1、湖北師范學院學士學位論文(設計)開題報告學生姓名所在院系物理與電子信息科學學院所在班級指導教師學生學號專業方向電子信息科學與技術開題時間2010.3.8導師職稱論文題目圖像分割算法的研究與實現文獻綜述：從上世紀70年代起，許多研究人員為圖像分割問題付出了巨大的努力。現代圖像處理技術已成功地應用于許多領域。例如，機動車號牌識別，交通路口(段)的電子警察，文字識別(OCR),指紋識別，等等。圖像分割是圖像識別和圖像理解的基本前提，圖像分割質量的好壞直接影響后續圖像處理的效果,因此圖像分割的作用是至關重要的。圖像分割是指將一幅圖像分解為若干互不交疊的有意義具有相同性質的區域。好的圖像分割應具備的特征

2、:分割出來的各區域對某種性質例如灰度紋理而言具有相似性，區域內部是平整的且沒有許多小孔;相鄰區域對分割所依據的性質有明顯的差異;區域邊界是明確和規整的。大多數圖像分割方法只是部分滿足上述特征。如果加強分割區域的同性質約束則分割區域很容易產生大量小孔和不規整邊緣;若強調不同區域間性質差異的顯著性，則易造成不同質區域的合并。具體處理時，不同的圖像分割方法總是在各種約束條件之間尋找一種合理的折中。圖像分割是圖像處理到圖像分析的關鍵步驟，也是進一步圖像理解的基礎。所謂圖像分割是指把圖像分成各具特性的區域并提取出感興趣目標的技術和過程。借助集合概念對圖像分割可給出如下比較正式的定義令集合R代表整個圖像區

3、域，對的分割可看作將R分成N個滿足下列5個條件的非空子集(子區域)R1,，RN;RURURN=R;12對所有的i和j，有RinRj=0(iMj);對i=1,2,，N，有P(Ri)=TRUE;對i工j，有P(RiURj)=FALSE;對i=1,2,，N,Ri是連通區域。其中P(Ri)是對所有在集合Ri中元素的邏輯謂詞，0代表空集。在實際應用中，圖像分割不僅要把一幅圖像分成滿足上面5個條件的各具特性的區域，而且需要把感興趣目標區域提取出來。由于符合上述條件的分割計算十分復雜和困難，圖像分割成為圖像處理中一個經典的研究課題。圖像分割方法根據分割方法的不同特點可分為:閾值分割、基于邊緣的圖像分割、基于

4、區域的圖像分割、基于模型的圖像分割和基于人工智能的圖像分割等。閾值分割圖像分割的經典方法是基于灰度閾值的分割方法，它通過設置閾值，把像素點按灰度級分若干類，從而實現圖像分割。把一副圖像轉化為二值圖像是閾值分割的最簡單形式。閾值處理是一種區域分割技術，將灰度根據主觀愿望分成兩個或多個等間隔或不等間隔灰度區間，它主要是利用圖像中要提取的目標物體和北京在灰度上的差異，選擇一個合適的閾值，通過判斷圖像中的每一個像素點的特征屬性是否滿足閾值的要求來確定圖像中該像素點術語目標區還是應該屬于區域,從而產生二值圖像，它對物體和背景有較強對比景物的分割特別有用。它計算簡單，而且總能用封閉而且連通的邊界定義不交疊

5、的區域。閾值值分割主要有兩個步驟：1）確定正確分割的閾值；2）將所有像素的灰度級與閾值進行比較，以進行區域劃分，達到目標與背景分離的目的。在這一過程中，正確確定閾值是關鍵，只要能確定一個合適的闡值就可完成圖像的準確分割。閾值法簡單、運算效率高，是圖像分割中廣泛采用的方法。閾值分割法的結果很大程度上依賴于對閾值的選取，因此該方法關鍵是如何選擇合適的閾值4。常見閾值選取方法：1.雙峰法雙峰法的原理：是它假設圖象是由前景和背景組成，在灰度直方圖上前后二景都形成高峰，在雙峰之間的最低谷處就是圖象的閾值所在。該方法的分割效果來看，當前后景對比較為強烈時，分割效果較好，否則基本無效。2迭代法（最優方法）它

6、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：T=（Max+Min）/20根據閾值T將圖像分割為前景和背景，分別求出兩者的平均灰度值Z和Z；k0b（2）求出閾值T=（Z+Z）/2；k+10b（3）如果T二T+1；則所得即為閾值；否則轉（2）迭代計算。kk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分圖象的前景和背景的主要區域所在，但是在圖象的細微處還是沒有很好的區分度，令人驚訝的是對某些特定圖象，微小數據的變化會引起分割效果的巨大變化，兩者的數據只是稍有變化，分割效果反差極大，具體原因還有待進一步研究。閾值分割法不僅可以極大

7、地壓縮數據量，而且也大大簡化了分析和處理步驟，對于直方圖呈明顯雙峰特性的圖像，可得到很好的分割效果。閾值分割看似個簡單的問題，在過去的四十年里受到國內外學者的廣泛關注，產生了數以百計的闡值選取方法，但是遺憾的是，如同其他圖像分割算法一樣，沒有一個現有方法對各種各樣的圖像都能得到令人滿意的結果，甚至也沒有一個理論指導我們選擇特定方法處理特定圖像。基于直方圖的谷點搜索法閾值是通過分析圖像的直方圖來決定的。假設,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明顯的雙峰值，如下圖1。f(x?y)A找出閾值T,則可以對整個圖像進行二值化賦值。程序的實現：通過數組記錄直方圖中的各像素點值的個數，再對

8、逐個像素值進行掃描。記錄每個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作為閾值。實現流程圖：閾值法是一種簡單但是非常有效的方法，特別是不同物體或結構之間有很大的強度對比時，能夠得到很好的效果它一般可以作為一系列圖像處理過程的第一步。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。如何根據圖像選擇合適的閾值是基于閾值分割方法的重點所在，也是難點所在。它的主要局限是，最簡單形式的閡值只能產生二值圖像來區分兩個不同的類。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，這樣就對噪聲很敏感它也沒有考慮圖像的紋理信息等有用信息，使分割效果有時不能盡如人意。基于邊緣檢測的圖像分

9、割邊緣檢測的分割方法是通過檢測包含不同區域的邊緣來解決圖像分割問題。所謂邊緣，就是目標和背景的分界線，提取出邊緣就可以將目標和背景區分開來，因此它是圖像分割所依賴的重要特征,同時也是紋理特征的重要信息源和形狀特征的基礎。它包含了用于識別的有用信息，為人們描述或識別目標以及解釋圖像提供了一個有價值的、重要的特征參數。在圖像中，邊界既是一個特征區域的終結，也是另一個特征區域的開始，邊界所分開區域的內部特征或屬性是一致的，而不同區域內部的特征或屬性是不同的，邊緣的檢測正是利用物體和背景在某種圖像特性上的差異來實現的，這差異包括灰度、顏色以及紋理特征。邊緣檢測實際上就是要檢測出圖像的特性發生變化的位置

10、。圖像的信息量很大，而邊緣信息是圖像的一種緊描述，它所包含的往往是圖像中最重要的信息。因此邊緣檢測在計算機視覺中有著非常重要的地位。邊緣檢測法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。基于邊緣的

11、分割技術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、作為動態規劃的邊緣跟蹤法、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，主要表現在邊緣模糊、弱邊緣丟失和整體邊緣不連續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的平滑，抑制噪聲，然后求導數，或者先對

12、圖像進行局部擬合，然后再用擬合的光滑函數的導數來代替直接的數值導數。Canny算子較簡單，而且考慮梯度方向，效果比較好。邊緣檢測的幾種經典算法（1）Canny算子Canny邊緣檢測利用高斯函數的一階微分，在噪聲抑制和邊緣檢測之間尋求較好的平衡，其表達式近似于高斯函數的一階導數。Canny邊緣檢測算子對受加性噪聲影響的邊緣檢測是最優的。（2）Roberts梯度算子對階躍狀邊緣，在邊緣點處一階導數有極值，因此可計算每個像素處的梯度來檢測邊緣點。對于圖像g（x,y）,在（x,y）處的梯度定義為grad（x,y）。梯度是一矢量，大小代表邊緣的強度，方向與邊緣走向垂直。梯度算子僅用最近鄰像素的灰度計算，

13、對噪聲敏感，無法抑制噪聲的影響。（3）Prewitt和Sobel算子Prewitt從加大邊緣檢測算子的模板大小出發，由2X2擴大到3X3來計算差分算子，采用Prewitt算子不僅能檢測邊緣點，而且能抑制噪聲的影響。Sobel在Prewitt算子的基礎上，對4-鄰域采用帶權的方法計算差分，該算子不僅能檢測邊緣點，且能進一步抑制噪聲的影響，但檢測的邊緣較寬。（4）Laplace算子Laplace算子是一與方向無關的各向同性（旋轉軸對稱）邊緣檢測算子。其特點是各向同性、線形和位移不變，對細線和孤立點檢測效果好。但邊緣方向信息丟失，常產生雙像素的邊緣，對噪聲有雙倍加強作用。由于梯度算子和Laplace

14、算子都對噪聲敏感，因此一般在用它們檢測邊緣前要先對圖像進行平滑。（5）馬爾算子馬爾算子是在拉普拉斯算子的基礎上實現的，由于拉普拉斯算子對噪聲比較敏感，為減少噪聲影響，可先對待檢測圖進行平滑，然后再用拉普拉斯算子檢測邊緣。再利用二階導數算子過零點的性質，可確定圖像中階躍狀邊緣的位置。應注意馬爾算子用于噪聲較大的區域會產生高密度的過零點8。物體的邊緣是以圖像的局部特征不連續的形式出現的，也就是指圖像局部亮度變化最顯著的部分，例如灰度值的突變、顏色的突變、紋理結構的突變等等，同時物體的邊緣也是不同區域的分界處。對于單色圖像，通常認為邊緣是灰度陡然變化的部分，Herskovits指出了邊緣的幾種典型情

15、況，例如階躍形、屋頂形、邊緣-效應形、斜坡-階躍形等等。邊緣檢測算法有如下四個步驟：1）濾波：邊緣檢測算法主要是基于圖像強度的一階和二階導數但導數的計算對噪聲很敏感，因此必須使用濾波器來改善與噪聲有關的邊緣檢測器的性能。需要指出，大多數濾波器在降低噪聲的同時也導致了邊緣強度的損失，因此，增強邊緣和降低噪聲之間需要折衷。2）增強：增強邊緣的基礎是確定圖像各點鄰域強度的變化值。增強算法可以將鄰域（或局部）強度值有顯著變化的點突顯出來。邊緣增強一般是通過計算梯度幅值來完成的。3）檢測：在圖像中有許多點的梯度幅值比較大，而這些點在特定的應用領域中并不都是邊緣，所以應該用某種方法來確定哪些點是邊緣點。最

16、簡單的邊緣檢測判據是梯度幅值閾值判據。4）定位：如果某一應用場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估計，邊緣的方位也可以被估計出來。邊緣檢測的問題起源于20世紀50年代末，經過幾十年的研究工作已提出了基于不同圖像模型、不同原理的邊緣檢測方法。目前對邊緣提取方法的分類有多種方式各類方法之間的互相滲透、互相結合使得新型方法不斷涌現。基于階、二階微分的算子如下:A)梯度算子我們已經知道在點Fj,k)處，梯度GFj,k)的幅度為rdFSFGF(k)飛為)2+(頁)2Laplacian算子V2F(j,k)=丫F(u,v)-F(j,k)u,VGS式中,S可以是Fj,k)中心上、下、左、右4

17、鄰點的集合，也可以是8鄰點集合，或者是對角線4鄰點的集合。與之對應的表達式分別為以下三式：V2F(j,k)二F(j+1,k)+F(j-1,k)+F(j,k+1)+F(j,k-1)-4F(j,k)V2F(j,k)二F(j-1,k-1)+F(j-1,k)+F(j-1,k+1)+F(j,k-1)+F(j,k+1)+F(j+1,k-1)+F(j+1,k)+F(j+1,k+1)-8F(j,k)V2F(j,k)二F(j-1,k-1)+F(j-1,k+1)+F(j+1,k-1)+F(j+1,k+1)-4F(j,k)簡要分析：根據上述思想，人們提出了各種邊緣檢測器oPratt定義了四個方向偏導數算子，對角方向

18、的邊緣銳化可以由對角像素灰度相減得到，邊緣圖像可以用門限法獲得；Prewitt提出了8個3X3模板，即羅盤梯度(CompassGradient),通過對原圖像的每一象素進行匹配卷積，取輸出值最大的那個模板作為此邊緣要素的取向；Arggle及Mclead等提出用高斯型加權函數作為邊緣增強的梯度算法。這些基于一階微分的線性邊緣銳化方法將引起高頻空間噪聲增強。因而發展了非線性邊緣檢測，即將去噪聲平滑方法引入線性邊緣檢測，利用象素的非線性組合來解決噪聲問題。這方面有許多有名的算子，如Robert、Kirsch、Sobel、Hale、FreandChen等邊緣檢測算子。這些算法運算簡單,軟件實現較為方便

19、，它們在提取邊緣的同時又抑制了圖像中的噪聲。但它總在邊界附近產生較寬的響應，結果往往需要細化邊緣，這不僅影響了邊界的定位精確，而且也會影響邊界的質量及處理的時間。如果所求的一階導數高于某一閾值，則確定該點為邊緣點，這樣做會導致檢測的邊緣點太多。一種更好的方法就是求梯度局部最大值對應的點，并認定它們是邊緣點。通過去除一階導數中的非局部最大值，可以檢測出更精確的邊緣。一階導數的局部最大值對應著二階導數的零交點，這意味著在邊緣點處有一階導數的峰值，同樣地，有二階導數的零交叉點。這樣，通過尋找圖像強度的二階導數的零交叉點就能找到邊緣點。在零交叉檢測中，二階導數通常是用拉普拉斯變換實現的。因為它對高頻敏

20、感，所以受高頻噪聲的影響較大。由于微分算子在實際應用時，對噪聲非常敏感，于是人們采用最佳擬合的邊緣檢測算法，如Hueckel的邊緣擬合算法，這種方法有較好的抗噪聲能力，是近年出現的較好成果。但是，在干擾很大，以致物體部分缺損，或物體之間相互重疊時，這種方法卻可能得出相當不滿意的結果。下表給出了一些常用邊緣檢測算子算子名Hih3特點Roberts0110J100-1J邊緣定位準對噪聲敏感Prewitt-1011-101-101-1-1-1000-111-平均、微分對噪聲有抑制作用Sobel-101-202-101-1-2-1000-121-加權平均邊寬$2象素IsotropicSobelr-10

21、1-V20vT-101rL1-V2-10001v21權值反比于鄰點與屮心點的距離檢測沿不冋方向邊緣結論及邊緣檢測準則上面給出的機組圖像可以看到對同一原始圖像進行邊緣檢測的效果。為了便于比較，我們也專門把基于Canny類的檢測器結果列在了圖三。下表給出以上算法的計算時間：類別算法時問(ins)一階微分Robens5.1566sobel8.1066prewdtTS.6125kirsch24.9663Geen函數19.1756二階微分Laplacian6.73139BoG15.3618Cliens9.1877cannyCaiuiy28.8709Derich23.6665Eieniigiiy9.497

22、7Rocliv=ell48.3873Canny為了解決定位精度和抑制噪聲的矛盾，提出了我們熟知的Canny準則：不漏檢真實存在的邊緣，也不把非邊緣點作為邊緣點檢出，使輸出信噪比最大。檢測到的邊緣點位置距實際邊緣點的位置最近。實際存在的邊緣點和檢測到的邊緣點一一對應。為了達到這3個準則，Canny采用變分法導出高斯函數的導數能夠達到他提出的最優濾波器的指標，由此得到公認較好的一類邊緣檢測算法9基于區域的圖像分割基于區域的圖像分割是根據圖像灰度、紋理、顏色和圖像像素統計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物體或區域中，進而將圖像分割成若干個不同區域的一種分割方法。基于區域的分割方

23、法主要有區域生長法、分裂合并法和分水嶺分割方法。區域生長法、分裂合并法：區域生長法的基本思想是根據一定的相似性準則，將圖像中滿足相似性準則的像素或子區域合成更大的區域;分裂合并法是從整個圖像出發，根據圖像和各區域的不均勻性，把圖像或區域分割成新的子區域，根據毗鄰區域的均勻性，把毗鄰的子區域合并成新的較大的區域。這兩種方法通常相結合，以便把相似的子區域合并成盡可能大的區域。區域生長的固有缺點是分割效果依賴于種子的選擇及生長順序，區域分裂技術的缺點是可能破壞邊界,所以它們常常與其他方法相結合,以期取得更好的分割效果。分水嶺分割方法：分水嶺算法實際上是基于數學形態學的分割算子,Vincent和Soi

24、lle提出的浸沒模擬分水嶺算法包含兩步，先將圖像中的像素按灰度值大小的升序排列;然后對像素排序進行掃描,構造“集水盆地”，在不同標記的“集水盆地”的邊緣處構造“防水堤壩”，完成對圖像區域的初始劃分。分水嶺分割方法能夠準確定位邊緣，具有運算簡單、易于并行化處理等優點，但同時也存在一些缺點：對圖像中的噪聲極為敏感;易于產生過分割;對低對比度圖像易丟失重要輪廓區域增長方法區域增長的基本思想是將具有相似性質的像素結合起來構成區域。具體先對每個需要分割的區域找一個種子像素作為生長的起點，然后將種子像素周圍鄰域中與種子像素有相同或相似性質的像素（根據某種事先確定的生長或相似準則來判定）合并到種子像素所在的

25、區域中。將這些新像素當作新的種子像素繼續進行上面的過程,直到再沒有滿足條件的像素可被包括進來，這樣一個區域就長成了。在實際應用區域生長法時需要解決三個問題:一是選擇或確定一組能正確代表所需區域的種子像素;二是確定在生長過程中能將相鄰像素包括進來的準則;三是制定讓生長過程停止的條件或規則。種子像素的選取常可借助具體問題的特點進行。利用迭代的方法從大到小逐步收縮是一種典型方法它不僅對2-D圖像而且對3-D圖像也適用。要是對具體問題沒有先驗知識,常可借助生長所用準則對每個像素進行相應計算。如果計算結果呈現聚類的情況則接近聚類中心的像素可取為種子像素。生長準則的選取不僅依賴于具體問題本身，也和所用圖像

26、數據的種類有關。例如，當圖像是彩色的時候，僅用單色的準則效果就會受到影響。另外還需考慮像素間的連通性和鄰近性，否則有時會出現無意義的分割結果。現有的幾種典型的生長準則有:基于區域灰度差;基于區域內灰度分布統計性質;基于區域形狀a】。和閾值法一樣，區域生長法一般不單獨使用，而是放在一系列處理過程中。它主要的缺陷是，每一個需要提取的區域都必須人工給出一個種子點，這樣有多個區域就必須給出相應的種子個數。此法對噪聲也很敏感，會造成孔狀甚至是根本不連續的區域，相反的，局部且大量的影響還會使本來分開的區域連接起來4.基于模型的圖像分割基于模型的圖像分割都是基于一定的模型，將圖像分割問題轉換成目標函數的求解

27、問題,其中目標函數的設計和求解是問題的難點。基于模型的圖像分割方法中應用廣泛的主要是馬爾可夫隨機場模型和活動輪廓模型。基于馬爾可夫隨機場模型的圖像分割：馬爾可夫隨機場方法建立在馬爾可夫模型和Bayes理論的基礎上，根據統計決策和估計理論中的最優準則確定分割問題的目標函數，求解滿足這些條件或消費函數的最大可能分布，從而將分割問題轉化為最優化問題。基于活動輪廓模型的圖像分割：活動輪廓模型主要分為兩類，一類是Kass等人提出的以能量函數極小化為基礎的參數活動輪廓模,又稱為Snake模型;另一類是Osher等人提出的基于水平集(LevelSet)方法和曲線演化的幾何活動輪廓模型。一般而言，參數活動輪廓

28、模型中的平滑基函數比不連續的點需要的參數要少，可以產生更優的算法；同時很容易對Snake框架引入一個先驗的形狀約束，也很容易用戶交互。但是這類模型通常只具備單目標輪廓分割能力，缺少應付拓撲變化的靈活性。幾何活動輪廓模型由于采用了水平集方法而隱含有拓撲變化的能力，因而使得更為復雜結構的圖像分割成為可能，但是計算比較復雜，很難給框架引入一個先驗的形狀約束，可見兩類模型各有千秋。基于人工智能的圖像分割在圖像分割領域應用廣泛的人工智能技術主要包括模糊聚類和神經網絡，主要是利用人工智能方法得到圖像分割的某一參數，然后基于這一參數采用圖像分割方法來分割圖像。特征空間聚類很多圖像因為光照不均，會使目標具有緩

29、變的邊界，甚至出現亮度或色彩不一致的情況，而模糊方法則能夠克服這些不確定性，并能得到可接受的分割結果。模糊聚類就是其中的重要方法之一,其主要有模糊C均值聚類和K均值聚類。模糊C均值算法的基本思想就是要使價值函數目標函數最小,由Bezdek于1981年提出，利用初始化方法確定若干初始聚類中心，通過多次迭代循環，不斷調整和優化聚類中心，最終使類內方差達到最小,從而實現聚類。由于聚類也沒有考慮空間信息，因而對噪聲敏感。基于神經網絡的圖像分割人工神經網絡(ArtificialNeuralNetworks,ANN)因其具有并行處理能力和非線性的特點而特別適合于解決分類問題。神經網絡方法的出發點是將圖像分

30、割問題轉化為諸如能量最小化、分類等問題，即先利用訓練樣本集對ANN進行訓練,再用訓練好的ANN去分割新的圖像。ANN的不足是需要大量的訓練樣本集,計算速度往往難以達到要求參考文獻：李旭，唐曉東,董金祥圖像分割技術的比較研究中國人民公安大學學報(自然科學版)J2009年第2期：3740宋錦萍，職占江圖像分割方法研究.現代電子技術J2006年第6期總第221期：5964黃長專，王彪，楊忠圖像分割方法研究計算機技術與發展J第19卷第6期2009年6月：7679趙春燕，閏長青，時秀芳.圖像分割綜述.中國科技信息J2009年第一期：4243劉爽圖象分割中閾值選取方法的研究及其算法實現J電腦知識與技術：6

31、870周強圖像分割算法研究福建電腦J2009年第6期：27、35周鮮成圖像分割方法及其應用研究綜述.信息技術J2007年第12期：1114&呂玉琴，曾光宇基于圖像邊緣檢測算法的研究太原科技J2009年第2期：3133李葆青，文山邊緣檢測準則與幾種典型算法.六盤水師范高等專科學校學報J第18卷第3期2006年6月：69圖像分割研究綜述焦玉斌，徐艷蕾,陳喜龍科技創新導報J2009NO.13：11開題報告(正文)：選題背景和意義：圖像分割就是指把圖像分成各具特性的區域并提取出感興趣目標的技術和過程。它是圖像處理、模式識別和人工智能等多個領域中的重要課題，也是計算機視覺技術中首要的、重要的關鍵步驟。圖

32、像分割的應用非常廣泛，幾乎出現在有關圖像處理的所有領域。因此，從20世紀60年代以來，圖像分割一直都是圖像技術中的研究熱點，經過近四十多年的研究，國內外學者已經提出了各種算法上千種，但目前還沒有一種適合于所有圖像的通用分割算法，絕大多數算法都是針對具體問題而提出的。另一方面，給定一個實際應用要選擇合用的分割算法仍是一個很麻煩的問題，由于缺少通用的理論指導，常常需要反復的進行實驗。在已提出的這些算法中，較為經典的算法有閾值分割法、區域增長技術、邊緣檢測方法等。圖像分割的目的圖像分割是圖像分析的第一步，是計算機視覺的基礎，是圖像理解的重要組成部分，也是圖像處理、模式識別和人工智能等多個領域中一個十

33、分重要且又十分困難的問題。所謂圖像分割就是要將圖像表示為物理上有意義的連通區域的集合，也就是根據目標與背景的先驗知識，對圖像中的目標、背景進行標記、定位，然后將目標從背景或其他偽目標中分離出來。由于這些被分割的區域在某些特性上相近，因而圖像分割常用于模式識別與圖像理解以及圖像壓縮與編碼兩大類不同的應用目的門。由分割產生的區域是圖像內容的一種表示，它是對圖像進行視覺分析和模式識別的基本前提，分割結果的質量直接影響到以后的圖像分析、識別和解釋的質量，具有重要的意義。圖像分割的目的在于根據某些特征(如灰度級、頻譜、紋理等)將一幅圖像分成若干有意義的區域，使得這些特征在某一區域內表現一致或相似，而在不

34、同區域間表現出明顯的不同。圖像分割的意義圖像分割的應用非常廣泛，幾乎出現在有關圖像處理的所有領域，如:工業自動化、在線產品檢驗、生產過程控制、文檔圖像處理、圖像編碼、遙感和生物醫學圖像分析、保安監視，以及軍事、體育、農業工程等方面。在各種圖像應用中，只要需對圖像目標行提取、測量等都離不開圖像分割。雖然人們對圖像分割已進行了大量的研究，但還沒一種適合于所有圖像的通用的分割算法。所以，圖像分割一直以來都是圖像技術中的研究熱點。因此，從原理、應用和應用效果等方面來深入研究圖像分割技術，對于提高圖像分析和圖像理解系統的性能以及提高圖像處理技術的應用水平都具有十分重要的意義。圖像分割在圖像技術中的位置圖

35、像分割是一種重要的圖像技術，它不僅得到人們廣泛的重視和研究，也在實際中得到大量的應用。圖像分割在不同領域中有時也用其他名稱，如目標輪廓(objectlineation)技術，閾值化(thresholding)技術，圖像區分或求差(imagediscrimination)技術，目標檢測(targettracking)技術，目標識別(targetrecognition)技術，目標跟蹤(targettracking)技術等，這些技術本身或核心實際上也是圖像分割技術。圖像技術在廣義上是各種與圖像有關技術的總稱。圖像技術種類很多，跨度很大，但可以將它們歸在一個整體框架一圖像工程之下。圖像工程是一個對整個

36、圖像領域進行研究應用的新學科，它的內容非常豐富，根據抽像程度和研究方法等的不同可分為三個各有特點的層次:圖像處理、圖像分析和圖像理解。符號目標像素圖嫁理胖*1圖像分析1T耳標表達-圖像處理1i團像分割圖像分割是由圖像處理過渡到圖像分析的關鍵步驟，在圖像工程中占據重要的位置。一方面，它是目標表達的基礎，對特征測量有重要的影響。另一方面，因為圖像分割及其基于分割的目標表達、特征提取和參數測量等將原始圖像轉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。本課題的主要內容：介紹圖像分割的定義及相關概念，討論了灰度圖象的分割方法,對當前比較常用的灰度圖象的分割方法給出了詳細的介紹,對其方法的

37、優缺點進行詳細的評析，根據圖象的特點，制定出分割效果最好的方案，并對其進行實驗,給出實驗結果，對實驗結果進行詳細的討論,得出有意義的結論.考慮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，具體的實現步驟如下：輸入待分割圖像f(x,y),f(x,y)為灰度圖像。利用MATLAB顯示灰度直方圖，用迭代法進行閾值選取，以區分背景和目標。采用邊緣檢測算子檢測圖像的邊界特征，確定圖象的邊界位置。根據圖像邊緣檢測的結果，在圖像的邊緣位置即灰度發生急劇變化的地方采用局部閾值法進行分割，對圖象邊緣進行二值化。根據圖象分割的實際效果，再對以上方法加以完善，力求實現效果最好的圖象分割。實驗原理：在整個實驗

38、方案中，總的來說是閾值法與邊緣檢測法的結合使用，在整個圖象分割的過程中，閾值法起到的作用是對圖象進行預處理和后處理，閾值法是最簡單最基本的圖象分割方法，這個方案中，首先采用的是全局閾值法：用來區分目標與背景的閾值可以迭代法得到。它基于逼近的思想，基本算法如下：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：T0=(Max+Min)/2；根據閾值Tk將圖像分割為前景和背景，分別求出兩者的平均灰度值Z0和Zb；求出閾值Tk+1=(ZO+Zb)/2;如果Tk=Tk+1；則所得即為閾值；否則轉迭代計算。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分圖象的前景和背景的主要

39、區域所在在對f(x,y)進行預處理以后，再用邊緣檢測法對圖象目標進行邊緣檢測：邊緣檢測法：邊緣是圖像的最基本的特征，邊緣中包含著有價值的目標邊界信息，這些信息可以用作圖像分析、目標識別。邊緣是由灰度的不連續性所反映的，有方向和幅度兩個特性。一般認為沿邊緣走向的灰度變化較為平緩，而垂直邊緣走向的灰度變化劇烈。這種變化可能呈階躍形，也可能呈屋頂形。因此邊緣可以粗略地分為階躍形邊緣和屋頂形邊緣兩種。對于階躍形邊緣，一階導數在邊緣處達到極值，而二階導數在邊緣處呈零交叉；對于屋頂形邊緣，一階導數在邊緣處呈零交叉，而二階導數在邊緣處取極值。因此，可以用一階導數的幅度值檢測邊緣的存在。根據二階導數的幅度變化

40、情況可以確定邊緣的位置。邊緣檢測基本思想是先檢測圖像中的邊緣點，在按照某種策略將邊緣點連接成輪廓，構成分割域。圖像中物體邊界上像素點的鄰域是一個灰度級變化帶，衡量該變化最有效的兩個特征值是灰度變化率和變化方向，分別以梯度向量的幅值和方向來表示。對連續圖f(x,y)，邊緣檢測即求f(x,y)梯度的局部最大值和方向。經典的邊緣提取方法是考察圖像的每個像素，在某個區域內灰度的變化，利用邊緣鄰近一階或二階方向導數的變化規律，用簡單的方法檢測邊緣,這種方法稱為微分算子法。該方法中的大部分算法使用的是濾波器模板，即讓所處理的像素與模板的中心重合，模板系數與相對應像素值加權后相加，其結果作為該像素點的梯度值

41、，在整幅數字圖像矩陣中移動濾波器模板，就可得到一幅梯度圖。此方法的結果反映了數字圖像中像素灰度變化的梯度，根據梯度圖中梯度的變化情況檢測出圖像的邊緣。由于邊緣發生在圖像灰度值變化比較大的地方，對應連續情形就是函數梯度較大的地方。經典的邊緣檢測方法是構造對像素灰度級階躍變化敏感的微分算子，如Sobel算子、Robert算子、Prewitt算子等。Matlab工具箱提供的edge()函數可針對Sobel算子,Prewitt算子,Roberts算子和Canny算子實現檢測邊緣的功能。基于灰度的圖像分割方法也可以用簡單的Matlab代碼實現.在對圖象進行邊緣檢測之后，對于圖象目標邊緣出現的灰度急劇變化

42、的情況，我們再一次采用閾值法，而這次的閾值法與預處理時采用的閾值法略有不同，預處理時采用的是全局閾值法，而這一次的后處理工作采用的是局部閾值法：當圖像中存在陰影、照度不均勻，各處的對比度不同，背景灰度變化等情況時，如果只用一個固定的全局閾值對整幅圖像進行分割，則由于不能兼顧圖像各處的情況而使分割效果受到影響。這時采用局部閾值法，即用與像素位置相關的一組閾值對圖像各部分分別進行分割。最簡單的方法是將圖像劃分為若干小圖像，先對各子圖像閾值法進行分割，再將分割后的小區域合并在一起，得到整幅圖像的完整分割結果。其實局部閾值法是全局閾值法的一個拓展。在以上處理均完成后，在對分割出來的圖象進行分析，對方案

43、進行一定的完善，對實驗結果進行詳細的討論，得出有意義的結論，完成此次課題以及論文的撰寫寫工作。研究方法、實行方案、及技術路線：研究方法：在這次的圖像分割實驗中，我主要采取方案的是邊緣檢測的分割方法，然后利用閾值法作預處理和后處理。首先用閾值法作為預處理，這樣做的目的是先區分圖片的背景和目標，也可以消除部分的噪聲。閾值處理是一種區域分割技術,將灰度根據主觀愿望分成兩個或多個等間隔或不等間隔灰度區間，它主要是利用圖像中要提取的目標物體和北京在灰度上的差異，選擇一個合適的閾值，通過判斷圖像中的每一個像素點的特征屬性是否滿足閾值的要求來確定圖像中該像素點術語目標區還是應該屬于區域，從而產生二值圖像，它對物體和背景有較強對比景物的分割特別有用。因此，在這里可以利用閾值法來作為圖像分割的第一步。再用邊緣檢測算子來分割圖像，這樣就大致的可以將目標從圖像中分割出來。邊緣是圖像的最基本的特征，邊緣中包含著有價值的目標邊界信息，這些信息可以用作圖像分析、目標識別。邊緣檢測基本思想是先檢測圖像中的邊緣點，在按照一種策略將邊緣點連接成輪廓，構成分割域。圖像中物體邊界上像素點的鄰域是一個灰度級變化帶，衡量該變化最有效的兩個特征值是灰度變化率和變化方向，分別以梯度向量的幅值和方向來表示。對連續圖f(x,y)，邊緣檢測即求f(x,y)梯度的局部最大值和方向。經典的邊緣提取方法是考察圖像的每個像素，