創(chuàng)新。如根據(jù)遺傳算法的思路和熵的概念,提出的基于遺傳算法的彩色圖像最佳熵閾值分割方法和基于遺傳算法的二維熵圖像閾值分割算法等都取得了較好的效果。同時(shí)在運(yùn)行遺傳算法時(shí),種群大小、染色體長(zhǎng)度、交叉率、變異率、最大進(jìn)化代數(shù)等參數(shù)對(duì)遺傳算法的性能影響較大,如何選擇這些合適的參數(shù)還有待進(jìn)一步研究。粗糙集體現(xiàn)了集合中對(duì)象的不可區(qū)分性,即由于知識(shí)的粒度而導(dǎo)致的粗糙性。如劉巖等提出的基于粗糙集的K 均值聚類圖像分割方法是一種有效的圖像分割方法,具有較好的魯棒性。所謂邊緣是指其周圍像素灰度有階躍變化的那些像素的集合。因此,邊緣檢測(cè)可以看作是處理許多復(fù)雜問(wèn)題的關(guān)鍵。其中Canny 邊緣檢測(cè)是一種比較新的邊緣檢測(cè)算子,不容易受噪聲的干擾,能夠檢測(cè)到真正的弱邊緣。常見(jiàn)的基于邊緣的分割方法有:邊緣圖像閾值化、邊緣松馳法、邊界跟蹤法、作為圖搜索的邊緣跟蹤法、作為動(dòng)態(tài)規(guī)劃的邊緣跟蹤法、Hough 變換法和基于邊界位置信息的邊界檢測(cè)法等。但對(duì)于邊緣復(fù)雜、采光不均勻的圖像來(lái)說(shuō),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(jiǎn)單,而且考慮了梯度方向,效果比較好。高灰度值對(duì)應(yīng)著山峰，低灰度值處對(duì)應(yīng)著山谷。將這種想法應(yīng)用于圖像分割，就是要在灰度圖像中找出不同的吸水盆地和分水嶺，由這些不同的吸引盆地和分水嶺組成的區(qū)域即為我們要分割的目標(biāo)。若閥值選擇太高，則許多邊緣會(huì)丟失或邊緣出現(xiàn)破碎現(xiàn)象；閥值若選得太低，則容易產(chǎn)生虛假邊緣，而且邊緣變厚導(dǎo)致定位不精確。如圖42所示，兩個(gè)低洼處為吸水盆地，陰影部分為積水，水面的高度相當(dāng)于閾值，隨著閾值的升高，吸水盆地的水位也跟著上升，當(dāng)閾值升至?xí)r，兩個(gè)吸水盆地的水都升到分水嶺處，此時(shí)若再升高閾值，則兩個(gè)吸水盆地的水會(huì)溢出分水嶺合為一體。其中，分水嶺對(duì)應(yīng)于原始圖像中的邊緣。分水嶺被標(biāo)記為0。使用準(zhǔn)確標(biāo)記分水嶺算法分割圖像源程序：f=imread(39。)。% 轉(zhuǎn)換為黑白二值圖像subplot(2,3,1)imshow(f)。(a)原始圖像39?！斠?jiàn)附錄結(jié)果如圖43所示。但由于分割時(shí)需要梯度信息，原始信號(hào)中噪聲的影響會(huì)在梯度圖中造成許多虛假的局部極小值，由此產(chǎn)生過(guò)分割的現(xiàn)象。開(kāi)始時(shí)確定一個(gè)或多個(gè)象素點(diǎn)作為種子，然后按某種相似性準(zhǔn)則增長(zhǎng)區(qū)域，逐步生成具有某種均勻性的空間區(qū)域，將相鄰的具有相似性質(zhì)的象素或區(qū)域歸并從而逐步增長(zhǎng)區(qū)域，直至沒(méi)有可以歸并的點(diǎn)或其它小區(qū)域?yàn)橹?。圖44（a）給出需要分割的圖像，設(shè)已知兩個(gè)種子像素（標(biāo)為深淺不同的灰色方塊），現(xiàn)要進(jìn)行區(qū)域生長(zhǎng)。圖44（b）給出了T=3時(shí)的區(qū)域生長(zhǎng)結(jié)果，整幅圖被較好地分成2個(gè)區(qū)域；圖44（c）給出了T=1時(shí)的區(qū)域生長(zhǎng)結(jié)果，有些像素?zé)o法判定；圖44（d）給出了T=6時(shí)的區(qū)域生長(zhǎng)的結(jié)果，整幅圖都被分在一個(gè)區(qū)域中了。 區(qū)域增長(zhǎng)示例區(qū)域生長(zhǎng)法主要由三個(gè)步驟組成：1） 選擇合適的種子點(diǎn)。3） 確定生長(zhǎng)停止條件。區(qū)域生長(zhǎng)是通過(guò)Matlab圖像處理工具箱中的函數(shù)imreconstruct完成的。Imreconstruct函數(shù)的工作過(guò)程是一個(gè)迭代過(guò)程，大致過(guò)程如下：1） 把初始化為標(biāo)記圖像markerim。3） 重復(fù)以下計(jì)算直到maskim其中⊕為形態(tài)學(xué)中的膨脹算子。bwlabel函數(shù)的調(diào)用語(yǔ)法為：[L,NUM]=bwlabel(BW,N)其中BW為輸入圖像；N可取值為4或8表示連接四連通或八連通區(qū)域；NUM為找到的連通區(qū)域數(shù)目；L為輸出矩陣，其元素值為整數(shù)值，背景被標(biāo)記為0，第一個(gè)連通區(qū)域被標(biāo)記為1，第二個(gè)連通區(qū)域被標(biāo)記為2，依此類推。 圖45bwlabel函數(shù)標(biāo)記的連通區(qū)域示意圖區(qū)域生長(zhǎng)法分割圖像源程序：f=imread(39。)。%轉(zhuǎn)換為二值圖像subplot(2,2,1)。seedx=[30,76,86]。%選擇3個(gè)種子點(diǎn)……詳見(jiàn)附錄區(qū)域生長(zhǎng)結(jié)果如圖46所示。區(qū)域分裂合并法不需要預(yù)先指定種子點(diǎn)，它按某種一致性準(zhǔn)則分裂或合并區(qū)域，當(dāng)一個(gè)區(qū)域不滿足一致性準(zhǔn)則時(shí)被分裂成幾個(gè)小的區(qū)域，當(dāng)相鄰區(qū)域性質(zhì)相似時(shí)合并成一個(gè)大區(qū)域。使用分裂合并法可以實(shí)現(xiàn)圖像自動(dòng)細(xì)化分割運(yùn)算，通過(guò)分裂運(yùn)算，屬于不同物體的區(qū)域和邊界可以被找出來(lái)；同時(shí)通過(guò)合并運(yùn)算，屬于同一物體的鄰接區(qū)域被合并，虛假的邊界可以被消除。分裂合并算法對(duì)分割復(fù)雜的場(chǎng)景圖像比較有效。具體實(shí)現(xiàn)時(shí)，分裂合并算法通常是基于四叉樹(shù)據(jù)表示方式進(jìn)行的。這種分割從整幅圖像區(qū)域開(kāi)始直到P(Ri)=True或Ri 已為單個(gè)像素?；谒牟鏄?shù)數(shù)據(jù)的區(qū)域分裂合并算法可表述如下：1） 設(shè)整幅圖像為初始區(qū)域。3） 重復(fù)步驟2，直到?jīng)]有區(qū)域可以分裂。5） 重復(fù)步驟4，直到?jīng)]有相鄰區(qū)域可以合并，算法結(jié)束。s為圖像分裂的結(jié)果，用稀疏矩陣表示，如果s（i，j）非空，則（i，j）為圖像塊的左上角坐標(biāo)，s（i，j）為這個(gè)圖像塊的大小。分裂合并算法分割圖像源程序：f=imread(39。)。pow2size=2^nextpow2(max(m,n))。圖像必須是方的且大小為2的整數(shù)次冪39。endsubplot(2,2,1)。title(39。)。min_dim=2。g=mat2gray(g)。imshow(g)。分裂最小子區(qū)域大小2239。%title(39。)。%取出最大塊的大小max_block_size=full(max(spare_qtim(:)))。markerim=zeros(size(f))。 if numel(val)～=0 for j=1:length(r)……詳見(jiàn)附錄分裂合并算法分割圖像結(jié)果如圖49所示。16 （c）分裂最小子區(qū)域大小8180