畢業(yè)設(shè)計圖像分割的方法及應用

太原理工大學畢業(yè)設(shè)計（論文）設(shè)計說明書設(shè)計(論文)題目：圖像分割的方法及應用學生：專業(yè)：班級：指導教師：設(shè)計日期：2013年06月16日太原理工大學畢業(yè)設(shè)計（論文）任務(wù)書畢業(yè)設(shè)計（論文）題目：圖像分割的方法及應用畢業(yè)設(shè)計（論文）要求及原始數(shù)據(jù)（資料）：畢業(yè)設(shè)計要求圍繞《圖像分割的方法及應用》這個課題，對圖像分割的發(fā)展歷史以及目前的研究現(xiàn)狀作詳細的了解，認識圖像分割的學術(shù)價值以及研究意義；詳細理解圖像分割的方法，在論文中對圖像分割的方法進行綜述；研究時可使用數(shù)字圖像處理技術(shù)以及圖像分割相關(guān)理論進行分析，在學習圖像分割算法的基礎(chǔ)上編寫出一些算法的源程序，可使用Matlab軟件實現(xiàn)圖像分割，得出結(jié)論。根據(jù)研究內(nèi)容和技術(shù)步驟，實事求是，數(shù)據(jù)真實，獨立研究；圖表清晰，推理嚴密，結(jié)論合理。原始資料論文資料與部分書籍可從校圖書館和中國期刊網(wǎng)上下載獲得，也可從互聯(lián)網(wǎng)站找一些資料參考。第1頁畢業(yè)設(shè)計（論文）主要內(nèi)容：圖像分割是圖像處理中的一項關(guān)鍵技術(shù)，自20世紀70年代起一直受到人們的高度重視，至今已提出了上千種各種類型的分割算法，現(xiàn)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分割算法，而且近年來每年都有上百篇相關(guān)研究報道發(fā)表。然而，還沒有制定出選擇合適分割算法的標準，這給圖像分割技術(shù)的應用帶來許多實際問題。因此，對圖像分割的研究還在不斷深入之中，是目前圖像處理中研究的熱點之一。圖像分割在圖像工程中的位置它起著承上啟下的作用，可以認為是介于低層次處理和高層次處理的中間層間。最近幾年又出現(xiàn)了許多新思路、新方法、或改進算法。圖像分割技術(shù)的研究室非常具有學術(shù)價值和實用意義的，其深入研究不僅會不斷完善對自身問題的解決，而且必將推動模式識別、計算機視覺、人工智能等計算機科學分支的發(fā)展。本次課題主要以分水嶺算法、區(qū)域生長法和區(qū)域分裂合并法進行圖像分割的研究。研究時使用matlab軟件進行，最終獲得分水嶺算法、區(qū)域生長法和區(qū)域分裂合并法的源程序，并貼圖對比處理前后圖像差距。詳述圖像分割在交通、醫(yī)學等方面的應用。第2頁學生應交出的設(shè)計文件（論文）：（1）設(shè)計說明書文本1份，電子版1（2）畢業(yè)設(shè)計開題報告1份（3）畢業(yè)設(shè)計中期檢查1份（4）外文及原文翻譯1份第3頁主要參考文獻（資料）：[1]申建華，劉上乾，麻彥軒.快速的紅外圖像分割算法.紅外與毫米波學報，2005.6[2]許新征，丁世飛，史忠植，賈偉寬.圖像分割的新理論和新方法.電子學報，2010.2[3]韓思奇，王蕾.圖像分割的閥值法綜述.系統(tǒng)工程與電子技術(shù)，2002，24-6[4]何俊，葛紅，王玉峰.圖像分割算法研究綜述.計算機工程與科學，2009，31-12[5]鈕圣虓，王盛，楊晶晶，陳更生.完全基于邊緣信息的快速圖像分割算法.計算機輔助設(shè)計與圖形學學報，2012.24-11[6]羅鈞，盧艷，蔣均祝，廖宏華.圖像分割技術(shù)及其在模擬指針式儀表自動檢定系統(tǒng)中的應用.儀器儀表學報，2004.8[7]李忠杰，胡文濤，胡寧.圖像分割技術(shù)在煤礦生產(chǎn)中的應用.2012，31-11[8]王小燕，許建榮.圖像分割技術(shù)在血管圖像中的應用.中國介入影像與治療學，2009，6-1[9]姚敏等著，數(shù)字圖像處理.北京：機械工業(yè)出版社，2006.1[10]何志勇，孫立寧，陳立國.Otsu準則下分割閥值的快速計算.電子學報.2013.2[11]PalS.K.MitraP.Multispectralimagesegmentationusingtherough-set-initializedEMalgorithm[J].IEEETransactionsonGeoscienceandRemoteSensing,2002,40(11):2002-2501[12]ZadehLA.Fuzzylogic=computingwithwords[J].IEEETransactionsonFuzzySystems,1996,4(2):1996-111[13]VapnikVN.TheNatureofStatisticalLearningTheory[M].NewYork:Springer-Verlag,2000[14]WATERSHED-BASEDTEXTURALIMAGESEGMENTATION.InternationalSymposiumonIntelligentSignalProcessingandCommunicationSystems,2007[15]Yen,Shwu-Huey，Tai,An-Chi，Wang,Chia-Jen.Segmentationoncolorimagesbasedonwatershedalgorithm.MultimediaModellingConference,2004.專業(yè)班級學生要求設(shè)計(論文)工作起止日期2013年2月25日—2013年6月16日指導教師簽字日期教研室主任審查簽字日期系主任批準簽字日期第4頁圖像分割的方法及應用摘要圖像分割是從上世紀60年代開始被人們所研究的，它是由圖像處理到圖像分析的關(guān)鍵步驟，多年來一直被廣泛關(guān)注。圖像分割可定義為將數(shù)字圖像分割成互不相交區(qū)域的過程。在計算機視覺理論中，圖像分割、特征提取與目標識別構(gòu)成了有低層到高層的三大任務(wù)。圖像分割是一項基礎(chǔ)而長久的研究領(lǐng)域，其結(jié)果好壞直接影響計算機視覺工程各環(huán)節(jié)。圖像分割作為前沿學科充滿了挑戰(zhàn)，吸引了眾多學者從事這一領(lǐng)域研究。圖像處理技術(shù)在航空航天、生物醫(yī)學工程、工業(yè)檢測、機器人視覺、公安司法、軍事制導、文化藝術(shù)、地理測繪等領(lǐng)域受到廣泛重視，并取得了重大的開拓性成就，使圖像處理成為一門引人注目、前景遠大的新型學科。圖像分割是圖像特征提取和識別等圖像理解的基礎(chǔ)，對圖像分割的研究一直是數(shù)字圖像處理技術(shù)研究中的熱點和焦點。本文介紹了數(shù)字圖像處理技術(shù)中圖像分割技術(shù)的基本原理和主要方法，對經(jīng)典的圖像分割算法進行了較全面的敘述，分別研究了基于分水嶺算法、區(qū)域生長法和區(qū)域分裂合并法的圖像分割方法，并使用MATLAB軟件對各種分割方法進行了仿真。列舉了圖像分割方法在交通、醫(yī)學等領(lǐng)域的應用。關(guān)鍵詞：圖像分割；算法；應用TheMethodAndTheApplicationOfImageSegmentationAbstractImagesegmentationisfromthe1960sbegantobestudied,itisbytheimageprocessingtoimageanalysisofthekeysteps,overtheyearshasbeenwidespreadconcern.Imagesegmentationisdefinedasadigitalimageintodisjointregionsoftheprocess.Theoryincomputervision,imagesegmentation,featureextractionandobjectrecognitionconstitutesalow-levelandhigh-levelofthethreetasks.Imagesegmentationisabasicandlong-standingareaof??research,theresultswillhaveadirectimpactonallaspectsofcomputervisionworks.Imagesegmentationaschallengingfrontier,attractedmanyscholarsengagedinresearchinthisfield.Imageprocessingtechnologyinaerospace,biomedicalengineering,industrialinspection,machinevision,publicjudicial,militaryguidance,artsandculture,geographyandotherfieldsmappingwidespreadattention,andhasmadesignificantpioneeringachievements,theimageprocessingtobecomealeadofattention,ofpromisingnewdisciplines.Imagesegmentationisthebasisofimagefeatureextractionandrecognitionandimageunderstanding,imagesegmentationresearchhasbeenahotspotandfocusinthestudyofdigitalimageprocessingtechniques.Digitalimageprocessingtechniqueswereintroducedinthispaperthebasicprincipleandmainmethodsofimagesegmentationtechnologyin,hascarriedonthemorecomprehensivetoclassicimagesegmentationalgorithm,basedonwatershedalgorithmarestudiedrespectively,regiongrowingmethodandregiondividedmethodofimagesegmentationmethod,anduseMATLABsoftwaretoallsegmentationmethodaresimulated.Liststheimagesegmentationmethodappliedintransportation,medicineandotherfields.Keywords:imagesegmentation;algorithm；applicationAUTOTEXT"簡單文本框"目錄摘要IAbstractII第1章緒論11.1選題意義11.2圖像分割技術(shù)的現(xiàn)狀和發(fā)展情況11.3圖像分割主要研究方法3邊緣檢測法4區(qū)域提取法4閾值分割法4結(jié)合特定理論工具的分割方法51.4本次課題的主要研究內(nèi)容5第2章圖像分割預處理62.1圖像平滑6中值濾波原理6平滑效果分析72.2灰度調(diào)整7灰度調(diào)整原理7灰度調(diào)整效果分析8第3章圖像分割的基本方法綜述93.1基于區(qū)域的分割方法9閾值法9區(qū)域生長和分裂合并法10聚類分割法103.2基于邊界的分割方法11微分算子法11串行邊界技術(shù)113.3基于區(qū)域和邊界技術(shù)相結(jié)合的分割方法113.4基于特定理論的分割方法12基于數(shù)學形態(tài)學的邊緣檢測方法12基于模糊集理論的方法12基于小波變換的邊緣檢測方法12基于神經(jīng)網(wǎng)絡(luò)的分割方法12基于遺傳算法的圖像分割技術(shù)13基于粗糙集理論的圖像分割技術(shù)133.5邊緣檢測法13第4章圖像分割算法154.1基于分水嶺算法的圖像分割154.2基于區(qū)域生長法的圖像分割164.3基于區(qū)域分裂合并法的圖像分割18第5章圖像分割應用綜述225.1區(qū)域生長法在車牌定位中的應用225.2分水嶺算法在粘連顆粒圖像分割中的應用23形態(tài)學重建濾波23閾值分割24距離變換24分水嶺變換255.3結(jié)果與分析255.4圖像分割技術(shù)在煤礦生產(chǎn)中的應用27常用的噪聲去除算法27圖像分割算法介紹28實驗結(jié)果分析305.5圖像分割技術(shù)在醫(yī)學圖像處理中的應用研究30基于區(qū)域的分割方法31基于邊界的分割方法31基于特定理論的方法32第6章總結(jié)與展望346.1工作總結(jié)346.2展望34參考文獻35致謝36附錄A外文文獻翻譯37附錄B源程序61緒論本章對論文涉及的研究領(lǐng)域進行了較為詳細的綜述。簡要介紹了圖像分割的研究背景和意義，給出了圖像分割的基本方法及步驟。在對圖像分割問題的起源、發(fā)展和研究現(xiàn)狀進行簡要綜述的基礎(chǔ)上，介紹了該領(lǐng)域當前的研究熱點及論文的主要研究內(nèi)容。選題意義圖像分割是從上世紀60年代開始被人們所研究的，它是由圖像處理到圖像分析的關(guān)鍵步驟，多年來一直被廣泛關(guān)注。圖像分割可定義為將數(shù)字圖像分割成互不相交區(qū)域的過程。在計算機視覺理論中，圖像分割、特征提取與目標識別構(gòu)成了有低層到高層的三大任務(wù)。圖像分割是一項基礎(chǔ)而長久的研究領(lǐng)域，其結(jié)果好壞直接影響計算機視覺工程各環(huán)節(jié)。圖像分割的應用非常廣泛，幾乎出現(xiàn)在有關(guān)圖像處理的所有領(lǐng)域并涉及各種類型。圖像分割的目的是把圖像劃分成若干互不相交的區(qū)域，使各區(qū)域具有一致性，而相鄰區(qū)域間的屬性特征有明顯的差別。當人觀察景物時，在視覺系統(tǒng)中對景物進行分割的過程是必不可少的。人所觀察理解的并不僅僅是一個復雜的景物，而更是由多個內(nèi)容組成的集合體。但是在由像元陣列構(gòu)成的數(shù)字圖像中，不同圖像內(nèi)容占據(jù)不同的連通像元集合，圖像分割的任務(wù)是將整個圖像分離成代表不同圖像內(nèi)容的像元集合的過程。盡管圖像分割的任務(wù)在人類視覺感受中很難找到對照，但在數(shù)字圖像處理和分析中它卻是一個非常重要且艱巨的任務(wù)。圖像分割作為前沿學科充滿了挑戰(zhàn)，吸引了眾多學者從事這一領(lǐng)域研究。圖像處理技術(shù)在航空航天、生物醫(yī)學工程、工業(yè)檢測、機器人視覺、公安司法、軍事制導、文化藝術(shù)、地理測繪等領(lǐng)域受到廣泛重視，并取得了重大的開拓性成就，使圖像處理成為一門引人注目、前景遠大的新型學科。圖像分割技術(shù)的現(xiàn)狀和發(fā)展情況圖像分割算法的研究已有幾十年的歷史，一直以來都受到人們的高度重視。關(guān)于圖像分割的原理和方法國內(nèi)外已有不少的論文發(fā)表，但一直以來沒有一種分割方法適用于所有圖像分割處理。傳統(tǒng)的圖像分割方法存在著不足，不能滿足人們的要求，為進一步的圖像分析和理解帶來了困難。隨著計算機技術(shù)的迅猛發(fā)展，及其相關(guān)技術(shù)的發(fā)展和成熟，結(jié)合圖像增強等技術(shù)，能夠在計算機上實現(xiàn)圖像分割處理。其中最主要的技術(shù)是圖像分割技術(shù)，從圖像中將某個特定區(qū)域與其它部分進行分離并提取出來的處理。圖像分割的方法有許多種，有閾值分割方法，邊界分割方法，區(qū)域提取方法，結(jié)合特定理論工具的分割方法等。早在1965年就有人提出檢測邊緣算子，邊緣檢測已產(chǎn)生不少經(jīng)典算法。越來越多的學者開始將數(shù)學形態(tài)學、模糊理論、遺傳算法理論、分形理論和小波變換理論等研究成果運用到圖像分割中，產(chǎn)生了結(jié)合特定數(shù)學方法和針對特殊圖像分割的先進圖像分割技術(shù)。尤其是近年來迅速發(fā)展起來的小波理論為圖像處理帶來了新的理論和方法。小波變換具有良好局部特性，當小波函數(shù)尺度較大時，抗噪聲的能力強，當小波函數(shù)尺度較小時，提取圖像細節(jié)的能力強，這樣就可以很好地解決抑制噪聲和提取圖像邊緣細節(jié)之間的矛盾。圖像分割作為前沿學科充滿了挑戰(zhàn)，吸引了眾多學者從事這一領(lǐng)域研究。傳統(tǒng)的圖像分割方法包括基于區(qū)域的，基于邊緣的和兩者結(jié)合的圖像分割方法。近年來，隨著各學科許多新理論和新方法的提出，人們也提出了許多結(jié)合一些特定理論、方法和工具的圖像分割技術(shù)。由于圖像分割技術(shù)至今尚無通用的自身理論，所以每當有新的數(shù)學工具或方法提出來，人們就嘗試著將其用于圖像分割，因而提出了不少特殊的算法：1）基于數(shù)學形態(tài)學的圖像分割方法。數(shù)學形態(tài)學是由法國數(shù)學家MathernG.和SerraJ.于1964年創(chuàng)立并在此后多年里得到不斷豐富和完善．1982年SerraJ.的專著的問世標志著數(shù)學形態(tài)學開始在圖像處理、模式識別和計算機視覺等領(lǐng)域得到長足的發(fā)展。2008年，ParvatiK.等提出了一種使用灰度形態(tài)學和控制標記符的分水嶺變換算法，用來對彩色圖像、灰度醫(yī)學圖像和航空圖像等進行分割。2）基于模糊理論的圖像分割方法。模糊集與系統(tǒng)理論是近年來在工程技術(shù)領(lǐng)域中十分活躍的數(shù)學分支之一，可以有效地解決模式識別中不同層次的由于信息不全面、不準確、含糊、矛盾等造成的內(nèi)在不確定性問題，己經(jīng)成為圖像分割的重要數(shù)學工具。2008年，Masooleh等提出一種的改進模糊算法，使用粒子群優(yōu)化方法來優(yōu)化模糊系統(tǒng)，并用于彩色圖像分類和分割，具有最少的規(guī)則和最小的錯誤識別率。3）基于神經(jīng)網(wǎng)絡(luò)的圖像分割方法。20世紀80年代后期，受到人工智能發(fā)展的影響，出現(xiàn)了基于神經(jīng)網(wǎng)絡(luò)的的圖像分割技術(shù)。2008年，BergH.等提出了一種脈沖耦合神經(jīng)元的自動設(shè)計方法。4）基于支持向量機的圖像分割方法。近年來，建立在統(tǒng)計學習理論的VC維理論和結(jié)構(gòu)風險最小化原理基礎(chǔ)上的支持向量機（SupportVectorMachine,SVM）方法表現(xiàn)出很多優(yōu)于已有方法的性能，基于支持向量機的圖像分割方法引起研究人員的注意和研究興趣。支持向量機方法已經(jīng)被看作是對傳統(tǒng)學習方法的一個好的替代，特別在小樣本、高維非線性情況下，具有較好的泛化性能。應用SVM分割圖像時，由于輸入向量通過非線性映射映射到高維特征空間的分布結(jié)構(gòu)由核函數(shù)決定，同時，最優(yōu)超平面與最近的訓練樣本之間的最大距離和最小分類誤差通過懲罰因子Ｃ進行折衷，因此，核函數(shù)設(shè)計與懲罰因子Ｃ的選擇將直接影響到圖像分割效果。目前常用的核函數(shù)有：線性核、多項式核以及高斯徑向核等。2007年，魏鴻磊等提出了一種采用支持向量機分類的指紋圖像分割方法。2008年，Liu等提出了一種使用支持向量機的多尺度SAR圖像分割方法。5）基于圖論的圖像分割方法?；趫D論的圖像分割技術(shù)是近年來國際上圖像分割領(lǐng)域的一個新的研究熱點。該方法將圖像映射為帶權(quán)無向圖，把像素視作節(jié)點，利用最小剪切準則得到圖像的最佳分割。該方法本質(zhì)上將圖像分割問題轉(zhuǎn)化為最優(yōu)化問題，是一種點對聚類方法，對數(shù)據(jù)聚類也具有很好的應用前景。2003年，Pavan等提出一種新的用于圖像分割的圖論聚類理論框架。2006年，BilodeauG.A提出一種基于多段圖的圖像分割方法。6）基于免疫算法的圖像分割方法。人工免疫系統(tǒng)（ArtificialImmuneSystem,AIS）是模仿自然免疫系統(tǒng)功能的一種智能方法，它實現(xiàn)一種受生物免疫系統(tǒng)啟發(fā)，通過學習外界物質(zhì)的自然防御機理的學習技術(shù)，提供噪聲忍耐、無教師學習、自組織、記憶等進化學習機理，結(jié)合了分類器、神經(jīng)網(wǎng)絡(luò)和機器推理等系統(tǒng)的一些優(yōu)點，因此具有提供新穎的解決問題的潛力。2008年，Huang等提出一種用于非監(jiān)督圖像分割的核聚類人工免疫網(wǎng)絡(luò)，該網(wǎng)絡(luò)的設(shè)計受啟發(fā)于人工免疫網(wǎng)絡(luò)和支持向量域描述的思想。7）基于粒度計算理論的圖像分割方法。粒度計算（GranularComputing,GrC）是信息處理的一種新的概念和計算范式，覆蓋了所有有關(guān)粒度的理論、方法、技術(shù)和工具的研究，主要用于處理不精確的、模糊的、不完整的及海量的信息，業(yè)已成為人工智能、軟計算和控制科學等領(lǐng)域的研究熱點之一。2008年，史忠植等提出了面向相容粒度空間模型的圖像分割方法。相容粒度空間模型的基本思想來源于模擬人在特定任務(wù)下對資源進行粒度化生成粒度空間從而輔助問題求解的能力。當前，圖像分割已成為圖像理解領(lǐng)域關(guān)注的一個熱點。未來的發(fā)展需要研究者借鑒數(shù)學、統(tǒng)計學、神經(jīng)學、認知心理學、計算機科學等領(lǐng)域的成果及其綜合運用，不斷引入新的理論和方法。過去幾年，研究人員不斷將相關(guān)領(lǐng)域出現(xiàn)的新理論和新方法應用到圖像分割中，雖然取得了一定的效果，但仍未出現(xiàn)一種令人滿意的高效的通用的方法．其主要原因是人類對視覺系統(tǒng)還沒有充分的認識，已有的模型只是從功能上來模擬，而不是從結(jié)構(gòu)上來實現(xiàn)。作者下一步的研究方向是進一步研究視覺認知的原理，結(jié)合智能科學的最新理論，對圖像分割作更深一步的研究。圖像分割主要研究方法圖像分割是圖像處理中的一項關(guān)鍵技術(shù)，自20世紀70年代起一直受到人們的高度重視，至今已提出了上千種各種類型的分割算法，現(xiàn)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分割算法，而且近年來每年都有上百篇相關(guān)研究報道發(fā)表。然而，還沒有制定出選擇合適分割算法的標準，這給圖像分割技術(shù)的應用帶來許多實際問題。因此，對圖像分割的研究還在不斷深入之中，是目前圖像處理中研究的熱點之一。圖像分割在圖像工程中的位置它起著承上啟下的作用，可以認為是介于低層次處理和高層次處理的中間層間。最近幾年又出現(xiàn)了許多新思路、新方法、或改進算法。下面對一些經(jīng)典傳統(tǒng)方法作簡要的概述。多年來人們對圖像分割提出了不同的解釋和表述，借助集合概念對圖像分割可給出如下定義：令集合R代表整個圖像區(qū)域，對R的圖像分割可以看做是將R分成N個滿足以下條件的非空子集R1，R2，R3，…，RN；（1）在分割結(jié)果中，每個區(qū)域的像素有著相同的特性；（2）在分割結(jié)果中，不同子區(qū)域具有不同的特性，并且它們沒有公共特性；（3）分割的所有子區(qū)域的并集就是原來的圖像；（4）各個子集是連通的區(qū)域；圖像分割是把圖像分割成若干個特定的、具有獨特性質(zhì)的區(qū)域并提取出感興趣目標的技術(shù)和過程，這些特性可以是像素的灰度、顏色、紋理等提取的目標可以是對應的單個區(qū)域，也可以是對應的多個區(qū)域。圖像分割方法有許多種分類方式，在這里將分割方法概括為四類：(1)邊緣檢測方法(2)區(qū)域提取方法(3)閾值分割方法(4)結(jié)合特定理論工具的分割方法。下面就這些方法展開介紹。邊緣檢測法圖像分析和理解的第一步常常是邊緣檢測。邊緣檢測方法是人們研究得比較多的一種方法，它通過檢測圖像中不同區(qū)域的邊緣來達到分割圖像的目的。邊緣檢測的實質(zhì)是采用某種算法來提取出圖像中對象與背景問的交界線。我們將邊緣定義為圖像中灰度發(fā)生急劇變化的區(qū)域邊界。圖像灰度的變化情況可以用圖像灰度分布的梯度來反映，因此我們可以用局部圖像微分技術(shù)來獲得邊緣檢測算子。經(jīng)典的邊緣檢測方法，是通過對原始圖像中像素的某小鄰域構(gòu)造邊緣檢測算子來達到檢測邊緣這一目的。區(qū)域提取法區(qū)域提取法有兩種基本形式：一種是從單個像素出發(fā)，逐漸合并以形成所需的分割區(qū)域；另一種是從全圖出發(fā)，逐漸分裂切割至所需的分割區(qū)域。在實際中使用的通常是這兩種基本形式的結(jié)合。根據(jù)以上兩種基本形式，區(qū)域提取法可以分為區(qū)域生長法和分裂合并法。區(qū)域生長法的基本思想是將具有相似性質(zhì)的像素合起來構(gòu)成區(qū)域，具體做法是先給定圖像中要分割的目標物體內(nèi)的一個小塊或者說種子區(qū)域，再在種子區(qū)域的基礎(chǔ)上不斷將其周圍的像素點以一定的規(guī)則加入其中，達到最終將代表該物體的所有像素點結(jié)合成一個區(qū)域的目的。該方法的關(guān)鍵是要選擇合適的生長或相似準則。生長準則一般可分為三種：基于區(qū)域灰度差準則、基于區(qū)域內(nèi)灰度分布統(tǒng)計性質(zhì)準則和基于區(qū)域形狀準則。分裂合并法是先將圖像分割成很多的一致性較強的小區(qū)域，再按一定的規(guī)則將小區(qū)域融合成大區(qū)域，達到分割圖像的目的。區(qū)域提取法的缺點是往往會造成過度分割，即將圖像分割成過多的區(qū)域，因此近年來針對這種方法的研究較少。閾值分割法對灰度圖像的取閾值分割就是先確定一個處于圖像灰度取值范圍之中的灰度閾值，然后將圖像中各個像素的灰度值都與這個閾值相比較，并根據(jù)比較結(jié)果將對應的像素分為兩類。這兩類像素一般分屬圖像的兩類區(qū)域，從而達到分割的目的。閾值分割算法主要有兩個步驟：（1）確定需要的閾值；（2）將分割閾值與像素值比較以劃分像素?？梢钥闯?，確定一個最優(yōu)閾值是分割的關(guān)鍵?，F(xiàn)有的大部分算法都是集中在閾值確定的研究上。閾值分割方法根據(jù)圖像本身的特點，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位置的閾值分割方法．若考慮分割算法所用的特征或準則的特點，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、簡單統(tǒng)計法與局部特性法、概率松弛法、模糊集法等。結(jié)合特定理論工具的分割方法近年來，隨著各學科許多新理論和方法的提出，人們也提出了許多結(jié)合特定理論工具的分割方法，例如基于數(shù)學形態(tài)學的分割方法，基于神經(jīng)網(wǎng)絡(luò)的分割方法，基于信息論的分割方法，基于模糊集合和邏輯的分割方法，基于小波分析和變換的分割方法，基于遺傳算法的分割方法等?；谛〔ǚ治龊妥儞Q的分割方法是借助新出現(xiàn)的數(shù)學工具小波變換來分割圖像的一種方法，也是現(xiàn)在非常新的一種方法。小波變換是一種多尺度多通道分析工具，比較適合對圖像進行多尺度的邊緣檢測，例如可利用高斯函數(shù)的一階和二階導數(shù)作為小波函數(shù)，利用Matlat算法分解小波，然后基于馬爾算子進行多尺度邊緣檢測，這里小波分解的級數(shù)可以控制觀察距離的“調(diào)焦”。而改變高斯函數(shù)的標準差可選擇所檢測邊緣的細節(jié)程度。小波變換的計算復雜度較低，抗噪聲能力較強。理論證明以零點為對稱點的對稱二進小波適合檢測屋頂狀邊緣，而以零點為反對稱點的反對稱二進小波適合檢測階躍狀邊緣。近年來多通道小波也開始用于邊緣檢測。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。本次課題的主要研究內(nèi)容本次課題主要以分水嶺算法、區(qū)域生長法、區(qū)域分裂法、背景差值法進行圖像分割的研究。研究時使用matlab軟件進行，最終獲得分水嶺算法、區(qū)域生長法和區(qū)域分裂合并法的源程序，并貼圖對比處理前后圖像差距。圖像分割預處理由于受多種因素（光學系統(tǒng)失真、系統(tǒng)噪聲、曝光不足或過量等）條件的影響，得到的圖片往往信息微弱，無法辨識，需要進行增強處理。增強的目的，在于提供一個滿足一定要求的圖像，或?qū)D像進行變換，以進行分析。圖像平滑圖像平滑的目的是為了減少圖像噪聲。圖像的噪聲來自于多方面，有來自于系統(tǒng)外部干擾，如電磁波或經(jīng)電源串進系統(tǒng)內(nèi)部而引起的外部噪聲，也有來自于系統(tǒng)內(nèi)部的干擾，如攝像機的熱噪聲，電器機械運動而產(chǎn)生的抖動噪聲等內(nèi)部噪聲。因此，去除噪聲，恢復原始圖像是圖像處理中的一個重要內(nèi)容。噪聲主要來自下面三個方面：（1）光電子噪聲：主要由光的統(tǒng)計本質(zhì)和圖像傳感器的光電轉(zhuǎn)換過程引起的（如光電管的光量子噪聲和電子起伏噪聲）；（2）電子噪聲：主要來自電子元器件（如電阻引起的熱噪聲）；（3）光學噪聲：主要由光學現(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程中受到這些噪聲的干擾和影響，使圖像處理結(jié)果變差。因此，抑制或消除這些噪聲從而改善圖像質(zhì)量，在圖像處理過程中是一個重要的預處理，也稱為對圖像的平滑濾波過程。中值濾波原理中值濾波是一種非線性濾波，由于它在實際運算過程中并不需要圖像的統(tǒng)計特性，所以比較方便。中值濾波首先是被應用在一維信號處理技術(shù)中，后來被二維圖像信號處理技術(shù)所應用。在一定的條件下，可以克服線性濾波器所帶來的圖像細節(jié)模糊，而且對濾除脈沖干擾及圖像掃描噪聲最為有效。中值濾波的目的是保護圖像邊緣的同時去除噪聲。在一維的情況下，中值濾波器是一個含有奇數(shù)個像素的窗口，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代替。設(shè)有一個維序列f1，f2，…，fn，取窗口長度為奇數(shù)m，對此序列進行中值濾波，就是從輸入序列中相續(xù)抽出m個數(shù)，fi-v，…fi，…fi+v，其中為窗口的中心值v=(m-1)／2，再將這m個點的數(shù)值按其數(shù)值大小排列，取其序號為正中間的那個數(shù)作為濾波輸出。中值濾波表達式為：(2.1)對二維序列{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。二維中值濾波可表示為:(2.2)在實際使用窗口時，窗口的尺寸一般先用再取逐漸增大，直到其濾波效果滿意為止。由于中值濾波是非線性運算，在輸入和輸出之間的頻率上不存在一一對應關(guān)系，故不能用一般線性濾波器頻率特性的研究方法。設(shè)G為輸入信號頻譜，F(xiàn)為輸出信號頻譜，定義為中值濾波器的頻率響應特性，實現(xiàn)表明H是與G有關(guān)，呈不規(guī)則波動不大的曲線，其均值比較平坦，可以認為信號經(jīng)中值濾波后，傳輸函數(shù)近似為1，即中值濾波對信號的頻域影響不大，頻譜基本不變。平滑效果分析圖2-1所示的是圖像中值濾波前后的效果比較，其中圖2-1（a）是含有噪聲的原圖，圖2-1（b）是用中值濾波處理后的圖像，濾波窗口為3×3，可見，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。(a)帶噪聲圖像(b)消噪后圖像圖2-1帶噪聲圖像與中值濾波后圖像比較灰度調(diào)整在成像過程中,掃描系統(tǒng)、光電轉(zhuǎn)換系統(tǒng)中的很多的因素，如光照強弱、感光部件靈敏度、光學系統(tǒng)不均勻性、元器件特性不穩(wěn)定等均可造成圖像亮度分布的不均勻，導致某些部分亮，某些部分暗?；叶日{(diào)整就是在圖像采集系統(tǒng)中對圖像像素進行修正，使整幅圖像成像均勻。灰度調(diào)整原理灰度調(diào)整可使圖像動態(tài)范圍增大，圖像對比度擴展，圖像變清晰，特征明顯，是圖像增強的重要手段之一。在曝光不足或過度的情況下，圖像灰度可能會局限在一個很小的范圍內(nèi)。這時在顯示器上看到的將是一個模糊不清、似乎沒有灰度層次的圖像。采用線性灰度調(diào)整對圖像每一個像素灰度作線性拉伸，將有效地改善圖像視覺效果?；叶日{(diào)整效果分析（a）灰度調(diào)整前(b)灰度調(diào)整后(c)原始圖像直方圖（d）調(diào)整后直方圖圖2-2灰度調(diào)整前后直方圖比較由圖2-2可以看出(b)視覺效果較(a)明顯，灰度調(diào)整前后直方圖的比較可以看出，調(diào)整后直方圖(d)去除了原始直方圖(c)的噪聲直方圖，灰度調(diào)整后圖像明顯清晰了圖像分割的基本方法綜述圖像分割指圖像分成各具特性的區(qū)域并提取出感興趣目標的技術(shù)和過程，它是由圖像處理到圖像分析的關(guān)鍵步驟，是一種基本的計算機視覺技術(shù)。只有在圖像分割的基礎(chǔ)上才能對目標進行特征提取和參數(shù)測量，使得更高層的圖像分析和理解成為可能。因此對圖像分割方法的研究具有十分重要的意義。圖像分割是將整個圖像區(qū)域分割成若干個互不交疊的非空子區(qū)域的過程，每個子區(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。對于灰度圖像來說，區(qū)域內(nèi)部的像素一般具有灰度相似性，而在區(qū)域邊界上一般具有灰度不連續(xù)性。圖像分割的數(shù)學描述如下：設(shè)集合R代表整個圖像區(qū)域，P(?)是區(qū)域上相似性測量的邏輯準則,對R的分割就是把R分成滿足下列條件的非空子區(qū)域:eq\o\ac(○,1)eq\o\ac(○,2)對于所有的和,有eq\o\ac(○,3)對于=1,2,…,,有TRUEeq\o\ac(○,4)對于,有FALSEeq\o\ac(○,5)對于=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。根據(jù)分割過程中處理策略的不同，分割算法又可分為并行算法和串行算法，在并行算法中，所有判斷和決定都可獨立和同時地進行，而在串行算法中，后續(xù)處理過程要用到早期處理的結(jié)果。近幾年來，研究人員不斷改進原有方法并把其他學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。下面對傳統(tǒng)的圖像分割方法和近年來出現(xiàn)的新方法進行介紹。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。閾值法閾值法是一種最常用的并行區(qū)域技術(shù)，閾值是用于區(qū)分不同目標的灰度值。如果圖像只有目標和背景兩大類，那么只需選取一個閾值稱為單閾值分割。這種方法是將圖像中每個像素的灰度值與閾值相比較，灰度值大于閾值的像素為一類，灰度值小于閾值的像素為另一類。如果圖像中有多個目標，就需要選取多個閾值將各個目標分開，這種方法稱為多閾值分割。閾值又可分為全局閾值、局部閾值和動態(tài)閾值。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，閾值分割實質(zhì)上就是按照某個準則求出最佳閾值的過程。常用的全局閾值選取方法有利用圖像灰度直方圖的峰谷法、最小誤差法、最大類間方差法、最大熵自動閾值法以及其他一些方法。閾值分割的優(yōu)點是計算簡單，運算效率較高，速度快。全局閾值對于灰度相差很大的不同目標和背景能進行有效的分割。當圖像的灰度差異不明顯或不同目標的灰度值范圍有重疊時，應采用局部閾值或動態(tài)閾值分割法。另一方面，這種方法只考慮像素本身的灰度值，一般不考慮空間特征，因而對噪聲很敏感。在實際應用中，閾值法通常與其他方法結(jié)合使用。區(qū)域生長和分裂合并法區(qū)域生長和分裂合并法是兩種典型的串行區(qū)域技術(shù)，其分割過程后續(xù)步驟的處理要根據(jù)前面步驟的結(jié)果進行判斷而確定。區(qū)域生長的基本思想是將具有相似特性的像素集合起來構(gòu)成區(qū)域。首先為每個需要分割的區(qū)域確定一個種子像素作為生長起點，然后按一定的生長準則把它周圍與其特性相同或相似的像素合并到種子像素所在的區(qū)域中。把這些新像素作為種子繼續(xù)生長，直到?jīng)]有滿足條件的像素可被包括，這時生長停止，一個區(qū)域就形成了。區(qū)域生長法要解決的主要問題是區(qū)域生長準則的設(shè)計和算法的高效性。生長準則往往和具體問題有關(guān)，直接影響最后形成的區(qū)域"如果選取不當，就會造成過分割和欠分割的現(xiàn)象。區(qū)域生長法的優(yōu)點是計算簡單，對于較均勻的連通目標有較好的分割效果。它的缺點是需要人為確定種子點，對噪聲敏感，可能導致區(qū)域內(nèi)有空洞。另外，它是一種串行算法，當目標較大時，分割速度較慢，因此在設(shè)計算法時，要盡量提高效率。分裂合并法的基本思想是從整幅圖像開始通過不斷分裂合并得到各個區(qū)域。一種利用四叉樹表達方法的分割算法如下：R代表整個正方形圖像區(qū)域,P代表檢驗準則。eq\o\ac(○,1)對任意區(qū)域若P(QUOTE)=FALSE就將其分裂為不重疊的四等分。eq\o\ac(○,2)對相鄰的兩個區(qū)域QUOTE和QUOTE若TRUE就將它們合并。eq\o\ac(○,3)若進一步的分裂和合并都不可能了，則結(jié)束。分裂合并法的關(guān)健是分裂合并準則的設(shè)計。這種方法對復雜圖像的分割效果較好，但算法較復雜，計算量大，分裂還可能破壞區(qū)域的邊界。聚類分割法圖像分割問題也可看成是對象的分類問題，所以可以使用模式識別中的模式分類技術(shù)!特征空間聚類法進行圖像分割是將圖像空間中的像素用對應的特征空間點表示，根據(jù)它們在特征空間的聚集對特征空間進行分割，然后將它們映射回原圖像空間，得到分割結(jié)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。K均值算法先選K個初始類均值，然后將每個像素歸入均值離它最近的類并計算新的類均值。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。模糊C均值算法是在模糊數(shù)學基礎(chǔ)上對K均值算法的推廣，是通過最優(yōu)化一個模糊目標函數(shù)實現(xiàn)聚類，它不像K均值聚類那樣認為每個點只能屬于某一類，而是賦予每個點一個對各類的類屬度，適合處理事物內(nèi)在的不確定性。FCM算法對初始參數(shù)極為敏感，有時需要人工干預參數(shù)的初始化以接近全局最優(yōu)解，提高分割速度。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。FCM算法在醫(yī)學圖像分割中得到了廣泛的應用，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)。MRI圖像由于成像過程中許多因素的影響，幾乎都存在不均勻的特點。為此，出現(xiàn)了二類改進方法并取得了成功。第一種方法是對不均勻圖像先校正再進行分割，第二種方法是分割的同時補償偏場效應?；谶吔绲姆指罘椒ɑ谶吔绲姆指罘椒ㄊ抢貌煌瑓^(qū)域間象素灰度不連續(xù)的特點檢測出區(qū)域間的邊緣，從而實現(xiàn)圖像分割。邊緣檢測是所有基于邊界分割方法的第一步，根據(jù)處理的順序，邊緣檢測可分為并行邊緣檢測和串行邊緣檢測。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)性可通過求導數(shù)來檢測到。對于階躍狀邊緣，其位置對應一階導數(shù)的極值點，對應二階導數(shù)的過零點（零交叉點）。因此常用微分算子進行邊緣檢測，它是一種并行邊界技術(shù)。常用的一階微分算子有Roberts、Prewitt和Sobel算子、階微分算子有Laplace和Kirsh算子等。在實際中各種微分算子常用小區(qū)域模板來表，求微分運算是利用模板與圖像卷積來實現(xiàn)。這些算子對噪聲敏感，只適合于噪聲較小不太復雜的圖像。由于邊緣和噪聲都是灰度不連續(xù)點，在頻域均為高頻分量，直接采用微分運算難以克服噪聲的影響。因此用微分算子檢測邊緣前要對圖像進行平滑濾波。LoG算子和Canny算子是具有平滑功能的二階和一階微分算子，邊緣檢測效果較好。其中LoG算子是采用Laplacian算子求高斯函數(shù)的二階導數(shù)，Canny算子是高斯函數(shù)的一階導數(shù)，它在噪聲抑制和邊緣檢測之間取得了較好的平衡。串行邊界技術(shù)串行邊界查找法是先檢測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的影響。圖搜索是其中一種典型的方法，邊界點和邊界段可以用圖結(jié)構(gòu)表示，通過在圖中進行搜索對應最小代價的路徑可以找到閉合邊界。它是一種全局的方法，在噪聲較大時效果仍很好。但這種方法比較復雜，計算量也很大。在許多情況下，為加快運算速度常常使用動態(tài)規(guī)劃的優(yōu)化方法。它是借助有關(guān)具體問題的啟發(fā)性知識減少搜索，只求次優(yōu)解的方法。基于區(qū)域和邊界技術(shù)相結(jié)合的分割方法在實際應用中，為發(fā)揮各種方法的優(yōu)勢，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)合起來使用。例如，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)合起來解決這個問題。各種方法怎樣結(jié)合便成為問題研究的重點，研究人員作了許多的研究，將多種方法相結(jié)合是圖像分割方法研究的一個方向?；谔囟ɡ碚摰姆指罘椒▓D像分割至今尚無通用的自身理論。隨著各學科許多新理論和方法的提出，出現(xiàn)了許多與一些特定理論、方法相結(jié)合的圖像分割技術(shù)?；跀?shù)學形態(tài)學的邊緣檢測方法近年來，數(shù)學形態(tài)學已發(fā)展為一種新型的數(shù)字圖像處理方法和理論，在邊緣檢測和圖像分割中得到了廣泛的研究和應用。它的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中的對應形狀以達到對圖像分析和識別的目的。利用膨脹、腐蝕、開啟和閉合四個基本運算進行推導和組合，可以產(chǎn)生各種形態(tài)學實用算法，其中結(jié)構(gòu)元素的選取很重要。腐蝕和膨脹對于灰度變化較明顯的邊緣作用很大，可用來構(gòu)造基本的形態(tài)學邊緣檢測算子(形態(tài)學梯度)?；镜男螒B(tài)學邊緣檢測算子簡單，易于實現(xiàn)，但對噪聲敏感，適用于噪聲較小的圖像。基于形態(tài)學的圖像邊緣檢測的關(guān)鍵是針對各種運算的特點，結(jié)合形態(tài)學多結(jié)構(gòu)元多尺度的特性，構(gòu)造優(yōu)良的邊緣檢測算子來較好地解決邊緣檢測精度與抗噪聲性能的協(xié)調(diào)問題?；谀：碚摰姆椒：碚摼哂忻枋鍪挛锊淮_定性的能力，適合于圖像分割問題。近年來，出現(xiàn)了許多模糊分割技術(shù)，在圖像分割中的應用日益廣泛。目前，模糊技術(shù)在圖像分割中應用的一個顯著特點就是它能和現(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、模糊邊緣檢測技術(shù)等?；谛〔ㄗ儞Q的邊緣檢測方法小波變換是近年來得到了廣泛應用的數(shù)學工具，它在時域和頻域都具有良好的局部化性質(zhì)，將時域和頻域統(tǒng)一于一體來研究信號。而且小波變換具有多尺度特性，能夠在不同尺度上對信號進行分析，因此在圖像處理和分析等許多方面得到應用。二進小波變換具有檢測二元函數(shù)的局部突變能力，因此可作為圖像邊緣檢測工具。圖像的邊緣出現(xiàn)在圖像局部灰度不連續(xù)處，對應于二進小波變換的模極大值點。因此通過檢測小波變換模極大值點可以確定圖像的邊緣。小波變換位于各個尺度上，而每個尺度上的小波變換都能提供一定的邊緣信息，因此可進行多尺度邊緣檢測，得到比較理想的圖像邊緣?；谏窠?jīng)網(wǎng)絡(luò)的分割方法近年來，人工神經(jīng)網(wǎng)絡(luò)識別技術(shù)已經(jīng)引起廣泛的關(guān)注，并應用于圖像分割，神經(jīng)網(wǎng)絡(luò)模擬生物特別是人類大腦的學習機理，并能概括所學內(nèi)容。它由大量的并行節(jié)點構(gòu)成，每個節(jié)點都能執(zhí)行一些基本計算。神經(jīng)網(wǎng)絡(luò)方法分割圖像的思想是用訓練樣本集對神經(jīng)網(wǎng)絡(luò)進行訓練以確定節(jié)點間的連接和權(quán)值，再用訓練好的神經(jīng)網(wǎng)絡(luò)分割新的圖像數(shù)據(jù)，這種方法需要大量的訓練數(shù)據(jù)。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題。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。圖像分割是圖像處理和分析的關(guān)鍵技術(shù)，也是一個經(jīng)典難題。隨著實際應用的需要，對圖像分割方法進行深入的研究，不斷改進原有方法，提出新方法具有重要的意義。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)合起來才能有所突破和創(chuàng)新?；谶z傳算法的圖像分割技術(shù)將遺傳算法應用于傳統(tǒng)的圖像分割技術(shù),可大大地減小圖像分割運算量,有效地實現(xiàn)分割。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。但遺傳算法的魯棒性和有效性還有待提高;同時在運行遺傳算法時,種群大小、染色體長度、交叉率、變異率、最大進化代數(shù)等參數(shù)對遺傳算法的性能影響較大,如何選擇這些合適的參數(shù)還有待進一步研究?；诖植诩碚摰膱D像分割技術(shù)粗糙集作為一種新的處理模糊和不確定知識的數(shù)學工具,目前已經(jīng)被廣泛應用于模式識別、人工智能、圖像處理和數(shù)據(jù)分析等領(lǐng)域。粗糙集體現(xiàn)了集合中對象的不可區(qū)分性,即由于知識的粒度而導致的粗糙性。圖像信息具有較強的復雜性和相關(guān)性,在處理過程中經(jīng)常出現(xiàn)不完整性和不精確性問題,將粗糙集理論應用于圖像的處理和理解,有時會具有比硬計算方法更好的效果。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。邊緣檢測法基于邊緣的分割是通過檢測出不同區(qū)域邊緣來進行分割。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。它存在于目標與背景之間,是圖像分割所依賴的最重要的特征。因此,邊緣檢測可以看作是處理許多復雜問題的關(guān)鍵。對于邊緣的檢測常常借助于邊緣檢測算子進行,常用的邊緣檢測算子有:Roberts算子、Laplace算子、Prewitt算子、Sobel算子、Robinson算子、Kirsch算子和Canny算子等。其中Canny邊緣檢測是一種比較新的邊緣檢測算子,不容易受噪聲的干擾,能夠檢測到真正的弱邊緣?；谶吘壍姆指罴夹g(shù)依賴于由邊緣檢測算子找到的圖像邊緣,這些邊緣標示出了圖像在灰度、色彩、紋理等方面不連續(xù)的位置。常見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法等。該類方法對邊緣灰度值過渡比較尖銳且噪聲較小等不太復雜的圖像,大都可以取得較好的效果。但對于邊緣復雜、采光不均勻的圖像來說,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算法,如Marr算子,遞歸濾波器和Canny算子等都是先對圖像進行適當?shù)钠交?抑制噪聲,然后求導數(shù),或者先對圖像進行局部擬合,然后再用擬合的光滑函數(shù)的導數(shù)來代替直接的數(shù)值導數(shù)。Canny算子較為簡單,而且考慮了梯度方向,效果比較好。圖像分割算法基于分水嶺算法的圖像分割分水嶺算法(watershed)是一種借鑒了形態(tài)學理論的分割方法，它將一幅圖象看成為一個拓撲地形圖，其中灰度值f(x,y)被認為是地形高度值如圖4-1所示。高灰度值對應著山峰，低灰度值處對應著山谷。將水從任一處流下，它會朝地勢底的地方流動，直到某一局部低洼處才停下來，這個低洼處被稱為吸水盆地，最終所有的水會分聚在不同的吸水盆地,吸水盆地之間的山脊被稱為分水嶺，水從分水嶺流下時，它朝不同的吸水盆地流去的可能性是相等的。將這種想法應用于圖像分割，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。(a)原始圖像(b)圖像對應的拓撲地形圖圖4-1圖像對應的拓撲表面圖分水嶺閥值選擇算法可以看成是一種自適應的多閥值分割算法，在圖像梯度上進行閥值選擇時，經(jīng)常遇到的問題是如何恰當?shù)倪x擇閥值。若閥值選擇太高，則許多邊緣會丟失或邊緣出現(xiàn)破碎現(xiàn)象；閥值若選得太低，則容易產(chǎn)生虛假邊緣，而且邊緣變厚導致定位不精確。分水嶺閥值選擇算法可避免這個缺點。如圖4-2所示，兩個低洼處為吸水盆地，陰影部分為積水，水面的高度相當于閾值，隨著閾值的升高，吸水盆地的水位也跟著上升，當閾值升至時，兩個吸水盆地的水都升到分水嶺處，此時若再升高閾值，則兩個吸水盆地的水會溢出分水嶺合為一體。因此通過閾值QUOTE可以準地分割出兩個由吸水盆地和分水嶺組成的區(qū)域。其中，分水嶺對應于原始圖像中的邊緣。圖4-2分水嶺形成示意圖MATLAB圖像處理工具箱中的watershed函數(shù)可用于實現(xiàn)分水嶺算法，該函數(shù)的調(diào)用語法為：L=watershed(f)其中f為輸入圖像，L為輸出圖像的標記矩陣，其元素為整數(shù)值，第一個吸水盆地被標記為1，第二個吸水盆地被標記為2，依此類推。分水嶺被標記為0。用watershed算法分割圖像時，不準確標記分水嶺算法導致過分割，使用準確標記分水嶺算法可以克服這個缺點。使用準確標記分水嶺算法分割圖像源程序：f=imread('rice.bmp');bw=im2bw(f,graythresh(f));%轉(zhuǎn)換為黑白二值圖像subplot(2,3,1)imshow(f);title('(a)原始圖像');……詳見附錄結(jié)果如圖4-3所示。（a）原始圖像（b）原始圖像的距離變換（c）標記外部約束(d)標記內(nèi)部約束（e）由標記內(nèi)部約束重構(gòu)的梯度圖（f）分割結(jié)果圖4-3準確標記的分水嶺算法分割過程分水嶺閥值選擇算法具有運算簡單、性能良好、能夠較好地提取對象輪廓、準確得到物體邊界的優(yōu)點。但由于分割時需要梯度信息，原始信號中噪聲的影響會在梯度圖中造成許多虛假的局部極小值，由此產(chǎn)生過分割的現(xiàn)象。基于區(qū)域生長法的圖像分割區(qū)域生長法主要考慮象素及其空間鄰域象素之間的關(guān)系。開始時確定一個或多個象素點作為種子，然后按某種相似性準則增長區(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區(qū)域，直至沒有可以歸并的點或其它小區(qū)域為止。區(qū)域內(nèi)象素的相似性度量可以包括平均灰度值、紋理、顏色等信息。圖3.2.1給出已知種子點進行區(qū)域生長的一個示例。圖4-4（a）給出需要分割的圖像，設(shè)已知兩個種子像素（標為深淺不同的灰色方塊），現(xiàn)要進行區(qū)域生長。設(shè)這里采用的判定準則是：如果考慮的像素與種子像素灰度值差的絕對值小于某個閾值T，則將該像素包括進種子像素所在的區(qū)域。圖4-4（b）給出了T=3時的區(qū)域生長結(jié)果，整幅圖被較好地分成2個區(qū)域；圖4-4（c）給出了T=1時的區(qū)域生長結(jié)果，有些像素無法判定；圖4-4（d）給出了T=6時的區(qū)域生長的結(jié)果，整幅圖都被分在一個區(qū)域中了。由此可見閾值的選擇是很重要的。圖3.2.1區(qū)域增長示例區(qū)域生長法主要由三個步驟組成：選擇合適的種子點。確定相似性準則（生長準則）。確定生長停止條件。下面的Matlab程序中，首先指定幾個種子點，然后把圖像中灰度值等于種子點處的像素點也作為種子點，然后以種子點為中心，各像素點與種子點的灰度值的差不超過某個閾值，則認為該像素點和種子點具有相似性。區(qū)域生長是通過Matlab圖像處理工具箱中的函數(shù)imreconstruct完成的。imreconstruct函數(shù)的調(diào)用語法為：outim=imreconstruct(markerim,maskim)其中markerim為標記圖像，maskim為模板圖像，outim為輸出圖像。Imreconstruct函數(shù)的工作過程是一個迭代過程，大致過程如下：把初始化為標記圖像markerim。創(chuàng)建一個結(jié)構(gòu)元素。重復以下計算直到maskim其中⊕為形態(tài)學中的膨脹算子。最后當imreconstruct函數(shù)完成圖像的生長后，用Matlab圖像處理工具箱中的函數(shù)bwlabel把八連通的區(qū)域連接起來完成圖像的分割。bwlabel函數(shù)的調(diào)用語法為：[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，背景被標記為0，第一個連通區(qū)域被標記為1，第二個連通區(qū)域被標記為2，依此類推。如圖4-5所示。圖4-5bwlabel函數(shù)標記的連通區(qū)域示意圖區(qū)域生長法分割圖像源程序：f=imread('pepper.bmp');f=rgb2gray(f);%轉(zhuǎn)換為二值圖像subplot(2,2,1);imshow(f);seedx=[30,76,86];seedy=[110,81,110];%選擇3個種子點……詳見附錄區(qū)域生長結(jié)果如圖4-6所示。(a)原始圖像及種子點位置(b)三個種子點區(qū)域生長結(jié)果圖4-6區(qū)域生長基于區(qū)域分裂合并法的圖像分割區(qū)域生長法通常需要人工交互以獲得種子點，這樣使用者必須在每個需要抽取的區(qū)域中植入一個種子點。區(qū)域分裂合并法不需要預先指定種子點，它按某種一致性準則分裂或合并區(qū)域，當一個區(qū)域不滿足一致性準則時被分裂成幾個小的區(qū)域，當相鄰區(qū)域性質(zhì)相似時合并成一個大區(qū)域。它的研究重點是分裂和合并規(guī)則的設(shè)計。使用分裂合并法可以實現(xiàn)圖像自動細化分割運算，通過分裂運算，屬于不同物體的區(qū)域和邊界可以被找出來；同時通過合并運算，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。分裂合并法可以先進行分裂運算，然后再進行合并運算；也可以分裂和合并運算同時進行，經(jīng)過連續(xù)的分裂和合并，最后得到圖像的精確分割。分裂合并算法對分割復雜的場景圖像比較有效。倘若引入應用領(lǐng)域知識，則可以更好地提高分割效果。具體實現(xiàn)時，分裂合并算法通常是基于四叉樹據(jù)表示方式進行的。如圖4-7所示，用R代表整幅圖像區(qū)域，P為具有相同性質(zhì)的邏輯謂詞，對某一區(qū)域Ri，如果P(Ri)=False，則將Ri分割成四個正方形子區(qū)域。這種分割從整幅圖像區(qū)域開始直到P(Ri)=True或Ri已為單個像素。如圖4-8所示，圖中黑色部分為目標圖像，P(R)=False，對R進行分裂，得到四個子區(qū)域，其中只有P(R3)=False，對R3進行分裂，得到四個子區(qū)域，這四個子區(qū)域都滿足一致性準則，分裂停止。基于四叉樹數(shù)據(jù)的區(qū)域分裂合并算法可表述如下：設(shè)整幅圖像為初始區(qū)域。對每一個區(qū)域R，如果P(R)=False則把該區(qū)域分裂成四個子區(qū)域。重復步驟2，直到?jīng)]有區(qū)域可以分裂。對圖像中任意兩個相鄰的區(qū)域R1和R2，如果P(R1UR2)=True，則把這兩個區(qū)域合并成一個區(qū)域。重復步驟4，直到?jīng)]有相鄰區(qū)域可以合并，算法結(jié)束。（a）分裂圖像（b）相應的四叉樹結(jié)構(gòu)圖4-7圖像分裂合并法數(shù)據(jù)結(jié)構(gòu)（b）（c）圖4-8圖像分裂示例下面的Matlab程序調(diào)用split_merge函數(shù)完成區(qū)域分裂合并運算，split_merge函數(shù)中區(qū)域分裂是通過Matlab圖像處理工具箱中的函數(shù)qtdecomp完成的，qtdecomp函數(shù)的調(diào)用語法為：s=qtdecomp(I,fun)其中i為待分裂的圖像，使用者必須提供fun函數(shù)用于判斷是否對當前圖像塊進行分裂，假設(shè)qtdecomp剛分裂得到k個m×m大小的圖像塊，他會把這k個圖像塊組成一個m×m×k大小的數(shù)組作為參數(shù)調(diào)用fun函數(shù)，fun函數(shù)應返回一個有k個元素的數(shù)組，數(shù)組的元素為1表明相應的圖像塊應繼續(xù)分裂，為0則停止分裂。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，s（i，j）為這個圖像塊的大小。程序中該函數(shù)為split_test_fun，它通過調(diào)用predicate_fun函數(shù)判斷圖像子塊的一致性，一致性謂詞使用灰度方差來定義：P(R)=QUOTEMatlab提供的std2函數(shù)可用于計算圖像的標準方差。分裂合并算法分割圖像源程序：f=imread('peppers.bmp');[m,n]=size(f);pow2size=2^nextpow2(max(m,n));ifm~=n|m~=pow2sizeerror('圖像必須是方的且大小為2的整數(shù)次冪');endsubplot(2,2,1);imshow(f);title('原始圖像');std_thresh=10;min_dim=2;g=split_merge(f,min_dim,@predicate_fun,std_thresh);g=mat2gray(g);subplot(2,2,2);imshow(g);title('分裂最小子區(qū)域大小2×2');%title('分裂合并分割結(jié)果');functiong=split_merge(f,min_dim,predicate_fun,std_thresh)%g=split_merge(f,min_dim,predicate_fun,std_thresh)分裂合并圖像%f為輸入圖像,min_dim為分裂最小子區(qū)域的大小%predicate_fun為實現(xiàn)相同性質(zhì)邏輯謂詞P的函數(shù)%std_thresh為標準方差閾值%用四叉樹結(jié)構(gòu)分裂圖像spate_qtim=qtdecomp(f,@split_test_fun,min_dim,@predicate_fun,std_thresh);%取出最大塊的大小max_block_size=full(max(spare_qtim(:)));maskim=zeros(size(f));markerim=zeros(size(f));fori=1:max_block_size[val,r,c]=qtgetblk(f,spare_qtim,i);ifnumel(val)～=0forj=1:length(r)……詳見附錄分裂合并算法分割圖像結(jié)果如圖4-9所示。（a）原始圖像（b）分裂最小子區(qū)域大小1616（c）分裂最小子區(qū)域大小88（c）分裂最小子區(qū)域大小88圖4.9圖像分裂示例圖像分割應用綜述區(qū)域生長法在車牌定位中的應用應用區(qū)域生長法進行汽車圖像的車牌定位：圖5-1不同汽車是依靠車牌號碼來區(qū)分的，從分割的汽車圖像中再分割出車牌圖像也叫車牌定位。車牌定位實質(zhì)上就是進行圖像的區(qū)域分割，即從不相關(guān)性的二維或三維圖像中提取所需的線段、塊或輪廓，它是進行車牌號碼識別的前期處理。常用的分割方法有邊緣檢測、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。本文采用跟蹤技術(shù)中的區(qū)域生長法來實現(xiàn)車牌定位。圖5-1所示的是一張較高清晰度的汽車背景圖像，從圖中我們看到，車牌的底色與車體的顏色在灰度上有明顯的差異，并且車牌的形狀是規(guī)則的矩形，灰度值跳變較明顯，便于與車體背景的分離；其次，車牌字符的灰度值與車牌底色的灰度值也有明顯的變化，而且可以看到車牌字符具有如下的特征：(1)漢字和數(shù)字的筆畫風格和粗細相同；(2)字符間的距離為定值；(3)各字符的字體大小相同，充滿各自所占的長方形方格。車牌的各個灰度特征非常明顯，便于應用區(qū)域生長法進行分割。圖5-1是汽車圖像的原始圖像、灰度圖像上的種子點的選取位置以及最終的分割結(jié)果。從實驗結(jié)果可以看到，利用區(qū)域生長法從復雜的汽車背景中來提取車牌是可行的，能夠較清晰的將車牌從汽車圖像與背景中提取出來。但是同時也看到，由于區(qū)域生長法的特點以及在實現(xiàn)過程中人為對生長條件的選取，對分割結(jié)果產(chǎn)生了很多不確定性，將一部分其他的汽車背景也分割了出來?？傮w來說，分割的結(jié)果還是比較令人滿意，基本上實現(xiàn)了汽車車牌從汽車背景中的分離。區(qū)域生長法是跟蹤技術(shù)的一種，這種方法有三個關(guān)鍵點即種子點的選擇、生長準則的確定以及區(qū)域生長停止的條件，而生長準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準則，在本文的示例及后面的車牌提取中，主要運用了圖像的灰度變化作為生長準則，分割結(jié)果比較滿意。分水嶺算法在粘連顆粒圖像分割中的應用本文在分水嶺算法的基礎(chǔ)上提出了一種改進的分割方法，首先將顆粒圖像轉(zhuǎn)換為灰度圖像，再對灰度顆粒圖像進行形態(tài)學重建濾波，之后在二值化圖像的基礎(chǔ)上進行距離變換，最后對距離變換后的圖像采用分水嶺的方法進行分割。算法流程如圖5-2所示。輸入圖像輸入圖像形態(tài)學梯度形態(tài)學濾