文章编号:100724619(2002)022*******
遥感图像数据重采样的一种快速算法
楼 林,黄韦艮,周长宝,杨劲松
(国家海洋局海洋动力过程与卫星海洋学重点实验室,国家海洋局第二海洋研究所,浙江杭州 310012)
摘 要: 从原始遥感图像几何畸变特征出发,建立了SeaS tar SeaWiFS 和NOAA AVHRR 遥感图像数据重采样的一种快速算法,并提出了邻点权重重采样方式。该种快速算法能有效地提高遥感图像几何校正的速度,并适用于连续对地观测系统遥感数据的重采样过程。邻点权重重采样方式可用以替代通常的最近邻点和双线性插值重采样方式。
关键词: 遥感;数据重采样;快速算法;NOAA AVHRR 中图分类号: TP751.1 文献标识码: A
1 引 言
由于传感器、遥感平台以及地球本身等方面的原因,遥感图像存在难以避免的几何畸变[1]。宽视场的海洋水色卫星SeaStar SeaWiFS 与气象卫星NOAA AVHRR 遥感图像几何畸变在扫描行边缘部分特别严重。为了校正卫星原始遥感图像的几何畸变,需要进行两步工作。一是遥感图像像元的几何定位,即地理经纬度的确定。二是对原始遥感图像数据进行重新采样并输出。国内外对于宽视场的海洋水色卫星与气象卫星遥感图像像元的几何定位方法已有众多研究,其定位精度已达到几个像元至亚像元级水平[2—4]。前人对遥感图像数据重取样方法也作了一些研究,
但重采样方法多采用传统的方法,重采样速度较慢[5,6]。本文从遥感图像的几何畸变特征出发,研究遥感图像数据快速重采样算法。
2 遥感图像几何畸变特征
卫星在一定高度的轨道飞行,星载传感器通过反射镜的旋转扫描获取地球表面的辐射率信息。遥感图像所对应的地面区域取决于以下两维运动:卫星沿着轨道的运动和扫描仪垂直于轨道切线方向的旋转扫描运动[3]。因此遥感图像的几何畸变过程与
遥感平台轨道性质、传感器扫描成像特性和地球形态模型等参数密切相关。图1为降轨、后倾扫描的SeaStar SeaWiFS 遥感图像在高斯2克吕格投影体系下
所对应地面区域的形状。从图1可见,由于成像过程中的几何畸变,遥感图像所对应地面区域的形状近似为不规则的四边形,并且遥感图像行列坐标系统与地理经纬度坐标系统之间也是不重合的。例如降轨、后倾扫描的SeaStar SeaWiFS 遥感图像,其地理经纬坐标与行列坐标之间具有如下关系:
(1)在扫描行方向上,列数从1变化到1285过程中,像元点经度增加,纬度减小;
(2)在卫星运行方向上,行数逐行增加过程中,像元点经度减小,纬度也减小。
图1 SeaS tar SeaWiFS 图像形状
Fig.1 Shape of SeaS tar SeaWiFS image
对于SeaStar SeaWiFS 其它成像状态和NOAA
AVHRR 的遥感图像,也可以得到类似的关系。
收稿日期:2000211221;修订日期:2001202227
基金项目:国家“十五”科技攻关项目2001BA603B 206和国家“973”计划“我国近海有害赤潮的生态学、海洋学机制及预测防止”项目的资助。
作者简介:楼 林(1974—
),男。1997年毕业于长春科技大学地球科学系。2000年8月毕业于国家海洋局第二海洋研究所,获海洋遥感专业硕士学位。现从事海洋遥感图像数据处理和信息提取,发表论文2篇。
第6卷第2期
遥 感 学 报
V ol.6,N o.22002年3月
JOURNA L OF RE M OTE SE NSING
Mar.,2002
3 遥感图像数据重采样
我们希望数据重采样后输出的图像其行列坐标与地理经纬度坐标之间是一致的,并且是像元均匀分布的二维矩阵,以便于保存、处理和显示。由于原始图像行列坐标空间与地理经纬坐标空间之间是不一致的,使得原始图像与重采样图像之间的转换关系是非线性的。原始图像中排列规则的像元用直接成图法投影到重采样图像空间后,
这种规则排列往往被打乱,容易出现重采样图像中没有原始图像中所对应的像元,如图2。因此不能根据地理经纬坐标直接将像元从原始畸变图像空间投影到重采样图像空间。必须引入适当的坐标转换函数来实现对原始图像数据的重采样。
图2 重采样示意图
Fig.2 Schematic of resam pling
从图2可见,完成一个像元的重采样过程可以分为两个步骤:首先确定重采样像元(u ,v )在原始
图像行列坐标空间的位置(x ,y ),即共轭点;其次,利用其种方法确定这一共轭点的亮度值f (x ,y )。其具体实现过程是从空白的重采样图像出发,建立原始图像行列坐标空间(i ,j )与经纬坐标空间(u ,
v )的转换关系函数F (u ,v ),即:
x =F x (u ,v )y =F y (u ,v )
(1)
其中x ,y 是共轭点在原始图像行列坐标空间(i ,j )上的坐标值,由于共轭点不一定与原始图像像元相
重合,x 与y 的取值一般情况下不为整数。然后,利用式(1)按坐标顺序依次求取重采样图像空间中每个待采样像元(u ,v )在原始畸变图像空间中的共轭位置点(x ,y )。最后根据共轭点周围的原始图像像元应用某种方法确定这一共轭位置点的亮度值
f (x ,y ),并把此共轭点的亮度值赋给重采样图像空
间中待采样像元(u ,v ),即f (x ,y )→g (u
,v )。下面
分别探讨像元重采样的两个过程。
311 转换函数F (u ,v )的确定
在几何精校正中,重采样过程中坐标间转换函数是利用地面控制点(G CPs )采用多项式变换方法来求取的。在没有G CPs 可资利用的情况下,数据重采样过程中的转换函数不能通过多项式变换方法求取。我们在对图2进行分析后可知,重采样图像中坐标为(u ,v )像元在原始图像空间中不一定能找到与原始图像像元相重合的现成共轭点。在通常情况下该共轭点P (x ,y )位于几个原始像元之间,如图3。一般地说,任何一个有效的共轭点可以由原
图3 共轭点位置示意图
Fig.3 Schematic of conjugate points
始图像中某4个相邻像元所组成的“块”所唯一确定。因此,转换函数的求解实际上就是获取与重采
样像元(u ,v )所对应的原始图像的i ,i +1,j 和j +1等行列坐标值。因此转换函数的求解过程可以是:首先,由重采样图像空间行列坐标(u ,v )确定该点的地理经纬坐标(Lat ,Lon );然后,在原始图像空间中确定由i ,i +1,j 和j +1四个行列坐标值所决定的区域或块,使得该区域在经纬度空间中包含点(Lat ,Lon )。本文根据遥感图像几何畸变特征,提出了一种“块操作”来确定共轭点位置的方法,并完成了其快速算法。本文所谓的“块”是指由原始图像中4个像元点的最大、最小经纬度值所确定的经纬度
空间上的区域。312 共轭点位置的确定
在进行数据重采样的计算过程中,有大量计算时间花费在共轭位置的定位上,也就是说重采样点共轭位置的确定是数据重采样的关键部分。对于降轨、后倾扫描的SeaWiFS 遥感图像数据,考虑到上文提到的两个图像特征,我们可以将一维顺序数据的对半查找方法推广应用到二维图像空间,快速地确定共轭点位置,进而获取相应i ,j 值。具体过程如下:
第2期楼 林等:遥感图像数据重采样的一种快速算法97
(1)确定重采样图像空间中像元(u ,v )的共轭点p (x ,y )的经纬度坐标(lat ,Lon );
(2)将整幅原始畸变图像作为一个区域块(Block ),并默认为当前正在操作的区域块,则该区域块是由块中最大、最小经纬度的4个相应像元(实
际上就是图幅的4个端点)圈围而成;
(3)求得当前操作块的最大、最小经纬度,由此判断点(Lat ,Lon )是否在该操作块中。如果在当前操作块中则进行下一步,否则返回“共轭点不在整幅图像中”的信息;
(4)如果当前操作块的行数和列数均不大于2,则返回当前操作块在整幅图像中的行列位置信息,否则进行下一步;
(5)以行列数为依据,将当前操作块对半分割成4个子块(sub 2block ),如图4。分别求取4个子块的最大、最小经纬度,
判断点(Lat ,Lon )是否在这些子块中。如果不在所有的4个子块中,则返回“共轭点不在整幅图像中”的信息;
图4 对半查找法区域分割示意图
Fig.4 Schematic of block partition
(6)共轭点与子块的关系有两种情况
,一是共
轭点单独存在于某子块中;二是共轭点存在于相邻两子块的公共区域中,如图5。如果属于第一种情况,则跳到步骤(8);
图5 相邻子块的公共区域
Fig.5 C omm on area of tw o adjacent sub 2blocks
(7)此时共轭点位于块一与块二、块一与块三、块二与块四或块三与块四等公共区域之一。根据公
共区域对角线(即相邻子块的公共边)上像元的地理经纬坐标值就可以判断共轭点位于哪个子块;
(8)将共轭点所在的子块设置为当前操作块,返回到步骤(3)。
利用上述算法,如果原始图像大小为1024×1024个像元,则查找重采样图像中任意像元的共轭点在原始图像中的位置,其对半查找(块操作)的次数在理论上不会超过10次。该种方法与普通的顺序查找方法相比,共轭点定位过程在运算速度上呈几何量级提高,能够极大地提高数据重采样的速度。上述确定共轭点位置的“块操作”方法的另一个优点是可以设定条件,以获取不同大小的包含共轭点的块(上文中设定块的大小为2×2个像元),以满足确定共轭位置点亮度值时不同方法的需要。如三次卷积方法确定共轭位置点亮度值时要利用4×4邻域的原始像元数据。
313 共轭位置点亮度值的确定
如上文所述,共轭点在通常情况下位于几个原
始像元之间,因此共轭点必须根据该点周围的若干邻近像元亮度值的贡献来确定。在利用上文方法获得共轭点所在的原始图像区域后,我们就可以应用某种采样方法来确定共轭点的亮度值。常用的亮度获取方法有最近邻点法、双线性插值和三次卷积法。最近邻点法的优点是算法简单且能保持原始图像的亮度值不变,但常使采样后的遥感图像在亮度上不
连续,原来光滑的边界出现锯齿状。这种情况在图
像的边缘表现得尤为突出。双线性插值法的优点是计算较为简单,校正后的图像亮度连续,但因其具有低通滤波的性质,造成高频信息的损失,常使采样后的遥感图像变得模糊。三次卷积法对前述两种方法的缺点都能克服,但计算量极大。考虑到上面3种方法的优缺点,以及原始图像中像元的经纬度坐标已知的情况,本文提出一种“邻点权重法”来确定共轭位置点的亮度值。“邻点权重法”数据重采样原理如图6,共轭位置点的亮度值按公式(2)求取:
sum =
∑
4
n =1
1/
d n
f (x ,y )=
∑4
n =1
1/d n
sum P
n
(2)
式(2)中的d n 表示共轭点到4个邻近原始像元
点的经纬度距离,P n 为原始像元的亮度值。用上述
“邻点仅重法”
求取共轭点亮度值的过程表明:共轭点p 周围的4个原始像元的亮度值对该共轭点的亮度值都有贡献,但随两者间的经纬度距离d 的大小
98 遥 感 学 报第6卷
图6 邻点权重法示意图
Fig.6 Schematic of the weighted neighbour method 而异
,距离小的像元贡献大,距离大的像元贡献小。由于“邻点权重法”在决定共轭点亮度值时距离起决定作用,因此该方法与“最近邻点法”相比有相似之处,能够尽可能地保持原图像的光谱信息。“邻点权重法”在算法上属于邻域处理,其采样过程是通过曲面拟合实现的。故该方法与“双线性插值法”近似,对共轭点的亮度重采样精度以及几何重采样都可以达到比较高的精度,并且在算法上较“双线性插值法”简单。“邻点权重法”兼有“最近邻点法”和“双线性插值法”的部分优点,使得重采样图像具有较好的采样效果和质量。
4 遥感图像数据快速重采样方法应用实例
利用上文图像数据重采样算法思想,作者用C 语言编制完成了通用的SeaStar SeaWiFS和NOAA AVHRR遥感图像数据快速重采样程序。程序可以选择不同的数据重采样方式,以满足不同应用的需要。程序输入参数为待采样点经纬度、数据采样方式、原始图像像元亮度值及其经纬度值矩阵,程序输出结果为对应采样方式的重采样点的亮度值。
以1998209221渤海地区的SeaStar SeaWiFS遥感图像为例(图7),进行了数据重采样的工作。选用的SeaWiFS遥感图像格式为L1b级别数据。首先应用Patt的遥感图像几何定位方法获取SeaWiFS L1b 图像每个像元的大地经纬度坐标值[2]。然后确定需要进行重新采样部分图像的空间范围和采样方式,并输入到重采样程序,最后程序输出重采样后的遥感图像。数据处理环境为奔腾微机,200兆赫CPU, 128兆内存,Windows98操作系统;原始图像大小为700×386,重采样图像大小为512×512。为检验本文所提出的“块操作”重采样快速算法的有效性,在遥感图像重采样时也进行了顺序查找共轭点方法的计算。用两种不同查找方法进行数据重采样处理的结果如表1。
表1 不同查找方法和采样方法的计算时间
T able1 Computed times of different searching and resampling
methods
/s 采样方式最近邻点法邻点权重法双线性插值法三次卷积法
顺序查找1136113611441160
块操作69697280
图7 渤海地区原始遥感图像
Fig.7 SeaS tar SeaWiFS raw image of the Bohai Sea
对表1数据进行分析可见,重采样过程中共轭点查找方法的不同使得数据处理时间或速度发生显著变化;基于对半查找方法的“块操作”技术的重采样速度远远快于普通的顺序查找方法。表1数据还表明,数据重采样过程中不同的数据采样方式对数据处理速度的影响不是很大。因此,共轭点的查找速度在一定程度上决定了数据重采样的速度。
图8,图9和图10分别为采用最近邻点、邻点权重和双线性插值等重采样方式所得到的渤海地区重采样遥感图像;图11为带经纬度网格、用邻点权重方式重采样后的渤海地区遥感图像。从重采样图像的质量看,邻点权重采样方法既有最近邻点采样方法的部分优点,也有双线性插值方法的优点。因此,邻点权重方法在一定程度上可用以替代最近邻点法和双线性插值法进行一般的数据重采样工作。
经过上述重采样算法得到的遥感图像数据是等
第2期楼 林等:遥感图像数据重采样的一种快速算法99
图8 最近邻点法重采样遥感图像Fig.8 Resam pled
image with the nearest neighbout method
图9 邻点权重法重采样遥感图像
Fig.9 Resam pled image with the weighted neighbout method
图10 双线性插值法重采样遥感图像
Fig.10 Resam pled image with the bilinear interpolation method 经纬度网格的数据集,每个像元数据具有相同的经纬度增量,相当于对原始图像进行了等距圆柱投影。这个数据集虽然也有一定扭曲,但却为遥感图像的进一步处理工作如几何精校正或标准投影奠定了基础。在这里本文只示例了SeaStar SeaWiFS的升轨、后倾扫描遥感数据的重采样过程和结果,但该快速重采样算法完全适用于SeaStar SeaWiFS其它扫描成像状态所获得的遥感数据和NOAA AVHRR等其它对地观测系统遥感数据的重采样工作。
图11 渤海地区重采样遥感图像
Fig.11 Resam pled image of the Bohai Sea with
the weighted neighbour method
5 结 论
通过以上分析,可以得到以下结论:
(1)实现数据重采样过程可以分为两个步骤,一是重采样点的共轭点的定位,二是重采样点像元亮度值的计算;
(2)卫星遥感数据重采样的大量计算时间花费在重采样像元共轭点的定位上,应用本文建立的快速算法可以有效地提高数据重采样速度;
(3)本文提出的遥感图像数据邻点权重重采样方式具有一定的实用性,可用以替代最近邻点和双线性插值重采样方式;
(4)本文建立的快速重采样算法具有较好的通用性,可移植应用到大多数对地观测系统的遥感数据重采样工作中。
参考文献(R eferences)
[1] Zhang X iaocan et al.Rem ote Sensing Image Digital Processing[M].
Hangzhou Zhejiang University Publishing C om pany,1997.[章孝灿
等.遥感数字图像处理[M].杭州:浙江大学出版社,1997.]
100
遥 感 学 报第6卷
[2] Patt F S ,et al.Exact Closed 2form G eolocation Alg orithm for Earth
Survey Sens ors [J ].INT.J.Remote Sensing ,1994,15(18):3719—3734.
[3] Pan Delu et al.A S tudy of Anchoring G eographic C oordinates and
Calculating Z enith and Azimuth of Sun and Scanner for Oceanic Satel 2lite Data [J ].Acta Oceanologica Sinica ,1996,15(4):539—557.[4] Zhang Bin et al.High Precision Navigation of NOAA AVHRR Data
[J ].Journal o f Remote Sensing ,1999,3(4):259—267.[张斌
等,NDAA AVHRR 数据的高精度导航定位[J ].遥感学报.
1999,3(4):2592267.]
[5] Wu Bing fang.A S im plified M ethod of Accurate G eometric C orrection
for NOAA AVHRR 1B Data [J ].Remote Sensing o f Environment.1994,9(4):287—295.[吴炳方.NOAA AVHRR 1B 数据的几
何精纠正[J ].环境遥感,1994,9(4):287—295.]
[6] W ang M aoxin et al.The S tudy of NOAA AVHRR Image Resam pling
and Projection M ethods [J ].China Journal o f Image and Graphics ,1997,2(1):38—42.[王茂新等.关于NOAA AVHRR 图像重
采样及投影方法的研究[J ].中国图像图形学报,1997,2(1):
38—42.]
A Method for F ast R esampling of R emote Sensing Imagery
LOU X iu 2lin ,H UANG Wei 2gen ,ZH OU Chang 2bao ,Y ANGJin 2s ong
(Lab.o f Ocean Dynamic Processes and Satellite Oceanography ,Second Institute o f Oceanography ,State Oceanic Administration ,Hangzhou 310012,China )
Abstract : A method for fast resam pling of rem ote sensing imagery has been developed based on the nature of the geo 2metric distortion of raw The method was applied to resam ple SeaStar SeaWiFS and NOAA AVHRR images.Ex 2am ples of the resam pling of SeaStar SeaWiFS images are presented by using the results have shown that the resam pling us 2ing the method suggested in this paper is much faster than other resam pling methods.A weighted neighbour intensity in 2terpolation has als o been proposed.The quality of the resam pled images is im proved.The weighted neighbour intensity interpolation.Advantages of the weighted neighboun intensity interpolation over the nearest 2neighbour and bilinear inten 2sity interpolations have been discussed.
K ey w ords : rem ots sensing imagery ;fast resam pling ;SeaStar SeaWiFS ;NOAA AVHRR
第2期楼 林等:遥感图像数据重采样的一种快速算法101
Efficient graph-based image segmentation 2.相关工作 G=(V ,E)，每个节点V i v 对应图像中一个像素点，E 是连接相邻节点的边，每个边有对应有一个权重，这个权重与像素点的特性相关。 最后，我们将提出一类基于图的查找最小割的分割方法。这个最小割准则是最小化那些被分开像素之间的相似度。【18】原文中叫Component,实质上是一个MST,单独的一个像素点也可以看成一个区域。 预备知识： 图是由顶点集（vertices ）和边集（edges ）组成，表示为，顶点，在本文中即为单个的像素点，连接一对顶点的边具有权重，本文中的意义为顶点之间的不相似度，所用的是无向图。 树：特殊的图，图中任意两个顶点，都有路径相连接，但是没有回路。如上图中加粗的边所连接而成的图。如果看成一团乱连的珠子，只保留树中的珠子和连线，那么随便选个珠子，都能把这棵树中所有的珠子都提起来。如果，i 和h 这条边也保留下来，那么h,I,c,f,g 就构成了一个回路。 最小生成树（MST, minimum spanning tree ）：特殊的树，给定需要连接的顶点，选择边权之和最小的树。上图即是一棵MST 。 本文中，初始化时每一个像素点都是一个顶点，然后逐渐合并得到一个区域，确切地说是连接这个区域中的像素点的一个MST 。如图，棕色圆圈为顶点，线段为边，合并棕色顶点所生成的MST ，对应的就是一个分割区域。分割后的结果其实就是森林。 边的权值： 对于孤立的两个像素点，所不同的是颜色，自然就用颜色的距离来衡量两点 的相似性，本文中是使用RGB 的距离，即
图像分割技术的GUI设计 一、概述（意义及背景） 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。1998年以来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。图像分割后提取出的目标可以用于图像语义识别，图像搜索等等领域。 二、设计方案 利用MATLAB中的GUI（图形用户界面），实现图像的读取，边缘检测，四叉树分解，直方图阈值分割，二值化差值的实现，并设计了退出按钮。 三、实现步骤 1、打开MATLAB; 2、打开Command Window 窗口中输入guide或点击快捷键 ; 3、在GUIDE Quick Start 窗口中选择Blank GUI(Default)中选择Blank GUI(Default),再单击OK; 4、在新出现的窗口中选择需要的GUI控件； 5、在控件上右击选择View Callbacks—callback; 6、输入各控件对应的回调函数； 四、系统调试及验证 完成后系统是这样的
1、单击系统前置图的运行按钮进入系统调试 2、点击第一个模块相应按钮完成相应实验 点击读取图片按钮的效果点击图像边缘检测按钮的效果 点击四叉树分解按钮的效果点击直方图阈值分割按钮的效果3、点击第二个模块相应按钮完成相应的实验
点击读取原图按钮的效果点击读取背景图按钮的效果 点击二值化差值图按钮的效果 4、点击退出按钮结束实验 点击退出按钮结束实验 五、参考文献 [1] 杨帆.数字信号处理与分析[M]. 北京:北京航空航天大学出版社，2010. [2] 徐飞，施晓红.MATLAB应用图像处理[M].西安.西安电子科技大学出版社，
图像分割算法开题报告 摘要：图像分割是图像处理中的一项关键技术，自20世纪70年代起一直受到人们的高度重视，并在医学、工业、军事等领域得到了广泛应用。近年来具有代表性的图像分割方法有：基于区域的分割、基于边缘的分割和基于特定理论的分割方法等。本文主要对基于自动阈值选择思想的迭代法、Otsu法、一维最大熵法、二维最大熵法、简单统计法进行研究，选取一系列运算出的阈值数据和对应的图像效果做一个分析性实验。 关键字：图像分割，阈值法，迭代法，Otsu法，最大熵值法 1 研究背景 1．1图像分割技术的机理 图像分割是将图像划分为若干互不相交的小区域的过程。小区域是某种意义下具有共同属性的像素连通集合，如物体所占的图像区域、天空区域、草地等。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言，连通有4连通和8连通之分。图像分割有3种不同的方法，其一是将各像素划归到相应物体或区域的像素聚类方法，即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘像素，然后再将边缘像素连接起来构成边界的方法。 图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解，两者是紧密关联的。图像分割在一般意义下十分困难的，目前的图像分割处于图像的前期处理阶段，主要针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。 1．2数字图像分割技术存在的问题
虽然近年来对数字图像处理的研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大突破性的进展,仍然存在以下几个方面的问题。 现有的许多种算法都是针对不同的数字图像,没有一种普遍适用的分割算法。 缺乏通用的分割评价标准。对分割效果进行评判的标准尚不统一,如何对分割结果做出量化的评价是一个值得研究的问题,该量化测度应有助于视觉系统中的自动决策及评价算法的优劣,同时应考虑到均质性、对比度、紧致性、连续性、心理视觉感知等因素。 与人类视觉机理相脱节。随着对人类视觉机理的研究,人们逐渐认识到,已有方法大都与人类视觉机理相脱节,难以进行更精确的分割。寻找到具有较强的鲁棒性、实时性以及可并行性的分割方法必须充分利用人类视觉特性。 知识的利用问题。仅利用图像中表现出来的灰度和空间信息来对图像进行分割,往往会产生和人类的视觉分割不一致的情况。人类视觉分割中应用了许多图像以外的知识,在很多视觉任务中,人们往往对获得的图像已具有某种先验知识,这对于改善图像分割性能是非常重要的。试图寻找可以分割任何图像的算法目前是不现实,也是不可能的。人们的工作应放在那些实用的、特定图像分割算法的研究上,并且应充分利用某些特定图像的先验知识,力图在实际应用中达到和人类视觉分割更接近的水平。 1．3数字图像分割技术的发展趋势 从图像分割研究的历史来看,可以看到对图像分割的研究有以下几个明显的趋势。 对原有算法的不断改进。人们在大量的实验下，发现一些算法的效
中南民族大学 毕业论文(设计) 学院: 计算机科学学院 专业: 自动化年级:2012 题目: 图像分割技术与MATLAB仿真 学生姓名: 高宇成学号:2012213353 指导教师姓名: 王黎职称: 讲师 2012年5月10日
中南民族大学本科毕业论文（设计）原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名：年月日
目录 摘要 (1) Abstract (1) 引言 (3) 1 图像分割技术 (3) 1.1 图像工程与图像分割 (3) 1.2 图像分割的方法分类 (4) 2 图像分割技术算法综述 (5) 2.1 基于阈值的图像分割技术 (5) 2.2边缘检测法 (5) 2.3 区域分割法 (7) 2.4 基于水平集的分割方法 (8) 2.5 分割算法对比表格 (8) 3基于水平集的图像分割 (9) 3.1 水平集方法简介 (9) 3.2 水平集方法在图像分割上的应用 (9) 3.3 仿真算法介绍 (10) 3.4 实验仿真及其结果 (11) 结论 (18) 致谢 (19) 参考文献 (19)
图像分割技术研究及MATLAB仿真 摘要：作为一项热门的计算机科学技术，图像分割技术已经在我们生活中越来越普及。顾 名思义这项技术的目的就是，将目标图像从背景图像中分离出去。由于这些被分割的图像区域在某些属性上很相近，因此图像分割与模式识别以及图像压缩编码有着密不可分的关系。完成图像分割所采用的方法各式各样，所应用的原理也不同。但他们的最终目的都是把图像中性质相似的某些区域归为一类，把性质差异明显的不同区域分割开来。通常在分割完成之后，我们就要对某些特定区域进行分析、计算、评估等操作，因而分割质量的好坏直接影响到了下一步的图像处理[1]，因此图像分割是图像处理的一个关键步奏。图像分割技术在各个领域都有着及其重要的意义；在工业上有卫星遥感，工业过程控制监测等等；在医学方面，水平集的分割方法还可以通过医学成像帮助医生识别模糊的病变区域；在模式识别领域还可应用到指纹扫描、手写识别、车牌号识别等等。 本课题的研究内容是对图像分割技术的几种常用的方法进行综述和比较，并基于其中一种方法进行MATLAB仿真测试，给出性能分析比较结果。 关键字：图像分割，MA TLAB仿真，模式识别 Image Segmentation and Matlab Simulation Abstract:Image segmentation is to image representation for the physically meaningful regional connectivity set, namely according to the prior knowledge of target and background, we on the image of target and background of labeling and localization, then separate the object from the background. Because these segmented image regions are very similar in some properties, image segmentation is often used for pattern recognition and image understanding and image compression and coding of two major categories. Because the generated in the segmented region is a kind of image content representation, it is the image of visual analysis and pattern recognition based and segmentation results of quality of image analysis, recognition and interpretation of quality has a direct impact. Image segmentation it is according to certain features of the image (such as gray level, spectrum, texture, etc.) to a complete picture of the image is segmented into several meaningful area. These features made in a certain region of consistent or similar, and between different regions showed significantly different. Image segmentation technology in various fields have most of the field and its important significance in digital image processing, image segmentation has a wide range of applications, such as industrial automation, process control, online product inspection, image coding, document image processing, remote sensing and medical image analysis, security surveillance, as well as military, sports and other aspects. In medical image processing and analysis, image segmentation for body occurrence of three-dimensional display of the diseased organ or lesion location determination and analysis plays an effective role in counseling; in the analysis and application of road traffic conditions,
摘要 在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1) 采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。 近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1 至5 米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。 相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。 然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(salt and pepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(Support Vector Machine，SVM) 、纹理聚类、分层聚类(Hierarchical Clustering) 、神经网络(Neural Network, NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。 针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程
图像分割方法综述
图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点，本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering
analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方
关于图像分割算法的研究 黄斌 （福州大学物理与信息工程学院 福州 350001） 摘要：图像分割是图像处理中的一个重要问题，也是一个经典难题。因此对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视，也提山了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决。本文从图像分割的定义、应用等研究背景入手，深入介绍了目前各种经典的图像分割算法，并在此基础比较了各种算法的优缺点，总结了当前图像分割技术中所面临的挑战，最后展望了其未来值得努力的研究方向。 关键词：图像分割 阀值分割 边缘分割 区域分割 一、 引言 图像分割是图像从处理到分析的转变关键，也是一种基本的计算机视觉技术。通过图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能，因此它被称为连接低级视觉和高级视觉的桥梁和纽带。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其它伪目标中分离出来[1]。 图像分割可以形式化定义如下[2]：令有序集合表示图像区域(像素点集)，H 表示为具有相同性质的谓词，图像分割是把I 分割成为n 个区域记为Ri ，i=1，2，…，n ，满足： (1) 1,,,,n i i j i R I R R i j i j ===??≠ (2) (),1,2,,i i i n H R True ?== (3) () ,,,i j i j i j H R R False ?≠= 条件(1)表明分割区域要覆盖整个图像且各区域互不重叠，条件(2)表明每个区域都具有相同性质，条件(3)表明相邻的两个区域性质相异不能合并成一个区域。 自上世纪70年代起，图像分割一直受到人们的高度重视，其应用领域非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。主要表现在： 1)医学影像分析：通过图像分割将医学图像中的不同组织分成不同的区域，以便更好的
西安郵電學院 科研训练总结报告书 系部名称：计算机学院 学生姓名：于乐 专业名称：计算机科学与技术 指导老师：刘军 班级：计科0906 学号：04091178 时间：至2012年 10月14日2012年 12月28日
图像分割技术的前景及研究意义： 在计算机视觉，模式识别中，常常要将一些图像分割成一些有意义的区域，或者将图像中的有意义的特征提取出来，以便机械识别和检验。因此，图像分割是图像处理中最基本最重要的技术之一，它是任何理解系统和自动识别系统必不可少的一个重要环节。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。 图像分割技术的需求分析： 分水岭分割方法：分水岭的计算过程是一个迭代标注过程。分水岭比较经典的计算方法是L. Vincent提出的。在该算法中，分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。 区域增长算法：对格网数据点逐格网单元扫描，当找不到这样的地物点时结束操作；把这个点同周围的8-邻域点比较，若小于阈值，则合并到同一区域，并对合并的地物点赋予该区域的标记；从新合并的地物点开始，反复进行上述的操作； 反复进行上述两部的的操作，直到不能合并为止；返回最初的操作，寻找新区域出发点。 K均值聚类算法：K-均值聚类算法的基本思想 随机选取 K个点作为初始聚类中心，计算各个样本到聚类中心的距离，把样本归到离它最近的那个聚类中心所在的类，对调整后的新类计算新的聚类中心。如果相邻两次的聚类中心没有任何变化 说明样本调整结束，聚类准则函数已经收敛。 K-均值聚类算法中重要的一步是初始聚类中心的选取，一般是随机选取待聚类样本集的K个样本，聚类的性能与初始聚类中心的选取有关，聚类的结果与样本的位置有极大的相关性。一旦这 K个样本选取不合理，将会增加运算的复杂程度，误导聚类过程，得到不合理的聚类结果。通过粗糙集理论提供，K-均值聚类所需要的初始类的个数和均值，提高了聚类的效率和分类的精度 基于拓扑结构图的分割：定义扫掠面周长在扫掠结点之间的积分为骨架树中分支的面积 并将此面积定义为几何函数 定义拓扑函数为相邻两个扫掠面拓扑差异的符号函数。并定义了基于微分几何和拓扑函数的关键点。整个过程无需用户干涉。 图像分割技术可行性分析： 图像分割技术的研究，了解图像分割技术的实际应用，与图像分割方法，支
浅析图像分割的原理及方法 一．研究背景及意义 研究背景： 随着人工智能的发展，机器人技术不断地应用到各个领域。信息技术的加入是智能机器人出现的必要前提。信息技术泛指包括通信技术、电子技术、信号处理技术等相关信息化技术的一大类技术。它的应用使得人们今天的生活发生了巨大变化。从手机到高清电视等家用电器设备出现使我们的生活越来越丰富多彩。在一些军用及民用领域近几年出现了一些诸如:图像制导、无人飞机、无人巡逻车、人脸识别、指纹识别、语音识别、车辆牌照识别、汉字识别、医学图像识别等高新技术。实现它们的核心就是图像处理、机器视觉、模式识别、智能控制、及机器人学等相关知识。其中图像处理具有重要地位。而图像分割技术是图像分析环节的关键技术。 研究图像分割技术的意义： 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，同时视觉信息是人类从自然界中获得信息的主要来源，约占人类获得外部世界信息量的80%以上。图像以视觉为基础通过观测系统直接获得客观世界的状态，它直接或间接地作用于人眼，反映的信息与人眼获得的信息一致，这决定了它和客观外界都是人类最主要的信息来源，图像处理也因此成为了人们研究的热点之一。人眼获得的信息是连续的图像，在实际应用中，为便于计算机等对图像进行处理，人们对连续图像进行采样和量化等处理，得到了计算机能够识别的数字图像。数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点，成为计算机视觉和图像处理的重要研究对象。在一幅图像中，人们往往只对其中的某些区域感兴趣，称之为前景，这些区域内的某些空间信息特性(如灰度、颜色、轮廓、纹理等)通常与周围背景之间存在差别。图像分割就是根据这些差异把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。在数字图像处理中，图像分割作为早期处理是一个非常重要的步骤。为便于研究图像分割，使其在实
一种基于HLS的快速图像分割算法 【摘要】本文提出了一种新的基于HLS的快速图像分割算法。通过分析HLS 颜色空间特性，提出一种新的图像相似性的定义方法，可以快速选择出相似的颜色区域。在图像的预分割过程中起到了快速定位的作用。与基于MEANSHIFT 的图像分割算法，分水岭算法对比，通过实验结果表明，本论文提出的分割算法具有快速的，良好的的特性。 【关键词】预分割；图像分割；HLS颜色空间 1.分割的意义与现状 图像分割是计算机图像处理与机器视觉研究领域中的基本问题之一。随着计算机硬件和计算机理论的不断取得突破进展，数字图像处理技术和计算机视觉技术得到了广泛的应用。在对图像进行研究和应用中，前景提取或前景分割是一个重要的研究组成部分。在应用的过程中，往往只对图像中某些部分某些区域感兴趣，这些部分通常称之为前景。前景是图像中特定的，具有某些特性的区域，或者说是具有更高层次语义的区域。例如人，桌子等等自然物体，也可能是人身体的一部分，如头发，脸等等。为了进一步的研究分析，需要把前景区域单独提取出来，作为下一步的算法的输入。所以说图像分割算法是指将某些特定区域从背景中分割出来的算法。图像分割是数字图像处理与计算机视觉研究领域中的基本问题之一，也是热点之一。 在每一次交互式的过程中，我们并不需要对整幅图像进行处理，只需要对交互处周围的像素点进行分析即可。这样不仅仅是因为处理的像素点减少，从而可以节省大量的处理时间，同时在处理过程中，可以去掉不相似点的干扰，在处理速度上，在收敛性上，也可以节省大量的时间。所以如果能明确处理的区域，可以提高处理速度，从而保证算法的实时性。 如果定义一个固定的矩形或者圆形等形状的话，对于不同的物体显然具有不同的效果。如果物体比所定义的矩形框大，则不能一次性的分割出相邻的区域。如果物体比所定义的矩形框小很多的时候，不仅仅是处理速度上变慢，分割效果会降低。所以使用简单的分割算法进行粗定位，确定下一步的处理范围，对整个交互式过程来说是一个非常重要的步骤。 在过去二十多年中，人们对前景图像提取问题做了大量的研究。最简单的方法是，能过选取满足用户指定图像的颜色值的所有像素来提取前景。Photoshop 的智能剪刀和魔杖工具就是采用了这种方法。但是这种方法需要大量的用户交互，使用起来极其不方便。 近十年来，研究者提出了很多精确提取前景区域的系统，同时使用户的交互尽可能少。比如智能画布[1]和基于对象的图像编辑系统[2]等，通过将图像分割成区域，然后用户选取一些区域产生最后的前景对象的方法。Grab cut系统[3]
图像分割技术 图像分割就是将一副数字图像分割成不同的区域，在同一区域内具有在一定的准则下可认为是相同的性质，如灰度、颜色、纹理等，而任何相邻区域之间器性质具有明显的区别。 主要包括：边缘分割技术、阈值分割技术和区域分割技术。 1.边缘分割技术 边缘检测是检测图像特性发生变化的位置，是利用物体和背景在某种图像特性上的差异来实现的。不同的图像灰度不同，边界处会有明显的边缘，利用此特征可以分割图像。边缘检测分割法是通过检测出不同区域边界来进行分割的。 常见的边缘检测方法：微分算子、Canny算子和LOG算子等，常用的微分算子有Sobel算子、Roberts算子和Prewit算子等。 （1）图像中的线段 对于图像的间断点，常用检测模板： -1 -1 -1 -1 8 -1 -1 -1 -1?????????? 对于图像中的线段，常用的检测模板： 检测图像中的线段： close all;clear all;clc; I=imread('gantrycrane.png'); I=rgb2gray(I); h1=[-1,-1,-1;2 2 2;-1 -1 -1];%模板 h2=[-1 -1 2;-1 2 -1;2 -1 -1]; h3=[-1 2 -1;-1 2 -1;-1 2 -1]; h4=[2 -1 -1;-1 2 -1;-1 -1 2]; J1=imfilter(I,h1);%线段检测 J2=imfilter(I,h2); J3=imfilter(I,h3); J4=imfilter(I,h4); J=J1+J2+J3+J4;%4种线段相加 figure, subplot(121),imshow(I); subplot(122),imshow(J); （2）微分算子 ○1Roberts算子的计算公式： 采用edge()函数进行图像的边缘检测。 Roberts算子进行图像的边缘检测： close all; clear all;clc; I=imread('rice.png'); I=im2double(I); %Roberts算法进行边缘检测
综述：PDE图像分割技术 沈民奋 汕头大学工学院，广东省图像处理重点实验室，汕头 515063 摘要：偏微分方程（PDE's）图像处理在图像处理的各个方面已经得到了广泛的应用，该 方法通常与水平集方法配合使用。在图像分割方面提出了许多基于偏微分方程（PDE's）的 方法，比如，M-S分片光滑法，C-V无需边缘的活动围线法，P-D测地活动区域组等等。本文 追踪偏微分方程（PDE's）图像分割的发展，回顾偏微分方程（PDE's）图像分割领域的重 要文献，也简述了偏微分方程（PDE's）图像分割中的数值技巧。从本文的综述可以看出， 当前偏微分方程（PDE's）图像分割的主要发展趋势有三个方面：将图像分割的边界特征和 区域特征相结合；建立新的水平集方法来实现偏微分方程（PDE's）图像分割；将偏微分方 程（PDE's）图像分割技术与传统技术如贝叶斯方法相结合。 关键词：偏微分方程，图像分割，水平集，活动围线，综述 中图分类号：TP391.4 文献标识码：A 文章编号： 0 引言 图像分割是图像分析和计算机视觉中一个基本处理环节。这方面的文献很多。本文主要关注偏微分方程（PDE）图像分割的最新进展。方程的建模通常是根据变分法寻找一个使能量泛函最小化的函数，并辅之以水平集技术。尽管本文主要综述关于二维灰度图像的分割方法，由于偏微分方程图象处理的固有优势，这些方法往往很容易推广到彩色图像分割或序列图像的运动追踪问题[1,5,29,30,33,35,41]。 传统的图像分割方法，无论是基于时域还是频域的分割，总是利用图像中的灰度边界信息或灰度同质区域进行分割图像。偏微分方程图像分割也是基本如此。从根本上说，偏微分方程图像处理是基于对图像的确定性描述，近年来，许多研究人员试图把概率性描述的一些手段与偏微分方程图像处理相结合。最早的偏微分方程图像分割借助于各向异性的灰度扩散技术，扩散的结果是使得原输入图象变换成为由一些分片光滑的灰度同质区域所组成的近似图像，从而更容易分割出图像中的不同区域。后来，随着水平集方法的提出，曲线演化和传统的参数型曲线演化相比，变得更加方便和有效。因此，曲线演化或称活动围线模型成为图像分割的主流。此后，偏微分方程活动围线的发展主要在于两个方面：多相活动围线和边界无关的活动围线模型。最近，活动围线和先验形状信息相结合的方法也相继被提出。另一方面，偏微分方程图像分割的技术改进也来自于新的数值技巧，比如改进传统的水平集方法；多尺度水平集技术；甚至完全抛开水平集方法而寻找方程的直接数值求解。 偏微分方程图象处理的一般方法是这样的：给定一个问题，在特定准则下最小化一个能量泛函，使得最小化函数即为问题的解。以图像分割为例，这些准则通常是图像中的灰度边缘信息或灰度同质区域信息；其次，根据这些准则确立一个能量泛函，使得仅在我们所期望达到的分割边界上该能量泛函达到最小；然后，从最小化问题中推导出相应的欧拉-拉格朗日方程（组），方程的解的存在性往往需要专门给出证明；最后，使用适当的数值技术求解这个方程（组）。偏微分方程图象处理确实能够提供与传统图象处理手段所不同的处理方法和效果，尤其对于复杂的图像分割问题显得灵活和有效。最近偏微分方程图象处理的繁荣就是由于它所能够提供灵活多样的，而且往往是传统处理方法所不能企及的处理性能。过去二十年来，有很多偏微分方程图像分割的文章相继发表，有基于边缘或测地边缘的活动围线模型，分片光滑的灰度同质区域分割模型，和结合其它方法（如贝叶斯方法）的偏微分方程图像分割模型。读者也可以参
图像分割阈值选取技术综述 中科院成都计算所刘平2004-2-26 摘要 图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．阈值法是一种传统地图像分割方法,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地分割技术．已被应用于很多地领域.本文是在阅读大量国内外相关文献地基础上,对阈值分割技术稍做总结,分三个大类综述阈值选取方法,然后对阈值化算法地评估做简要介绍. 关键词 图像分割阈值选取全局阈值局部阈值直方图二值化 1．引言 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交地区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显地不同[37]．简单地讲,就是在一幅图像中,把目标从背景中分离出来,以便于进一步处理.图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．同时它也是一个经典难题,到目前为止既不存在一种通用地图像分割方法,也不存在一种判断是否分割成功地客观标准. 阈值法是一种传统地图像分割方法,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地分割技术．已被应用于很多地领域,例如,在红外技术应用中,红外无损检测中红外热图像地分割,红外成像跟踪系统中目标地分割；在遥感应用中,合成孔径雷达图像中目标地分割等；在医学应用中,血液细胞图像地分割,磁共振图像地分割；在农业项目应用中,水果品质无损检测过程中水果图像与背景地分割.在工业生产中,机器视觉运用于产品质量检测等等.在这些应用中,分割是对图像进一步分析、识别地前提,分割地准确性将直接影响后续任务地有效性,其中阈值地选取是图像阈值分割方法中地关键技术. 2．阈值分割地基本概念 图像阈值化分割是一种最常用,同时也是最简单地图像分割方法,它特别适用于目标和背景占据不同灰度级范围地图像[1].它不仅可以极大地压缩数据量,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地必要地图像预处理过程.图像阈值化地目地是要按照灰度级,对像素集合进行一个划分,得到地每个子集形成一个与现实景物相对应地区域,各个区域内部具有一致地属性,而相邻区域布局有这种一致属性.这样地划分可以通过从灰度级出发选取一个或多个阈值来实现. 阈值分割法是一种基于区域地图像分割技术,其基本原理是：通过设定不同地特征阈值,把图像像素点分为若干类．常用地特征包括：直接来自原始图像地灰度或彩色特征；由原始灰度或彩色值变换得到地特征．设原始图像为f(x,y>,按照一定地准则在f(x,y>中找到特征值T,将图像分割为两个部分,分割后地图像为 若取：b0=0<黑）,b1=1<白）,即为我们通常所说地图像二值化. <原始图像）<阈值分割后地二值化图像） 一般意义下,阈值运算可以看作是对图像中某点地灰度、该点地某种局部特性以及该点在图像中地位置地一种函数,这种阈值函数可记作 T(x,y,N(x,y>,f(x,y>> 式中,f(x,y>是点(x,y>地灰度值；N(x,y>是点(x,y>地局部邻域特性．根据对T地不同约束,可以得到3种不同类型地阈值[37],即 点相关地全局阈值T＝T(f(x,y>> (只与点地灰度值有关> 区域相关地全局阈值T＝T(N(x,y>,f(x,y>> (与点地灰度值和该点地局部邻域特征有关> 局部阈值或动态阈值T＝T(x,y,N(x,y>,f(x,y>> (与点地位置、该点地灰度值和该点邻域特征有关> 图像阈值化这个看似简单地问题,在过去地四十年里受到国内外学者地广泛关注,产生了数以百计地阈值选取方法[2-9],但是遗憾地是,如同其他图像分割算法一样,没有一个现有方法对各种各样地图像都能得到令人满意地结果,甚至也没有一个理论指导我们选择特定方法处理特定图像. 所有这些阈值化方法,根据使用地是图像地局部信息还是整体信息,可以分为上下文无关(non-
中北大学 课程设计说明书 学生姓名：梁一才学号：10050644X30 学院：信息商务学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法研究与实现 指导教师：陈平职称: 副教授 2013 年 12 月 15 日
中北大学 课程设计任务书 13/14 学年第一学期 学院：信息商务学院 专业：电子信息工程 学生姓名：焦晶晶学号：10050644X07 学生姓名：郑晓峰学号：10050644X22 学生姓名：梁一才学号：10050644X30 课程设计题目：信息处理综合实践: 图像分割算法研究与实现 起迄日期：2013年12月16日～2013年12月27日课程设计地点：电子信息科学与技术专业实验室指导教师：陈平 系主任：王浩全 下达任务书日期: 2013 年12月15 日
课程设计任务书 1．设计目的： 1、通过本课程设计的学习，学生将复习所学的专业知识，使课堂学习的理论知识应用于实践，通过本课程设计的实践使学生具有一定的实践操作能力； 2、掌握Matlab使用方法，能熟练运用该软件设计并完成相应的信息处理； 3、通过图像处理实践的课程设计，掌握设计图像处理软件系统的思维方法和基本开发过程。 2．设计内容和要求（包括原始数据、技术参数、条件、设计要求等）： (1)编程实现分水岭算法的图像分割； (2)编程实现区域分裂合并法； (3)对比分析两种分割算法的分割效果； (4)要求每位学生进行查阅相关资料，并写出自己的报告。注意每个学生的报告要有所侧重，写出自己所做的内容。 3．设计工作任务及工作量的要求〔包括课程设计计算说明书(论文)、图纸、实物样品等〕： 每个同学独立完成自己的任务，每人写一份设计报告，在课程设计论文中写明自己设计的部分，给出设计结果。
图像分割技术的研究背景及意义 1概述 2图像分割技术的研究背景及意义 2.1阈值分割方法 2.2基于边缘的分割方法 2.3基于区域的分割方法 2.4 结合特定理论工具的分割方法 1概述 图像的研究和应用中，人们往往对图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域（可以对应单一区域，也可以对应多个区域），称之为目标或前景；而其他部分称为图像的背景。为了辨识和分析目标，需要把目标从一幅图像中孤立出来，这就是图像分割要研究的问题。 2图像分割技术的研究背景及意义 图像分割是图像处理中的一项关键技术，也是一经典难题，发展至今仍没有找到一个通用的方法，也没有制定出判断分割算法好坏的标准，对近几年来出现的图像分割方法作了较为全面的综述，探讨了图像分割技术的发展方向，对从事图像处理研究的科研人员具有一定的启发作用。 图像分割是图像分析的第一步，图像分割接下来的任务，如特征提取、目标识别等的好坏，都取决于图像分割的质量如何。由于该课题的难度和深度，进展比较缓慢。图像分割技术自20世纪70年代起一直受到人们的高度重视，虽然研究人员针对各种问题提出了许多方法，但迄今为止仍然不存在一个普遍适用的理论和方法。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题。最近几年又出现了许多新思路、新方法或改进算法，对一些经典方法和新出现的方法作了概述，并将图像分割方法分为阈值分割方法、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4类。
2.1阈值分割方法 阈值分割方法的历史可追溯到近40前，现已提出了大量算法。阈值分割法就是简单的用一个或几个阈值将图像的直方图分成几类，图象中灰度值在同一个灰度类内的像素属于同一个类。它是一种PR法。其过程是决定一个灰度值，用以区分不同的类，这个灰度值就叫阈值。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用整幅图像的信息来得到分割用的阈值，并根据该阈值对整幅图像进行分割；而局部阈值分割是根据图像中的不同区域获得对应的不同区域的阈值，利用这些阈值对各个区域进行分割，即一个阈值对应一个相应的子区域，这种方法也叫称为适应阈值分割。可以看出，确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据分割算法所有的特征或准则，还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松驰法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。 目前提出了许多新方法，如严学强等人提出了基于量化直方图的最大熵阈值处理算法，将直方图量化后采用最大熵阈值处理算法，使计算量大大减小。薛景浩、章毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法，从目标和背景的类间差异性出发，利用贝叶斯公式估计象素属于目标和背景两类区域的后验概率，再搜索这两类区域后验概率之间的最大交叉熵。这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能，取得很好的通用性和有效性，该算法也容易实现二维推广，即采用二维统计量（如散射图或共生矩阵）取代直方图，以提高分割的准确性。俞勇等人提出的基于最小能量的图像分割方法，运用了能量直方图来选取分割阈值。任明武等人提出的一种基于边缘模式的直方图构造新方法，使分割阈值受噪声和边缘的影响减少到最小。程杰提出的一种基于直方图的分割方法，该方法对Ostu准则的内在缺陷进行了改进，并运用对直方图的预处理及轮廓追踪，找出了最佳分割阈值。此方法对红外图像有很强的针对性，付忠良提出的基于图像差距度量的阈值选取方法，多次导出Ostu方法，得到了几种与Ostu类似的简单计算公式，使该方法特别适合需自动产生阈值的实时图像分析系统。陈向东、常文森等人提出了基于小波变换的图像分数维计算方法，利用小波变换计算图像的分数维准确性高的特性。结果表明计算出的图像分数维准确，而且通过应用快速小波变换可以满足实时计算的要求，为实时场景分析提供有效的方法。建立在积分几何和随机集论基础之上的数学形态学以其一整套变换、概念和算法为数学工具，提供了并行的、具有鲁棒性的图像分割技述。它不仅能得到图像中各种几何参数的间接测量，反映图像的体视特性，而