【正文】 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 11 區(qū)域分割的實質(zhì)就是把具有某種相似性質(zhì)的像索連通，從而構(gòu)成最終的分割區(qū)域。在此類方法中，如果從全圖出發(fā)，按區(qū)域?qū)傩蕴卣饕恢碌臏蕜t決定每個像元的區(qū)域歸屬，形成區(qū)域圖，常稱之為區(qū)域生長的分割方法。若綜合利用上述兩種方法，就是分裂合并的方法。 基于區(qū)域的分割方法往往會造成圖像的過度分割，而單純的基于邊緣檢測方法有時不能提供較好的區(qū)域結(jié)構(gòu)，為此可將基于區(qū)域的方法和邊緣檢測的方法結(jié)合起來，發(fā)揮各自的優(yōu)勢以獲得更好的分割效果。 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。利用模糊 C 均值(FCM)非監(jiān)督模糊聚類標定的特點進行圖像分割，可以減少人為的干預(yù)，且較適合圖像中存在不確定性和模糊性的特點。 (2)怎樣確定聚類的有效性準則。 (4)運算的開銷。另外，傳統(tǒng) FCM 算法沒有考慮空間信息，對噪聲和灰度不均勻敏感。整個分割過程是從粗到細，有尺度變化來控制，即起始分割由粗略 的 L2(R)子空間上投影的直方圖來實現(xiàn)，如果分割不理想，則利用直方圖在精細的子空間上的小波系數(shù)逐步細化圖像分割。 小波變換為信號在不同尺度上的分析和表征提供了一個精確和統(tǒng)一的框架。 小波變換是一種多尺度、多通道的分析工具它是空域和頻域的局域變換，因而能有效地從信號中提取信息，通過伸 縮和平移等運算功能對函數(shù)或信號進行多尺度分析，解決了傅立葉變換不能解決的許多問題。另外，利用正交小波基的小波變換也可提取多尺度邊緣，并可通過對圖像奇異度的計算和估計來區(qū)分一些邊緣的類型。數(shù)學(xué)形態(tài)學(xué)首先被用來處理二值圖像，后來也被用來處理灰度圖像，現(xiàn)在又有學(xué)者開始用軟數(shù)學(xué)形態(tài)學(xué)和模糊形態(tài)學(xué)來解決計算機視覺方面的問題。它的基本思想是利用一個稱為結(jié)構(gòu)元素的探針來收集圖像的信息，當(dāng)探針在圖像中不斷的移動時，不僅可根據(jù)圖像各個部分間的相互關(guān)系來了解圖像的結(jié)構(gòu)特征，而且利用數(shù)學(xué)形態(tài)學(xué)基本運算還可以構(gòu)造出許多非常有效的圖像處理與分析方法。腐蝕具有使目標縮小、目標內(nèi)孔增大以及外部孤立噪聲消除的效果 。數(shù)學(xué)形態(tài)學(xué)中另一對基本運算方法是開運算和閉運算。 數(shù)學(xué)形態(tài)學(xué)應(yīng)用于圖像分割，具有定位效果好、分割精度高、抗噪聲性能好的特點。 由于預(yù)處理工作的不徹底，還需要進行一系列的基于點的開 ( 閉 ) 運算，因此運算速度明顯下降。 近年來，人工神經(jīng)網(wǎng)絡(luò)識別技術(shù)已經(jīng)引起了廣泛的關(guān)注，并應(yīng)用于圖像分割。 用人工神經(jīng)網(wǎng)絡(luò)的方法分割圖像，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題。它在搜索空間中是在種群中而不是在單點上進行尋優(yōu)，它在求解過程中使用遺傳操作規(guī)則而不是確定性規(guī)則來工作。利用 GA 的全局尋優(yōu)能力及對初始位置的不敏感特性，可以改進圖像分割的性能。 GA 還有可能收斂于局部最優(yōu)。 本章小結(jié) 對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型的分割算法。但由于尚無通用分 割理論，因此現(xiàn)已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的分割算法。 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 14 4 圖像分割 仿真實驗 圖像分割是把圖像分成若干個有意義區(qū)域的處理技術(shù)。分類所依據(jù)的特性可以是像素的灰度值、顏色或多普特性、空間特性和紋理特性等。一般假設(shè)在同一區(qū)域內(nèi)特性的變化是平緩，而在區(qū)域的邊界上特性的變化是劇烈的。 使用計算機分析和識別圖像，必須分析圖像特征，圖像特征是指圖像中可用做標志的屬性，可以分為視覺特征和統(tǒng)計特征。 本章主要講了 L*a*b 空間的彩色分割，紋理濾波器 ， 圖像分割檢測細胞圖 等圖像的分割算法 。彩色電視機的顯像管，以及計算機的顯示器都是以這種方式來混合出各種不同顏色效果的。 XYZ 系統(tǒng)是在 RGB 系統(tǒng)的基礎(chǔ)上用數(shù)學(xué)方法 ， 選用三個理想的原色來代替實際的三原色。在 Lab 色彩空間中，顏色之間視覺上的距離與顏色坐標上的歐幾里德距離成正比，因此具有一定距離的兩點之間的 色彩是均勻分布的。這就意味著 RGB 等模式所能描述的色彩信息在 Lab 空間中都能得到映射。 Lab 色彩空間是由一個亮度分量 L（ lightness），以及兩個色度分量 a 與 b 來表示顏色的。 a 分量代表由綠色到紅色的光譜變化， a 分量包括的顏色是從深綠色（－ 120）到灰色（ 0） 再到 粉紅色（ +120）；而 b 分量代表由藍色到黃色的光譜變化 ， b 分量則是從亮藍色（－ 120）到灰色（ 0）再到黃色（ +120）。 顏色的空間轉(zhuǎn)換 為了實現(xiàn)圖像從 RGB 空間到 Lab 空間的轉(zhuǎn)換，首先必須把圖像從 RGB 空間轉(zhuǎn)換到 XYZ 空間后，在從 XYZ 空間轉(zhuǎn)換到 Lab 空間。其中 R、 G、B 的取值為 0～ 100。 在公 式 （ 42） ～ （ 44） 中， ??0、 ??0、 ??0為標準光源 D65 的三刺激值，其值為 ??0=、 ??0 = 100、 ??0=，只要給出顏色的 RGB 值，可求出 Lab 顏色空間的色度 值?；?L*a*b 空間的色彩分割的基本流程如圖 41 所示： 圖 41 基于 L*a*b 空間的色彩分割的基本流程 讀取圖像并選擇合適的樣本區(qū)域 轉(zhuǎn)換色彩空間 根據(jù)樣本區(qū)域的顏色對圖像進行分割 繪制散點 圖 開始 結(jié)束 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 16 第一步在讀取圖像時 根據(jù)需要選擇合適的樣本區(qū)域，即為每種顏色的樣本選擇一個很小的樣本區(qū)域，然后計算每個 樣本中這種顏色的平均值。39。%讀取圖像 figure。 imshow(fabric), %顯示圖像 title(39。)。%下載顏色區(qū)域坐標到工作空間 nColors = 6。 for count = 1:nColors sample_regions(:,:,count) = roipoly(fabric,... region_coordinates(:,1,count), ... region_coordinates(:,2,count))。%顯示紅色樣本區(qū)域 title(39。)。用以下代碼實現(xiàn) cform = makecform(39。)。%rgb空間轉(zhuǎn)換成 L*a*b空間 a = lab_fabric(:,:,2)。 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 17 color_markers = repmat(0, [nColors, 2])。%a的均值 color_markers(count,2)= mean2(b(sample_regions(:,:,count)))。[%,%]39。%顯示紅色樣本分量的均值 color_labels = 0:nColors1。 b = double(b)。%初始化距離矩陣 for count = 1:nColors distance(:,:,count) = ( (a color_markers(count,1)).^2 + ... (b color_markers(count,2)).^2 ).^。實現(xiàn)該功能代碼如下： [value, label] = min(distance,[],3)。 clear value distance。 segmented_images = repmat(uint8(0),[size(fabric), nColors])。 color(rgb_label ~= color_labels(count)) = 0。 end figure。 背景 ?)。 imshow(segmented_images(:,:,:,2)), %顯示紅色目標 title(39。)。 imshow(segmented_images(:,:,:,3)), %顯示綠色目標 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 18 title(39。)。紫色目標 39。 figure, imshow(segmented_images(:,:,:,5)), %顯示紅紫色目標 title(39。)。 黃色目標 39。 實驗結(jié)果如圖 43 所示： 圖 43 圖像顏色分割結(jié)果 最后一步即為繪制散點圖，在散點圖中畫出每種顏色 ，在散點圖中可以看出，六種顏色在 a 和 b 分量下能明顯的分開，每種顏色比分成一塊區(qū)域。 plot_labels = {39。, 39。, 39。, purple, 39。, 39。}。.39。MarkerEdgeColor39。MarkerFaceColor39。%顯示各種顏色的散點圖 hold on。39。 xlabel(39。39。39。)。39。b*39。 values39。 各種顏色的散點圖如圖： 44 所示： 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 19 圖 44 各種顏色散點圖 基于 L*a*b 空間的彩色分割是根據(jù)圖像中色彩空間不同的顏色來確定不同色彩所在的區(qū)域而對圖像進行劃分的；在本 實驗 這中主要用到的函數(shù)是色彩空間轉(zhuǎn)換函數(shù)makecform 和 applyccform，通過計算圖像中像素點與樣本像素點的距離來判斷這個像素點的顏色進行分割的。與圖像分析直接相關(guān)的紋理一般定義為 “一種反映一個區(qū)域中像素灰度級的空間分布屬性 ”，它們反應(yīng)了物體表面顏色和灰度的某種變化，而這些變化又與物體的本身屬性相關(guān)。 圖像紋理的分類 紋理可分為人工紋理和天然紋理。自然紋理是具有重復(fù)性排列現(xiàn)象的自然景象，如磚墻、種子、森林草地之類的照片，人工紋理往往是有規(guī)則的，而自然紋理一般是無規(guī)則的 。結(jié)構(gòu)分析法是紋理圖像的集合結(jié)構(gòu)，從中獲取結(jié)構(gòu)特征，但純結(jié)構(gòu)法只能處理那些過于規(guī)則而無實際意義的圖像。由于現(xiàn)實世界的紋理常常由于方位、尺度或其他方面的變化而引起圖像的不一致，上述方法尚難以全面而精確的描述和提取紋理信息，因而能對各種圖像紋理分析都比較全面的例子并不是很多，當(dāng)然 還存在其他一些方法，比如基于小波分析的方法就有著很好的發(fā)展前景，但也存在著算法復(fù)雜度 較高，計算量大，難以實施等諸多缺點。 使用紋理濾波器進行分割就是利用圖像中不同區(qū)域的紋理來對圖像的區(qū)域進行劃分。紋理描述圖像中的區(qū)域特性，試圖直觀的定量描述諸如光滑、質(zhì)地等參數(shù)。利用紋理可以用來檢測圖像的邊界，從而對圖像進行分割。 使用紋理濾波器分割圖像的基本流程如圖 45所示： 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 21 圖 45 紋理濾波器分割圖像的基本流程 第一步讀取圖像的過程中實現(xiàn)代碼如下： I = imread(39。)。 imshow(I),title(39。)。 開始 讀取圖像 創(chuàng)建紋理圖像 分別轉(zhuǎn)換灰度、二值圖像 顯示圖像底部紋理 顯示圖像頂部紋理的掩膜圖像 提取圖像的頂部、底部紋理 結(jié)束 使用entropyfilt函數(shù) 使用 bwareaopen函數(shù) 西安石油大學(xué) 本科 畢業(yè)設(shè)計 （論文） 22 圖 46 原始圖像 第二步即為創(chuàng)建圖像的紋理圖像，使用函數(shù) entropyfilt創(chuàng)建一副紋理圖像，這個函數(shù)返回的圖像與輸入圖像的大小相同，每個像素值是輸入相應(yīng)像素值鄰域的熵值。%創(chuàng)建紋理圖像 Eim = mat2gray(E)。 subplot(121) imshow(Eim),title(39。)。%轉(zhuǎn)化為二值圖像 subplot(122)。二值圖像 39。%二值圖像 使用函數(shù) mat2gray將矩陣轉(zhuǎn)化為灰度圖像，如圖 47左圖所示。實現(xiàn)代碼如下： BWao = bwareaopen(BW1,2020)。 subplot(121) imshow(BWao),title(39。)。 closeBWao = imclose(BWao,nhood)。 imshow(closeBWao),title(39。)。holes39。%填充操作 figure。填充后圖像 39。%顯示填充后圖像 I2 = I。%底部設(shè)置為黑色 subplot(122)。 分割后的圖像目標區(qū)域顯示為白色，跟原圖像相比，圖像頂部的紋理內(nèi)過度分割，而底部的紋理則以一個整體分割出來，可以使用 bwareaopen函數(shù) 提取圖像的底部紋理，如圖 48左邊圖像所示，分割出的邊界并不光滑，并且 含有很多孔洞，這時候可以使用 imclose函數(shù)對圖像執(zhí)行形態(tài)學(xué)關(guān)操作，處理后的圖像如圖 48右邊圖像所示。 圖 49 填充后的頂部紋理 最后使用 entropyfilt對圖像進行濾波分割其實現(xiàn)代碼如下 。%創(chuàng)建紋理圖像 e2im=mat2gray(e2)。subplot(121), imshow(e2im)。 subplot(122)。 figure。 texture1=I。 texture2=I。 figure。subplot(122) imshow(textur