【正文】 的選擇, 因此該方法的關(guān)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(dá)不到理想的效果。 沒有哪一種邊緣算子是絕對(duì)的合適，從以上實(shí)驗(yàn)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(xì)致，這是它不足的地方，每一種邊緣檢測(cè)算子分割的圖像都有相應(yīng)的優(yōu)缺點(diǎn)，我們只能選取當(dāng)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(duì)于特定的圖片，這種算子達(dá)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(gè)缺點(diǎn)：①每幅子圖像的尺寸不能太小，否則統(tǒng)計(jì)出的結(jié)果無意義。③局部閾值法對(duì)每一幅子圖像都要進(jìn)行統(tǒng)計(jì)，速度慢，難以適應(yīng)實(shí)時(shí)性的要求。因?yàn)闆]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(diǎn)，結(jié)合已知的先驗(yàn)知識(shí)，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(jì)算機(jī)視覺領(lǐng)域國(guó)際學(xué)術(shù)界公認(rèn)的將會(huì)長(zhǎng)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(biāo)準(zhǔn)。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(xué)形態(tài)學(xué)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(luò)技術(shù)的圖像分割方法，遺傳算法在圖像分割中的應(yīng)用和基于小波分析和變換的分割技術(shù)。從圖像分割研究的歷史來看，可以看到對(duì)圖像分割的研究有幾個(gè)明顯的趨勢(shì)：一是對(duì)原有算法的不斷改進(jìn)，二是新方法、新概念的引入和多種方法的有效綜合運(yùn)用， 人們逐漸認(rèn)識(shí)到現(xiàn)有的任何一種單獨(dú)的圖像分割算法都難以對(duì)一般圖像取得令人滿意的分割效果，因而很多人在把新方法和新概念不斷的引入圖像分割領(lǐng)域的同時(shí)，也更加重視把各種方法綜合起來運(yùn)用，相信隨著研究的不斷深入，存在的問題會(huì)很快得到圓滿的解決[18]。另外，還要感謝這四年來陪伴我度過大學(xué)時(shí)代的老師和同學(xué)們，是他們豐富了我的大學(xué)生活，在求學(xué)的路上給我指引了方向，訓(xùn)練我科學(xué)嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度。 tic %計(jì)時(shí)器Init=imread(39。)。figure,imhist(Im),title(39。) figure,imshow(Im) , title(39。) [x,y]=size(Im)。 zd=double(max(max(Im))) % 求出圖象中最大的灰度 zx=double(min(min(Im))) % 最小的灰度 T=double((zd+zx))/2。 % 記錄幾次循環(huán) while 1 % 迭代最佳閾值分割算法 count=count+1。 n0=。 n1=。 %大于閾域值圖像點(diǎn)灰度值累加 n1=n1+1。 %小于閾域值圖像點(diǎn)灰度值累加 n0=n0+1。 %求小于閥域值均值 T1=S1/n1。elseT=(T0+T1)/2。 % 圖像在最佳閾值下二值化 figure,imshow(i1)imwrite(i1,39。)第二步（邊緣檢測(cè)（以canny算子為例））：im=imread(39。)。BW=im2bw(im)。BW1 = edge(I,39。,)。imshow(I)。imshow(BW1)。D:\39。 img=imread(39。)。 %將原圖像平均分為四個(gè)子圖像 subimg2=img(1:216,136:269)。 subimg4=img(217:431,136:269)。fxy = imhist(I, 256)。 plot(fxy)。 b=double(I)。 % T賦初值，為最大值和最小值的平均值 count=double(0)。 S0=。 %為計(jì)算灰度大于閾值的元素的灰度總值、個(gè)數(shù)賦值 S1=。 %為計(jì)算灰度小于閾值的元素的灰度總值、個(gè)數(shù)賦值 for i=1:x for j=1:y if double(I(i,j))=T S1=S1+double(I(i,j))。 %大于閾域值圖像點(diǎn)個(gè)數(shù)累加 else S0=S0+double(I(i,j))。 %小于閥域值圖像點(diǎn)個(gè)數(shù)累加 end end end T0=S0/n0。 %求大于閥域值均值 if abs(T((T0+T1)/2))%迭代至前后兩次閥域值相差幾乎為0時(shí)停止 break。 %在閾值T下，迭代閾值的計(jì)算過程 end end count %顯示運(yùn)行次數(shù)T %顯示最佳閾值 算出Tbw1=im2bw(I,T/255)。fxy = imhist(I, 256)。 plot(fxy)。 b=double(I)。 % T賦初值，為最大值和最小值的平均值 count=double(0)。 S0=。 %為計(jì)算灰度大于閾值的元素的灰度總值、個(gè)數(shù)賦值 S1=。 %為計(jì)算灰度小于閾值的元素的灰度總值、個(gè)數(shù)賦值 for i=1:x for j=1:y if double(I(i,j))=T S1=S1+double(I(i,j))。 %大于閾域值圖像點(diǎn)個(gè)數(shù)累加 else S0=S0+double(I(i,j))。 %小于閥域值圖像點(diǎn)個(gè)數(shù)累加 end end end T0=S0/n0。 %求大于閥域值均值 if abs(T((T0+T1)/2))%迭代至前后兩次閥域值相差幾乎為0時(shí)停止 break。 %在閾值T下，迭代閾值的計(jì)算過程 end end count %顯示運(yùn)行次數(shù)T %顯示最佳閾值 算出Tbw2=im2bw(I,T/255)。fxy = imhist(I, 256)。plot(fxy)。 b=double(I)。 % T賦初值，為最大值和最小值的平均值 count=double(0)。 S0=。 %為計(jì)算灰度大于閾值的元素的灰度總值、個(gè)數(shù)賦值 S1=。 %為計(jì)算灰度小于閾值的元素的灰度總值、個(gè)數(shù)賦值 for i=1:x for j=1:y if double(I(i,j))=T S1=S1+double(I(i,j))。 %大于閾域值圖像點(diǎn)個(gè)數(shù)累加 else S0=S0+double(I(i,j))。 %小于閥域值圖像點(diǎn)個(gè)數(shù)累加 end end end T0=S0/n0。 %求大于閥域值均值 if abs(T((T0+T1)/2)) %迭代至前后兩次閥域值相差幾乎為0時(shí)停止 break。 %在閾值T下，迭代閾值的計(jì)算過程 end end count %顯示運(yùn)行次數(shù)T %顯示最佳閾值 算出Tbw3=im2bw(I,T/255)。fxy = imhist(I, 256)。 plot(fxy)。 b=double(I)。 % T賦初值，為最大值和最小值的平均值 count=double(0)。 S0=。 %為計(jì)算灰度大于閾值的元素的灰度總值、個(gè)數(shù)賦值 S1=。 %為計(jì)算灰度小于閾值的元素的灰度總值、個(gè)數(shù)賦值 for i=1:x for j=1:y if double(I(i,j))=T S1=S1+double(I(i,j))。 %大于閾域值圖像點(diǎn)個(gè)數(shù)累加 else S0=S0+double(I(i,j))。 %小于閥域值圖像點(diǎn)個(gè)數(shù)累加 end end end T0=S0/n0。 %求大于閥域值均值 if abs(T((T0+T1)/2)) %迭代至前后兩次閥域值相差幾乎為0時(shí)停止 break。 %在閾值T下，迭代閾值的計(jì)算過程 end end count %顯示運(yùn)行次數(shù)T %顯示最佳閾值 算出Tbw4=im2bw(I,T/255)。 %合并子圖像 bw6=horzcat(bw3,bw4)。 figure,imshow(bw),title(39。)