图像分割算法设计_本科毕业设计论文(59页).docx

《图像分割算法设计_本科毕业设计论文(59页).docx》由会员分享，可在线阅读，更多相关《图像分割算法设计_本科毕业设计论文(59页).docx（58页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、-图像分割算法设计_本科毕业设计论文-第 31 页大连海事大学装订线毕 业 论 文二 一三 年 六 月图像区域分割算法设计专业班级：2009级自动化(2)班姓 名： 邵东东 指导教师： 申丽然 信息科学技术学院摘 要数字图像处理技术是一个跨学科的领域。随着计算机科学技术的不断发展，图像处理和分析逐渐形成了自己的科学体系，新的处理方法层出不穷，尽管其发展历史不长，但却引起各方面人士的广泛关注。首先，视觉是人类最重要的感知手段，图像又是视觉的基础，因此，数字图像成为心理学、生理学、计算机科学等诸多领域内的学者们研究视觉感知的有效工具。其次，图像处理在军事、遥感、气象等大型应用中有不断增长的需求。本

2、文介绍了数字图像处理技术中图像分割技术的基本原理和主要方法，对经典的图像分割算法进行了较全面的叙述。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。本文根据MATLAB的GUI相关知识建立了显示界面，可以对图片进行预处理、多种方法的分割、显示灰度直方图和保存分割的图片。全文先后用阈值法、边缘检测法和区域提取法进行了仿真，对分割出来的图片加以比较，探讨各种分割法的优点与不足。实验证明，没有一种方法是通用的

3、分割理论，因此现已提出的分割算法大都是针对具体问题的，并没有一种适合于所有图像的通用的分割算法。但是可以看出，图像分割方法正朝着更快速、更精确的方向发展，通过各种新理论和新技术结合将不断取得突破和进展。关键词：图像分割； 阈值；边缘检测；区域生长 ABSTRACTDigital image processing technology is an interdisciplinary field. With the continuous development of computer science and technology, image processing and analysis, gr

4、adually formed its own scientific system.And the new treatment methods emerge in endlessly. Although its history is not long, but cause the extensive concern of all aspects of people. First of all, the visual is the most important human cognitive means, is the basis of the visual image, as a result,

5、 digital images become the psychology, physiology, computer science, and many other scholars in the fields of effective tool for the study of visual perception. Secondly, the image processing in the military, remote sensing, meteorology and other large applications with growing demand.Digital image

6、processing techniques were introduced in this paper with its the basic principle and main methods of image segmentation technology in the classic image segmentation algorithm for the more comprehensive narration. Image segmentation is to divide the image into several specific area, unique quality an

7、d interested target technology and process are put forward. It is a key step from image processing to image analysis. Existing mainly in the following categories: threshold segmentation method, region segmentation, edge detection and segmentation method based on specific theory, etc. In this paper,

8、based on MATLAB GUI knowledge display interface is established. It can be for image preprocessing, a variety of methods of segmentation,showing the gray level histogram and saving the segmentation of images. The text has used threshold method, the edge method and region extraction method has carried

9、 on the simulation, the partition of the image are compared, the advantages and shortcomings of all kinds of segmentation are discussed.Experiments show that no one approach is general theory of segmentation, therefore we has proposed segmentation algorithm is mostly directed at specific issues. The

10、re is not a general segmentation algorithm that is suitable for all images. But it can be seen that image segmentation method is moving toward more rapid, more accurate direction, through a variety of new theory and new technology will continue to make a breakthrough and progress.Keywords: Image seg

11、mentation; Threshold; Edge detection; Region growing目 录第1章 绪论11.1 选题的背景及意义11.1.1 图像分割的基本现状11.1.2 图像分割技术的发展趋势21.2 本论文的主要工作及内容安排2第2章 图像分割技术综述32.1 图像分割基本概念32.1.1 基于阈值的分割方法42.1.2 基于边缘的分割方法42.1.3 基于区域的分割方法52.1.4 结合特定理论工具的分割方法52.1.5 灰度直方图62.1.6 均值滤波62.2 GUI简介72.3 本章小结8第3章 基于阈值的图像分割方法的仿真实现93.1 引言93.2 直方图双峰

12、法93.3 最大类间方差法113.4 迭代法123.5 本章小结13第4章 基于边缘的图像分割方法的仿真实现144.1 引言144.2 梯度算子144.3 拉普拉斯算子154.4 Canny算子154.5 结果分析164.6 本章小结18第5章 基于区域的图像分割方法的仿真实现195.1 引言195.2 区域生长法195.3 区域分离与合并法215.4 本章小结23结论24参 考 文 献25致 谢26附录1：仿真完整程序1附录2：外文翻译13图像区域分割算法设计第1章 绪论1.1 选题的背景及意义在一副图像中，我们常常只对其中的某些目标感兴趣，对于这些我们感兴趣的目标，它们通常在要分割的图像中

13、占据一定的区域，而且在某些特性上与周围的图像存在一定的差别。这些差别可能非常明显，也可能十分细微，以至于人眼无法觉察。图像分割是按一定的制约规则把图像划分为若干个互不相交、具有特定性质的区域，是把我们关注的区域从需要分割的图像中提取出来，以此进行进一步研究分析和处理的技术。图像分割的结果是图像特征提取和识别等图像理解的基础，对图像分割的研究一直是数字图像处理技术的焦点和热点。图像分割把图像空间分成一些有意义的区域，与图像中各种物体目标相对应。它使得其后的图像分析和识别等处理过程中所要处理的数据量大大减少了，同时又保留了有关图像结构特征的信息。通过对分割结果的描述，能够理解图像中包含的有关信息。

14、图像分割质量直接影响后续图像处理的效果，甚至决定其成败，因此，分割的方法和精确程度至关重要。由此可知，图像分割在图像工程中占据非常重要的位置。图像分割在不同的领域也有其它的名称，如目标轮廓技术、目标检测技术、阈值化技术、目标跟踪技术等，这些技术本身或其核心实际上也就是图像分割技术。1.1.1 图像分割的基本现状图像分割算法的研究已经有几十年的历史，一直都受到人们的高度重视。关于图像分割的原理和方法国内外已有不少的研究成果，但一直以来没有一种分割方法适用于所有图像分割处理。传统的图像分割方法存在着一些不足，无法满足人们的要求，给进一步的图像分析和理解过程带来了困难。随着计算机技术的发展及其相关技

15、术的成熟，结合图像增强等图像处理技术，我们已经能够在计算机上实现图像分割处理过程。然而，到目前为止，人们还没有制定出选择合适分割算法的标准，这给图像分割技术的应用带来许多实际困难。因此，图像分割的研究还在不断深入，是目前图像处理中研究的热点之一。图像分割在图像工程中起着承上启下的作用，是介于低层次处理和高层次处理的中间层次。早在1965年就有人提出了检测边缘算子边缘检测方法，边缘检测已产生了不少经典算法。目前越来越多的学者开始将数学形态学、模糊理论、遗传算法理论、分形理论和小波变换理论等研究成果运用到图像分割中，产生了结合特定数学方法和针对特殊图像分割的先进图像分割技术。1.1.2 图像分割技

16、术的发展趋势纵观图像分割技术在这些年的发展，其中有几个明显的趋势： 1.大量学者致力于将新的概念、新的方法引入图像分割领域，如这几年逐渐引起人们重视的模糊算法、神经网络遗传算法、小波分析、粗集理论、数学形态学等理论都先后被应用于图像分割领域，为领域中的研究注入了新的活力，有效地解决了原有理论的一部分缺陷，改善了分割效果，更重要的是为图像分割问题的最终解决开拓了新的思路。随着基础理论研究的深化，这一趋势势必会继续下去。2.人们非常重视多种分割算法的有效结合，综合使用两种以上的方法，能够部分客服单独的图像分割算法难以对一般图像取得令人满意的分割效果的问题，占据了分割领域中现有文献的大部分。而采取什

17、么样的结合方式才能体现各种方法的有点，弥补各自的不足，取得好的预期效果，在未来将仍是人们关注的主要问题之一。3.针对特定领域的特殊问题，利用这些领域的专业知识来辅助解决图像分割问题，越来越多的吸引人们的注意力，相应的，对图像分割作为一个统一对象的研究在逐渐弱化。医学图像处理中的病理图像分割、工业图像分割、交通图像处理中的车牌识别等都是近几年来图像分割领域中讨论较多的热点问题。4.虽然对于彩色图像分割的研究已经有了许多成果，但是与灰度图像分割方法的多样性相比，其理论不够丰富，近几年，关于彩色图像分割的文献有增加的趋势，有可能成为一个新的热点方向。1.2 本论文的主要工作及内容安排1.对图像分割技

18、术进行综述，并介绍相关的术语，这里面有三次均值滤波、灰度直方图等。2.分别用一章阐述三大图像分割法阈值法、边缘检测法、区域法，包括基本原理，应用实例。用MATLAB进行仿真，对分割的图片做比较，分析各种分割方法的优点与不足3.在第三到五章的基础上总结全文，得出结论。第2章 图像分割技术综述2.1 图像分割基本概念图像分割（Image Segmentation）就是将图像表示为物理上有意义的连通区域。人们一般是通过对图像的不同特征如边缘、纹理、颜色、亮度等的分析达到图像分割的目的。图像分割通常是为了进一步对图像进行分析、识别、跟踪、理解、压缩编码等，分割的准确性直接影响后续任务的有效性，因此具有

19、十分重要的意义。图像分割就是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。图像分割在有些领域也称目标轮廓、阈值化技术、图像区分或求差技术、目标检测技术、目标识别技术、目标跟踪技术等。 多年来人们对图像分割提出了不同的解释和表述，借助集合概念对图像分割可给出如下定义：令集合R代表的整个图像区域，对R的图像分割可以看做是将R分成N个满足以下条件的非空子集R1,R2,RN。(1)i=1NRi=R；(2)对于所有的i和j，ij，有RiRj=；(3)对于i=1,2,N，有PRi=TURE；(4)对于ij，有PRiRj=FALSE；(5)对于i=1,2,N，Ri是连通的区域。其中P(Ri)是对所

20、有在集合Ri中元素的逻辑谓词，表示空集。 i=1NRi=R代表分割的所有子区域的并集即为原来的图像，它是图像处理中的每个像素都被处理的保证。RiRj=指出分割结果中的各个区域是互不重叠的。PRi=TURE表明在分割结果中，每个区域都有其独特的特性。PRiRj=FALSE表明在分割结果中同一个子区域的像素应当是连通的，也就是说同一个子区域内的任意的两个像素在该子区域内是互相连通的。这些条件对分割具有一定的指导作用。但是，实际中的图像分析和处理都是针对某种特定的应用，所以条件中的各种关系也需同实际需求结合来设定的。人们在多年的研究中积累了很多图像分割的方法。图像分割是一个将像素分类的过程，分类的依

21、据可建立在像素间的相似性、灰度不连续性基础之上。对于相似性检测方法（即基于区域的分割方法）主要有：双峰法、区域分裂与合并和自适应阈值分割等；对于灰度不连续性检测方法（即基于边缘的分割方法）主要有：边缘检测、边缘跟踪和霍夫变换等。此外，还有结合特定理论工具的分割方法，这些方法包括基于形态学分水岭的分割、基于统计模式识别的分割、基于神经网络的分割、基于信息论的分割、基于小波变换的分割等。2.1.1 基于阈值的分割方法 图像阈值化分割是一种传统的最常用的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。它不仅

22、可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。它的基本原理是通过设定不同的特征阈值，把图像象素点分为若干类。常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。设原始图像为f(x,y)，按照一定的准则f(x,y)中找到特征值T，将图像分割为两个部分，分割后的图像为

23、：若取： b0=0(黑)，b1=1(白)，即为我们通常所说的图像二值化。阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算效率的应用场合(如用于硬件实现)，它得到了广泛应用。目前，图像的阈值分割已被应用于很多的领域，例如，在红外技术应用中，红外无损检测中红外热图像的分割，红外成像跟踪系统中目标的分割；在遥感应用中，合成孔径雷达图像中目标的分割等；在医学应用中，血液细胞图像的分割，磁共振图像的分割；在农业工程应用中，水果品质无损检测过程中水果图像与背景的分割。在工业生产应用中，机器视觉运用于产品质量检测等。2.1.2 基于边缘的分割方法基于边缘的分割方法是一种利用图像不同区域间的像素灰度

24、不连续的特点检测出区域间的边缘，从而实现图像分割的方法。边缘检测是所有基于边缘分割方法的第一步。边缘检测可以根据处理的顺序分为并行边缘检测和串行边缘检测。图像中相邻的不同区域间总是存在边缘，边缘处像素的灰度值是不连续的，可通过求导数的方法检测到，因此，我们常用灰度的一阶或二阶微分算子来进行边缘检测。这种利用常用的微分算子进行边缘检测的方法是一种并行边界技术。而串行边界查找法是一种先检测到边缘再串行连接成闭合边界的方法，这种方法受起始点的影响的程度较大。这种分割方法实现的难点就在于边缘检测时抗噪性和检测精度之间的矛盾。若提高了检测精度，噪声产生的伪边缘会导致不合理的轮廓；若提高了抗噪性，则会产生

25、轮廓漏检和位置偏差。因此，人们提出了多尺度边缘检测方法，根据实际问题设计多尺度边缘信息的结合方案，以便更好地兼顾抗噪性和检测精度。2.1.3 基于区域的分割方法 基于区域的图像分割算法是常用的比较经典的图像分割方法。其基本思想是根据图像数据的特征将图像空间划分为不同的区域，然后根据不同区域的不同特征进行图像分割。常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。方法主要有区域生长法、区域分裂与合并法、聚类法、松弛法等。区域生长方法从若干种子或种子区域出发，按照一定的生长准则，对邻域像素点进行判别并连接，直到完成所有像素点的连接。这种方法的关键在于种子点的位置、

26、生长准则和生长顺序等。与之对应的区域分裂与合并法则刚好相反，将整幅图像分裂成小的区域，最后将分裂区域中性质相同的小区域合并进行图像分割处理。聚类法在特征空间对像素点集进行聚类，包括硬聚类、概率聚类、模糊聚类等。由于缺乏对像素空间拓扑关系的考虑，往往还需进行后处理才能完成分割。聚类准则是聚类分割的关键。松弛法是一种动态调优的标号方法，包括概率松弛、模糊松弛等。把对应于不同目标的标号分别赋给图像中每个像素，根据相邻像素之间的相容性，通过迭代调整标号，直到收敛。其关键在于标号相容模型和迭代方法的收敛性。这两种方法在实现上存在一定的困难。2.1.4 结合特定理论工具的分割方法 近年来，随着各学科许多新

27、理论和新方法的提出，人们也提出了许多与一些特定理论、方法和工具相结合的分割技术。基于人工神经网络的分割方法的基本思想是用训练样本集对神经网络进行训练，以确定节点间的连接和权值，再用训练好的神经网络分割新的图像数据。目前，由于这种方法较复杂，计算量较大，还有待进一步实用化。基于小波分析和变换的分割方法是借助数学工具小波变换来分割图像的一种方法。小波变换是一种多尺度、多通道的分析工具 它是空域和频域的局域变换，因而能有效地从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度分析，解决了傅立叶变换不能解决的许多问题。基于数学形态学的分割技术的基本思想是用具有一定形态的结构元素去量度和提取

28、图像中的对应形状，以达到对图像分析和识别的目的。由于形态学对图像分割具有优异的特性，使其在未来的图像分割中起主导作用。但该方法还不能很好地解决耗时问题，将其与一些节约时间的方法结合起来，是图像分割的一种趋势。遗传算法是基于进化论自然选择机制的、并行的、统计的、随机化搜索的方法。2.1.5 灰度直方图灰度直方图是灰度级的函数，它表示图象中具有每种灰度级的象素的个数，反映图象中每种灰度出现的频率。它是多种空间域处理技术的基础。直方图操作能够有效用于图像增强；提供有用的图像统计资料，其在软件中易于计算，适用于商用硬件设备。 我们可以通过直方图的状态来评断图像的一些性质：明亮图像的直方图倾向于灰度级高

29、的一侧；低对比度图像的直方图窄而集中于灰度级的中部，高对比度图像的直方图成分覆盖的灰度级很宽而且像素的分布没有不太均匀，只有少量的垂线比其他高许多。直观上来说，若一幅图像其像素占有全部可能的灰度级并且分布均匀，则这样的图像有高对比度和多变的灰度色调。从概率的观点来理解，灰度出现的频率可看作其出现的概率，这样直方图就对应于概率密度函数。2.1.6 均值滤波由于不可知处理前的图像是不是受到过噪声干扰，而噪声会影响到图像的质量，所以去除图像中的噪声对于改善图像分割效果非常重要。本次设计使用三次均值滤波（取像素点及周围共九个点平均灰度作为新的灰度值）去掉这些噪声。去噪过程同时还可实现图像的平滑。均值滤

30、波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标象素为中心的周围8个象素，构成一个滤波模板，即去掉目标象素本身）。再用模板中的全体像素的平均值来代替原来像素值。 （a）有噪点的原始图像 （b）滤波后的图像图2.1 三次均值滤波效果图均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点(x,y)，选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点(x,y)，作为处理后图像在该点上的灰度个g(x,y)，即gx,y=1mf(x,y)m为

31、该模板中包含当前像素在内的像素总个数。如图2.1所示，均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。2.2 GUI简介图形用户界面（Graphical User Interface，简称 GUI，又称图形用户接口）是指采用图形方式显示的计算机操作用户界面。它是由窗口、光标、按键、菜单、文字说明等对象构成的。用户通过一定的方法（如鼠标或键盘）选择、激活这些图形对象，使计算机产生某种动作或变化，比如实现计算、绘图等。假如读者所从事的数据分析、解方程、计算结果可视工作比较单一，那么一般不会考虑GUI的制作。

32、但是如果读者想向别人提供应用程序，想进行某种技术、方法的演示，想制作一个供反复使用且操作简单的专用工具，那么图形用户界面也许是最好的选择之一。一个好的GUI能够使程序更加容易的使用。它提供用户一个常见的界面，还提供一些控件，例如，按钮，列表框，滑块，菜单等。用户图形界面应当是易理解且操作是可以预告的，所以当用户进行某一项操作，它知道如何去做。例如，当鼠标在一个按钮上发生了单击事件，用户图形界面初始化它的操作，并在按钮的标签上对这个操作进行描述。创建MATLAB用户图形界面必须由三个基本元素:1.组件。在GUI中的每一个项目(按钮,标签,编辑框等)都是一个图形化组件。组件可分为三类:图形化控件(

33、按钮,编辑框,列表,滚动条等),静态元素(窗口和文本字符串),菜单和坐标系. 图形化控件和静态元素由函数uicontrol 创建,菜单由函数uimenu 和uicontextmenu 创建,坐标系经常用于显示图形化数据,由函数axes创建。2.图象窗口。GUI的每一个组件都必须安排图象窗口中。以前，我们在画数据图象时，图象窗口会被自动创建。但我们还可以用函数figure来创建空图象窗口，空图象窗口经常用于放置各种类型的组件。3.回应。最后，如果用户用鼠标单击或用键盘键入一些信息，那么程序就要有相应的动作。鼠标单击或键入信息是一个事件，如果MATLAB程序运行相应的函数，那么MATLAB函数肯定

34、会有所反应。例如，如果用户单击一按钮，这个事件必然导致相应的MATLAB语句执行。这些相应的语句被称为回应。只要执行GUI的单个图形组件，必须有一个回应。本次设计GUI界面如图2.2所示：图2.2 图像分割GUI界面2.3 本章小结 图像分割有多种分类方式，本文主要分为四类，阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法。灰度直方图作为研究图像的一种手段十分重要，阈值分割法主要就是以灰度直方图为依据。对图像滤波是对图片的预处理，对于噪点比较高的图片，通过滤波可以很好地改善图片的分割效果。在MATLAB中GUI是面向对象的编程，可以使MATLAB程序的终端用户操作更加轻松，

35、即使不懂MATLAB程序也能轻易操作。第3章 基于阈值的图像分割方法的仿真实现3.1 引言 阈值分割是一种最常见的分割方法。这种方法利用图像中要提取的目标和背景的灰度差异，把图像分成两种具有不同灰度级的区域。分割的关键就是选取合适的阈值，以确定图像中每个像素点是属于目标还是属于背景。阈值分割算法因其直观、实现简单等特点在图像分割的应用中一直得到广泛的使用，尤其是在分割精度要求不是很高的场合。常用的方法是：设定某一阈值T，用T将图像分割成大于阈值T的像素群(目标)和小于阈值T的像素群(背景)两部分。这两类像素一般属于图像中的两类区域，所以对像素根据阈值分类达到了区域分割的目的。设输入图像是F(x

36、,y)，输出图像是B(x,y)，如式31所示： Bx,y=1, F(x,y)T0, F(x,y)T （31）阈值分割实质上就是按照某个准则求出最佳阈值的过程。现有的大部分算法都是集中在阈值确定的研究上。阈值分割分为全局阈值分割和局部阈值方法两种。若根据分割算法所具有的特征或准则，常用的分割方法可以分为直方图双峰法、最大类间方差法、迭代法等。3.2 直方图双峰法该阈值法的依据是图像的直方图，通过对直方图进行各种分析来实现对图像的分割。图像的直方图可以看作是像素灰度值概率分布密度函数的一个近似，设一幅图像仅包含目标和背景，那么它的直方图所代表的像素灰度值概率密度分布函数实际上就是对应目标和背景的两

37、个单峰分布密度函数的和。图像二值化过程就是在直方图上寻找两个峰、一个谷来对一个图像进行分割，也可以通过两级函数来近似直方图。若灰度图像的直方图，其灰度级范围i=0,1,L-1，当灰度级为k时的像素数为nk，则一幅图像的总像素数N如式32所示： N=i=0L-1ni=n0+n1+nL-1 （32）灰度级i出现的概率如33所示： Pi=niN=nin0+n1+nL-1 （33）当图像的灰度直方图为双峰分布的时候，图像的内容大致为两部分，分别为灰度分布的两个山峰的附近。因此直方图左侧山峰为亮度较低的部分，这部分恰好对应于画面中较暗的背景部分；直方图右侧山峰为亮度较高的部分，对应于画面中需要分割的目标

38、。选择的阈值为两峰之间的谷底点时，即可将目标分割出来。双峰法在当被分割图像的灰度直方图中呈现出明显、清晰的两个波峰时，使用该方法可以达到较好的分割精度。但是，阈值分割算法的交互性比较差。尽管可以通过人工参与、交互设定阈值，但设定阈值后分割效果如何，也需要通过人工观察图像分割结果来判断。此外，该方法的抗噪性较差，当被分割对象存在较强噪声时，分割效果会受到很大的影响。(a) 灰度直方图 (b) 原始图像 (c) 分割结果图3-1 直方图双峰法分割图像结果分析：从图3-1的仿真结果可以发现，这是一种有效且简单的阈值分割方法，只需要将图3-1(a)直方图上两个波峰之间的谷底选择为分割阈值，即选择阈值为

39、80，就可以将对象从背景中分割出来了，得到图3-1(c)所示的分割结果。但是在图中也可以看出，这种方法有局限性，就是要求图像的灰度直方图必须具有双峰性，也就是说，图像的目标和背景必须形成较大的反差，如该图中，人物和背景灰度差距很大，才能得到比较理想的仿真结果。3.3 最大类间方差法从统计意义上讲，方差是表征数据分布不均衡的统计量，可通过阈值对这类问题进行分割。最大类间方差法以图像的灰度直方图为依据，以目标和背景的类间方差最大为阈值选取准则，综合考虑了像素邻域以及图像整体灰度分布等特征关系，以经过灰度分类的像素类群之间产生最大方差时候的灰度数值作为图像的整体分割阈值。显然，适当的阈值使得两类数据

40、间的方差越大越好，表明该阈值的确将两类不同的问题区分开了，同时希望属于同一类问题的数据之间的方差越小越好，表明同一类问题具有一定的相似性。这种方法首先初步选定特定图像分割阈值，把待处理图像直方图分割成C0，C1 (目标和背景) 两组，在分别记录两组像素值的各自的有关参数后，通过建立类间方差数学模型来确定两组像素点群体的方差，如此将分割阈值按照一定顺序进行变化，直至当分割的两组数据的类间方差与类内方差比值最大时候，便认为此阈值分割所得到的图像分组结果之间差别最大，即获得最优的图像分割阈值。在分割阈值确定过程中，以B2(T)代表阈值为k时的类间方差，i，i分别为Ci组中像素i产生的概率和组内所有像

41、素点灰度值的均值，为整体图像所有像素点灰度的均值。两组间的类间方差如式34所示： B2=0(0-)2+1(1-)2=01(0-)2 (34) 运行结果：graythresh 计算灰度阈值：88 (a) 原始图像 (b) 分割结果图3-2 最大类间方差法分割图像结果分析：图3-2是最大类间方差法的仿真结果，这种方法是一种自动获取阈值的分割方法，最大类间方差方法具有算法简单，计算精确等优点。从图3-2(b)的分割结果可见，这种方法可以完整地将对象从图像背景中整齐清晰地分割出来，并充分反映出了原图像的细节。从而克服了其他普通的图像分割算法由于没有充分考虑到图像像素的整体分布和灰度特征，而产生的误分割

42、、图像细节无法清晰表现、图像区域紊乱以及边界模糊不清等一系列不良效果。但是，在很多情况下，对复杂的整幅图像用单一阈值不能给出良好的分割结果。图像中某一部分的阈值能把该部分的物体和背景精确区分出，而对另一部分来说，可能把太多的背景也作为物体分割下来了。针对这种情况，使用局部阈值的方法就可以在不同的区域选择不同的阈值，将物体从背景中分割出来。3.4 迭代法迭代法选取阈值的方法为：初始阈值选取为图像的平均灰度T0，然后用T0将图像的像素点分作两部分，计算两部分各自的平均灰度，小于T0的部分为TA，大于T0的部分为TB，求TA和TB的平均值T1，将T1作为新的全局阈值代替T0，重复以上过程，如此迭代，

43、直至TK收敛。流程图如图3-3所示：初始阈值T0 将像素点分为两部分，求均值TA：小于T0的像素均值TB：大于T0的像素均值 代替T0 求均值TK：TA与TB的平均值 |TK-T0|0.1 NO YES最佳阈值TK 图像在TK下二值化，实现分割图3-3 迭代法流程图具体实现时，首先根据初始开关函数将输入图逐个图像分为前景和背景，在第一遍对图像扫描结束后，平均两个积分器的值以确定一个阈值。用这个阈值控制开关再次将输入图分为前景和背景，并用做新的开关函数。如此反复迭带直到开关函数不在发生变化，此时得到的前景和背景即为最终分割结果。对某些特定图像，微小数据的变化却会引起分割效果的巨大改变，两者的数据

44、只是稍有变化，但分割效果却反差极大。对于直方图双峰明显，谷底较深的图像，迭代方法可以较快地获得满意结果，但是对于直方图双峰不明显，或图像目标和背景比例差异悬殊，迭代法所选取的阈值不如其它方法。迭代后的阈值：89(a) 原始图像 (b) 分割结果图3-4 迭代法分割图像结果分析：从图3-4(b)的迭代法分割仿真结果可以看出：迭代所得的阈值分割的图像效果良好。基于迭代的阈值能区分出图像的前景和背景的主要区域所在，但在图像的细微处还没有很好的区分度。由前面论述的双峰法可知，该图像有着良好的双峰性，因此，得到了较好的分割效果，但对于其它直方图双峰不明显，或图像目标和背景比例差异悬殊的图像，迭代法则不能

45、得到很好的分割效果。3.5 本章小结 三种阈值分割法各有优缺点。直方图双峰法算法简单，但它要求图片的灰度直方图具有良好的双峰性；最大类间方差法具有计算精确等优点；这种方法可以完整地将对象从图像背景中整齐清晰地分割出来，但是对复杂的整幅图像用单一阈值不能给出良好的分割结果；迭代法效果良好，但在图像的细微处还没有很好的区分度。第4章 基于边缘的图像分割方法的仿真实现4.1 引言边缘检测是检测图像中有意义的不连续性的常用方法。一条边缘是一组相连的像素组合，这些像素位于两个区域的边界上。边缘总是以强度突变的形式出现，可以定义为图像局部特性的不连续性，如灰度的突变、纹理结构的突变等。边缘常常意味着一个区域的终结和另一个区域的开始。对于边缘的检测常常借助空间微分算子进行，通过将其模板与图像卷积完成。两个具有不同灰度值的相邻区域之间总存在灰度边缘，而这正是灰度值不连续的结果，这种不连续可以利用求一阶和二阶导数检测到。根据灰度变化的特点，常见的边缘可分为阶梯状、脉冲状和屋顶状。常用的空间微分算子主要包括：梯度算子、拉普拉斯算子和Canny算子等。考核边缘算子的指标是：低误判率，即尽可能少地把边缘点误认为是非边缘点；高定位精度，即准确地把边缘点定位在