圖像分割算法的研究與實(shí)現(xiàn)-本科畢業(yè)設(shè)計(jì)

數(shù)字圖像處理期末考試題目圖像分割算法研究與實(shí)現(xiàn)專(zhuān)業(yè)班級(jí)11通信工程一班畢業(yè)論文（設(shè)計(jì)）誠(chéng)信聲明本人聲明：所呈交的畢業(yè)論文（設(shè)計(jì)）是在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果，論文中引用他人的文獻(xiàn)、數(shù)據(jù)、圖表、資料均已作明確標(biāo)注，論文中的結(jié)論和成果為本人獨(dú)立完成，真實(shí)可靠，不包含他人成果及已獲得青島農(nóng)業(yè)大學(xué)或其他教育機(jī)構(gòu)的學(xué)位或證書(shū)使用過(guò)的材料。與我一同工作的同志對(duì)本研究所做的任何貢獻(xiàn)均已在論文中作了明確的說(shuō)明并表示了謝意。論文（設(shè)計(jì)）作者簽名：日期：2013年3月10日畢業(yè)論文（設(shè)計(jì)）版權(quán)使用授權(quán)書(shū)本畢業(yè)論文（設(shè)計(jì)）作者同意學(xué)校保留并向國(guó)家有關(guān)部門(mén)或機(jī)構(gòu)送交論文（設(shè)計(jì)）的復(fù)印件和電子版，允許論文（設(shè)計(jì)）被查閱和借閱。本人授權(quán)青島農(nóng)業(yè)大學(xué)可以將本畢業(yè)論文（設(shè)計(jì)）全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫(kù)進(jìn)行檢索，可以采用影印、縮印或掃描等復(fù)制手段保存和匯編本畢業(yè)論文（設(shè)計(jì)）。本人離校后發(fā)表或使用該畢業(yè)論文（設(shè)計(jì)）或與該論文（設(shè)計(jì)）直接相關(guān)的學(xué)術(shù)論文或成果時(shí)，單位署名為青島農(nóng)業(yè)大學(xué)。論文（設(shè)計(jì)）作者簽名：日期：2013年3月10日指導(dǎo)教師簽名：日期：年月TOC\o"1-5"\h\z摘要：1.前言2.圖像分割概念3圖像分割定義3圖像分割方法綜述4閾值法5基于邊緣檢測(cè)的分割方法9基于區(qū)域的分割方法12.圖像分割方法詳述14圖像分割方法14圖像分割方法實(shí)現(xiàn)14.實(shí)驗(yàn)結(jié)果及分析16實(shí)驗(yàn)結(jié)果16實(shí)驗(yàn)結(jié)果分析20.小結(jié)23主要工作總結(jié)23結(jié)論23.附錄27圖像分割算法研究與實(shí)現(xiàn)摘要：圖像分割是圖像處理與計(jì)算機(jī)視覺(jué)的基本問(wèn)題之一，是圖像處理圖像分析的關(guān)鍵步驟。因?yàn)閳D像分割及其基于分割的目標(biāo)表達(dá)、特征提取和參數(shù)測(cè)量等將原始圖像轉(zhuǎn)化為更抽象更緊湊的形式，使得更高層的圖像分析和理解成為可能。因此，圖像分割多年來(lái)一直得到人們的高度重視.本文首先將現(xiàn)有的多種類(lèi)型圖像分割方法歸結(jié)為3類(lèi)典型的方法，并分析各自的特性；然后提出圖象分割方案，并利用MATLAB軟件編寫(xiě)程序，展示實(shí)驗(yàn)現(xiàn)象，最后對(duì)所做工作進(jìn)行總結(jié)。關(guān)鍵詞：圖像分割閾值法邊緣檢測(cè)微分算子局部閾值.前言在圖像的研究和應(yīng)用過(guò)程中，人們往往僅對(duì)各幅圖像中的某些部分感興趣.這些部分常稱為目標(biāo)或前景，它們一般對(duì)應(yīng)圖像中特定的具有獨(dú)特性質(zhì)的區(qū)域.為了辨別和分析目標(biāo)，需要將這些區(qū)域分離提取出來(lái)，在此基礎(chǔ)上才有可能對(duì)目標(biāo)進(jìn)一步利用.圖像分割就是將圖像分成各具特性的區(qū)域并提取出感興趣的目標(biāo)的技術(shù)和過(guò)程.在進(jìn)行圖像分割時(shí)，首先要根據(jù)目標(biāo)和背景的先驗(yàn)知識(shí)來(lái)對(duì)圖像中的目標(biāo)、背景進(jìn)行標(biāo)記、定位，然后將等待識(shí)別的目標(biāo)從背景中分離出來(lái).圖像分割是由圖像處理進(jìn)到圖像分析的關(guān)鍵步驟，也是一種基本的計(jì)算機(jī)視覺(jué)技術(shù).這是因?yàn)閳D像的分割、目標(biāo)的分離、特征的提取和參數(shù)的測(cè)量將原始的圖像轉(zhuǎn)化為更抽象更緊湊的形式，使得更高層的分析和理解成為可能.因此，圖像分割多年來(lái)一直得到人們的高度重視⑴。圖象分割在實(shí)際中已得到廣泛的應(yīng)用，例如在工業(yè)自動(dòng)化，在線產(chǎn)品檢驗(yàn)，生產(chǎn)過(guò)程控制，文檔圖象處理，遙感和生物醫(yī)學(xué)圖象分析，保安監(jiān)視，以及軍事，體育，農(nóng)業(yè)工程等方面。概括來(lái)說(shuō)，在各種圖象應(yīng)中，只要需對(duì)圖象目標(biāo)進(jìn)行提取，測(cè)量等都離不開(kāi)圖象分割。近年來(lái)，圖象分割在對(duì)圖象的編碼中也起到越來(lái)越重要的作用，例如國(guó)際標(biāo)準(zhǔn)MPEG-4中模型基目標(biāo)基編碼等都需要基于分割的結(jié)果。可見(jiàn)，圖象分割在圖象工程中有重要的地位和影響。本文主要從圖像分割定義、圖像分割的方法等幾個(gè)方面來(lái)闡述關(guān)于圖像分割的幾個(gè)問(wèn)題。.圖像分割概念圖像分割定義文字定義：把圖象（空間）按一定要求分成一些“有意義”區(qū)域的處理技術(shù)?！坝幸饬x”一希望這些區(qū)域能分別和圖象景物中各目標(biāo)物（或背景）相對(duì)應(yīng)。正式“集合”定義：令集合R代表整個(gè)圖象區(qū)域，對(duì)R的分割可看作將R分成若干個(gè)滿足如下五個(gè)條件的非空的子集（子區(qū)域）：（1）（分割所得全部子區(qū)域的總和（并集）應(yīng)能包括圖象中所有象素或?qū)D象中每個(gè)象素都劃分進(jìn)一個(gè)子區(qū)中）（2）對(duì)所有的i和j,有RiARj=?（i巧j（各子區(qū)互不重疊）（3）對(duì)i=1,2,3,,,N,有P（Ri）=TRUE;（屬于同一子區(qū)象素應(yīng)具有的某些共同特性）（4）對(duì)i有P（RiURj）=FALSE;（屬于不同子區(qū)象素應(yīng)具有某些不同特性）（5）對(duì)i=1,2,……，N,Ri是連通區(qū)域（同一子區(qū)內(nèi)象素應(yīng)當(dāng)是連通的）[2].條件1指出對(duì)一幅圖象的分割結(jié)果的全部子區(qū)域的總和（并集）就是原圖象，或者說(shuō)分割應(yīng)該是將圖象中的每個(gè)象素都分進(jìn)某個(gè)子區(qū)域中。條件2指出在分割結(jié)果中各個(gè)子區(qū)域是互不重疊的，或者說(shuō)在分割結(jié)果中一個(gè)象素不能同時(shí)屬于兩個(gè)區(qū)域。條件3指出在分割結(jié)果中每個(gè)子區(qū)域都有獨(dú)特的特性，或者說(shuō)屬于同一個(gè)區(qū)域中的象素應(yīng)該具有某些相同的特性。條件4指出在分割結(jié)果中，不同的子區(qū)域具有不同的特性，沒(méi)有公共元素，或者說(shuō)屬于不同區(qū)域的象素應(yīng)該具有一些不同的特性。條件5要求分割結(jié)果中同一個(gè)子區(qū)域內(nèi)的象素應(yīng)當(dāng)是相通的，即同一個(gè)子區(qū)域內(nèi)的任意兩個(gè)象素在該子區(qū)域內(nèi)是互相連通，或者說(shuō)分割得到的區(qū)域是一個(gè)連通組元。上面的定義，不僅對(duì)明確的說(shuō)明了分割的含義，而且對(duì)進(jìn)行分割也有相當(dāng)?shù)闹笇?dǎo)作用。因?yàn)榉指羁偸歉鶕?jù)一些分割準(zhǔn)則進(jìn)行的。條件1和條件2說(shuō)明正確的分割準(zhǔn)則應(yīng)可適用于所有區(qū)域和所有象素，條件3和條件4說(shuō)明合理的分割準(zhǔn)則應(yīng)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(shuō)明完整的分割準(zhǔn)則應(yīng)直接或間接地對(duì)區(qū)域內(nèi)象素的連通性有一定的要求或限定。最后需要指出的是，在實(shí)際應(yīng)用中圖象分割不僅是要把一幅圖象分成滿足以上五個(gè)條件的各具特性的區(qū)域，而且需要把其中感興趣的目標(biāo)區(qū)域提取出來(lái)，只有這樣才算是真正完成了圖象分割的任務(wù)。2.2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(shí)世界的物體或區(qū)域有強(qiáng)相關(guān)性的組成部分的過(guò)程。圖像分割是圖像處理和分析中的重要問(wèn)題，也是計(jì)算機(jī)視覺(jué)研究中的一個(gè)經(jīng)典難題。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(rèn)為是計(jì)算機(jī)視覺(jué)的一個(gè)瓶頸。迄今為止，還沒(méi)有一種圖像分割方法適用于所有的圖像，也沒(méi)有一類(lèi)圖像所有的方法都適用于它。近幾年來(lái)，研究人員不斷改進(jìn)原有方法并將其它學(xué)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。本文對(duì)傳統(tǒng)的圖像分割方法進(jìn)行分析。典型的圖像分割方法有閾值法，邊緣檢測(cè)法，區(qū)域法分析各種圖像分割方法可以發(fā)現(xiàn)，它們分割圖像的基本依據(jù)和條件有以下4方面：(l)分割的圖像區(qū)域應(yīng)具有同質(zhì)性，如灰度級(jí)別相近、紋理相似等；(2)區(qū)域內(nèi)部平整，不存在很小的小空洞；(3)相鄰區(qū)域之間對(duì)選定的某種同質(zhì)判據(jù)而言，應(yīng)存在顯著差異性；(4)每個(gè)分割區(qū)域邊界應(yīng)具有齊整性和空間位置的準(zhǔn)確性?，F(xiàn)有的大多數(shù)圖像分割方法只是部分滿足上述判據(jù)。如果加強(qiáng)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(qiáng)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。不同的圖像分割方法總有在各種約束條件之間找到適當(dāng)?shù)钠胶恻c(diǎn)[3]02.3閾值法閾值法的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單，速度快，易于實(shí)現(xiàn)。尤其是對(duì)于不同類(lèi)的物體灰度值或其他特征值相差很大時(shí)，能很有效地對(duì)圖像進(jìn)行分割。閾值法的缺點(diǎn)是當(dāng)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(shí)，分割效果不理想。并且閾值法僅僅考慮圖像的灰度信息而沒(méi)有考慮圖像的空間信息，致使閾值法對(duì)噪聲和灰度不均勻十分地敏感。在實(shí)際應(yīng)用中，閾值法通常與其他方法結(jié)合使用[4]0閾值分割法是簡(jiǎn)單地用一個(gè)或幾個(gè)閾值將圖像的直方圖分成幾類(lèi)，圖像中灰度值在同一個(gè)灰度類(lèi)內(nèi)的象素屬干同一個(gè)類(lèi)。其過(guò)程是決定一個(gè)灰度值，用以區(qū)分不同的類(lèi)，這個(gè)灰度值就叫做“閾值”。它可以分為全局閾值分割和局部閾值分割。所謂全局閾值分割是利用利用整幅圖像的信息來(lái)得到分割用的閾值,并根據(jù)該閾值對(duì)整幅圖像進(jìn)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(duì)應(yīng)的不同區(qū)域的閾值,利用這

些閾值對(duì)各個(gè)區(qū)域進(jìn)行分割，即一個(gè)閾值對(duì)應(yīng)相應(yīng)的一個(gè)子區(qū)域，這種方法也稱適應(yīng)閾值分割。閾值法是一種簡(jiǎn)單但是非常有效的方法，特別是不同物體或結(jié)構(gòu)之間有很大的強(qiáng)度對(duì)比時(shí)，能夠得到很好的效果它一般可以作為一系列圖像處理過(guò)程的第一步。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。如何根據(jù)圖像選擇合適的閾值是基于閾值分割方法的重點(diǎn)所在，也是難點(diǎn)所在。它的主要局限是,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)。另外，它只考慮象素本身的值,一般都不考慮圖像的空間特性，這樣就對(duì)噪聲很敏感它也沒(méi)有考慮圖像的紋理信息等有用信息，使分割效果有時(shí)不能盡如人意[5]0閾值法的幾種閾值選擇方法：全局閾值法(1)雙峰法對(duì)于目標(biāo)與背景的灰度級(jí)有明顯差別的圖像，其灰度直方圖的分布呈雙峰狀，兩個(gè)波峰分別與圖像中的目標(biāo)和背景相對(duì)應(yīng)，波谷與圖像邊緣相對(duì)應(yīng)。當(dāng)分割閾值位于谷底時(shí)，圖像分割可取得最好的效果。該方法簡(jiǎn)單易行，但是對(duì)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]0T假設(shè)，一副圖像只有物體和背景兩部分組成，其灰度圖直方圖呈現(xiàn)明顯的雙峰值，如下圖：T2SB圖1雙峰法灰度直方圖找出閾值T,則可以對(duì)整個(gè)圖像進(jìn)行二值化賦值。程序的實(shí)現(xiàn)：通過(guò)數(shù)組記錄直方圖中的各像素點(diǎn)值的個(gè)數(shù)，再對(duì)逐個(gè)像素值進(jìn)行掃描。記錄每個(gè)像素能作為谷底的范圍值，接著找出能作為谷底范圍最大的點(diǎn)作為閾值[7]o實(shí)現(xiàn)流程圖：圖2雙峰法實(shí)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(duì)灰度直方圖進(jìn)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。這種方法的一個(gè)共同特征是根據(jù)像素點(diǎn)的局部特性，對(duì)其進(jìn)行灰度級(jí)的增強(qiáng)或減弱的變換。這種方法假設(shè)圖像由目標(biāo)和背景組成，并且目標(biāo)和背景灰度直方圖都是單峰分布[5]0(3)迭代法(最優(yōu)方法)它基于逼近的思想，基本算法如下：＜1＞求出圖像的最大灰度值和最小灰度值，分別記為Max和Min,令初始閾值為：，根據(jù)閾值將圖像分割為前景和背景，分別求出兩者的平均灰度值和；＜2＞求出閾值；＜3＞如果；則所得即為閾值；否則轉(zhuǎn)＜2＞迭代計(jì)算。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(xì)微處還是沒(méi)有很好的區(qū)分度，令人驚訝的是對(duì)某些特定圖象，微小數(shù)據(jù)的變化會(huì)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(jìn)一步研究[8]0局部閾值法原始圖像被分為幾個(gè)小的子圖像，再對(duì)每個(gè)子圖像分別求出最優(yōu)分割閾值。(1)自適應(yīng)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(duì)比度在圖像中也有變化。這時(shí)，一個(gè)在圖像中某一區(qū)域效果良好的閾值在其它區(qū)域卻可能效果很差。另外，當(dāng)遇到圖像中有陰影、突發(fā)噪聲、照度不均、對(duì)比度不均或背景灰度變化等情況時(shí)，只用一個(gè)固定的閾值對(duì)整幅圖像進(jìn)行閾值化處理，則會(huì)由于不能兼顧圖像各處的情況而使分割效果受到影響。在這些情況下，閾值的選取不是一個(gè)固定的值，而是取成一個(gè)隨圖像中位置緩慢變化的函數(shù)值是比較合適的。這就是自適應(yīng)閾值。自適應(yīng)閾值就是對(duì)原始圖像分塊，對(duì)每一塊區(qū)域根據(jù)一般的方法選取局部閾值進(jìn)行分割。由于各個(gè)子圖的閾值化是獨(dú)立進(jìn)行的，所以在相鄰子圖像邊界處的閾值會(huì)有突變，因此應(yīng)該以采用適當(dāng)?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。總的來(lái)說(shuō)，這類(lèi)算法的時(shí)間和空間復(fù)雜度都較大，但是抗噪能力強(qiáng)，對(duì)一些使用全局閾值法不宜分割的圖像具有較好的分割效果。(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(diǎn)得到幾個(gè)目標(biāo)對(duì)象，所以提取每一個(gè)目標(biāo)需要采用不同的閾值，也就是說(shuō)要使用多個(gè)閾值才能將它們分開(kāi)，這就是多閾值分割。在實(shí)際的應(yīng)用中，由于噪聲等干擾因素，直方圖有時(shí)不能出現(xiàn)明顯的峰值，此時(shí)選擇的閾值不能得到滿意的結(jié)果；另外一個(gè)就是閾值確定主要依賴于灰度直方圖，很少考慮圖像中象素的空間位置關(guān)系，因此當(dāng)

背景復(fù)雜，特別是在同一背景上重疊出現(xiàn)若干個(gè)研究目標(biāo)時(shí)，容易喪失部分邊界信息，造成圖像分割的不完整[9]02.4基于邊緣檢測(cè)的分割方法邊緣(或邊沿)是指其周?chē)袼鼗叶扔须A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)?？梢杂们髮?dǎo)數(shù)方便的檢測(cè)到，一般常用一階導(dǎo)數(shù)和二階導(dǎo)數(shù)來(lái)檢測(cè)邊緣。邊緣廣泛存在于物體與背景之間、物體與物體之間、基元與基元之間。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(duì)圖像提取邊緣能極大地降低我們要處理的數(shù)據(jù)量。常見(jiàn)的邊緣剖面有3種：(1)階梯狀邊緣：階梯狀的邊緣處于圖像中兩個(gè)具有不同灰度值的相鄰區(qū)域之間，可用二階導(dǎo)數(shù)的過(guò)零點(diǎn)檢測(cè)邊緣位置；(2)脈沖狀邊緣：主要對(duì)應(yīng)細(xì)條狀的灰度值突變區(qū)域，通過(guò)檢測(cè)二階導(dǎo)數(shù)過(guò)零點(diǎn)可以確定脈沖的范圍；(3)屋頂狀邊緣：屋頂狀邊緣位于灰度值從增加到減少的變化轉(zhuǎn)折點(diǎn)，通過(guò)檢測(cè)一階導(dǎo)數(shù)過(guò)零點(diǎn)可以確定屋頂位置。階梯狀脈沖狀屋頂狀階梯狀脈沖狀屋頂狀圖3常見(jiàn)邊緣剖面雖然圖像邊緣點(diǎn)產(chǎn)生的原因不同，但他們都是圖像上灰度不連續(xù)點(diǎn),或是灰度變化劇烈的地方。經(jīng)典的邊緣提取方法是考察圖像的每個(gè)像素在某個(gè)鄰域內(nèi)灰度的變化，利用邊緣鄰近一階或二階方向?qū)?shù)變化規(guī)律，用簡(jiǎn)單的方法檢測(cè)邊緣。這種方法稱為邊緣檢測(cè)局部算子法。邊緣檢測(cè)算子檢查每個(gè)像素的鄰域并對(duì)灰度變化率進(jìn)行量化，也包括方向的確定。常用的邊緣檢測(cè)方法的基礎(chǔ)是微分運(yùn)算，邊緣點(diǎn)對(duì)應(yīng)于一階微分幅度大的點(diǎn)，或?qū)?yīng)于二階微分的過(guò)零點(diǎn)。傳統(tǒng)的邊緣檢測(cè)算法通過(guò)梯度算子來(lái)實(shí)現(xiàn)，在求邊緣的梯度時(shí)，需要對(duì)每個(gè)象素位置計(jì)算。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］。邊緣檢測(cè)的幾種經(jīng)典算法：Canny算子Canny邊緣檢測(cè)利用高斯函數(shù)的一階微分，在噪聲抑制和邊緣檢測(cè)之間尋求較好的平衡，其表達(dá)式近似于高斯函數(shù)的一階導(dǎo)數(shù)。Canny邊緣檢測(cè)算子對(duì)受加性噪聲影響的邊緣檢測(cè)是最優(yōu)的。Prewitt和Sobel算子Prewitt從加大邊緣檢測(cè)算子的模板大小出發(fā)，由2X2擴(kuò)大到3X3來(lái)計(jì)算差分算子，采用Prewitt算子不僅能檢測(cè)邊緣點(diǎn)，而且能抑制噪聲的影響。Sobel在Prewitt算子的基礎(chǔ)上，對(duì)4-鄰域采用帶權(quán)的方法計(jì)算差分，該算子不僅能檢測(cè)邊緣點(diǎn)，且能進(jìn)一步抑制噪聲的影響，但檢測(cè)的邊緣較寬。Log算子Log算子也就是Laplacian-Gauss算子，它把Gauss平滑濾波器和Laplacian銳化濾波器結(jié)合了起來(lái)，先平滑掉噪聲，再進(jìn)行邊緣檢測(cè)。邊緣檢測(cè)算法有如下四個(gè)步驟：1)濾波：邊緣檢測(cè)算法主要是基于圖像強(qiáng)度的一階和二階導(dǎo)數(shù)，但導(dǎo)數(shù)的計(jì)算對(duì)噪聲很敏感，因此必須使用濾波器來(lái)改善與噪聲有關(guān)的邊緣檢測(cè)器的性能。需要指出，大多數(shù)濾波器在降低噪聲的同時(shí)也導(dǎo)致了邊緣強(qiáng)度的損失，因此，增強(qiáng)邊緣和降低噪聲之間需要折衷。2）增強(qiáng)：增強(qiáng)邊緣的基礎(chǔ)是確定圖像各點(diǎn)鄰域強(qiáng)度的變化值。增強(qiáng)算法可以將鄰域（或局部）強(qiáng)度值有顯著變化的點(diǎn)突顯出來(lái)。邊緣增強(qiáng)一般是通過(guò)計(jì)算梯度幅值來(lái)完成的。3）檢測(cè)：在圖像中有許多點(diǎn)的梯度幅值比較大，而這些點(diǎn)在特定的應(yīng)用領(lǐng)域中并不都是邊緣，所以應(yīng)該用某種方法來(lái)確定哪些點(diǎn)是邊緣點(diǎn)。最簡(jiǎn)單的邊緣檢測(cè)判據(jù)是梯度幅值閾值判據(jù)。4）定位：如果某一應(yīng)用場(chǎng)合要求確定邊緣位置，則邊緣的位置可在子像素分辨率上來(lái)估計(jì)，邊緣的方位也可以被估計(jì)出來(lái)。各個(gè)邊緣檢測(cè)算子比較：Sobel算子和Prewitt算子：都是對(duì)圖像先作加權(quán)平滑處理,然后再作微分運(yùn)算，所不同的是平滑部分的權(quán)值有些差異，因此對(duì)噪聲具有一定的抑制能力，但不能完全排除檢測(cè)結(jié)果中出現(xiàn)的虛假邊緣。雖然這兩個(gè)算子邊緣定位效果不錯(cuò)，但檢測(cè)出的邊緣容易出現(xiàn)多像素寬度。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(diǎn)，但是在抑制噪聲的同時(shí)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(wú)法被檢測(cè)到。Canny算子：該算子同樣采用高斯函數(shù)對(duì)圖像做平滑處理,因此具有較強(qiáng)的抑制噪聲能力，同樣該算子也會(huì)將一些高頻邊緣平滑掉，造成邊緣丟失。綜上所述，前面所介紹的各個(gè)算子各有各的特點(diǎn)和應(yīng)用領(lǐng)域，每個(gè)算子只能反映出邊緣算法性能的一個(gè)方面，在許多情況下需要綜合考慮該類(lèi)方法對(duì)邊緣灰度值過(guò)渡比較尖銳且噪聲較小等不太復(fù)雜的圖像大都可以取得較好的效果。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。在噪聲較大的情況下常用的邊緣檢測(cè)算法，如Marr算子，遞歸濾波器和Canny算子等都是先對(duì)圖像進(jìn)行適當(dāng)?shù)钠交?，抑制噪聲，然后求?dǎo)數(shù)，或者先對(duì)圖像進(jìn)行局部擬合，然后再用擬合的光滑函數(shù)的導(dǎo)數(shù)來(lái)代替直接的數(shù)值導(dǎo)數(shù)。Canny算子較為簡(jiǎn)單，而且考慮了梯度方向，效果比較好[13]。要做好邊緣檢測(cè)，首先要清楚待檢測(cè)的圖像特性變化的形式從而使用適應(yīng)這種變化的檢測(cè)方法。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(cè)算子就能最佳檢測(cè)出發(fā)生在圖像上的所有特性變化。當(dāng)需要提取多空間范圍內(nèi)的變化特性時(shí)，要考慮多算子的綜合應(yīng)用。第三，要考慮噪聲的影響其中一個(gè)辦法就是濾除噪聲，這有一定的局限性再就是考慮信號(hào)加噪聲的條件檢測(cè)利用統(tǒng)計(jì)信號(hào)分析或通過(guò)對(duì)圖像區(qū)域的建模而進(jìn)一步使檢測(cè)參數(shù)化。第四，可以考慮各種方法的組合，如先找出邊緣然后在其局部利用函數(shù)近似通過(guò)內(nèi)插等獲得高精度定位。第五，在正確檢測(cè)邊緣的基礎(chǔ)上要考慮精確定位的問(wèn)題[14]02.5基于區(qū)域的分割方法基于區(qū)域的圖像分割是根據(jù)圖像灰度、紋理、顏色和圖像像素統(tǒng)計(jì)的均勻性等圖像的空間局部特征，把圖像中的像素劃歸到各個(gè)物體或區(qū)域中，進(jìn)而將圖像分割成若干個(gè)不同區(qū)域的一種分割方法?；趨^(qū)域的分割方法主要有區(qū)域生長(zhǎng)法、分裂合并法。區(qū)域生長(zhǎng)法、分裂合并法：區(qū)域生長(zhǎng)法的基本思想是根據(jù)一定的相似性準(zhǔn)則，將圖像中滿足相似性準(zhǔn)則的像素或子區(qū)域合成更大的區(qū)域；分裂合并法是從整個(gè)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。這兩種方法通常相結(jié)合，以便把相似的子區(qū)域合并成盡可能大的區(qū)域。區(qū)域生長(zhǎng)的固有缺點(diǎn)是分割效果依賴于種子的選擇及生長(zhǎng)順序,區(qū)域分裂技術(shù)的缺點(diǎn)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]0區(qū)域生長(zhǎng)算法的研究重點(diǎn)：(l)特征度量和區(qū)域增長(zhǎng)規(guī)則的設(shè)計(jì)；(2)算法的高效性和準(zhǔn)確性。區(qū)域生長(zhǎng)方式的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單。與閉值分割類(lèi)似，區(qū)域增長(zhǎng)也很少單獨(dú)使用，往往是與其它分割方法一起使用。區(qū)域生長(zhǎng)的缺點(diǎn)是：(l)它需要人工交互以獲得種子點(diǎn)，這樣使用者必須在每個(gè)需要抽取出的區(qū)域中植入一個(gè)種子點(diǎn)；(2)區(qū)域增長(zhǎng)方式也對(duì)噪聲敏感，導(dǎo)致抽取出的區(qū)域有空洞或者在局部體效應(yīng)的情況下將分開(kāi)的區(qū)域連接起來(lái)。在區(qū)域合并方法中，輸入圖像往往分為多個(gè)相似的區(qū)域，然后類(lèi)似的相鄰區(qū)域根據(jù)某種判斷準(zhǔn)則迭代進(jìn)行合并。在區(qū)域分裂技術(shù)中，整個(gè)圖像先被看成一個(gè)區(qū)域，然后區(qū)域不斷被分裂為四個(gè)矩形區(qū)域，直到每個(gè)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(kāi)始分裂，然后將相鄰的區(qū)域進(jìn)行合并。分裂合并方法不需要預(yù)先指定種子點(diǎn)，它的研究重點(diǎn)是分裂和合并規(guī)則的設(shè)計(jì)。但是，分裂合并技術(shù)可能會(huì)使分割區(qū)域的邊界破壞[2]o和閾值法一樣，區(qū)域生長(zhǎng)法一般不單獨(dú)使用，而是放在一系列處理過(guò)程中。它主要的缺陷是，每一個(gè)需要提取的區(qū)域都必須人工給出一個(gè)種子點(diǎn)，這樣有多個(gè)區(qū)域就必須給出相應(yīng)的種子個(gè)數(shù)。此法對(duì)噪聲也很敏感，會(huì)造成孔狀甚至是根本不連續(xù)的區(qū)域，相反的，局部且大量的影響還會(huì)使本來(lái)分開(kāi)的區(qū)域連接起來(lái)[4]03.圖像分割方法詳述圖像分割方法本次畢業(yè)設(shè)計(jì)采用的是彩色圖像作為分割圖像，采用的分割方法總的來(lái)說(shuō)是閾值法與邊緣檢測(cè)法的結(jié)合使用，在整個(gè)圖象分割的過(guò)程中，最主要的方法是邊緣檢測(cè)法，而閾值法起到是對(duì)圖象進(jìn)行預(yù)處理和后處理的作用?？紤]到既要具有良好的切割效果，又要保留圖像的重要邊緣特征，具體的實(shí)現(xiàn)步驟如下：(1)輸入待分割圖像f(x,y),f(x,y)為彩色圖像；(2)將待分割圖像f(x,y)轉(zhuǎn)化為灰度圖像g(x,y);(3)利用MATLAB顯示灰度圖像g(x,y)的灰度直方圖,用迭代法進(jìn)行閾值選取，以達(dá)到區(qū)分背景和目標(biāo)的目的；(4)采用邊緣檢測(cè)算子檢測(cè)圖像的邊界特征，確定圖象的邊界位置，得到圖像G(x,y);(5)根據(jù)圖象分割的實(shí)際效果，將經(jīng)過(guò)邊緣檢測(cè)后的圖像G(x,y)進(jìn)行局部閾值分割，以達(dá)到消除圖像中某些存在陰影、照度不均勻，各處的對(duì)比度不同，背景灰度變化等問(wèn)題。圖像分割方法實(shí)現(xiàn)1、對(duì)彩色圖像進(jìn)行灰度處理2、用全局閾值法對(duì)圖像進(jìn)行預(yù)處理：閾值法是一種簡(jiǎn)單有效的圖像分割方法，它用一個(gè)或幾個(gè)閾值將圖像的灰度級(jí)分為幾個(gè)部分，認(rèn)為屬于同一個(gè)部分的像素是同一個(gè)物體。運(yùn)用這種思想，我打算首先將全局閾值法用來(lái)區(qū)分圖片中的背景和目標(biāo)。閾值分割法的結(jié)果很大程度上依賴于對(duì)閾值的選擇，因此該方法的關(guān)鍵是如何選擇合適的閾值。合適的閾值必須具備的條件是在使用選取的閾值對(duì)圖片進(jìn)行分割后，必須使圖像中的背景和目標(biāo)的分割錯(cuò)誤達(dá)到最小。這種方法是先確定一個(gè)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(gè)像素的灰度值都與這個(gè)閾值相比較，并根據(jù)比較結(jié)果將對(duì)應(yīng)的像素劃分為兩類(lèi)：像素的灰度值大于閾值的為一類(lèi)，像素的灰度值小于閾值的為另一類(lèi).這兩類(lèi)像素一般分屬于圖像中的兩類(lèi)區(qū)域，所以對(duì)像素根據(jù)閾值分類(lèi)達(dá)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；在圖像內(nèi)容不太復(fù)雜、灰度分布較集中的情況下，往往采用最簡(jiǎn)單的全局閾值，并不考慮圖像中點(diǎn)的位置和其鄰域性質(zhì).我采用的是迭代法來(lái)求取閾值，迭代法是基于逼近思想：(1)求出圖像的最大灰度值和最小灰度值，分別記為Max和Min,令初始閾值為：，根據(jù)閾值將圖像分割為前景和背景，分別求出兩者的平均灰度值和；(2)求出閾值；(3)如果；則所得即為閾值；否則轉(zhuǎn)(2)迭代計(jì)算。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。3、用邊緣檢測(cè)法對(duì)圖像進(jìn)行分割：邊緣是圖像的最基本的特征，邊緣中包含著有價(jià)值的目標(biāo)邊界信息，這些信息可以用作圖像分析、目標(biāo)識(shí)別。邊緣檢測(cè)分割法是通過(guò)檢測(cè)出不同區(qū)域邊界來(lái)進(jìn)行分割的.邊緣總是以強(qiáng)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(gè)區(qū)域的終結(jié)和另一個(gè)區(qū)域的開(kāi)始.圖像的邊緣包含了物體形狀的重要信息，兩個(gè)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(dǎo)數(shù)方便的檢測(cè)到.在對(duì)圖像進(jìn)行分割時(shí)，采用了多種算子對(duì)圖像進(jìn)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(shè)計(jì)的邊緣檢測(cè)算子。4、用局部閾值法對(duì)圖像進(jìn)行后處理：經(jīng)過(guò)全局閾值分割和邊緣檢測(cè)分割后，有的地方存在灰度不連續(xù)，邊緣不清晰的情況，如果只用一個(gè)固定的全局閾值對(duì)整幅圖像進(jìn)行后，則由于不能兼顧圖像各處的情況而使分割效果受到影響。這時(shí)采用局部閾值法，即用與像素位置相關(guān)的一組閾值對(duì)圖像各部分分別進(jìn)行分割。最簡(jiǎn)單的方法是將圖像劃分為若干小圖像，先對(duì)各子圖像閾值法進(jìn)行分割，再將分割后的小區(qū)域合并在一起，得到整幅圖像的完整分割結(jié)果。其實(shí)局部閾值法是全局閾值法的一個(gè)拓展。4.實(shí)驗(yàn)結(jié)果及分析實(shí)驗(yàn)結(jié)果圖4灰度直方圖

圖5灰度圖像圖6全局閾值化后的圖片F(xiàn)leure2uFleure2uif.圖7prewitt算子分割后的圖片卜工rifiiir?2圖8Canny算子分割后的圖片圖9log算子分割后的圖片將Canny算子分割后的圖片作為邊緣檢測(cè)后的圖片，冉將這個(gè)圖片分割為四個(gè)小圖片，每一個(gè)圖片的直方圖如下：-X1D2-X1D2°fl40100⑶JODSfi30D圖10第一塊的直方圖圖10第一塊的直方圖圖11第二塊的直方圖圖12第三塊的直方圖圖13第四塊的直方圖圖13局部閾值化后的圖像實(shí)驗(yàn)結(jié)果分析由灰度圖片的直方圖可以看出，這個(gè)直方圖有多個(gè)峰值，不滿足雙峰法的兩個(gè)波峰一個(gè)波谷的條件，所以不適合采用雙峰法，我采用的是迭代法，迭代法得到的閾值分割效果良好，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，迭代法作用于整幅圖像每個(gè)像素，因此,對(duì)于直方圖波峰明顯或目標(biāo)和背景的灰度差異懸殊的圖像，得到的效果很好。由灰度圖和灰度直方圖可以看出，該圖像的目標(biāo)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。由效果圖可以看出，用迭代法得到的閾值分割圖失真度很低，基本上保持了原圖的輪廓。在采用邊緣算子時(shí)，本次畢業(yè)設(shè)計(jì)測(cè)試了3種算子，分別是Prewitt算子，Log算子和Canny算子。對(duì)于三種算子的實(shí)驗(yàn)現(xiàn)象，從視覺(jué)上來(lái)看，以Canny算子最好，邊緣信息豐富，幾乎保留了邊緣所有的邊緣點(diǎn)，而且邊緣清晰，連續(xù)性好。Log算子，其分割圖像中所含非邊緣點(diǎn)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(diǎn)。Prewitt算子的分割的圖像中雖然幾乎沒(méi)有非邊緣點(diǎn)，但是邊緣的連續(xù)性較差，從視覺(jué)上來(lái)看圖像顯得很雜亂。我們對(duì)圖像分割的結(jié)果通常以人的主觀判決作為評(píng)價(jià)準(zhǔn)則。盡管對(duì)大多數(shù)圖像處理問(wèn)題而言，最后的信宿是人的視覺(jué)，但對(duì)不同分割方法的處理結(jié)果作一定量的比較、評(píng)價(jià)也是必需的。這是一個(gè)有意義但比較困難的問(wèn)題。從目前的文獻(xiàn)來(lái)看，已有學(xué)者在這方面做了一些工作。一般認(rèn)為對(duì)分割方法的評(píng)價(jià)可以通過(guò)分析和實(shí)驗(yàn)兩種方式來(lái)進(jìn)行。因此，分割評(píng)價(jià)方法可以分為分析法和實(shí)驗(yàn)法兩大類(lèi)。分析法是直接分析分割算法本身的原理及性能，而實(shí)驗(yàn)法是通過(guò)對(duì)測(cè)試圖像的分割結(jié)果來(lái)評(píng)價(jià)算法的。通過(guò)對(duì)實(shí)際分割結(jié)果的分析來(lái)評(píng)估分割算法是具有實(shí)際意義的。定量試驗(yàn)準(zhǔn)則：區(qū)域間的對(duì)比度圖像分割要把一幅原始圖像分為若干個(gè)區(qū)域。直觀的考慮，這些區(qū)域的特性之間應(yīng)該有比較大的差距，或者說(shuō)有明顯的對(duì)比，根據(jù)區(qū)域問(wèn)的特性對(duì)比度的大小可以判別分割圖的質(zhì)量，也可由此反推出所用分割算法的優(yōu)劣來(lái)，對(duì)于圖像中相鄰接的兩個(gè)區(qū)域來(lái)說(shuō)，如果他們各自的平均灰度為fl和f2,則它們之間的區(qū)域?qū)Ρ榷瓤梢园聪率絹?lái)計(jì)算：(1)事實(shí)上式(1)中的f也可代表除灰度外的其他特征量，這樣就得到其他區(qū)域間的對(duì)比度，當(dāng)一幅圖像有多個(gè)區(qū)域時(shí)，可利用式(1)分別計(jì)算兩兩間的區(qū)域間的對(duì)比度再求和［16］。將圖像分為左右兩個(gè)大的區(qū)域，下表是各個(gè)算子分割圖像后的區(qū)域間的對(duì)比度：圖像平均灰度1平均灰度2區(qū)域間對(duì)比度Canny算子25.9625.040.018Prewitt算子33.2132.610.009Log算子25.0424.880.003表1區(qū)域間的對(duì)比度所以，區(qū)域間的對(duì)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。接下來(lái)的局部閾值法，采用的就是Canny算子分割的圖像。在將邊緣分割后的圖像進(jìn)行分割后，分成四塊小圖像，在實(shí)驗(yàn)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(duì)不同的圖像進(jìn)行閾值化的時(shí)候，采用的是全局閾值法里面的迭代法，總的來(lái)說(shuō)，就是將Canny算子分割后的圖片繼續(xù)分割成四小塊，對(duì)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(lái)。局部閾值化后，由現(xiàn)象可以看出，并沒(méi)有對(duì)原圖進(jìn)行多大的改善，只是在一些很細(xì)微的地方有了一些邊緣的細(xì)化以及平滑，這說(shuō)明在經(jīng)過(guò)Canny算子分割后，由灰度直方圖可以看出，這個(gè)灰度圖雙峰的谷底是在接近0的位置，而且是絕大部分像素都是接近于0的位置，所以圖像的改善并不大，并且圖像并沒(méi)有太多的灰度不連續(xù)以及陰影的情況存在，但是這并不能否定局部閾值化的效果的存在性。5.小結(jié)主要工作總結(jié)通過(guò)對(duì)大量文獻(xiàn)的閱讀，在對(duì)圖像分割領(lǐng)域研究現(xiàn)狀和研究?jī)?nèi)容有了一定了解的基礎(chǔ)上，本文圍繞圖像分割技術(shù)的理論基礎(chǔ)及其實(shí)際應(yīng)用情況，主要進(jìn)行了以下幾個(gè)方面的研究工作：1>對(duì)圖像分割的概念進(jìn)行詳細(xì)的陳述。2>對(duì)圖像分割的常用方法進(jìn)行分析和總結(jié)；根據(jù)圖像分割所基于的原理不同，把圖像分割方法主要分為基于閾值分割、基于邊緣檢測(cè)分割和基于區(qū)域分割三大類(lèi)，并對(duì)他們做了簡(jiǎn)單的介紹和比較。3>提出本次圖像分割的方案，并且對(duì)方案進(jìn)行詳細(xì)的論述以及分析。4>運(yùn)用MATLAB軟件進(jìn)行實(shí)驗(yàn)，展示實(shí)驗(yàn)現(xiàn)象，得到了較好的效果，根據(jù)實(shí)驗(yàn)現(xiàn)象對(duì)圖像分割進(jìn)行分析，運(yùn)用相關(guān)的圖像分割評(píng)價(jià)標(biāo)準(zhǔn)來(lái)對(duì)分割出來(lái)的圖像進(jìn)行分析，根據(jù)數(shù)據(jù)說(shuō)明圖像分割結(jié)果的優(yōu)劣，總結(jié)本次圖像分割方案的優(yōu)缺點(diǎn)。結(jié)論通過(guò)研究分析，可以得到以下結(jié)論：(1)閾值分割法的重點(diǎn)是對(duì)閾值的選擇,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(lái)的效果,也影響下一步邊緣分割的效果。(2)從實(shí)驗(yàn)現(xiàn)象中可以看出，圖像中的目標(biāo)和背景灰度差異不明顯或灰度值范圍有重疊的地方分割效果不明顯，這一塊的背景和目標(biāo)就沒(méi)有得到很好的區(qū)分，而其他灰度差異比較大的地方分割效果較好。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。(3)同樣都是邊緣檢測(cè)法，不同的邊緣檢測(cè)算子對(duì)同一幅圖像分割出來(lái)的效果是不同的，因?yàn)槊恳环N邊緣算子的卷積形式是不同的，對(duì)于圖像的明暗程度，分辨率，灰度變化的敏感程度也是不同的。沒(méi)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(méi)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(shuō)對(duì)于特定的圖片，這種算子達(dá)到的效果最好。(4)局部閾值分割法是將原始圖像劃分成較小的圖像，并對(duì)每個(gè)子圖像選取相應(yīng)的閾值。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(wú)意義。②每幅圖像的分割是任意的，假如有一幅子圖像正好落在目標(biāo)區(qū)域或背景區(qū)域，而根據(jù)統(tǒng)計(jì)結(jié)果對(duì)其進(jìn)行分割，也許會(huì)產(chǎn)生更差的結(jié)果。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。(5)通常對(duì)于一幅圖像的分割，僅僅只用一種圖像分割方法是不夠的，僅僅擁有依照分割算法本身進(jìn)行了完善歸納和分類(lèi)的圖象分割理論也是遠(yuǎn)遠(yuǎn)不夠的，每一種方法都有它不足的地方，因此僅僅只用一種方法往往達(dá)不到很好的效果，可以運(yùn)用其他的方法結(jié)合使用，互相彌補(bǔ)不足。因?yàn)闆](méi)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。盡管人們?cè)趫D像分割方面作出了很多的研究，但是，迄今為止，沒(méi)有哪種方法是適合于所有圖像的，本文中提出的方法都有它的使用前提條件，因此，對(duì)于特定的圖像分割，最主要的是分析這幅圖像的特性，針對(duì)這幅圖像的特點(diǎn)，制定適合它的方案，以達(dá)到最好的分割效果。參考文獻(xiàn)[1]高秀娟.圖像分割的理論、方法及應(yīng)用[D].吉林大學(xué)碩士學(xué)位論文[3]管慧娟.基于區(qū)域的圖像分割方法[D].大連理工大學(xué)碩士學(xué)位論文[4]楊衛(wèi)平,李忠科,王勇,呂培軍.基于區(qū)域的圖像分割算法綜述[J].電[5]趙春燕，閏長(zhǎng)青，時(shí)秀芳.圖像分割綜述[J].基礎(chǔ)及前沿研究.中國(guó)科技信息，2009:41-43[6]韓思奇，王蕾.圖像分割的閾值法綜述[J].系統(tǒng)工程與電子技術(shù)第24卷第6期：91-94[7]周強(qiáng).圖像分割算法研究.福建電腦[J],2009:27-35[8]劉爽.圖象分割中閾值選取方法的研究及其算法實(shí)現(xiàn)[J].電腦知識(shí)與技術(shù)：68-70[9]黃春艷.河南大學(xué)碩士學(xué)位論文[D].圖像分割若干算法研究[10]楊金龍.西北師范大學(xué)碩士學(xué)位論文[D].圖像分割算法研究與實(shí)現(xiàn)[11]呂玉琴，曾光宇.基于圖像邊緣檢測(cè)算法的研究.太原科技[J].2009:31-33[12]特尼格爾，汪湮.圖像邊緣檢測(cè)的研究與分析[J].科技論壇，2008:[13]周鮮成.圖像分割方法及其應(yīng)用研究綜述[J].信息技術(shù)，2007:11-14[15]黃長(zhǎng)專(zhuān)，王彪，楊忠.圖像分割方法研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2009:76-79[16]章毓晉.圖象分割[M].科學(xué)出版社，2001.[17]姜彬，施志剛.圖像分割技術(shù)分析與展望[J].電腦知識(shí)與技術(shù)，[18]樂(lè)宋進(jìn)，武和雷，胡泳芬.圖像分割方法的研究現(xiàn)狀與展望

[J].南昌水專(zhuān)學(xué)報(bào)，2004:15-207.附錄源碼：第一步（迭代法）clearclc;tic%+時(shí)器Init=imread('gh.jpg');Im=rgb2gray(Init);figure,imhist(Im),title('直方圖')figure,imshow(Im),title('灰度圖像')[x,y]=size(Im);%求出圖象大小b=double(Im);zd=double(max(max(Im)))zx=double(min(min(Im)))zd=double(max(max(Im)))zx=double(min(min(Im)))%求出圖象中最大的灰度%最小的灰度%%T賦初值，為最大值和最小值的平均值%記錄幾次循環(huán)%迭代最佳閾值分割算法T=double((zd+zx))2;count=double(0);while1count=count+1;S0=0.0;n0=0.0;%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=0.0;n1=0.0;%為計(jì)算灰度小于閾值的元素的灰度總值、個(gè)數(shù)賦值fori=1:xforj=1:yifdouble(Im(i,j))>=TS1=S1+double(Im(i,j));%大于閾域值圖像點(diǎn)灰度值累加n1=n1+1;%大于閾域值圖像點(diǎn)個(gè)數(shù)累加elseS0=S0+double(Im(i,j));%小于閾域值圖像點(diǎn)灰度值累加n0=n0+1;%小于閥域值圖像點(diǎn)個(gè)數(shù)累加endendendT0=S0n0;%求小于閥域值均值T1=S1n1;%求大于閥域值均值ifabs(T-((T0+T1)2))<0.1%迭代至前后兩次閥域值相差幾乎為0時(shí)停止break;elseT=(T0+T1)2;%￡閾值T下，迭代閾值的計(jì)算過(guò)程endendcount%1示運(yùn)行次數(shù)%顯示最佳閾值算出Ttoci1=im2bw(Im,T255);%圖像在最佳閾值下二值化figure,imshow(i1)imwrite(i1,'D:\pp.jpg')第二步(邊緣檢測(cè)(以canny算子為例))：im=imread('pp.jpg');figureimshow(im);BW=im2bw(im);I=double(BW);BW1=edge(I,'canny',0.2);figure(1);imshow(I);figure(2);imshow(BW1);imwrite(BW1,'D:\pp2.jpg')第三步(局部閾值)：clear;img=imread('pp2.jpg');subimg1=img(1:216,1:135);%將原圖像平均分為四個(gè)子圖像subimg3=img(217:431,1:135);I=subimg1;fxy=imhist(I,256);%統(tǒng)計(jì)每個(gè)灰度值的個(gè)數(shù)figure;plot(fxy);%畫(huà)出灰度直方圖[x,y]=size(I);b=double(I);zd=double(max(max(I)))%求出圖象中最大的灰度zd=double(max(max(I)))%求出圖象中最大的灰度zx=double(min(min(I)))%最小的灰度zx=double(min(min(I)))%最小的灰度%T%T賦初值，為最大值和最小值的平均值%記錄幾次循環(huán)%迭代最佳閾值分割算法加加加加T=double((zd+zx))2;count=double(0);while1count=count+1;S0=0.0;n0=0.0;%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=0.0;n1=0.0;%為計(jì)算灰度小于閾值的元素的灰度總值、個(gè)數(shù)賦值fori=1:xforj=1:yifdouble(I(i,j))>=TS1=S1+double(I(i,j));%大于閾域值圖像點(diǎn)灰度值累n1=n1+1;%大于閾域值圖像點(diǎn)個(gè)數(shù)累elseS0=S0+double(I(i,j));%小于閾域值圖像點(diǎn)灰度值累n0=n0+1;%小于閥域值圖像點(diǎn)個(gè)數(shù)累endend

endT0=S0n0;%求小于閥域值均值T1=S1n1;%求大于閥域值均值ifabs(T-((T0+T1)2))<0.1%迭代至前后兩次閥域值相差幾乎為0時(shí)停break;elseT=(T0+T1)2;%在閾值T下，迭代閾值的計(jì)算過(guò)程endendcount%顯示運(yùn)行次數(shù)T%顯示最佳閾值算出Tbw1=im2bw(I,T255);%圖像在最佳閾值下二值化I=subimg2;fxy=imhist(I,256);%統(tǒng)計(jì)每個(gè)灰度值的個(gè)數(shù)figure;plot(fxy);%畫(huà)出灰度直方圖[x,y]=size(I);b=double(I);zd=double(max(max(I)))%求出圖象中最大的灰度zd=double(max(max(I)))%求出圖象中最大的灰度zx=double(min(min(I)))T=double((zd+zx))2;zx=double(min(min(I)))T=double((zd+zx))2;count=double(0);while1count=count+1;%最小的灰度%T賦初值，為最大值和最小值的平均值%記錄幾次循環(huán)%迭代最佳閾值分割算法S0=0.0;n0=0.0;%為計(jì)算灰度大于閾值的元素的灰度總值、個(gè)數(shù)S0=0.0;n0=0.0;%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=0.0;n1=0.0;%為計(jì)算灰度小于閾值的元素的灰度總值、個(gè)數(shù)賦值fori=1:xforj=1:yifdouble(I(i,j))>=TS1=S1+double(I(i,j));%大于閾域值圖像點(diǎn)灰度值累加n1=n1+1;%大于閾域值圖像點(diǎn)個(gè)數(shù)累加elseS0=S0+double(I(i,j));%小于閾域值圖像點(diǎn)灰度值累加n0=n0+1;%小于閥域值圖像點(diǎn)個(gè)數(shù)累加ende