基于双目图像分割的区域匹配技术的研究
计算机科学与技术学院
2009级01班
陈建华53090119
中文摘要：
计算机视觉系统的诞生，是计算机发展史上的一次伟大革命，无论是发展到后来的模式识别，图像追踪，还是三维还原，多目测距等技术，都为生产和生活带来了极大的便利。
而立体匹配技术是计算机视觉中至关重要的一部分，通过立体匹配可以得到几个二维图像中物体的3D信息，立体匹配算法的选择和使用，也直接影响了后续对图形的进一步处理的结果。所以说立体匹配技术也是整个立体视觉系统之中的核心的所在。
对2幅二维图像的特征点进行较为准确的匹配，从而达到立体匹配效果，这就需要我们对2幅图像进行一些处理，使图中的特征点所占的比例尽可能的大一些，这样，在后续匹配算法的执行过程中，特征点的匹配数量越多，所达到的匹配效果就更好，转化的深度图也将更为精确。为了尽可能多的保留处理图像中的特征点，忽略掉一些非特征点，我们将对图像进行分割处理，这就引入了图像分割技术。
图像分割技术同样是图像处理中的一项关键技术，使用图像分割技术可以将图像当中有意义的特征点的集合提取出来（如物体的边缘，特征区域等），忽略掉一些不具有特征的点（或者说人们分析问题时不感兴趣的点）。由此可见，良好的图像分割技术可以为后续的区域匹配和立体匹配打下坚实的基础。
本文将着重对图像分割问题进行较为细致的讨论，在后文当中将例举出2种图像分割算法并对其进行比较，其中包括分水岭算法和mean shift分割算法，并给出分割的实验现象。实验过程中由OPENCV在VS2008平台上实现。
关键词：
图像分割区域匹配mean shift算法分水岭算法SAD算法
ABSTRACT:
Stereo matching technology has been more and more important to solve the problems in the domain of computer vision .Using this technology ,we can match two or more images to get the objects information,which are in the situation we took up. Stereo matching is also the core of the computer vision system because of the great influence .
In order to match feature points accurately between two images,so as to achieve the effect of stereo matching ,we need to make some processing which remain the feature points and ignore the non-feature points as much as possible.After that ,the proportion of the feature points will be major in the point collection .Accordingly ,using the technology of image segmentation is necessary.
Image segmentation is the key technology in image processing .We will select the points which we are interested in in image because these points can help us analyze the problems about the stereo matching.As for the points which are not useful ,we had
better eliminate them by image segmentation algorithm. Therefore,a suitable image segmentation technology lays a solid foundation for area matching .
This paper will focus on the two discussions in detail which are the image segmentation and area matching ,writing program by OPENCV on VS2008 platform.
目录：
第一章
绪论 (1)
1.1 研究背景及其意义 (1)
1.2 国内外研究进展 (2)
1.3 本文研究的内容及方向 (2)
第二章
2.1图像分割的概念 (3)
2.2图像分割算法 (4)
2.3分水岭算法 (8)
2.3.1 分水岭算法介绍 (8)
2.3.2分水岭算法实验现象 (10)
2.4Mean shift 算法 (11)
2.4.1mean shift 算法介绍 (11)
2.4.2图像分割的实验现象 (15)
2.6基于图像分割的区域匹配 (16)
2.7区域匹配的SAD算法 (18)
2.7.1 区域匹配的实验现象 (19)
第三章
3.1总结与展望 (20)
3.1.1工作总结 (20)
3.1.2结论 (20)
3.1.3对未来的展望 (22)
3.2致谢 (22)
3.3附录 (23)
第一章
绪论
1.1 研究背景及意义
双目视觉技术是近年来计算机领域的热门话题。人类利用所获取的视觉信息来观察世界，改造世界，是因为人眼可以很好的将周围景物所成的像转化为三维的立体感知。那么如果将计算机也赋予这种可以从数个图像中获取三维信息的能力，那么计算机的应用领域将更加广泛，计算机的功能也将更加强大。
众所周知，计算机拥有计算能力强，工作时间长，失误率低，精确度高等很
多人所不具有的工作能力，所以让计算机实现图像处理的功能，无疑是生产力上的一次革命性的飞跃。那么如何才能赋予计算机这种从二维图像获取三维信息的能力呢，伴随着这个应用性问题的提出，计算机视觉技术便诞生了出来。
双目立体视觉技术是计算机视觉技术的一个分支，它所强调的是让计算机通过输入的2幅不同点所拍摄的图像，从而得到场景中物体的三维几何描述及深度信息的能力。经过了人们几十年不断的探索与研究，双目立体视觉的理论正在不断的完善与发展。
1.2 海内外研究进展
20世纪80年代，美国麻省理工的Marr首次提出通过具有像素差的几个二维图像获得物体的深度的方法，从而正式提出立体匹配算法。而微软公司与华盛顿大学合作为卫星“探测者”号设计了宽基线立体视觉系统，日本东京大学集成双目视觉理论体系与人工智能开发构建了机器人的动态行走导航系统，可以实时进行双目测距实现障碍物检测，从而确定机器人的行走方向。在我国，计算机的双目图像匹配和深度求取虽然没有直接应用于实际的生产生活中，但是已经建立了比较成熟和全面的理论体系。清华大学曾开发的机器人TBIPR1，采用的关键技术便是最为典型的平行双目立体视觉系统。图像的匹配是多视点系统应用中的关键技术，通过模拟双目来达到获取3D信息的目的。在计算机视觉领域之中，图像匹配技术不可或缺，也是世界学者一直在着力研究的对象。
立体匹配的算法到现在为止，已经出现多种，具有代表性的有基于区域的立体匹配，和基于特征的立体匹配算法等。《计算机工程》第14期《基于多目立体匹配深度的获取方法》中，设计了一种基于颜色分割的立体匹配算法，较好的改进了以上两种算法的缺陷，可以得到较高质量的稠密视差图。
1.3本文研究的内容及方向
本文通过对不同位置所拍摄的同一场景的二维图像进行图像分割与区域匹配，对二维图像所拍摄的3D 场景进行合成，具体方式是先对2个二维图像进行分割操作，再将分割后的二维图像通过基于窗口的区域匹配算法使二维图像中的特征点一一对应起来，得到初步的视差图。之后通过接口，把对应起来的分割后的图像进行立体匹配，根据特征点对应位置不同与摄像机标定的几何关系，求出二维图像中物体的深度，即表示二维图中各个物体到摄像机的距离。
在实际应用当中，这种求取深度的测距技术可以解决传统意义上测距（如激光测距，超声波测距等）容易受到环境误差(如光照强度，温度，湿度等)的问题，并且具有实时性，运算速度快，对硬件要求低等优点，对未来科技，如医学研究，机器人智能开发，军事领域等的发展有着重要意义。
第二章
2.1图像分割的概念
图像分割的描述性定义：
把图象按照一定要求分成一些“有意义”区域的处理技术。我们所说的“有意义”是指希望这些区域能够分别和图象景物中各目标物或者背景相对应。
图像分割的准确定义：
令集合 R 代表整个图象区域，对R 的分割可看作将R 分成若干个满足如下五个条件的非空的子集（子区域）：
（1）R R U ==i n
1i
（2）对所有的i和j ,有Ri ∩ Rj = ? (i≠j)
（3）对i=1，2，3……，N，有P（R i）=TRUE
（4）对i≠j，有P(Ri∪R j)=FALSE
（5）对i=1，2，……，N，R i是连通区域
我们分别对以上5个条件进行解释:
(1)将分割后的子区域全部集中起来，可以得到整体的图像。同样，我们可以理解为图像中的每个像素都能够被划分到同一个子区域当中。
(2)不同的子区域之间不能有重叠的像素部分。
(3)对于每个被划分的子区域，其中应该具有某些特点或者特征。
(4)不同的子区域之间不会有相同的特征，或者说应该具有不同特征。
(5)每个子区域之间像素必须是连通的。
对于上面给出的精确定义，不仅明确的规定了分割准则，同时也为之后的分割算法提供了一条思路。
最后需要指出的是，在实际的图像处理过程中，应用图象分割不仅是要把一幅图象分成满足以上五个条件的各具特性的区域，更重要的是要把其中人们讨论问题时感兴趣的目标区域提取出来,只有这样才算是真正完成了图象分割的任务。
2.2 图像分割算法概述
图像分割可以将图像划分出包含真实世界中物体具有明显特征的各个区间，
所以图像分割即是图像初步处理和分析中的重要问题,同时也是计算机视觉研究中的一个经典难题。尽管它一直备受国际学者们的关注,但是图像分割算法的道路依然很曲折,被认为是计算机视觉的一个瓶颈。迄今为止,人们仍然没有找到一种可以适用于所有图像的统一，全面的图像分割方法,也没有归纳出某一类图像适合于所有的图像分割方式。近几年来,研究人员不断改进原有方法，结合经典图像分割算法提出了不少新的分割方法。本章节对传统的图像分割方法进行分析。
传统的图像分割方法包括阈值法，边缘检测法，以及区域法等。
通过分析这些图像分割方法我们可以发现，图像分割理论的基本依据和条件主要有以下几个方面:
(l)分割后的图像子区域具有同质性，特别是灰度级别的相近、区域内部纹理相似等。
(2)被分割的子区域内部应该平整，不能存在漏洞（很小的空缺）。
(3)相邻子区域之间由于没有被约束在同一区域内，所以应存在显著差异性
(4)对于每个分割子区域，其边界应该具有齐整性（不能出现边界模糊的情况），同时也要具有明确的空间位置。
随着图像分割理论的日渐成熟，体现出的分割算法也日渐精确和快速，然而现有的大多数图像的分割方法也很难实现以上的所有条件。只能满足上述条件中的几个。如果过于强调分割区域的同性质约束，也就是对区域的特征要求过高，那么分割后形成的子区域就很容易产生大量的小空洞，违反了子区域内部的平整性和完整性。但如果增大了对不同区域间性质差异的显著性研究，那么原本在分割当中的很多相邻子区域如果差异性并没有我们所要求那么高时，就会造成这些区域的合并和边界丢失。在我们讨论问题时往往发现对于一些区域的分割是必要的，显然如果这些区域因为我们设计的算法过于强调差异性而没有被分割出来，这种情况是我们不愿看到的。所以说，图像分割方法必须要在各种约束条件下寻找一个平衡点，而这个平衡点的决定，取决于我们对图像处理过程的要求。下面我们以阈值法为例对这种图像分割做简单的说明。
阈值法是图像分割当中最基本，同时也是最简单的方式之一。当图像中满足
灰度差别很大的条件时，人们通常选用阈值法来处理图像。
但是阈值法同时也存在很大的缺点，如果处理的图像中不存在明显的灰度差异时，阈值法就不能够很有效的将图像的前景及背景区分开来，所以得到的分割效果不理想。并且由于阈值法对待问题的局限性，也就是仅仅以图像的灰度信息作为处理问题的参考，而忽视了图像的空间信息，这使得阈值法对噪声区域和灰度不均匀的区域非常敏感。所以阈值法参与到实际应用当中时，通常会有其他的辅助分割算法与之配合使用。
阈值法是通过灰度信息来进行分割的算法，首先将一幅图像转化为灰度图像，将像素的灰度值用直方图的形式表现出来，当灰度直方图呈现出来后，我们就可以简单的设置一个或者几个值将直方图分成几类, 所分的类当中对应的各个像素就构成了所分划的区域，而我们为了将直方图分类而设定的这几个表示灰度的值，就被称作“阈值”。根据阈值的确定方式又可以将阈值法分为全局阈值分割和局部阈值分割。全局阈值分割，顾名思义是指通过对整幅图像的灰度信息进行处理从而得到阈值，并根据该阈值实现对图像子区域的分割操作。而局部阈值分割法（又称作自适应的阈值分割法）则是根据图像当中的不同区域获得对应的阈值的一种方法, 之后再利用这些阈值对各自的区域进行分割, 每一个阈值对应其相应的一个子区域，需要注意的是一个子区域仍然可以有多个阈值参与分割。
由于阈值法实现起来简单且能够很好的区分具有很大对比性的物体这种特点,所以这种分割算法深受人们的关注与好评，一般来说，阈值法可以作为处理图像过程当中的第一个步骤。如何确定合适的阈值从而进行图像分割成为了阈值法分割法的关键所在，也是算法的难点所在。如果在图像处理后得到的灰度直方图上可以观察到明显的波峰或者波谷，那么我们就可以选择处于谷底的灰度值作为阈值。
基本形式的阈值法只能产生通过一个阈值所限定出的前景和背景。并且由于阈值法只是简单的考虑象素本身的灰度值, 从而使其忽视了图像的空间特性, 这样对噪声以及纹理的处理有时并不尽如人意。
下面来介绍几种阈值法
全局阈值法
（1）双峰法
对于前景与背景的灰度级有明显差异的图像,其灰度直方图的分布会呈现双峰状,两个波峰分别与图像当中前景和背景相对应,波谷处与图像的边缘对应。通常选择谷底的灰度值作为阈值来进行图像分割可以取得最好的效果。使用双峰法可以很容易的构造出阈值，从而实现对全局的分割,但是如果灰度直方图中并没有出现比较明显或剧烈的起伏（如波峰不突出或者波谷比较平坦的状况），就不能使用这种方法来处理图像。
当我们所要处理的图像中只有一个前景和背景需要分割，同时前景和背景的色差（灰度差）偏大时，其转化的灰度图直方图可以直观的呈现出双峰效果。
图2.2.1 双峰法灰度直方图
通过对阈值T的设定，我们可以实现出理想的分割效果
寻找阈值的算法主要是通过使用数组来记录直方图中各个像素的个数，数组a[x]中，x表示灰度（0-255）a[x]中记录的数据则表示图中该灰度下像素的个数，之后选择谷底的像素灰度值作为阈值。
（2）灰度直方图变换法
正如上面所说，基本形式的阈值法具有比较大的局限性，当我们所要处理的图像对应的灰度直方图不具有明显的波峰以及谷底相对平坦时，直接使用基本形式的阈值法可能会出现边界模糊或者将背景划分到前景的情况。所以这时当我们仍然需要对图像进行阈值法处理时，就需要对图像进行简单的处理，使得处理后的图像对应直方图具有较强的波峰波谷特征,灰度直方图变换法即是通过变换图像的灰度直方图，这样变换之后直方图就满足了适合阈值法的条件，之后就可以使用双峰法做后续处理了。这种方法的实现是基于像素的局部特征，将比较分散的像素集中处理，因为灰度是影响阈值法的唯一因素，所以我们只要将比较平均或者分散的灰度直方图做集中化处理即可，由于对灰度直方图做了类似聚类的处
理，呈现的直方图会表现出很明显的波峰和波谷。虽然灰度直方图法的使用范围比基本的阈值法有更广泛的适用领域，但是这种算法仍然延续了阈值法的思想，只是把图像近似成灰度差异较大的前景和背景，所以图像不能近似看做简单的阈值法模型时，灰度直方图处理后也并不能给出太大的帮助。
局部阈值法
（1）自适应阈值
阈值法强调的是前景和背景的分割，其中背景由单一灰度像素或者灰度相近像素构成，然而多数情况下，我们所处理的图像并不具有这样的特性，如果背景的灰度值也呈现变化趋势或者可以分成几个类别，那么传统的阈值法就不能起到很好的分割效果。简言之，前景和背景如果发生灰度的变化，阈值分割法就会受到条件的约束，这一局限性也大大制约了阈值法的发展，如果此时设定一个阈值，那么这个阈值可能会适合整幅图像的某个部分，但是对于对于分割其他的区域会变得很糟糕。如果考虑到更多的因素，比如阴影，光照不均匀等情况发生时，只使用一个固定的阈值来实现图像分割，同样会影响分割的效果，针对这种问题人们采用自适应的阈值分割法来实现图像的阈值化处理，也就是将原始图像分块，针对各自的区域选取合适的阈值，这样，阈值就和图像的位置区域形成了映射关系，所以我们也称此时的阈值为阈值函数，随着图像区域的变化所产生不断变化的阈值。
自适应的阈值分割法主要是将所要分割的图像分成多个模块，在每一块内使用阈值法进行分割，这样在各自的区域内所形成的分割效果要比整体分割的效果要好上许多。虽然自适应的阈值分割算法需要消耗较多的演算时间和内存空间，但是从分割效果上看要强于整体的阈值分割，抗噪能力也较强。
2.3 分水岭算法
2.3.1 分水岭算法介绍
分水岭算法是一种建立在数学模型结构基础上的分割算法，以数学形态学为
思想的算法逐渐成为了图像处理中的热门话题，建立以数学模型为基准的算法也是人们研究的热门方向。分水岭算法就是其中的代表之一。
传统的图像分割算法通常以图像的灰度作为标准，分水岭算法也是如此，通过图像的灰度来进行分割处理，但是与以往的分割算法有所不同，以往的分割算法虽然对图像做了灰度转换处理，但其目的往往是为了找出灰度图像中的不同之处加以区分，从而实现对应其像素的分割运算。分水岭算法则有所不同，我们首先可以想象一个三维空间坐标系（如右手坐标系），我们将灰度图平放与XOY 平面重合的位置，则图中每个像素点a都具有自己的空间位置a（x，y，0），那么我们引入第三个维数Z，对于任意一个像素点a（x，y，0），都有唯一一个点b（x，y，z）与之对应，其中z表示像素点a的灰度，这样b点集就构成了一个类似地貌的拓扑结构。
分水岭算法模仿的是一个模型浸水的过程，在水位从0开始向上蔓延的过程中，需要人为地设置局部极小值点，实际上，在图上做了适当标记之后，这些点在“水”位上涨的时候，首先从这些点开始浸水，如果这些浸水点周围的灰度值较小，那么水位上涨的过程中，水就会很快速的没过这些像素，形成一个集水盆，反之，如果局部极小值点周围的像素灰度值较高，那么水位上涨的很长时间内，都不能浸没该点附近的区域。
之前提到了集水盆的概念，集水盆是由于水通过局部极小值点扩散到周围而形成的，在集水盆扩散的过程中，我们发现，属于同一个集水盆的像素他们之间的灰度差异较小，这种微小的差异至少应该比他们与其他集水盆的元素灰度差异值小（否则该点的元素会归并至其他的集水盆当中）。
由于每个集水盆都具有灰度相似的特点，同时还与其他集水盆的元素形成灰度上的差异，这样，各个集水盆就很好为我们创造了分割的条件，由于水位的不断上涨，各个集水盆的面积会不断变大，最后将整个地貌结构全部覆盖，此时我们只需将各个最大化的集水盆区别并保存下来，就能够得到我们所要的分割图像。于是，我们为了保存这些集水盆，使之不至于在扩充之中相互融合，引入了分水岭的概念，分水岭即集水盆的边界，当几个集水盆在扩大的过程中相交，则会在交界处产生分水岭，集水盆在分水岭形成的位置不再生长，直到整个集水盆被分水岭或者图像边缘包围，该集水盆不在扩大，当所有的集水盆都确定下来时，
算法结束。
分水岭算法的重点在于为像素灰度的排序和淹没过程。
2.3.2 分水岭算法实验现象：
分水岭算法的实验现象如下：
图2.3.1 实验原图图2.3.2分割图
图2.3.3 实验原图图2.3.4 分割图
为了使分割后我们能够观察到的图像区域性明显，分割图各区域内采用随机上色模式。
2.4 mean shift 算法
2.4.1 mean shift 算法介绍
Mean Shift 这个概念的首次提出是在1975年，当时mean shift 出现在Fukunaga 等人的一篇关于概率密度梯度函数的估计中，其最初含义正如其名,就是偏移的均值向量，在文章中Mean Shift 只是一个指代向量的名词，直到1995年，Yizong Chen 对基本的均值漂移算法做了改进并提出了该算法可能应用的领域，人们才认识到这种思想的巨大应用价值，后来，Comaniciu 等人成功的把这一算法应用在了特征空间分析，进一步拓展了该算法在图像分割领域的具体应用，并取得了较好结果。
Mean shift 算法实质上是核密度估计的算法，算法核心是对特征空间上的样本点进行聚类，并得到所谓的模式点，即密度梯度为0的点，理论如下：
Mean shift 基本形式：在d 维的欧几里得空间d R 中取n 个样本点i x ，i=1，…，n,在x 点的均值漂移向量的基本形式定义为：
()()1i h h i x S M x x x k ∈≡-∑ (1)
其中h S 是一个样本点的集合，这些样本点满足这样的条件，即与初始点所形成
的向量其模要小于h 。
()()(){}
2:T h S x y y x y x h ≡--≤ (2)
我们注意到其中（1）中除了样本点的个数外，还存在一个参数k ，这里k 的作用是将各个向量平均加权，k 即集合中样本点的总数。
从以上2个定义式我们能够直观的发现，对于特征空间中的每一个点x ，与任意的h S 中的 i x （i=0,1，…k ），()i x x -都构成了一个向量，而所有这些向量加和再求平均就得到了x 点处的均值漂移向量。如果样本点i x 从一个概率密度函数
()f x 中采样得到,由于概率密度函数的梯度指向概率密度增加最大的方向,因此从概率的角度上来看，在概率密度增加最快的方向上（也就是沿着梯度方向）落在高维球区域上的点将越来越多，所以由定义可以发现，均值漂移向量的方向也应该指向概率密度梯度的方向。
图2.4.1 mean shift 图示
由上面图我们可以看到mean shift 的几何意义，大球的半径是指我们所选取的h ，大球内部的空心点指的是落在求区域当中的点的集合，实心点表示我们所选取的点x ，即mean shift 所选取的基本点，很明显我们可以看到最终向量会指向点分布最密集的方向。
为了通过mean shift 实现图像分割算法，我们还需要引入以下几个概念：
核函数的概念：
定义：X 代表d 维欧式空间，x 表示该空间中的一个点，用列向量来表示，
2T x x x = ，R 表示实数域，如果一个函数K ：X → R 存在一个剖面函数K ：
[0,∞] → R 即 ()2
()K x k x
= ，并且满足: (1) k 是非负的 (2) k 是非增的,即如果a b <那么()()k a k b ≥
(3) k 是分段连续的,并且0()k r dr ∞
<∞?
这样的函数K(x)就被称为核函数。在核函数中有2个比较常用的核函数：
单位均匀核函数：
1 if 1()0 if 1 x F x x ?
单位高斯核函数：
2()x N x e -= (5)
这两类核函数的图像表示：
(a) 单位均匀核函数
(b)单位高斯核函数
Mean shift 算法的拓展形式： 由基本形式(1)我们可以发现，对于落入高维球区域的任何一点i x ，对最后向量计算的贡献是一样的，但是在我们做图像分析的时候发现，针对我们研究的某个点，距离该点较近的样本点可以更好的帮助我们分析该点附近区域的信息，如灰度变化，样本的聚集程度等，因此我们利用核函数将每个向量加权，这样在计算()h M x 时可以将距离也视为一个影响向量的因
素。基于这个理论，我们将mean shift 以数学公式的形式拓展出来：
()11
()()()()()n H i i i i n H i i i G x x w x x x M x G
x x w x ==--≡-∑∑ (6)
其中:
()()1/21/2()H i i G x x H G H x x ---=-
()G x 是一个单位核函数
H 是一个正定的对称d d ?矩阵,我们一般称之为带宽矩阵 ()0i w x ≥是一个赋给采样点i x 的权重
在实际应用的过程中,带宽矩阵H 一般被限定为一个对角矩阵
221diag ,...,d H h h ??=??,甚至更简单的被取为正比于单位矩阵,即2H h I =.由于后一形
式只需要确定一个系数h ,在Mean Shift 中常常被采用,在本文的后面部分我们也采用这种形式,因此(6)式又可以被写为:
()11()()()()()n i i i i h n i i i x x G w x x x h M x x x G w x h ==--≡-∑∑ (7)
在上式中如果对所有的采样点i x 使其满足：
(1) ()1i w x = (2) 1 if 1()0 if 1 x G x x ?
则(7)式完全退化为(1)式，也就是说我们所给出的扩展的Mean Shift 形式在某些情况下会退化为最基本的Mean Shift 形式。
现在讨论mean shift 算法在图片分割上的步骤：
我们在前面已经指出,我们在提及Mean Shift 向量和Mean Shift 算法的时候指代不同的概念,Mean Shift 向量是名词,指的是一个向量；而Mean Shift 算法是动
词，指的是一个迭代的步骤.我们把(7)式的x 提到求和号的外面来,可以得到下式：
()11()()()()n i i i i h n i i i x x G w x x h M x x x x G w x h ==-=--∑∑ (8)
我们把上式右边的第一项记为()h m x ,即
11()()()()()n i i i i h n i i i x x G w x x h m x x x G w x h ==-=-∑∑ (9)
给定一个初始点x ,核函数()G X , 容许误差ε,Mean Shift 算法循环的执行下面三步,直至结束条件。
(1) 计算()h m x
(2) 把()h m x 赋给x
(3) 如果()h m x x ε-<,结束循环;若不然,继续执行(1)
由(8)式我们知道，()()h h m x x M x =+，因此上面的步骤也就是不断的沿着概率密度的梯度方向移动，同时步长不仅与梯度的大小有关，也与该点的概率密度有关，在密度大的地方，更接近我们要找的概率密度的峰值，Mean Shift 算法使得移动的步长小一些,相反,在密度小的地方,移动的步长就大一些.由于mean shift 算法的收敛性已经被证明，所以在满足一定条件下,Mean Shift 算法一定会收敛到该点附近的峰值。
2.4.2 mean shift 分割算法实验现象：
采用mean shift 分割算法得到实验现象：
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
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,
目录 摘要........................................................... I Abstract......................................................... I I 第1章绪论 (1) 1.1图像分割概述 (1) 1.2图像分割特征 (1) 1.3图像分割的发展及现状 (1) 1.4研究的背景与意义 (2) 第2章数字图像处理 (3) 2.1发展概况 (3) 2.2主要目的 (4) 2.3常用方法 (4) 2.4应用领域 (5) 2.5研究方向 (7) 2.6基本特点 (7) 2.7MATLAB软件 (8) 第3章阈值分割 (10) 3.1图像二值化 (10) 3.2阈值分割基本原理 (10) 3.3阈值分割方法定义 (11) 3.4阈值分割描述 (11) 3.5阈值分割分类 (12) 第4章阈值分割方法 (13) 4.1直方图法 (13)
4.2迭代法 (14) 4.3最大类间方差法 (17) 4.4小结 (20) 第5章最大类间方差法的改进 (21) 结论 (27) 参考文献 (28) 致谢 (29)
通常人们只对图像的某个区域感兴趣，为了能够把感兴趣的区域提取出来，就得对图像进行分割。图像分割就是把图像分成一些具有不同特征而有意义的区域，以便进一步的图像处理与分析。图像分割是图像处理的关键，在灰度图像中分割出有意义区域的最基本方法是设置阈值的分割方法。选择阈值的主要方法有：直方图法，迭代法，最大类间方差法。本文主要比较三种方法的优缺点，并对其中的最大类间方差法进行优化，改进分割效果。 关键词：阈值直方图迭代法最大类间方差法
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，
毕业论文声明 本人郑重声明： 1．此毕业论文是本人在指导教师指导下独立进行研究取得的成果。除了特别加以标注地方外，本文不包含他人或其它机构已经发表或撰写过的研究成果。对本文研究做出重要贡献的个人与集体均已在文中作了明确标明。本人完全意识到本声明的法律结果由本人承担。 2．本人完全了解学校、学院有关保留、使用学位论文的规定，同意学校与学院保留并向国家有关部门或机构送交此论文的复印件和电子版，允许此文被查阅和借阅。本人授权大学学院可以将此文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本文。 3．若在大学学院毕业论文审查小组复审中，发现本文有抄袭，一切后果均由本人承担，与毕业论文指导老师无关。 4.本人所呈交的毕业论文，是在指导老师的指导下独立进行研究所取得的成果。论文中凡引用他人已经发布或未发表的成果、数据、观点等，均已明确注明出处。论文中已经注明引用的内容外，不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究成果做出重要贡献的个人和集体，均已在论文中已明确的方式标明。 学位论文作者（签名）： 年月
关于毕业论文使用授权的声明 本人在指导老师的指导下所完成的论文及相关的资料（包括图纸、实验记录、原始数据、实物照片、图片、录音带、设计手稿等），知识产权归属华北电力大学。本人完全了解大学有关保存，使用毕业论文的规定。同意学校保存或向国家有关部门或机构送交论文的纸质版或电子版，允许论文被查阅或借阅。本人授权大学可以将本毕业论文的全部或部分内容编入有关数据库进行检索，可以采用任何复制手段保存或编汇本毕业论文。如果发表相关成果，一定征得指导教师同意，且第一署名单位为大学。本人毕业后使用毕业论文或与该论文直接相关的学术论文或成果时，第一署名单位仍然为大学。本人完全了解大学关于收集、保存、使用学位论文的规定，同意如下各项内容：按照学校要求提交学位论文的印刷本和电子版本；学校有权保存学位论文的印刷本和电子版，并采用影印、缩印、扫描、数字化或其它手段保存或汇编本学位论文；学校有权提供目录检索以及提供本学位论文全文或者部分的阅览服务；学校有权按有关规定向国家有关部门或者机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入学校有关数据库和收录到《中国学位论文全文数据库》进行信息服务。在不以赢利为目的的前提下，学校可以适当复制论文的部分或全部内容用于学术活动。 论文作者签名：日期： 指导教师签名：日期：
电子科技大学 数字图像处理课程设计 课题名称数字图像处理 院（系）通信与信息工程学院 专业通信工程 姓名 学号 起讫日期 指导教师
2015年12月15日 目录 摘要： (03) 课题一：图像的灰度级分辨率调整 (04) 课题二：噪声的叠加与频域低通滤波器应用 (06) 课题三：顶帽变换在图像阴影校正方面的应用 (13) 课题四：利用Hough变换检测图像中的直线 (15) 课题五：图像的阈值分割操作及区域属性 (20) 课题六：基于MATLAB?的GUI程序设计 (23)
结束语： (36) 参考文献： (37)
基于MATLAB?的数字图像处理课题设计 摘要 本文首先对数字图像处理的相关定义、概念、算法与常用变换进行了介绍；并通过七个课题实例，借助MATLAB?的图像处理工具箱（Computer Vision System Toolbox）对这些案例逐一实现，包括图像的灰度值调整、图像噪声的叠加、频域低通滤波器、阈值分割、Hough变换等，常用的图像变化与处理；然后通过MATLAB?的GUI程序设计，对部分功能进行模块化整合，设计出了数字图像处理的简易软件；最后给出了软件的帮助文件以及该简易程序的系统结构和m代码。 关键词：灰度值调整噪声图像变换 MATLAB? GUI设计
课题一：图像的灰度级分辨率调整 设计要求： 128,64,32,16,8,4,2，并在同一个figure窗将图像的灰度级分辨率调整至{} 口上将它们显示出来。 设计思路： 灰度级分辨率又称色阶，是指图像中可分辨的灰度级的数目，它与存储灰度级别所使用的数据类型有关。由于灰度级度量的是投射到传感器上的光辐射值的强度，所以灰度级分辨率又称为辐射计量分辨率。随着图像灰度级分辨率的的逐渐降低，图像中所包含的颜色数目将变得越来越少，从而在颜色维度造成图像信息量的退化。 MATLAB?提供了histeq函数用于图像灰度值的改变，调用格式如下： J = histeq(I,n) 其中J为变换后的图像，I为输入图像，n为变换的灰度值。依次改变n的值为 128、64、32、16、8、4、2 就可以得到灰度值分辨率为128、64、32、16、8、4、2 的输出图像。利用MATLAB?的subplot命令可以将不同灰度的图像放在同一个figure中方便对比。 课题实现： 该思路的MATLAB?源代码如下： in_photo=imread('lena.bmp'); %读入图片“lena.bmp”，位置在matlab当前工作区路径下D:\TempProject\Matlab\Works for i = [128,64,32,16,8,4,2] syms(['out_photo',num2str(i)]); %利用for循环定义7个变量，作为不同灰度值分辨率的输出变量 eval(['out_photo',num2str(i), '=histeq(in_photo,i)',';']); %histeq函数用于改变图像灰度值，用eval函数给变量循环赋值
中北大学 课程设计说明书 学生姓名：学号： 学生姓名：学号： 学生姓名：学号： 学生姓名：学号： 学院：信息与通信工程学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法的比较与分析 指导教师：陈平职称: 副教授 2014 年12 月29 日
中北大学 课程设计任务书 14/15 学年第一学期 学院：信息与通信工程学院专业：电子信息工程 学生姓名：学号： 课程设计题目：信息处理综合实践: 图像分割算法的比较与分析起迄日期：2015年1月5日～2015年1月16日课程设计地点：电子信息工程专业实验室 指导教师：陈平 系主任：王浩全 下达任务书日期: 2014 年12月29 日课程设计任务书
课程设计任务书
目录 第一章绪论 (1) 研究目的和意义 (1) 图像分割的研究进展 (1) 第二章区域生长法分割图像 (4) 区域生长法介绍 (4) 区域生长法的原理 (4) 区域生长法的实现过程 (5) 第三章程序及结果 (6) 区域生长算法及程序 (6) 图像分割结果 (7) 第四章方法比较 (8) 阈值法 (8) 区域法 (8) 分水岭法 (8) 形态学方法 (9) 第五章总结 (10) 参考文献 (11)
第一章绪论 研究目的和意义 图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割;但某些分割方法只是适合于某些特殊类型的图像分割，所以分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。 图像分割是由图像处理到图像分析的关键步骤，在图像工程中占有重要位置。一方面，它是目标表达的基础，对特征测量有重要的影响。另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象、更紧凑的表达形式，使得更高层的图像分析和理解成为可能。因此在实际应用中，图像分割不仅仅要把一幅图像分成满足上面五个条件的各具特性的区域，而且要把其中感兴趣的目标区域提取出来。只有这样才算真正完成了图像分割的任务，为下一步的图像分析做好准备，使更高层的图像分析和理解成为可能。 图像分割在很多方面，如医学图像分析，交通监控等，都有着非常广泛的应用，具有重要的意义。(1)分割的结果常用于图像分析，如不同形式图像的配准与融合，结构的测量，图像重建以及运动跟踪等。(2)在系统仿真，效果评估，图像的3D重建以及三维定位等可视化系统中，图像分割都是预处理的重要步骤。 (3)图像分割可在不丢失有用信息的前提下进行数据压缩，这就降低了传输的带宽，对提高图像在因特网上的传输速度至关重要。(4)分割后的图像与噪声的关系减弱，具有降噪功能，便于图像的理解。 图像分割的研究进展 图像分割是图像处理中的一项关键技术，至今已提出上千种分割算法。但因
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
论文（设计）题目： 基于MATLAB的数字图像处理系统设计 姓名宋立涛 学号２０１２１１８６７ 学院信息学院 专业电子与通信工程 年级２０１２级 ２０１３年６月１６日
基于MATLAB的数字图像处理系统设计 摘要 MATLAB 作为国内外流行的数字计算软件，具有强大的图像处理功能，界面简洁，操作直观，容易上手，而且是图像处理系统的理想开发工具。 笔者阐述了一种基于MATLAB的数字图像处理系统设计，其中包括图像处理领域的大部分算法，运用MATLAB 的图像处理工具箱对算法进行了实现，论述了利用系统进行图像显示、图形表换及图像处理过程，系统支持索引图像、灰度图像、二值图像、RGB 图像等图像类型；支持BMP、GIF、JPEG、TIFF、PNG 等图像文件格式的读，写和显示。 上述功能均是在MA TLAB 语言的基础上，编写代码实现的。这些功能在日常生活中有很强的应用价值，对于运算量大、过程复杂、速度慢的功能，利用MATLAB 可以既能快速得到数据结果，又能得到比较直观的图示。 关键词：MATLAB 数字图像处理图像处理工具箱图像变换
第一章绪论 1.1 研究目的及意义 图像信息是人类获得外界信息的主要来源，近代科学研究、军事技术、工农业生产、医学、气象及天文学等领域中，人们越来越多地利用图像信息来认识和判断事物，解决实际问题，由此可见图像信息的重要性，数字图像处理技术将会伴随着未来信息领域技术的发展，更加深入到生产和科研活动中，成为人类生产和生活中必不可少的内容。 MATLAB 软件不断吸收各学科领域权威人士所编写的实用程序，经过多年的逐步发展与不断完善，是近几年来在国内外广泛流行的一种可视化科学计算软件。MATLAB 语言是一种面向科学与工程计算的高级语言，允许用数学形式的语言来编写程序，比Basic、Fortan、C 等高级语言更加接近我们书写计算公式的思维方式，用MATLAB 编写程序犹如在演算纸上排列出公式与求解问题一样。它编写简单、编程效率高并且通俗易懂。 1.2 国内外研究现状 1.2.1 国内研究现状 国内在此领域的研究中具有代表性的是清华大学研制的数字图像处理实验开发系统TDB-IDK 和南京东大互联技术有限公司研制的数字图像采集传输与处理实验软件。 TDB-IDK 系列产品是一款基于TMS320C6000 DSP 数字信号处理器的高级视频和图像系统，也是一套DSP 的完整的视频、图像解决方案，该系统适合院校、研究所和企业进行视频、图像方面的实验与开发。该软件能够完成图像采集输入程序、图像输出程序、图像基本算法程序。可实现对图像信号的实时分析，图像数据相对DSP独立方便开发人员对图像进行处理，该产品融合DSP 和FPGACPLD 两个高端技术，可以根据用户的具体需求合理改动，可以分析黑白和彩色信号，可以完成图形显示功能。 南京东大互联技术有限公司研制的数字图像采集传输与处理实验软件可实现数字图像的采集、传输与处理。可利用软件及图像采集与传输设备，采集图像并实现点对点的数字图像传输，可以观察理解多种图像处理技术的效果和差别，
毕业设计 图像分割和特征提取技术研究 摘要 图像分割是图像分析的第一步，是图像理解的重要组成部分，在有关图像处理的几乎所有领域具有广泛的应用。因此，图像分割一直受到高度重视，对其研究具有十分重要的意义。长期以来，研究人员提出了许多实用的分割算法。随着统计学理论，神经网络，小波理论等在图像分割中的应用日益广泛，遗传算法、尺度空间、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，许多国内外学者也针对一些具体应用提出了许多实用有效的方法。 本文介绍了数字图像处理技术中图像分割技术的基本理论和三种图像分割方法(1)基于阈值图像分割；(2)基于边缘检测及算子分割；(3)基于区域特性的图像分割。对基于点的分割方法进行了较全面的叙述，主要研究了图像分割方法中的边缘检测法，区域提取法和阈值分割法。通过大量的理论研习。并编写了MATLAB软件程序，对各分割方法进行了仿真实验，得到分割图像。最后对于仿真进行了数据处理分析，验证了Canny算子的整体效果最好, Prewitt算子分割细致。但对于一幅图像仅仅只有只用一种方法达不到很好的效果，而根据待分割图象的不同特点，结合已知的先验知识，研究符合具体图象特性的分割模型，才是提高图象分割的重要手段。 关键词：图像分割；边缘法；区域法；阈值法；分水岭分割法
Lmage Segmentation And Feature Extraction Technology Research Abstract Image segmentation is the first step in image analysis, image segmentation is an important component of image understanding, in almost all areas of the image processing has widely application. As a result, image segmentation has been attached great importance to, its research has the very vital significance. For a long time,researchers put forward many practical segmentation algorithm. With statistics theory, the neural network, wavelet theory has been used increasingly in image segmentation, such as genetic algorithm, scale space, and nonlinear diffusion equation with the recent emergence of new methods and new ideas are constantly being used to solve the segmentation problem, many scholars at home and abroad for some specific application put forward many practical and effective method. Digital image processing techniques were introduced in This paper introduces the digital image processing technology of image segmentation technology in basic theory and three methods of image segmentation. (1) based on threshold image segmentation. (2) segmentation based on edge detection and operator; (3) the image segmentation based on region feature. On the segmentation method based on the point of narrative, mainly studies the edge of image segmentation method, region extraction method and threshold segmentation method. Through a lot of theory study. And write the MATLAB software, the segmentation method, the simulation experiment for image segmentation. Finally analyzed the data processing for simulation.Verify the Canny operator of the overall effect is best. Prewitt operator segmentation and detailed. But for an image only only one way to reach a good effect, and according to the different characteristics of for image segmentation, combined with the known prior knowledge, research in accordance with the specific image segmentation model, is an important means to improve the image segmentation. KEYWORDS：Segmentation；edge method；the regional method；threshold；watershed segmentation
******************* 实践教学 ******************* 兰州理工大学 计算机与通信学院 2012年秋季学期 图像处理综合训练 题目：图像分割程序设计 专业班级： 姓名： 学号： 指导教师： 成绩：
目录 摘要 (1) 一、前言 (2) 二、算法分析与描述 (3) 三、详细设计过程 (5) 四、调试过程中出现的问题及相应解决办法 (8) 五、程序运行截图及其说明 (8) 六、简单操作手册 (12) 设计总结 (15) 参考资料 (16) 致谢 (17) 附录 (18)
摘要 图像分割就是从图像中将某个特定区域与其他部分进行分离并提取出来的处理 通常又称之为图像的二值化处理。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。近年来，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。 关键词：图像分割；阈值；二值化；
一、前言 图形图像处理的应用领域涉及人类生活和工作的各个方面，它是从60年代以来随计算机的技术和VLSI的发展而产生、发展和不断成熟起来的一个新技术领域理论上和实际应用上都并取得了巨大的成就。数字图像处理与模拟图像处理的根本不同在于，它不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化，所以图形图像的处理在我们的生活中又很重要的作用。在对图像的研究和应用中，人们往往只对图像中的某些部分感兴趣。这些部分通常称为目标或前景，它们一般对应图像中特定的、具体独特性质的区域。为了辨识和分析目标，需要将它们分别提取出来，在此基础上才有可能对目标进一步利用。图像分割就是指把图像分成各具特性的区域并提取出感兴趣的目标的技术和过程。在图象分析中,通常需将所关心的目标从图象中提取出来,即图象的分割。图象分割在图象分析,图象识别,图象检测等方面占有非常重要的位置。
图像分割 前一章的资料使我们所研究的图像处理方法开始发生了转变。从输人输出均为图像的处理方法转变为输人为图像而输出为从这些图像中提取出来的属性的处理方法〔这方面在1.1节中定义过)。图像分割是这一方向的另一主要步骤。 分割将图像细分为构成它的子区域或对象。分割的程度取决于要解决的问题。就是说当感兴趣的对象已经被分离出来时就停止分割。例如，在电子元件的自动检测方面，我们关注的是分析产品的图像，检测是否存在特定的异常状态，比如，缺失的元件或断裂的连接线路。超过识别这此元件所需的分割是没有意义的。 异常图像的分割是图像处理中最困难的任务之一。精确的分割决定着计算分析过程的成败。因此，应该特别的关注分割的稳定性。在某些情况下，比如工业检测应用，至少有可能对环境进行适度控制的检测。有经验的图像处理系统设计师总是将相当大的注意力放在这类可能性上。在其他应用方面，比如自动目标采集，系统设计者无法对环境进行控制。所以，通常的方法是将注意力集中于传感器类型的选择上，这样可以增强获取所关注对象的能力，从而减少图像无关细节的影响。一个很好的例子就是，军方利用红外线图像发现有很强热信号的目标，比如移动中的装备和部队。 图像分割算法一般是基于亮度值的不连续性和相似性两个基本特性之一。第一类性质的应用途径是基于亮度的不连续变化分割图像，比如图像的边缘。第二类的主要应用途径是依据事先制定的准则将图像分割为相似的区域，门限处理、区域生长、区域分离和聚合都是这类方法的实例。 本章中，我们将对刚刚提到的两类特性各讨论一些方法。我们先从适合于检测灰度级的不连续性的方法展开，如点、线和边缘。特别是边缘检测近年来已经成为分割算法的主题。除了边缘检测本身，我们还会讨论一些连接边缘线段和把边缘“组装”为边界的方法。关于边缘检测的讨论将在介绍了各种门限处理技术之后进行。门限处理也是一种人们普遍关注的用于分割处理的基础性方法，特别是在速度因素占重要地位的应用中。关于门限处理的讨论将在几种面向区域的分割方法展开的讨论之后进行。之后，我们将讨论一种称为分水岭分割法的形态学
优秀论文审核通过 未经允许切勿外传 摘要 数字图像处理是一门新兴技术，随着计算机硬件的发展，数字图像的实时处理已经成为可能，由于数字图像处理的各种算法的出现，使得其处理速度越来越快，能更好的为人们服务。数字图像处理是一种通过计算机采用一定的算法对图形图像进行处理的技术。数字图像处理技术已经在各个领域上都有了比较广泛的应用。图像处理的信息量很大，对处理速度的要求也比较高。MATLAB强大的运算和图形展示功能，使图像处理变得更加的简单和直观。本文介绍了MATLAB 语言的特点,基于MATLAB的数字图像处理环境，介绍了如何利用MATLAB及其图像处理工具箱进行数字图像处理，并通过一些例子来说明利用MATLAB图像处理工具箱进行图像处理的方法。主要论述了利用MATLAB实现图像增强、二值图像分析等图像处理。关键词：MATLAB，数字图像处理，图像增强，二值图像
Abstract Digital image processing is an emerging technology, with the development of computer in various areas on the processing speed requirement is relatively ），线性量化（liner quantization ），对数量化，MAX 量化，锥形量化（tapered quantization ）等。 3. 采样、量化和图像细节的关系 上面的数字化过程，需要确定数值N 和灰度级的级数K 。在数字图像处理中，一般都取成2的整数幂，即: (2.1) (2.2) 一幅数字图像在计算机中所占的二进制存储位数b 为: *log(2)**()m N N b N N m bit == (2.3) 例如，灰度级为256级(m=8)的512×512的一幅数字图像，需要大约210万个存储位。随着N 和m 的增加，计算机所需要的存储量也随之迅速增加。 由于数字图像是连续图像的近似，从图像数字化的过程可以看到。这种近似的程度主要取决于采样样本的大小和数量(N 值)以及量化的级数K(或m 值)。N 和K 的值越大，图像越清晰。 2.2 数字图像处理概述 2.2.1 基本概念 数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展(特别是离散数学理论的创立和完善)；三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的
彩色图像分割技术研究本科毕业论文 目录 1. 引言 (1) 1.1．课题的研究背景和意义 (1) 1.2．彩色图像分割的现状 (2) 1.3．本文的容安排 (5) 2．彩色图像分割研究 (6) 2.1．数字图像处理概述 (6) 2.2．常用的颜色空间 (7) 2.3．彩色图像分割方法 (9) 2.3.1．阈值化方法 (10) 2.3.2．基于边缘的分割方法 (10) 2.3.3．基于区域的分割方法 (12) 3．无监督彩色图像分割 (13) 3.1．概述 (13) 3.2．颜色空间的转换 (14) 3.3．Sobel算子边缘提取 (15) 3.4．种子的选取 (16) 3.5．区域生长与合并 (17) 4．实验结果与分析 (18)
5．结论 (20) 参考文献 (21) 谢辞 (23)
1. 引言 1.1．课题的研究背景和意义 在人类所接收的信息中，有80%是来自视觉的图形信息，对获得的这些信息进行一定的加工处理也是目前一种广泛的需求，图像分割就是将图像中感兴趣的部分分割出来的技术。在图像分割的基础上，才能对目标进行特征提取和参数测量，使得更高层的图像分析和理解成为可能。因此，对图像分割的研究在图像处理领域具有非常重要的意义。 图像分割作为图像分析的基础，是图像分析过程中的关键步骤。图像分割，顾名思义是将图像按照一定的方法划分成不同的区域，使得同一区域像素之间具有一致性，不同区域间不具有这种一致性。 因为人眼对亮度具有适应性，即在一幅复杂图像的任何一点上只能识别几十种灰度级，但可以识别成千上万种颜色，所以许多情况下，单纯利用灰度信息无法从背景中提取出目标，还必须借助于色彩信息。由于彩色图像提供了比灰度图像更加丰富多彩的信息，因此随着计算机处理能力的提高，彩色图像处理正受到人们越来越多的关注。 自数字图像处理问世不久就开始了图像分割的研究，吸引了很多研究者为之付出了巨大的努力，在不同的领域也取得了很大的进展和成就，现在人们还一直在努力发展新的、更有潜力的算法，希望实现更通用、更完美的分割结果。目前，针对各种具体问题已经提出了许多不同的图像分割算法，对图像分割的效果也有很好的分析结论。但是，由于图像分割问题所面向领域的特殊性，而且问题本身具有一定的难度和复杂性，到目前为止还不存在一个通用的分割方法，也不存在一个判断分割是否成功