畢業(yè)設(shè)計(jì)（論文） 基于MATLAB圖像分割算法研究與實(shí)現(xiàn)

《畢業(yè)設(shè)計(jì)（論文） 基于MATLAB圖像分割算法研究與實(shí)現(xiàn)》由會(huì)員分享，可在線(xiàn)閱讀，更多相關(guān)《畢業(yè)設(shè)計(jì)（論文） 基于MATLAB圖像分割算法研究與實(shí)現(xiàn)（28頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、 基于MATLAB圖像分割算法研究與實(shí)現(xiàn) 摘 要 圖像分割是指把圖像分解成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過(guò)程，它是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要而且基本的問(wèn)題，分割結(jié)果的好壞將直接影響到視覺(jué)系統(tǒng)的性能。因此從原理、應(yīng)用和應(yīng)用效果的評(píng)估上深入研究圖像分割技術(shù)具有十分重要的意義。本課題主要介紹了圖像分割的基本知識(shí)，研究了圖像分割的兩大類(lèi)算法，即基于邊緣檢測(cè)的方法和基于區(qū)域生成的方法。采用MATLAB仿真了所有分割過(guò)程，得到了比較理想的分割結(jié)果，并分析了各個(gè)算法的優(yōu)點(diǎn)和不足之處,以及適用于何種圖像。 基于邊緣檢測(cè)方法種類(lèi)繁多，主要介紹基于EDGE函數(shù)、檢測(cè)微小結(jié)構(gòu)、四叉樹(shù)分解和閾值

2、分割的方法實(shí)現(xiàn)對(duì)圖像的邊緣檢測(cè)及提取。而基于區(qū)域的圖像分割方法主要包括區(qū)域生長(zhǎng)法和分裂-合并分割方法。通過(guò)多次的實(shí)驗(yàn)過(guò)后，總結(jié)出一般的圖像分割處理可以用EDGE函數(shù)。而特定的圖像應(yīng)用閾值分割、檢測(cè)微小結(jié)構(gòu)和四叉樹(shù)分解比較簡(jiǎn)單。 雖然近年來(lái)人們?cè)趫D像分割方面做了大量的研究工作，但由于尚無(wú)通用的分割理論，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，有待于進(jìn)一步解決。 關(guān)鍵字：圖像分割；邊緣檢測(cè)；區(qū)域生成；閾值分割 Research of image segmentation algorithm Abstract Image

3、 Segmentation is the technique and the process to segment an image into different sub-mages with different characters and to extract the interested objects from the image. It is an important and basic procedure in the field of computer vision, the quality of image segmentation directly affects the p

4、erformance of vision system. Therefore, from the theory, application and evaluation of application effect of depth of image segmentation is of great significance. This issue introduces the basics of image segmentation, image segmentation of the two major algorithms have been done, that is based on e

5、dge detection method and the method based on regional produce. Segmentation process is simulated and the results have shown perfect. Advantages and disadvantages of each algorithm are discussed at the end of the paper, and to apply to each image. Edge detection method based on a wide range of EDGE

6、-based functions are introduced, the detection of minimal structure, quadtree decomposition and threshold segmentation method to realize the edge detection and extraction. The region-based image segmentation methods include region growing and division - combined segmentation. Through many experiment

7、s later, summed up the general image segmentation can be EDGE function. The specific application of image segmentation, the detection of minimal structure and quadtree decomposition is simple. Although a lot of image segmentation research has been done in recent years, but there is not general the

8、ory of segmentation, the proposed segmentation algorithm has been mostly issue-specific, and there is not a suitable segmentation algorithm for all common image, remains to be resolved. Keywords: Image segmentation; Edge detection; Region segmentation; Threshold 引 言 圖像分割是數(shù)字圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，它使得

9、其后的圖像分析，識(shí)別等高級(jí)處理階段所要處理的數(shù)據(jù)量大大減少，同時(shí)又保留有關(guān)圖像結(jié)構(gòu)特征的信息。由于分割中出現(xiàn)的誤差會(huì)傳播至高層次處理階段，因此分割的精確程度是至關(guān)重要的，多年來(lái)一直受到研究人員的高度重視，被認(rèn)為是計(jì)算機(jī)視覺(jué)中的一個(gè)瓶頸。 圖像分割是圖像處理中的主要問(wèn)題，也是計(jì)算機(jī)視覺(jué)領(lǐng)域低層次視覺(jué)中的主要問(wèn)題，同時(shí)它又是一個(gè)經(jīng)典難題。由于問(wèn)題的重要性和困難性，從七十年代起圖像分割問(wèn)題就吸引了很多研究人員為之付出了巨大的努力，但到目前為止還未存在一個(gè)通用的方法，也不存在一個(gè)判斷分割是否成功的客觀(guān)標(biāo)準(zhǔn)。 近幾年來(lái)，很多研究人員做了大量的工作，提出了很多實(shí)用的分割算法，隨著統(tǒng)計(jì)學(xué)理論、模糊集理論

10、、神經(jīng)網(wǎng)絡(luò)、形態(tài)學(xué)理論、小波理論等在圖像分割中的應(yīng)用日漸廣泛，遺傳算法、尺度空間、多分辨率方法、非線(xiàn)性擴(kuò)散方程等近期涌現(xiàn)的新方法和新思想也不斷被用于解決分割問(wèn)題，國(guó)內(nèi)外學(xué)者提出了不少針對(duì)一些具體應(yīng)用的好的分割方法。本文針對(duì)當(dāng)前主流的灰度圖像分割算法進(jìn)行了分析、分類(lèi)、歸納和總結(jié)，指出了各類(lèi)方法的優(yōu)缺點(diǎn)，為人們?cè)诓煌膽?yīng)用場(chǎng)合及不同的圖像數(shù)據(jù)條件選擇不同的分割算法提供了一定的依據(jù)。需要指出的是，由于從不同的角度將得到不同的分類(lèi)結(jié)果，本文中涉及方法的分類(lèi)并不是絕對(duì)的，而且許多分割方法還是多種簡(jiǎn)單方法的綜合體，我們只能大致將它們分為屬于最能反映其特點(diǎn)的某一類(lèi)。

11、 第一章 數(shù)字圖像分割概述 1.1 基本概念 1.1.1 圖像和數(shù)字圖像 圖像就是用各種觀(guān)察系統(tǒng)以不同的形式和手段觀(guān)察客觀(guān)世界而獲得的，可以直接的或間接的作用于人眼而產(chǎn)生視知覺(jué)的實(shí)體。科學(xué)研究和試驗(yàn)表明，人類(lèi)從外界獲得的信息75%來(lái)自于視覺(jué)系統(tǒng)，也就是說(shuō)，人類(lèi)的大部分信息都是從圖像中獲得的。圖像是人們從出生以來(lái)體驗(yàn)到的最重要、最豐富、信息量獲得最大的部分。 圖像能以各種各樣的形式出現(xiàn)，例如，可視和不可視的，抽象的和實(shí)際的，適于計(jì)算機(jī)處理的和不適于計(jì)算機(jī)處理的。就其本質(zhì)來(lái)說(shuō)，可以將圖像分為兩大類(lèi)： 一類(lèi)是模擬圖像，包括光學(xué)圖像、照相圖像和電視圖像

12、等，例如，在生物醫(yī)學(xué)研究中，人們?cè)陲@微鏡下看到的圖像就是一幅光學(xué)模擬圖像，照片、用線(xiàn)條畫(huà)的圖、繪畫(huà)也都是模擬圖像。模擬圖像處理速度快，但精度和靈活性差，不易查找和判斷。 另一類(lèi)是將連續(xù)的模擬圖像經(jīng)過(guò)離散化處理后變成計(jì)算機(jī)能夠識(shí)別的點(diǎn)陣圖像，成為數(shù)字圖像。嚴(yán)格的數(shù)字圖像是一個(gè)經(jīng)過(guò)等距離矩形網(wǎng)格采樣，對(duì)幅度進(jìn)行等間隔量化的二維函數(shù)，因此，數(shù)字圖像就是實(shí)際上就是被量化的二維采樣數(shù)組。 與模擬圖像相比，數(shù)字圖像具有以下顯著特點(diǎn)： (1)精度高：目前的計(jì)算機(jī)技術(shù)可以將一幅模擬圖像數(shù)字化為任意的二維數(shù)組，即數(shù)字圖像可以由無(wú)限個(gè)像素組成，每個(gè)像素的亮度可以量化為12位（即4096個(gè)灰度級(jí)），這樣的精

13、度使數(shù)字圖像與彩色圖像的效果相差無(wú)幾； (2)處理方便：由于數(shù)字圖像本質(zhì)上是一組數(shù)據(jù)，所以可以用計(jì)算機(jī)對(duì)它進(jìn)行任意方式的修改，例如，放大、縮小、改變顏色、復(fù)制和刪除某一部分等； (3)重復(fù)性好：模擬圖像（例如，照片）即便使用非常好的底片和相紙，也會(huì)隨著時(shí)間的流逝而褪色、發(fā)黃，而數(shù)字圖像可以?xún)?chǔ)存在光盤(pán)中，上百年后再用計(jì)算機(jī)重現(xiàn)也不會(huì)有絲毫的改變。 1.1.2 圖像分割的定義 在圖像的研究和應(yīng)用中，人們往往只對(duì)一幅圖像中的某些部分感興趣，這些感興趣的部分一般對(duì)應(yīng)圖像中特定的、具有特殊性質(zhì)的區(qū)域（可以對(duì)應(yīng)單個(gè)區(qū)域，也可以對(duì)應(yīng)多個(gè)區(qū)域），稱(chēng)之為目標(biāo)或前景；而其它部分稱(chēng)為圖像的背景。為了辨

14、識(shí)和分析目標(biāo)，需要把目標(biāo)從一幅圖像中孤立出來(lái)，這就是圖像分割要研究的問(wèn)題。所謂圖像分割，從廣義上來(lái)講，是根據(jù)圖像的某些特征或特征集合（包括灰度、顏色、紋理等）的相似性準(zhǔn)則對(duì)圖像像素進(jìn)行分組聚類(lèi)，把圖像平面劃分成若干個(gè)具有某些一致性的不重疊區(qū)域。這使得同一區(qū)域中的像素特征是類(lèi)似的，即具有一致性；而不同區(qū)域間像素的特征存在突變，即具有非一致性。 從集合的角度出發(fā)，圖像分割定義如下： 設(shè)R代表整個(gè)圖像區(qū)域,對(duì)R的分割可看作將R分成若干個(gè)滿(mǎn)足一下5個(gè)條件的非空子集（子區(qū)域），， (1)即分割成的所有子區(qū)域的并應(yīng)能構(gòu)成原來(lái)的區(qū)域R。 (2)對(duì)所有的i和j及ij，有即分割成的各子區(qū)域互不重疊。

15、 (3)對(duì)于；有1,2,i=…，n;有。即分割得到的屬于同一區(qū)域的像素應(yīng)具有某些相同的特性。 (4)對(duì)于，有。即分割得到的屬于不同區(qū)域的像素應(yīng)具有不同的性質(zhì)。() (5)對(duì)于；1,2,i…，是連通的區(qū)域。即同一子區(qū)域的像素應(yīng)當(dāng)是連通的。 1.2 圖像分割研究的發(fā)展和意義 1.2.1 圖像技術(shù)的發(fā)展 圖像處理是人類(lèi)視覺(jué)延續(xù)的重要手段，可以使人們看到任意波長(zhǎng)上所測(cè)得的圖像。例如，借助的伽馬相機(jī)、X光機(jī)，人們可以看到紅外和超聲圖像；借助CT，人們可以看到物體內(nèi)部的斷層圖像；借助相應(yīng)工具，人們可以看到立體圖像和剖視圖像。幾十年前，美國(guó)在太空探索中拍回了大量的月球圖片

16、，但是由于種種環(huán)境因素的影響，這些圖片是非常不清晰的，為此，人們對(duì)這些照片進(jìn)行了一些圖像處理手段，使照片中的重要信息得以清晰再現(xiàn)。正是這一方法產(chǎn)生的效果引起了巨大的轟動(dòng)，從而促進(jìn)了圖像處理技術(shù)的蓬勃發(fā)展。 總體來(lái)說(shuō)，圖像處理技術(shù)的發(fā)展大致經(jīng)歷了初創(chuàng)期、發(fā)展期、普及期和實(shí)用化期四個(gè)階段。初創(chuàng)期開(kāi)始于20世紀(jì)60年代，當(dāng)時(shí)的圖像采用像素型光柵進(jìn)行掃描顯示，大多采用中、大型機(jī)進(jìn)行處理。在這一時(shí)期，由于圖像存儲(chǔ)成本高，處理設(shè)備造價(jià)高，因而其應(yīng)用面很窄。20世紀(jì)70年代進(jìn)入發(fā)展期，開(kāi)始大量采用中、小型機(jī)進(jìn)行處理，圖像處理也漸漸改用光柵掃描顯示方式，特別是出現(xiàn)了CT和衛(wèi)星遙感圖像，對(duì)圖像處理的發(fā)展起到了

17、很好的促進(jìn)作用。到了20世紀(jì)80年代，圖像處理技術(shù)進(jìn)入普及期，此時(shí)的微機(jī)能夠擔(dān)當(dāng)起圖形圖像處理的任務(wù)。VLSI的出現(xiàn)更使得處理速度大大提高，其造價(jià)也進(jìn)一步降低，極大地促進(jìn)了圖像圖像系統(tǒng)的普及和應(yīng)用。20世紀(jì)90年代是圖像技術(shù)的實(shí)用化時(shí)期，圖像處理的信息量巨大，對(duì)處理速度的要求極高。據(jù)美國(guó)每日科學(xué)網(wǎng)2011年6月21日?qǐng)?bào)道，美國(guó)普渡大學(xué)的研究人員開(kāi)發(fā)出一種基于熱映像的計(jì)算機(jī)圖像分割算法，可使計(jì)算機(jī)迅速識(shí)別出物體的外形，即便其發(fā)生扭曲或輕度變形也不會(huì)受到影響。該技術(shù)將使機(jī)器視覺(jué)與人類(lèi)視覺(jué)更加接近，可廣泛應(yīng)用于圖像搜索、醫(yī)療影像以及無(wú)人機(jī)制造等多個(gè)領(lǐng)域。詳細(xì)研究結(jié)果將分為兩篇論文，在6月21日至23

18、日舉行的IEEE（美國(guó)電氣及電子工程師學(xué)會(huì)）計(jì)算機(jī)視覺(jué)和模式識(shí)別大會(huì)上予以公布。新算法更接近于人類(lèi)，是一種無(wú)監(jiān)督機(jī)器學(xué)習(xí)（計(jì)算機(jī)或是機(jī)器人在無(wú)需任何事前訓(xùn)練的情況下就能具有感知和學(xué)習(xí)能力）技術(shù)，計(jì)算機(jī)可自行估計(jì)可分割的段數(shù)而無(wú)需預(yù)先提供。 21世紀(jì)的圖像處理技術(shù)要向高質(zhì)量化方面發(fā)展，主要體現(xiàn)在以下幾點(diǎn)： a．高分辨率、速度高：圖像處理技術(shù)發(fā)展的最終目標(biāo)是要實(shí)現(xiàn)圖像的實(shí)時(shí)處理，這在移動(dòng)目標(biāo)的生成、識(shí)別和跟蹤上有著重要意義； b．立體化：立體化包括的信息量最為豐富和完整，未來(lái)采用數(shù)字全息技術(shù)將有助于達(dá)到這個(gè)

19、目的； c．智能化:其目的是實(shí)現(xiàn)圖像的智能生成、處理、識(shí)別和理解。 1.2.2 圖像分割的研究意義 圖像分割是數(shù)字圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，它使得其后的圖像分析，識(shí)別等高級(jí)處理階段所要處理的數(shù)據(jù)量大大減少，同時(shí)又保留有關(guān)圖像結(jié)構(gòu)特征的信息。由于分割中出現(xiàn)的誤差會(huì)傳播至高層次處理階段，因此分割的精確程度是至關(guān)重要的，多年來(lái)一直受到研究人員的高度重視，被認(rèn)為是計(jì)算機(jī)視覺(jué)中的一個(gè)瓶頸。圖像分割是一種重要的圖像技術(shù)，在不同領(lǐng)域中有時(shí)也用其它名稱(chēng)：如目標(biāo)輪廓(object delineation)技術(shù)，閾值化(threshold)技術(shù)，圖像區(qū)分或求差(image discrimination)

20、技術(shù)，目標(biāo)檢測(cè)(target detection)技術(shù)，目標(biāo)識(shí)別(target recognition)技術(shù)，目標(biāo)跟蹤(target tracking)技術(shù)等，這些技術(shù)本身或其核心實(shí)際上也就是圖像分割技術(shù)。圖像分割是圖像處理、分析的一項(xiàng)基本內(nèi)容。 圖像分割的應(yīng)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(lèi)型的圖像。圖像分割在工業(yè)自動(dòng)化、在線(xiàn)產(chǎn)品檢驗(yàn)、生產(chǎn)程控、文件圖像處理、遙感圖像、保安監(jiān)視、以及軍事、體育、農(nóng)業(yè)工程等方面都有廣泛的應(yīng)用。例如：在遙感圖像中，合成孔徑雷達(dá)圖像中目標(biāo)的分割、遙感云圖中不同云系和背景分布的分割等；在醫(yī)學(xué)應(yīng)用中，腦部MR圖像分割成灰質(zhì)（GM）、白質(zhì)（WM

21、）、腦脊髓（CSF）等腦組織和其它腦組織區(qū)域（NB）等；在交通圖像分析中，把車(chē)輛目標(biāo)從背景中分割出來(lái)等；在面向?qū)ο蟮膱D像壓縮和基于內(nèi)容的圖像檢索中將圖像分割成不同的對(duì)象區(qū)域等。在各種圖像應(yīng)用中，只要需對(duì)圖像目標(biāo)進(jìn)行提取，測(cè)量等都離不開(kāi)圖像分割。圖像分割的準(zhǔn)確性將直接影響后續(xù)任務(wù)的有效性，因此圖像分割具有十分重要的意義。 1.2.1 圖像分割的研究現(xiàn)狀及發(fā)展趨勢(shì) 對(duì)圖像分割來(lái)說(shuō)，如果不利用關(guān)于圖像或所研究目標(biāo)的先驗(yàn)知識(shí)，任何基于數(shù)學(xué)工具的解析方法都很難得到很好的效果。因此，在更多的時(shí)候，人們傾向于重新設(shè)計(jì)一個(gè)針對(duì)具體問(wèn)題的新算法來(lái)解決所而臨的圖像分割問(wèn)題。這在只有少量圖像樣本的時(shí)候，利用各

22、種先驗(yàn)知識(shí)，設(shè)計(jì)一個(gè)具有針對(duì)性的算法進(jìn)行圖像分割是比較容易的。但是當(dāng)需要構(gòu)建一些實(shí)用的機(jī)器視覺(jué)系統(tǒng)時(shí)，所面臨的將是具有一定差異性、數(shù)量龐大的圖像庫(kù)，此時(shí)如何很好的利用先驗(yàn)知識(shí)，設(shè)計(jì)一個(gè)對(duì)所有待處理圖像都實(shí)用的分割算法將是一件非常困難的任務(wù)。其次，由于缺乏一個(gè)統(tǒng)一的理論作為基礎(chǔ)，同時(shí)也缺乏對(duì)人類(lèi)視覺(jué)系統(tǒng)(human vision system，HVS)機(jī)理的深刻認(rèn)識(shí)，構(gòu)造一種能夠成功應(yīng)用于所有圖像的統(tǒng)一的圖像分割算法，到目前為止還是難以實(shí)現(xiàn)的。那么，我們是否能研究出針對(duì)不同特點(diǎn)的圖像使用不同的分割方法，以期都能獲得滿(mǎn)意的分割結(jié)果呢?遺憾的是迄今為止還沒(méi)有一個(gè)完善的理論來(lái)指導(dǎo)如何根據(jù)圖像的特點(diǎn)來(lái)選

23、擇合適的法。 現(xiàn)實(shí)生活中在分割一幅圖像時(shí)，多是依據(jù)經(jīng)驗(yàn)和直覺(jué)去選擇方法，通過(guò)反復(fù)實(shí)踐來(lái)找到一種最佳的方法。與計(jì)算機(jī)科學(xué)技術(shù)的確定性和準(zhǔn)確性相比，圖像分割更像是一種藝術(shù)行為，有經(jīng)驗(yàn)的人能比較容易的選用出適當(dāng)?shù)姆椒?，使不同的圖像都得到最佳的分割效果。但是，當(dāng)要處理的圖像十分龐大時(shí)，圖像分割就像是流水線(xiàn)上的一道簡(jiǎn)單工序，這種藝術(shù)行為就顯得無(wú)能為力了。隨著圖像技術(shù)和多媒體技術(shù)的發(fā)展，包括圖像、音頻和視頻等信息的多媒體數(shù)據(jù)己經(jīng)廣泛用于Internet和企事業(yè)信息系統(tǒng)中，而且越來(lái)越多的商業(yè)活動(dòng)、信息表現(xiàn)和事務(wù)交易中都將包括多媒體數(shù)據(jù)，自然也就包含了大量的圖像，基于內(nèi)容的圖像檢索(intent ba

24、sed image retrieval，CBIR)的廣泛應(yīng)用就是一個(gè)例子，這些常常都是以圖像分割作為基礎(chǔ)的。 縱觀(guān)圖像分割技術(shù)這些年的發(fā)展，其中有幾個(gè)明顯的趨勢(shì)： 第一，大量學(xué)者致力于將新的概念、新的方法引入圖像分割領(lǐng)域，如這幾年逐漸引起人們重視的模糊算法、神經(jīng)網(wǎng)絡(luò)與遺傳算法、小波分析、粗集理論、數(shù)學(xué)形態(tài)學(xué)等理 論都先后被應(yīng)用于圖像分割領(lǐng)域，為該領(lǐng)域中的研究注入了新的活力，有效的解決了原有理論的一部分缺陷，改善了分割效果，更重要的是為圖像分割問(wèn)題的最終解決開(kāi)拓了新的思路。隨著基礎(chǔ)理論研究的深化，這一趨勢(shì)是必將會(huì)繼續(xù)下去。 第二，人們非常重視多種分割算法的有效結(jié)合。綜合使用2種或2種

25、以上的方法，能夠部分克服單獨(dú)的圖像分割算法難以對(duì)一般圖像取得令人滿(mǎn)意的分割效果的問(wèn)題，占據(jù)了分割領(lǐng)域中現(xiàn)有文獻(xiàn)的大部分，而采取什么樣的結(jié)合方式才能體現(xiàn)各種方法的優(yōu)點(diǎn)，彌補(bǔ)各自的不足，取得好的預(yù)期效果，在未來(lái)將仍是人們關(guān)注的主要問(wèn)題之一。 第三，針對(duì)特定領(lǐng)域的特殊問(wèn)題，利用這些領(lǐng)域的專(zhuān)業(yè)知識(shí)來(lái)輔助解決圖像分割問(wèn)題，越來(lái)越多的吸引了研究人員的注意力。相應(yīng)的，對(duì)圖像分割作為一個(gè)統(tǒng)一對(duì)象的研究在逐漸弱化。醫(yī)學(xué)圖像處理中的病理圖像分割、工業(yè)圖像分割、安全圖像處理中的保密信息提取、軍事圖像處理中的雷達(dá)圖像分割及衛(wèi)星圖像分割、交通圖像處理中的車(chē)牌識(shí)別等都是近幾年來(lái)圖像分割領(lǐng)域中討論較多的熱點(diǎn)問(wèn)題。

26、 第二章 數(shù)字圖像分割基本算法 2.1 閾值分割算法 閾值分割法是一種簡(jiǎn)單的基于區(qū)域的分割技術(shù)，是一種廣泛使用的圖像分割技術(shù)，它利用圖像中要提取的目標(biāo)和背景在灰度特性上的差異，把圖像視為具有不同灰度級(jí)的兩類(lèi)區(qū)域的組合，選取一個(gè)合適的閾值，以確定圖像中每個(gè)像素點(diǎn)是屬于目標(biāo)還是屬于背景。它不僅可以極大的壓縮數(shù)據(jù)量，而且也大大簡(jiǎn)化了圖像信息的分析和處理步驟。閾值法是首先確定一個(gè)處于圖像灰度級(jí)范圍內(nèi)的灰度閾值T，然后將圖像中每個(gè)像素的灰度值都與這個(gè)閾值T比較，根據(jù)它是否超過(guò)閾值T而將該像素歸于兩類(lèi)中的一類(lèi)。常用的方法就是設(shè)定某一閾值T，用T將圖像分割成大于閾值

27、T的像素群(目標(biāo))和小于閾值T(背景)的像素群兩部分。這兩類(lèi)像素一般屬于圖像中的兩類(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。輸入圖像是，輸出圖像是，則: ()() (2-1） 從該方法中可以看出，確定一個(gè)最優(yōu)閾值是分割的關(guān)鍵，同時(shí)也是閾值分割的一個(gè)難題。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。現(xiàn)有的大部分算法都是集中在閾值確定的研究上。 目前己提出的閾值化方法很多，相應(yīng)的分類(lèi)也有很多種，閾值化分割方法根據(jù)圖像本身的特點(diǎn)，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(biāo)位置的閾值分割方法。若根

28、據(jù)分割算法所具有的特征或準(zhǔn)則，還可以分為直方圖峰谷法、最大類(lèi)空間方差法、最大墑法、模糊集法、特征空間聚類(lèi)法、基于過(guò)渡區(qū)的閾值選取法等。 2.1.1 直方圖閾值的雙峰法 該閾值化方法的依據(jù)是圖像的直方圖，通過(guò)對(duì)直方圖進(jìn)行各種分析來(lái)實(shí)現(xiàn)對(duì)圖像的分割。圖像的直方圖可以看作是像素灰度值概率分布密度函數(shù)的一個(gè)近似，設(shè)一幅圖像僅包含目標(biāo)和背景，那么它的直方圖所代表的像素灰度值概率密度分布函數(shù)實(shí)際上就是對(duì)應(yīng)目標(biāo)和背景的兩個(gè)單峰分布密度函數(shù)的和。圖像二值化過(guò)程就是在直方圖上尋找兩個(gè)峰、一個(gè)谷來(lái)對(duì)一個(gè)圖像進(jìn)行分割，也可以通過(guò)用兩級(jí)函數(shù)來(lái)近似直方圖。 若灰度圖像的直方圖，其灰度級(jí)范圍為0,1,=…，L-1

29、,當(dāng)灰度級(jí)為k時(shí)的像素?cái)?shù)為 ，則一幅圖像的總像素?cái)?shù)N為: (2-2) 灰度級(jí)i出現(xiàn)的概率為： 當(dāng)灰度圖像中畫(huà)面比較簡(jiǎn)單且對(duì)象物的灰度分布比較有規(guī)律時(shí)，背景和對(duì)物象在圖像的灰度值方圖上各自形成一個(gè)波峰，由于每?jī)蓚€(gè)波峰間形成一個(gè)低谷，因而選擇雙峰間低谷處所對(duì)應(yīng)的灰度值為閾值，可將兩個(gè)區(qū)域分離。 把這種通過(guò)選取直方圖閾值來(lái)分割目標(biāo)和背景的方法稱(chēng)為直方圖閾值雙峰法。如圖2-1所示，在灰度級(jí)和兩處有明顯的波峰，而在t處是一個(gè)谷點(diǎn)。 直方圖雙峰法閾值分割圖像 圖 2-1 直方圖雙峰法閾值分割圖像程序 clear close all I=imread(camera

30、man.tif); imhist(I); newI=im2bw(I,150/255); subplot(121),imshow(I) subplot(122),imshow(newI) 圖2-2 雙峰法分割前后的圖像 將原始圖像和閾值分割后的圖像比較，可以發(fā)現(xiàn)有些前景圖像和背景圖像的灰度值太接近，導(dǎo)致有些前景圖像沒(méi)有從背景中分離出來(lái)，圖像失真了。 雙峰法比較簡(jiǎn)單，在可能情況下常常作為首選的閾值確定方法，但是圖像的灰度直方圖的形狀隨著對(duì)象、圖像輸入系統(tǒng)，輸入環(huán)境等因素的不同而千差萬(wàn)別，當(dāng)出現(xiàn)波峰間的波谷平坦、各區(qū)域直方圖的波形重疊等情況時(shí)，用直方圖閾值難以確定閾值，必須尋求其

31、他方法來(lái)選擇適宜的閾值。 2.1.2 迭代法 迭代式閾值選取的基本思路是:首先根據(jù)圖像中物體的灰度分布情況，選取一個(gè)近似閾值作為初始閾值，一個(gè)較好的方法就是將圖像的灰度均值作為初始閾值；然后通過(guò)分割圖像和修改閾值的迭代過(guò)程獲得認(rèn)可的最佳閾值[5]。迭代式閾值選取過(guò)程可描述如下。 (1)選取一個(gè)初始閾值T。 (2)利用閾值T把給定圖像分割成兩組圖像，記為 , 。 (3)計(jì)算和均值和 , 。 (4)選取新的閾值T,且+= （2-4） (5)重復(fù)第(2)~(4)步，直至和均值和 不再變化為止。 具體實(shí)現(xiàn)時(shí)，首先根據(jù)初始開(kāi)關(guān)函數(shù)將輸入圖逐個(gè)圖像分為前景和背景，在第一遍對(duì)圖像掃描結(jié)

32、束后，平均兩個(gè)積分器的值以確定一個(gè)閾值。用這個(gè)閾值控制開(kāi)關(guān)再次將輸入圖分為前景和背景，并用做新的開(kāi)關(guān)函數(shù)。如此反復(fù)迭帶直到開(kāi)關(guān)函數(shù)不在發(fā)生變化，此時(shí)得到的前景和背景即為最終分割結(jié)果。迭代所得的閾值分割的圖像效果良好?；诘拈撝的軈^(qū)分出圖像的前景和背景的主要區(qū)域所在，但在圖像的細(xì)微處還沒(méi)有很好的區(qū)分度。對(duì)某些特定圖像，微小數(shù)據(jù)的變化卻會(huì)引起分割效果的巨大改變，兩者的數(shù)據(jù)只是稍有變化，但分割效果卻反差極大。對(duì)于直方圖雙峰明顯，谷底較深的圖像，迭代方法可以較快地獲得滿(mǎn)意結(jié)果，但是對(duì)于直方圖雙峰不明顯，或圖像目標(biāo)和背景比例差異懸殊，迭代法所選取的閾值不如其它方法。 迭代法閾值分割圖像程序和結(jié)果

33、如下： I=imread(rice.png); ZMax=max(max(I)); ZMin=min(min(I)); TK=(ZMax+ZMin)/2; bCal=1; iSize=size(I); while(bCal) iForeground=0; iBackground=0; ForegroundSum=0; BackgroundSum=0; for i=1:iSize(1) for j=1:iSize(2) tmp=I(i,j); if(tmp>=TK) iForeground=iForeground+1; ForegroundSum=Foregr

34、oundSum+double(tmp); else iBackground=iBackground+1; BackgroundSum=BackgroundSum+double(tmp); end end end ZO=ForegroundSum/iForeground; ZB=BackgroundSum/iBackground; TKTmp=uint8((ZO+ZB)/2); if(TKTmp==TK) bCal=0; else TK=TKTmp; end end disp(strcat(迭代后的閾值：,num2str(TK))); newI=im2bw(I,

35、double(TK)/255); subplot(121),imshow(I) subplot(122),imshow(newI) 圖2-3 迭代法分割前后的圖像 迭代后的閾值：131 迭代所得的閾值分割的圖像效果良好?；诘拈撝的軈^(qū)分出圖像的前景的主要區(qū)域所在，但在圖像的細(xì)微處還沒(méi)有很好的區(qū)分度?？偟膩?lái)說(shuō)迭代法比雙峰法分割的效果有很大的提高。 2.1.3 大律法 圖像記t為前景與背景的分割閾值，前景點(diǎn)數(shù)占圖像比例為，平均灰度為；背景點(diǎn)數(shù)占圖像比例為，平均灰度為，則圖像的總平均灰度為：

36、 (2-5) 從最小灰度值到最大灰度值遍歷t，當(dāng)t使得值: (2-6) 最大時(shí)t即為分割的最佳閾值。 大津法可作如下理解：該式實(shí)際上就是類(lèi)間方差值，閾值t 分割出的前景和背景兩部分構(gòu)成了整幅圖像，而前景取值，概率為，背景取值，概率為，總均值為u，根據(jù)方差的定義即得該式。因方差是灰度分布均勻性的一種度量,方差值越大,說(shuō)明構(gòu)成圖像的兩部分差別越大,當(dāng)部分目標(biāo)錯(cuò)分為背景或部分背景錯(cuò)分為目標(biāo)都會(huì)導(dǎo)致兩部分差別變小，因此使類(lèi)間方差最大的分割意味著錯(cuò)分概率最小。直接應(yīng)用大津法計(jì)算量

37、較大，因此在實(shí)現(xiàn)時(shí)采用了等價(jià)的公式 (2-7) 在MATLAB中，graythresh函數(shù)實(shí)現(xiàn)用大津法計(jì)算全局圖像的閾值。下面分別使用graythresh函數(shù)和前面所說(shuō)的等價(jià)公式計(jì)算閾值。 大律法閾值分割圖像程序和結(jié)果如下： I=imread(coins.png); subplot(131),imshow(I); title(原始圖像) level=graythresh(I); BW=im2bw(I,level); subplot(132),imshow(BW) title(gr

38、aythresh 計(jì)算閾值) disp(strcat(graythresh 計(jì)算灰度閾值:,num2str(uint8(level*255)))) 圖2-4 大律法分割前后的圖像 在測(cè)試中發(fā)現(xiàn)，大津法選取出來(lái)的閾值非常理想，表現(xiàn)較為良好。雖然它在很多情況下都不是最佳的分割，但分割質(zhì)量通常都有一定的保障，可以說(shuō)是最穩(wěn)定的分割。 2.2 邊緣檢測(cè)算法研究 數(shù)字圖像的邊緣檢測(cè)是圖像風(fēng)格、目標(biāo)區(qū)域的識(shí)別、區(qū)域形狀提取等圖像分析領(lǐng)域中十分重要的基礎(chǔ)。邊緣檢測(cè)技術(shù)在數(shù)字圖像處理中非常重要，因?yàn)檫吘壥菆D像中所要提取的目標(biāo)和背景的分界線(xiàn)，只有提取出了邊緣才能將背景和目標(biāo)區(qū)域分開(kāi)來(lái)。 兩個(gè)

39、既有不容灰度值的相鄰區(qū)域之間總存在邊緣，邊緣是灰度值不連續(xù)的結(jié)果這種不連續(xù)通?？梢岳们蟮箶?shù)的方法方便的檢測(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。 邊緣檢測(cè)的基本思想首先是利用邊緣增強(qiáng)算子，突出圖像中的局部邊緣，然后定義系那個(gè)數(shù)的“邊緣強(qiáng)度”，通過(guò)設(shè)值閾值的方法提取邊緣點(diǎn)集。但是優(yōu)于噪聲和圖像模糊的愿意，檢測(cè)到的邊界可能會(huì)有間斷的情況發(fā)生。所以邊緣檢測(cè)包含兩個(gè)內(nèi)容： (1)用邊緣算子提取邊緣點(diǎn)集； (2)在邊緣點(diǎn)集中取出某些邊緣點(diǎn)，填充一些邊緣點(diǎn)，再將得到的邊緣點(diǎn)集連接為線(xiàn)。 常用的檢測(cè)算子有微風(fēng)算子、log算子和canny算子。 在MATLAB圖像出了工具箱中，提供了edg

40、e函數(shù)利用以上算子來(lái)檢測(cè)灰度圖形的邊緣。 函數(shù)：edge。 功能：利用各個(gè)算子來(lái)做邊緣算檢測(cè)。 語(yǔ)法格式： BW=edge(I,method) BW=edge(I,method,thresh) BW=edge(I,method,thresh,direction) 說(shuō)明： I是輸入圖像。Method是使用算子的類(lèi)型，“sobel”是其默認(rèn)值，表示用導(dǎo)數(shù)的sobel近似值檢測(cè)邊緣，那些梯度最大點(diǎn)返回邊緣；為“prewitt”時(shí)表示用導(dǎo)數(shù)的prewitt近似值檢測(cè)邊緣；為“roberts”時(shí)表示用導(dǎo)數(shù)的roberts近似值檢測(cè)邊緣；為“

41、log”時(shí)表示使用高斯濾波器的拉普拉斯運(yùn)算對(duì)I進(jìn)行濾波，通過(guò)尋找0相交檢測(cè)邊緣；為“zerocross”時(shí)表示使用指定的濾波器的拉普拉斯運(yùn)算對(duì)I進(jìn)行濾波，通過(guò)尋找0相交檢測(cè)邊緣；為“canny”時(shí)表示用拉普拉斯算子檢測(cè)邊緣。Thresh是指定的閾值，所有不強(qiáng)于thresh的邊都被忽略。diredtion是對(duì)于“sobel”和“prewitt”方法制定方向。diredtion是字符串，為“horizontal”表示水平方向，為“vertical”表示垂直方向，為“both”表示兩個(gè)方向（默認(rèn)值）。BW是返回的二進(jìn)制圖像。在二進(jìn)制圖像中，數(shù)值1代表找到的邊緣，數(shù)值0代表其他像素。 edge函數(shù)提

42、供的最有效的邊緣檢測(cè)方法。該方法的優(yōu)點(diǎn)在于，使用兩種不同的閾值分別檢測(cè)強(qiáng)邊緣和弱邊緣，并且僅當(dāng)弱邊緣和強(qiáng)邊緣相連時(shí)，才將弱邊緣包含在輸出圖像中。因此，這種方法不容易被噪聲“填充”，更容易檢測(cè)出真正的弱邊緣。) 基于邊緣檢測(cè)的分割方法可以說(shuō)是人們最早研究的方法，基于在區(qū)域邊緣上的像素灰度值的變化往往比較劇烈，它試圖通過(guò)檢測(cè)不同區(qū)域間的邊緣來(lái)解決圖像分割問(wèn)題。 邊緣檢測(cè)技術(shù)可以按照處理的順序分為串行邊緣檢測(cè)以及并行邊緣檢測(cè)。在串行邊緣檢測(cè)技術(shù)中。當(dāng)前像素點(diǎn)是否屬丁欲檢測(cè)的邊緣，取決于先前像素的驗(yàn)證結(jié)果;而在并行邊緣檢測(cè)技術(shù)中.一個(gè)像素點(diǎn)是否屬于欲檢測(cè)的邊緣，取決于當(dāng)前正在檢測(cè)的像素點(diǎn)以及該

43、像素點(diǎn)的一些相鄰像索點(diǎn)，這樣該模型可以同時(shí)用于檢測(cè)圖像中的所有像素點(diǎn)，因而稱(chēng)之為并行邊緣檢測(cè)技術(shù)。 最簡(jiǎn)單的邊緣檢測(cè)方法是井行微分算子法，它利用相鄰區(qū)域的像素值不連續(xù)的性質(zhì)，采明一階或二階導(dǎo)數(shù)來(lái)檢測(cè)邊緣點(diǎn)。 2.2.1 拉普拉斯高斯算子 拉普拉斯—高斯算子（Laplacian of Gaussian算子，通常縮寫(xiě)為log算子）是一種二階微分算子，將在邊緣處產(chǎn)生一個(gè)陡峭的零交叉。Log算子是一個(gè)線(xiàn)性的、移不變的算子，它通過(guò)尋找圖像灰度值中二階微分是0的點(diǎn)來(lái)檢測(cè)邊緣點(diǎn)。對(duì)一個(gè)連續(xù)函數(shù)，其在處的log算子定義如下： 拉普拉斯算子是常用的邊緣檢測(cè)算子，它是各向同性的二階導(dǎo)數(shù) =+

44、 （2-8） 經(jīng)邊緣檢測(cè)后的圖像g(x,y)為 - （2-9） 式中，系數(shù)k與擴(kuò)散效應(yīng)有關(guān)。圖像經(jīng)過(guò)拉普拉斯運(yùn)算后得到檢測(cè)出邊緣圖像。需要注意的是，對(duì)系數(shù)k的選擇要合理，太大會(huì)使圖像中的輪廓邊緣產(chǎn)生過(guò)沖，太小則邊緣不明顯。g(x,y)對(duì)數(shù)字圖像來(lái)講，的二階偏導(dǎo)數(shù)可以表示為 為此拉普拉斯算子為:= = 可見(jiàn)數(shù)字圖像在點(diǎn)的拉普拉斯邊緣檢測(cè)值，可以由點(diǎn)的灰度值減去該點(diǎn)鄰域的平均灰度值來(lái)求得。 另外，式(2-11)還可以表示成模板的形式，如圖2-5所示。從模板形式容易看出，如果在圖像中的一個(gè)

45、較暗的區(qū)域中出現(xiàn)了一個(gè)亮點(diǎn)，那么用拉普拉斯運(yùn)算就會(huì)使這個(gè)亮點(diǎn)變得更亮。因?yàn)閳D像中的邊緣就是那些灰度發(fā)生跳變的區(qū)域，所以拉普拉斯算子在邊緣檢測(cè)中很有用。同梯度算子一樣，拉普拉斯算子也增強(qiáng)了噪聲，有時(shí)用拉普拉斯算子在進(jìn)行邊緣檢測(cè)時(shí)，可將圖像進(jìn)行平滑處理。 可以用log算子檢測(cè)細(xì)胞圖像。 0 1 1 1 -4 0 0 1 0 圖2-5 拉普拉斯運(yùn)算模板 具體程序和結(jié)果如下： I=imread(rice.png); BW1=edge(I,log); subplot(1,2,1);imshow(I);title(原圖像); subplot(1,

46、2,2);imshow(BW1);title(log邊緣檢測(cè)結(jié)果); 圖2-6 log算子邊緣檢測(cè) 2.2.2 Canny算子 Canny算子是一種比較新的邊緣檢測(cè)算子，具有很好的邊緣檢測(cè)性能，得到了越來(lái)越廣泛的應(yīng)用。Canny算子邊緣檢測(cè)的方法是尋找圖像梯度的局部最大值。梯度是用高斯濾波器的導(dǎo)數(shù)計(jì)算的。Canny方法使用兩個(gè)閾值來(lái)分別檢測(cè)強(qiáng)邊緣和弱邊緣，而且僅當(dāng)強(qiáng)邊緣和弱邊緣相連時(shí)，弱邊緣才會(huì)包含在輸出中。因此，此方法不容易受噪聲的干擾，能夠檢測(cè)到真正的弱邊緣。 Canny算子對(duì)檢測(cè)階躍性邊緣時(shí)效果極好，去噪能力強(qiáng)。但由于檢測(cè)閾值固定

47、，當(dāng)檢測(cè)具有模糊邊緣的圖像時(shí)，很可能導(dǎo)致平滑掉部分邊緣信息。因此，為了能更精確地檢測(cè)出目標(biāo)邊界，可先對(duì)圖像進(jìn)行預(yù)處理，將其分割成若干子圖像，然后針對(duì)每幅子圖像中具體情況選用不同的閾值，采用針對(duì)各子圖所選擇的閾值對(duì)圖像進(jìn)行動(dòng)態(tài)閾值分割。實(shí)際應(yīng)用時(shí)可以根據(jù)需要來(lái)調(diào)整子圖像的大小，以獲取所需的大小，這應(yīng)該是一種可行的方法。 Canny把邊緣檢測(cè)問(wèn)題轉(zhuǎn)換為檢測(cè)單元函數(shù)極大值的問(wèn)題。在高斯噪聲中，一個(gè)典型的邊緣代表一個(gè)階躍的強(qiáng)度變化。根據(jù)這個(gè)模型，一個(gè)好的邊緣檢測(cè)算子應(yīng)具有的3個(gè)指標(biāo)位: 1)低失誤概率，既要減少將真正的邊緣丟失也要減少將非邊緣判為邊緣。 2)高位置精度

48、，檢測(cè)出的邊緣應(yīng)在真正的邊界上。 3)對(duì)每個(gè)邊緣有惟一的響應(yīng)，得到的邊界為單像素寬。 為此，Canny提出了判定邊緣檢測(cè)算子的3個(gè)準(zhǔn)則: 1)信噪比準(zhǔn)則。 2)定義精度準(zhǔn)則。 3)單邊緣響應(yīng)準(zhǔn)則。 在Canny的假設(shè)下，對(duì)于一個(gè)帶有Gaussian白噪聲的階躍邊緣，邊緣檢測(cè)算子是一個(gè)與圖像函數(shù)進(jìn)行卷積的濾波器f，這個(gè)卷積濾波器應(yīng)該平滑掉白噪聲并找到邊緣位置。問(wèn)題是怎樣確定一個(gè)能夠使三個(gè)準(zhǔn)則得到優(yōu)化的濾波器函數(shù)。根據(jù)第一個(gè)準(zhǔn)則，濾波器函數(shù)f對(duì)邊緣G影響由下面的卷積積分給出： 假設(shè)區(qū)域-外函數(shù)f的值為0，則數(shù)學(xué)上三個(gè)準(zhǔn)則的表達(dá)式為 ： 信噪比SNR是

49、輸入信號(hào)與噪聲的比值，它的值越大說(shuō)明信號(hào)越強(qiáng)；Lacalization是檢測(cè)到的邊緣真正邊緣距離的倒數(shù)，這個(gè)值越大說(shuō)明檢測(cè)的邊緣的距離越小，二者越接近；zcx是一個(gè)約束條件，它代表零交叉點(diǎn)間的平均距離，說(shuō)明濾波器f在校區(qū)域內(nèi)對(duì)同一個(gè)邊不會(huì)有太多的響應(yīng)。Canny把上面三個(gè)公式結(jié)合起來(lái)，并試圖找到能夠使之最大化的濾波器，但結(jié)果太復(fù)雜，最后Canny證明了Gaussian函數(shù)的一階導(dǎo)數(shù)是該優(yōu)化的邊緣檢測(cè)濾波器的有效近似。 下面是算法的基本步驟： 1） 用Gaussian濾波器對(duì)圖像進(jìn)行卷積； 2） 計(jì)算圖像梯度的幅值和方向； 3） 對(duì)梯度圖像應(yīng)用非極大值抑制（置零）。 以用can

50、ny算子來(lái)檢測(cè)細(xì)胞圖像。 具體程序和結(jié)果如下： I=imread(rice.png); BW1=edge(I,canny); subplot(1,2,1);imshow(I);title(原圖像); subplot(1,2,2);imshow(BW1);title(canny算子檢測(cè)圖像); 圖2-7 canny算子邊緣檢測(cè) 2.2.3 一階微分算子 微分算子具有突出灰度變化的作用，對(duì)圖像運(yùn)用微分算子，灰度變化較大的點(diǎn)處算得的值較高，因此這些微分值可作為相應(yīng)的邊界強(qiáng)度，所以可以通過(guò)對(duì)這些微分值設(shè)置閾值，提取邊界的點(diǎn)集。一階微分算子常用的有roberts

51、算子、sobel算子和prewitt算子 (1) Roberts邊緣檢測(cè)算子 根據(jù)計(jì)算梯度原理，采用對(duì)角線(xiàn)方向相鄰兩像素之差得Roberts算子為： 并可由下列卷積算子實(shí)現(xiàn)： 1 0 0 -1 0 1 -1 0 圖2-8 Roberts算子模板 兩個(gè)模板為在x方向和y方向的一階差分。適當(dāng)選取閾值T，并做如下判斷：如果則為階躍狀邊緣點(diǎn)，為邊緣圖像。 Roberts算子采用對(duì)角線(xiàn)方向相鄰兩像素之差近似梯度幅值檢測(cè)邊緣。檢測(cè)水平和垂直邊緣效果好于傾斜邊緣，定位精度高，但對(duì)噪聲敏感。 (2) Sobel邊緣檢測(cè)算子

52、Sobel算子有兩個(gè)卷積計(jì)算核，如圖2-9所示。圖像中的每個(gè)點(diǎn)都用這兩個(gè)核作卷積，第一個(gè)核通常對(duì)垂直邊緣相應(yīng)最大，第二個(gè)核對(duì)水平邊緣相應(yīng)最大。兩個(gè)卷積的最大值作為該點(diǎn)輸出值，運(yùn)算結(jié)果是一幅邊緣幅度圖像。 Sobel算子定義為： -1 0 1 -2 0 2 -1 0 1 -1 -2 -1 0 0 0 1 2 1 圖2-9 Sobel算子模板 Sobel算子通常對(duì)灰度漸變和噪聲較多的圖像處理得較好。 Sobel算子的設(shè)計(jì)步驟如下: 1)用高斯濾波器對(duì)圖像濾波，去除圖像中的噪聲。 2)由于導(dǎo)數(shù)算子具有突出灰度變化的作用，對(duì)

53、圖像運(yùn)用導(dǎo)數(shù)算子，灰度變化較大的點(diǎn)處算得的值較高，通過(guò)設(shè)計(jì)閾值的方法，提取邊界點(diǎn)集。 3)對(duì)提取邊緣后的圖像進(jìn)行連接和細(xì)化，使其形成一條有意義的邊界。 Sobel算子利用像素點(diǎn)上下、左右鄰點(diǎn)的灰度加權(quán)算法，根據(jù)在邊緣點(diǎn)處達(dá)到極值這一現(xiàn)象進(jìn)行邊緣檢測(cè)。 (3) Prewitt算子 Prewitt算子有兩個(gè)卷積計(jì)算核，如下圖2-10所示作卷積的方法和Sobel算子的方法相似。 -1 0 1 -1 0 1 -1 0 1 -1 -1 -1 0 0 0 1 1 1 圖2-10 Prewitt算子模板 下面就用edge函數(shù)調(diào)用sobe

54、l算子、roberts算子和prewitt算子檢測(cè)圖像rice.png的邊緣，并進(jìn)行比較。 I=imread(rice.png); BW1=edge(I,sobel); BW2=edge(I,roberts); BW3=edge(I,prewitt); subplot(2,2,1); imshow(I);title(原圖像); subplot(2,2,2); imshow(BW1);title(sobel算子提取結(jié)果); subplot(2,2,3); imshow(BW2);title(roberts算子提取結(jié)果); subplot(2,2,4);

55、imshow(BW3);title(prewitt算子提取結(jié)果); 圖2-11 三種微分算子邊緣檢測(cè) 在對(duì)rice.png的分析中可以看出，使用Roberts算子的檢測(cè)結(jié)果比較好。但是并不是每種圖像都用Roberts算子的效果好。各種算子適合使用的情況見(jiàn)表2-1。 算子 最佳情況 Roberts 對(duì)具有陡峭的低噪聲的圖像處理效果較好。但是利用Roberts算子提取邊緣的結(jié)果邊緣比較粗，因此邊緣定位不是很準(zhǔn)確 sobel 對(duì)灰度漸變和噪聲較多的圖像處理效果較好。Sobel算子對(duì)邊緣定位

56、比較準(zhǔn)確 prewitt 對(duì)灰度漸變和噪聲較多的圖像處理效果較好 log 拉普拉斯高斯算子經(jīng)常出現(xiàn)雙像素邊界，并且該檢測(cè)方法對(duì)噪聲比較敏感；所以，很少用拉普拉斯高斯算子邊緣檢測(cè)，而是用來(lái)判斷邊緣像素是位于圖像的明區(qū)還是暗區(qū) canny 此方法不容易受噪聲的干擾，能夠檢測(cè)真正的弱邊緣。在edge函數(shù)中，最有效的邊緣檢測(cè)方法是Canny方法。該方法的優(yōu)點(diǎn)在于，使用兩種不同的閾值分別檢測(cè)強(qiáng)邊緣和弱邊緣，并且僅當(dāng)弱邊緣和強(qiáng)邊緣相連時(shí)，才將若邊緣包含在輸出圖像中。因此，這種方法不容易被噪聲“填充”，更容易檢測(cè)出真正的弱邊緣 2.3 區(qū)域分割算法研究 2.3.1 區(qū)域生長(zhǎng)的原理和步

57、驟: 區(qū)域生長(zhǎng)的基本思想是將具有相似性質(zhì)的像素集合起來(lái)構(gòu)成區(qū)域。具體先對(duì)每個(gè)需要分割的區(qū)域找一個(gè)種子像素作為生長(zhǎng)的起點(diǎn)，然后將種子像素周?chē)徲蛑信c種子像素有相同或相似性質(zhì)的像素(根據(jù)某種事先確定的生長(zhǎng)或相似準(zhǔn)則來(lái)判定)合并到種子像素所在的區(qū)域中。將這些新像素當(dāng)作新的種子像素繼續(xù)進(jìn)行上面的過(guò)程，直到再?zèng)]有滿(mǎn)足條件的像素可被包括進(jìn)來(lái)。這樣一個(gè)區(qū)域就長(zhǎng)成了。 圖2-12給出已知種子點(diǎn)進(jìn)行區(qū)域生長(zhǎng)的一個(gè)示例。圖2-12(a)給出需要分割的圖像，設(shè)己知有兩個(gè)種子像素(標(biāo)為深淺不同的灰色方塊)，現(xiàn)要進(jìn)行區(qū)域生長(zhǎng)。這里采用的判斷準(zhǔn)則是:如果所考慮的像素與種子像素灰度值差的絕對(duì)值小于某個(gè)閾值

58、T，則將該像素包括進(jìn)種子像素所在區(qū)域。圖2-12(b)給出了時(shí)的區(qū)域生長(zhǎng)結(jié)果，整幅圖被較好地分成2個(gè)區(qū)域;圖2-12(c)給出了時(shí)的區(qū)域生長(zhǎng)結(jié)果，有些像素?zé)o法判定;圖2-12(d)給出了時(shí)的區(qū)域生長(zhǎng)結(jié)果，整幅圖都被分在一個(gè)區(qū)域中了。由此可見(jiàn)閾值的選擇是很重要的。 從示例可知，在實(shí)際應(yīng)用區(qū)域生長(zhǎng)方法時(shí)需要解決3個(gè)問(wèn)題:①如何選擇一組能正確代表所需要區(qū)域的種子像素;②如何確定在生長(zhǎng)過(guò)程中能將相鄰像素包括進(jìn)來(lái)的準(zhǔn)則;③如何確定生長(zhǎng)終止的條件或規(guī)則。 第一個(gè)問(wèn)題通?？梢愿鶕?jù)具體圖像的特點(diǎn)來(lái)選取種子像素。例如，在紅外圖像檢測(cè)技術(shù)中，通常目標(biāo)的輻射都是比較大，所以可以選擇圖像中最亮的像素作為種

59、子像素。如果沒(méi)有圖像的先驗(yàn)知識(shí)，那么可以借助生長(zhǎng)準(zhǔn)則對(duì)像素進(jìn)行相應(yīng)的計(jì)算。如果計(jì)算結(jié)果可以看出聚類(lèi)的情況，那么可以選擇聚類(lèi)中心作為種子像素。 第二個(gè)問(wèn)題的解決不但依賴(lài)具體問(wèn)題的特征，還與圖像的數(shù)據(jù)類(lèi)型有關(guān)。如果圖像是RGB彩色圖像，那么如果使用單色準(zhǔn)則就會(huì)影響分割結(jié)果。另外，還需要考慮像素間的連通性，否則有時(shí)會(huì)出現(xiàn)無(wú)意義的分割結(jié)果。 一般生長(zhǎng)過(guò)程在進(jìn)行到?jīng)]有滿(mǎn)足生長(zhǎng)準(zhǔn)的像素時(shí)停止。但常用的基于灰度、紋理、彩色的準(zhǔn)則大都基于圖像中的局部性質(zhì)，并沒(méi)有充分考慮生長(zhǎng)的“歷史”。為增加區(qū)域生長(zhǎng)的能力需考慮一些于尺寸、形狀等圖像和目標(biāo)的全局性質(zhì)有關(guān)的準(zhǔn)則。在這種情況下常需對(duì)分割結(jié)果建立一定的模型或輔

60、以一定的先驗(yàn)知識(shí)。 (A) (B) (C) (D) 圖2-12 區(qū)域生長(zhǎng)示例 2.3.2 生長(zhǎng)準(zhǔn)則和過(guò)程 區(qū)域生長(zhǎng)的一個(gè)關(guān)鍵是選擇合適的生長(zhǎng)或相似準(zhǔn)則，大部分區(qū)域生長(zhǎng)準(zhǔn)則使用圖像的局部性質(zhì)。生長(zhǎng)準(zhǔn)則可根據(jù)不同原則制定，而使用不同的生長(zhǎng)準(zhǔn)則會(huì)影響區(qū)域生長(zhǎng)的過(guò)程。下面介紹3種基本的生長(zhǎng)準(zhǔn)則和方法。 (1) 灰度差準(zhǔn)則 區(qū)域生長(zhǎng)方法將圖像的像素為基本

61、單位來(lái)進(jìn)行操作，基本的區(qū)域灰度差方法主要有如下步驟: ①對(duì)圖像進(jìn)行逐步掃描，找出尚沒(méi)有歸屬的像素； ②以該像素為中心檢查它的鄰域像素，將鄰域中的像素逐個(gè)與它比較，如果灰度差小于預(yù)先確定的值，將它們合并； ③以新合并的像素為中心，返回到步驟②，檢查新像素的鄰域，直到區(qū)域能進(jìn)一步擴(kuò)張； ④返回到步驟①，繼續(xù)掃描直到不能發(fā)現(xiàn)沒(méi)有歸屬的像素，則結(jié)束整個(gè)生長(zhǎng)過(guò)程。 采用上述方法得到的結(jié)果對(duì)區(qū)域生長(zhǎng)起點(diǎn)的選擇有較大依賴(lài)性。為克服這個(gè)問(wèn)題可采用下面的改進(jìn)方法: ①設(shè)灰度差的閾值為零，用上述方法進(jìn)行區(qū)域擴(kuò)張，使灰度相同像素合并； ②求出所有鄰接區(qū)域之間的平均灰度差，并合并具有最小灰度差的鄰接區(qū)域

62、； ③設(shè)定終止準(zhǔn)則，通過(guò)反復(fù)進(jìn)行上述步驟②中的操作將區(qū)域依次合并直到終止準(zhǔn)則滿(mǎn)足為止。 另外，當(dāng)圖像中存在緩慢變化的區(qū)域時(shí)，上述方法有能會(huì)將不同區(qū)域逐步合并而產(chǎn)生錯(cuò)誤。為克服這個(gè)問(wèn)題，可不用新像素的灰度值去與鄰域像素灰度值比較，而用新像素所在區(qū)域的平均灰度值去與各鄰域像素的灰度值進(jìn)行比較。 對(duì)一個(gè)含N個(gè)像素的圖像區(qū)域R，均值為: 其對(duì)像素是否合并的比較測(cè)試表示為: 其中T為給定的閾值。 區(qū)域生長(zhǎng)的過(guò)程中，要求圖像的同一區(qū)域的灰度值變化盡可能小，而不同的區(qū)域之間，灰度差盡可能大。下面分兩種情況進(jìn)行討論: 1) 設(shè)區(qū)域?yàn)榫鶆虻?，各像素灰度值為m與一個(gè)零均值高斯噪音的疊加。當(dāng)測(cè)

63、試某個(gè)像素是否合并時(shí)，條件不成立的概率為: 這就是誤差概率函數(shù)，當(dāng)T取3倍的方差時(shí)，誤判概率為1-99.7%。這表明，當(dāng)考慮灰度均值時(shí)，區(qū)域內(nèi)的灰度變化應(yīng)盡量小。 2) 設(shè)區(qū)域?yàn)榉蔷鶆?，且由兩部分不同目?biāo)的圖像像素構(gòu)成。這兩部分像素在R中所占比例分別為和,灰度值分別為和，則區(qū)域均值為+。對(duì)灰度值為m的像素，它與區(qū)域均值的差為： 可知正確的判決概率為: 這表明，當(dāng)考慮灰度均值時(shí)，不同部分像素間的灰度差距應(yīng)盡量大。 (2) 灰度分布統(tǒng)計(jì)準(zhǔn)則 這里考慮以灰度分布相似性作為生長(zhǎng)準(zhǔn)則來(lái)決定區(qū)域的合并，具體步驟為: ①把圖像分成互不重疊的小區(qū)域； ②比較鄰接區(qū)域的累積灰度直方圖根

64、據(jù)灰度分布的相似性進(jìn)行區(qū)域合并； ③設(shè)定終止準(zhǔn)則，通過(guò)反復(fù)進(jìn)行步驟②中的操作將各個(gè)區(qū)域依次合并直到終止準(zhǔn)則滿(mǎn)足。 這里對(duì)灰度分布的相似性常用兩種方法檢測(cè)(設(shè)，(分別為兩鄰接區(qū)域的累積灰度直方圖): Kolmogorov-Smirnov檢測(cè): Smoothed-Difference檢測(cè): 如果檢測(cè)結(jié)果小于給定的閾值，即將兩區(qū)域合并。 采用灰度分布相似合并法生成區(qū)域的效果與微區(qū)域的大小和閾值的選取關(guān)系密切，一般說(shuō)來(lái)微區(qū)域太大，會(huì)造成因過(guò)渡合并而漏分區(qū)域:反之，則因合并不足而割斷區(qū)域。而且，圖像的復(fù)雜程度，原圖像生成狀況的不同，對(duì)上述參數(shù)的選擇有很大影響。通常，微區(qū)域大小

65、q和閾值T由特定條件下的區(qū)域生成效果確定。 (3) 區(qū)域形狀準(zhǔn)則 在決定對(duì)區(qū)域的合并時(shí)也可以利用對(duì)目標(biāo)形狀的檢測(cè)結(jié)果，常用的方法有兩種: ①把圖像分割成灰度固定的區(qū)域，設(shè)兩鄰區(qū)域的周長(zhǎng)分別為和，把兩區(qū)域共同邊界線(xiàn)兩側(cè)灰度差小于給定值的那部分長(zhǎng)度設(shè)為L(zhǎng)，如果(,為預(yù)定閾值): 則合并兩區(qū)域; ②把圖像分割成灰度固定的區(qū)域，設(shè)兩鄰接區(qū)域的共同邊界長(zhǎng)度為B，把兩區(qū)域共同邊界線(xiàn)兩側(cè)灰度差小于給定值的那部分長(zhǎng)度設(shè)為L(zhǎng)，如果(為預(yù)定閾值） 則合并兩區(qū)域。 上述兩種方法的區(qū)別是:第一種方法是合并兩鄰區(qū)域的共同邊界中對(duì)比度較低部分占整個(gè)區(qū)域邊界份額較大的區(qū)域，而第二種方法則是合并兩鄰

66、接區(qū)域的共同邊界中對(duì)比度較低部分比較多的區(qū)域。 2.3.3 分裂合并 上面介紹的區(qū)域生長(zhǎng)方法是先從單個(gè)種子像素開(kāi)始通過(guò)不斷接納新像素最后得到整個(gè)區(qū)域。另一種分割的想法可以是先從整幅圖像開(kāi)始通過(guò)不斷分裂得到各個(gè)區(qū)域。實(shí)際中常先把圖像分成任意大小不斷重疊的區(qū)域，然后再合并或分裂這些區(qū)域以滿(mǎn)足分割的要求。 (a) 四叉樹(shù)分裂 R R1 R4 R3 R2 R14 R13 R12 R11 圖2-13 圖像的四叉樹(shù)分解示意圖 在這類(lèi)方法中，最常見(jiàn)的方法四叉樹(shù)分解法。設(shè)R代表整個(gè)正方形圖像區(qū)域圖所示，P代表邏輯謂詞。從最高層開(kāi)始，把R連續(xù)地分裂成越來(lái)越小的1/4的正方形子區(qū)域，并且始終使。換句話(huà)說(shuō)，如果.那么就將圖像分為4等分。如此類(lèi)推，直到為單個(gè)