【正文】 。8第5章 圖像分割應(yīng)用綜述 區(qū)域生長(zhǎng)法在車(chē)牌定位中的應(yīng)用應(yīng)用區(qū)域生長(zhǎng)法進(jìn)行汽車(chē)圖像的車(chē)牌定位： 圖51不同汽車(chē)是依靠車(chē)牌號(hào)碼來(lái)區(qū)分的，從分割的汽車(chē)圖像中再分割出車(chē)牌圖像也叫車(chē)牌定位。常用的分割方法有邊緣檢測(cè)、頻域分割、閾值分割、分形分割、紋理分割、多數(shù)信息分割、彩色信息分割、跟蹤技術(shù)等多種，以上許多分割方法都比較精確。圖51 所示的是一張較高清晰度的汽車(chē)背景圖像，從圖中我們看到，車(chē)牌的底色與車(chē)體的顏色在灰度上有明顯的差異，并且車(chē)牌的形狀是規(guī)則的矩形，灰度值跳變較明顯，便于與車(chē)體背景的分離；其次，車(chē)牌字符的灰度值與車(chē)牌底色的灰度值也有明顯的變化，而且可以看到車(chē)牌字符具有如下的特征：(1)漢字和數(shù)字的筆畫(huà)風(fēng)格和粗細(xì)相同；(2)字符間的距離為定值；(3)各字符的字體大小相同，充滿各自所占的長(zhǎng)方形方格。圖51是汽車(chē)圖像的原始圖像、灰度圖像上的種子點(diǎn)的選取位置以及最終的分割結(jié)果。但是同時(shí)也看到，由于區(qū)域生長(zhǎng)法的特點(diǎn)以及在實(shí)現(xiàn)過(guò)程中人為對(duì)生長(zhǎng)條件的選取，對(duì)分割結(jié)果產(chǎn)生了很多不確定性，將一部分其他的汽車(chē)背景也分割了出來(lái)。區(qū)域生長(zhǎng)法是跟蹤技術(shù)的一種，這種方法有三個(gè)關(guān)鍵點(diǎn)即種子點(diǎn)的選擇、生長(zhǎng)準(zhǔn)則的確定以及區(qū)域生長(zhǎng)停止的條件，而生長(zhǎng)準(zhǔn)則的確定也是多種多樣，如圖像的灰度、紋理、梯度、色彩等特性信息都可以作為生長(zhǎng)準(zhǔn)則，在本文的示例及后面的車(chē)牌提取中，主要運(yùn)用了圖像的灰度變化作為生長(zhǎng)準(zhǔn)則，分割結(jié)果比較滿意。算法流程如圖52所示。Vincent 最早提出利用形態(tài)學(xué)灰度重建進(jìn)行數(shù)字圖像分析處理，并給出了有效的形態(tài)學(xué)算法，使得形態(tài)學(xué)重建具備了計(jì)算可行性?；叶刃螒B(tài)學(xué)重建的定義如下:定義2: 灰度圖像I和J定義在同一定義域D上，取值范圍為離散集合{ 0，1，…，N － 1}且J∈I，(即?p∈D，有J(p)≤I(p))，則用標(biāo)記圖像J對(duì)掩模圖像I的灰度形態(tài)學(xué)重建ρ(J) 滿足?p∈D,ρ(J,I)(p)=max{k∈[0,N－1]|p∈ρ(Tk(J),Tk(I))} （）其中，Tk(為了減少噪聲及局部小細(xì)節(jié)對(duì)分水嶺算法的影響，考慮使用形態(tài)學(xué)重建濾波的方法。根據(jù)實(shí)驗(yàn)顆粒的性質(zhì)，選用半徑為8的圓形結(jié)構(gòu)元素對(duì)灰度圖像做腐蝕運(yùn)算，將得到的腐蝕圖像作為標(biāo)記圖像J，原灰度圖像作為掩模圖像I，做形態(tài)學(xué)開(kāi)重建運(yùn)算，得到開(kāi)重建運(yùn)算后的圖像。先對(duì)開(kāi)重建后的圖像采用小圓形結(jié)構(gòu)元素做膨脹運(yùn)算得到圖像，再對(duì)求補(bǔ)后作為標(biāo)記圖像，開(kāi)重建運(yùn)算后的圖像求補(bǔ)后作為掩模圖像，作形態(tài)學(xué)閉重建運(yùn)算，得到閉重建運(yùn)算后的圖像?；谥亟ǖ拈_(kāi)閉操作要比標(biāo)準(zhǔn)的開(kāi)閉運(yùn)算更加有效。也就是說(shuō)，當(dāng)對(duì)顆粒圖像作開(kāi)閉重建運(yùn)算時(shí)，只有比選定結(jié)構(gòu)元素小的細(xì)節(jié)及噪聲成分被完全去除，而其他顆粒成分則被完整地保留，不會(huì)產(chǎn)生大顆粒目標(biāo)的畸邊。閾值分割的基本流程是先確定閾值，然后根據(jù)閾值把圖像分割歸類(lèi)，其中確定閾值是關(guān)鍵。通過(guò)比較各種圖像閾值分割算法的應(yīng)用，文中采用Otsu法對(duì)形態(tài)學(xué)重建濾波后的顆粒圖像進(jìn)行二值化，所得圖像如圖53所示。 距離變換 距離變換是一種將一幅二值圖像轉(zhuǎn)化為一幅灰度圖像的操作運(yùn)算?，F(xiàn)在的距離變換算法主要有兩類(lèi): 非歐氏距離和歐氏距離。一個(gè)MN的二值圖像可以用一個(gè)二維數(shù)組來(lái)表示，其中，=1的像素對(duì)應(yīng)物體目標(biāo)點(diǎn)，=0的像素就對(duì)應(yīng)背景點(diǎn)。 分水嶺變換形態(tài)學(xué)灰度重建對(duì)每一個(gè)顆粒圖像的內(nèi)部進(jìn)行平滑后，將目標(biāo)范圍內(nèi)存在的多個(gè)區(qū)域最大值點(diǎn)削平，同時(shí)濾掉小細(xì)節(jié)和噪聲。這樣，為了保證分水嶺算法實(shí)現(xiàn)過(guò)程中目標(biāo)的灰度始終大于背景的灰度值，將得到的距離圖像背景像素的灰度值設(shè)為負(fù)無(wú)窮，然后對(duì)最終結(jié)果作分水嶺分割，有效地把接觸在一起的顆粒物體分開(kāi)。圖54是對(duì)圖53(a)中的原始圖像進(jìn)行分割得到的結(jié)果。圖54(b)是直接應(yīng)用分水嶺變換的結(jié)果，過(guò)分割現(xiàn)象嚴(yán)重。圖54(d)是文中分割方法的結(jié)果。圖55是加噪聲的實(shí)驗(yàn)顆粒圖像及其分割結(jié)果。圖55(b)、圖55(c)和圖55(d)分別是由Sobel 算子、距離分水嶺算法及文中算法得到的分割圖像。圖54 算法有效性驗(yàn)證圖55 加噪圖像分割結(jié)果 圖像分割技術(shù)在煤礦生產(chǎn)中的應(yīng)用近年來(lái)，視頻圖像處理技術(shù)的應(yīng)用越來(lái)越廣泛，圖像處理算法的改進(jìn)或創(chuàng)新成為了熱門(mén)研究領(lǐng)域之一。目前，在圖像分割理論與技術(shù)方面已經(jīng)取得了豐碩的研究成果，運(yùn)動(dòng)目標(biāo)分割技術(shù)根據(jù)算法采用特征主要分為四類(lèi)：基于變化檢測(cè)的方法、基于光流估計(jì)的方法、基于模型的方法和時(shí)空分割算法。 常用的噪聲去除算法由于工作環(huán)境的限制，圖像中往往含有大量的噪聲，因此需要對(duì)采集的原始圖像進(jìn)行去噪處理，常用的處理技術(shù)是基于空間濾波。濾波處理過(guò)程中既要保存圖像的輪廓及邊緣信息，又要使圖像具有清晰的視覺(jué)效果。濾波方法中將輸入和輸出像素鄰域像素是線性關(guān)系的稱(chēng)為線性濾波，如均值濾波和高斯濾波；否則為非線性濾波，如中值濾波。為了克服邊界效應(yīng)的影響，高斯濾波的加權(quán)平均值的中間權(quán)重比鄰近像素的權(quán)重更大。中值濾波在某些條件下既可以去除噪聲又能夠保護(hù)圖像的邊緣信息，它的基本原理是將像素鄰域內(nèi)各點(diǎn)值的中值代替該像素點(diǎn)的值。w為二維模板，模板通常為233區(qū)域，也可以是不同的形狀，如方形、十字形、線形、圓形、菱形等。于是又有研究者提出了一些改進(jìn)的方法，如基于個(gè)數(shù)判斷的脈沖噪聲的中值濾波器、自適應(yīng)門(mén)限的中值濾波器、多窗口下的自適應(yīng)中值濾波器等等。均值濾波屬于線性濾波的一種，其基本原理是用當(dāng)前像素的領(lǐng)域均值代替原圖像中當(dāng)前像素值，即對(duì)圖像的當(dāng)前像素點(diǎn)(x,y)，選擇一個(gè)模板，該模板由其八個(gè)近鄰的像素組成，求模板中所有像素的均值，再以該均值代替當(dāng)前像素點(diǎn)(x,y)，作為處理后圖像在該點(diǎn)上的灰度值g(x,y)，方程表示如下： ()m為該模板中包含當(dāng)前像素在內(nèi)的像素總個(gè)數(shù)。但只能減弱噪聲，無(wú)法予以去除?；谧兓瘷z測(cè)的圖像分割研究基于變化檢測(cè)的方法通過(guò)對(duì)視頻幀間差圖像的檢測(cè)實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的分割。高階統(tǒng)計(jì)量的檢測(cè)法是由neri提出的，高階統(tǒng)計(jì)（HOS）量主要利用圖像信息的四階累積或者四階矩對(duì)運(yùn)動(dòng)區(qū)域進(jìn)行提取。提取過(guò)程需要注意兩個(gè)方面：一方面是閾值的設(shè)定，如果閾值設(shè)定不當(dāng)，將會(huì)導(dǎo)致部分噪聲不能被消除；另一方面，由于物體內(nèi)部紋理信息的一致性，檢測(cè)過(guò)程中會(huì)出現(xiàn)信息內(nèi)部的空洞現(xiàn)象，為此還要進(jìn)行邊緣提取和區(qū)域填充等。隨機(jī)變量x的k階矩通?？捎脁的特征函數(shù)Φ(s)在原點(diǎn)的k階導(dǎo)數(shù)來(lái)表示： () )這里也把Φ(s)稱(chēng)為x的矩生成函數(shù)，將函數(shù)φ(s)=lnΦ(s)稱(chēng)為x的累積量生成函數(shù)，隨機(jī)變量x的k階累積量ck定義為它的累積量生成函數(shù)φ(s)的k階導(dǎo)數(shù)在原點(diǎn)的值，表示為：
()
高階統(tǒng)計(jì)量最初應(yīng)用于信息處理領(lǐng)域，然而由于具有抑制加性高斯噪聲的能力，可以避免高斯噪聲對(duì)圖像的影響的特點(diǎn)，已經(jīng)被很多研究者引入到圖像濾波、圖像分割等圖像處理的不同研究領(lǐng)域?；诠饬鞴烙?jì)的圖像分割研究 光流估計(jì)的方法通過(guò)光流場(chǎng)的運(yùn)動(dòng)估計(jì)實(shí)現(xiàn)分割的目的。,Ix、Iy、It分別為圖像I在x，y，t方向的偏導(dǎo)數(shù)。光流估計(jì)能夠適合背景變化的場(chǎng)景，但計(jì)算復(fù)雜。對(duì)于煤礦領(lǐng)域的圖像，由于噪聲含量較大的原因，基于光流估計(jì)的圖像分割很少被應(yīng)用?；谀Ｐ头椒ǖ膱D像分割研究基于模型的方法通過(guò)建立對(duì)象模型，利用模板匹配的方法實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的分割。CV模型水平集其能量函數(shù)是，定義域?yàn)棣傅膱D像I（x，y）被閉合邊界C劃分為目標(biāo)、背景2個(gè)區(qū)域Ca，Cb其平均灰度分別為ca，cb。 ()其中，L（C）是閉合輪廓線C的長(zhǎng)度；Sa（C）是C的內(nèi)部區(qū)域，即Ca的面積；μ，v≥0，λa，λb0是各個(gè)能量項(xiàng)權(quán)重系數(shù)。Mech和Wollborn提出利用二次空間分割實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的準(zhǔn)確分割，分割過(guò)程中利用數(shù)學(xué)形態(tài)學(xué)消除噪聲，并結(jié)合了邊緣信息。由于時(shí)空分割算法能夠得到理解的分割效果，且滿足實(shí)時(shí)性的要求，得到了廣泛的應(yīng)用。算法由matlab實(shí)現(xiàn)，圖56（a）和圖56（b）為視頻圖像中兩幅原始圖像，圖56（c）為高階統(tǒng)計(jì)量分割圖，該算法能夠較準(zhǔn)備的分割出運(yùn)動(dòng)目標(biāo)，但圖中仍然含有一定的誤分割，且計(jì)算時(shí)間較長(zhǎng)；圖56（d）為光流場(chǎng)分割圖，該算法不僅計(jì)算時(shí)間較長(zhǎng)，而且不利于實(shí)現(xiàn)準(zhǔn)備分割；圖56（e）為幀差法引導(dǎo)的CV水平集分割圖，隨然能夠分割出運(yùn)動(dòng)目標(biāo)，但CV水平集演化過(guò)程很慢，且會(huì)出現(xiàn)過(guò)度分割現(xiàn)象；圖56（f）為時(shí)空結(jié)合算法的分割圖，該圖中能夠分割出較理想的運(yùn)動(dòng)目標(biāo)，且計(jì)算速度較快，易于實(shí)現(xiàn)實(shí)時(shí)性較高的要求。針對(duì)煤礦應(yīng)用領(lǐng)域的環(huán)境要求，分析了按特征分類(lèi)的四種分割算法，并根據(jù)工作環(huán)境對(duì)圖像的影響分析了常用噪聲去除的方法，通過(guò)比較實(shí)現(xiàn)分析了四種分割算法的分割效果。 圖像分割技術(shù)在醫(yī)學(xué)圖像處理中的應(yīng)用研究 圖像分割是指將圖像分割成各具特征的區(qū)域并提取出感興趣的目標(biāo)的技術(shù)和過(guò)程, 是圖像處理到圖像分析的關(guān)鍵步驟。 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)的特征的相似性把圖像劃分為一系列有意義的區(qū)域。閾值分割方法的結(jié)果依賴(lài)于閾值的選取, 確定閾值是閾值分割的關(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。閾值法的缺陷是: 最簡(jiǎn)單形式的閾值法只能產(chǎn)生二值圖像來(lái)區(qū)分兩個(gè)不同的類(lèi)別。針對(duì)它的不足, 一些學(xué)者提出了許多經(jīng)典的算法, 如局部閾值、模糊閾值, 隨機(jī)閾值等方法。Kim等用多次閾值分割法檢測(cè)螺旋CT圖像中的肺結(jié)性病變, 共檢測(cè)了24例病人的827 張圖像, 檢測(cè)結(jié)果靈敏度為96%,并且沒(méi)有出現(xiàn)假陽(yáng)性結(jié)果。采用區(qū)域生長(zhǎng)法的關(guān)鍵在于種子點(diǎn)的位置選擇、生長(zhǎng)準(zhǔn)則和生長(zhǎng)順序。另外, 對(duì)于圖像中不相鄰而灰度值相同或相近的區(qū)域, 不能一次分割出來(lái), 只能一次分割一個(gè)區(qū)域。根據(jù)邊緣檢測(cè)方法的不同, 通常把邊緣檢測(cè)方法分成串行邊緣檢測(cè)和并行邊緣檢測(cè)兩大類(lèi)。然后根據(jù)某種相似性準(zhǔn)則尋找與前一點(diǎn)同類(lèi)的邊緣點(diǎn), 這種確定后續(xù)相似點(diǎn)的方法稱(chēng)為跟蹤。并行邊緣檢測(cè)法并行邊緣檢測(cè)方法可使每個(gè)像素點(diǎn)是否為邊緣點(diǎn)的檢測(cè)同時(shí)在每個(gè)像素上進(jìn)行, 因而可以大大加快搜索檢測(cè)的時(shí)間。此外, 還包括方向模板、統(tǒng)計(jì)模板的邊緣檢測(cè)方法, 斜率差分、滑動(dòng)平均梯度、紋理邊緣、最佳曲面擬合等邊緣檢測(cè)算法[3 9]。 基于特定理論的方法模糊聚類(lèi)法模糊聚類(lèi)法首先將像素灰度等性質(zhì)映射到根據(jù)一定的規(guī)則分為幾個(gè)區(qū)域的特征空間, 然后根據(jù)像素的性質(zhì)判定其所屬的區(qū)域, 并對(duì)此加以標(biāo)記和進(jìn)行分割。由于醫(yī)學(xué)圖像本質(zhì)上存在模糊性, 因此聚類(lèi)法更適合采用對(duì)圖像不確定性有較好描述能力的模糊理論。神經(jīng)網(wǎng)絡(luò)方法神經(jīng)網(wǎng)絡(luò)方法分割圖像的思想是用訓(xùn)練樣本集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練以確定節(jié)點(diǎn)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), 但這種方法需要大量的訓(xùn)練數(shù)據(jù)。選擇何種網(wǎng)絡(luò)結(jié)構(gòu)是這種方法要解決的主要問(wèn)題。由于醫(yī)學(xué)圖像大都具有內(nèi)在的不確定性, 恰當(dāng)?shù)囊肽：夹g(shù), 可以有效地減少圖像的內(nèi)在不確定性對(duì)分割結(jié)果的影響, 從而降低分割結(jié)果對(duì)噪聲的敏感程度。小波變換方法小波分析基本思想是利用一簇由基本小波函數(shù)系來(lái)逼近信號(hào), 在對(duì)信號(hào)進(jìn)行二進(jìn)制小波變換時(shí),某點(diǎn)處的變換值隨尺度參數(shù)變換的趨勢(shì)可以體現(xiàn)出該點(diǎn)是否具有特異性及特異性的大小。用小波變換進(jìn)行醫(yī)學(xué)圖像閾值分割的思想是建立一種小波多尺度幾何活動(dòng)的曲線模型, 采用間隔采樣的離散小波變換提取圖像分割特征, 在矢量量化聚類(lèi)的基礎(chǔ)上, 通過(guò)增加馬爾可夫隨機(jī)場(chǎng)的限制條件, 建立起小波空間內(nèi)的分割統(tǒng)計(jì)模型。因此, 如何組合跨尺度信息, 恢復(fù)已丟失的空間分辨率是多尺度分割算法的難點(diǎn)。遺傳算法遺傳算法是一種借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)化搜索算法,其基本思想是模擬由一些基因串控制的生物群體的進(jìn)化過(guò)程,把該過(guò)程的原理應(yīng)用到搜索算法中,以提高尋優(yōu)的速度和質(zhì)量。2000年,Chen等把遺傳算法應(yīng)用到心臟超聲波圖像的分割中,以用來(lái)彌補(bǔ)主動(dòng)輪廓法的缺陷,建立了一種自學(xué)習(xí)分割框架———Taguchi逼近,用該法對(duì)人工合成圖像和真正的超聲波圖像進(jìn)行了試驗(yàn), 并得到了很好的結(jié)果,其有效性已通過(guò)方差分析的驗(yàn)證。第6章 總結(jié)與展望 工作總結(jié)本論文對(duì)傳統(tǒng)的圖像分割技術(shù)進(jìn)行了簡(jiǎn)要的介紹，詳述了分水嶺算法、區(qū)域生長(zhǎng)法和分裂合并算法的原理，列舉了圖像分割的應(yīng)用。% 轉(zhuǎn)換為黑白二值圖像”即可解決問(wèn)題。 展望對(duì)圖像分割算法的研究已有幾十年的歷史，借助各種理論至今已提出了上千種各種類(lèi)型的分割算法。但由于尚無(wú)通用分割理論，因此現(xiàn)已提出的分割算法大都是針對(duì)具體問(wèn)題的，并沒(méi)有一種適合于所有圖像的通用的分割算法。參考文獻(xiàn)[1]申建華，劉上乾，[2]許新征，丁世飛，史忠植， [3]韓思奇，2002，246[4]何俊，葛紅，2009，3112[5]鈕圣虓，王盛，楊晶晶，[6]羅鈞，盧艷，蔣均祝，[7]李忠杰，胡文濤，3111[8]王小燕，2009，61[9]姚敏等著，：機(jī)械工業(yè)出版社，[10]何志勇，孫立寧，[11]Pal S. . Multispectral image segmentation using the roughsetinitialized EM algorithm [J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(11):20022501[12]Zadeh L A. Fuzzy logic = putingwithwords [J]. IEEE Transactions on Fuzzy Systems, 1996, 4(2):1996111[13]Vapnik V N. The Nature of Statistical Learning Theory [M].NewYork: SpringerVerlag, 2000[14]WATERSHEDBASED TEXTURAL IMAGE SEGMENTATION . International Symposium on