摘要
摘要
本文首先对数字图像处理的常见技术和发展现状以及前景作出简单的阐述，然后从原理和应用效果上对经典的图像分割方法---基于测地距离的图像分割进行重点的阐述和分析，对其基本原理以及实验方法作出详细的讲解，基于测地距离的图像分割是首先对待处理图像做Gabor滤波，提取滤波后各个子带图像通道的窗口能量特征；然后，对目标和背景的标记像素点各通道特征单独建立高斯概率模型，计算得到测试样本在各个通道上分属于两个高斯的概率，并加权各通道得到各像素点属于前景和背景的权值概率矩阵；最后，把权值概率矩阵看作有向带权图，图像列化坐标值作为顶点值，权值概率矩阵中对应的权值作为边的权，将图像分割问题可以转化为所有像素点到目标和背景的标记像素点的最短路径问题，根据本章所提出的计算图像像素点到目标与背景像素点的最小测地距离方法来确定各个像素点的类别，完成图像分割任务。最后，在图像分割的实施过程中必须运用的MATLAB软件进行简单的理解，熟悉运用环境和使用方法。
关键字：测地距离，图像分割，目标图像，背景图像
ABSTRACT
ABSTRACT
Based on digital image processing technology and development situation and Prospect of common makes a simple exposition, and then from the theory and the application effect to the classic image segmentation methods This article from the principle and the application effect to the classic image segmentation method based on geodesic distance image segmentation to carry on the elaboration and the analysis.Image segmentation based on geodesic distance is processed image Gabor filtering, extracting filter after each sub-band image channel window energy characteristics;Then, the target and background labeling pixels each channel features separate establishment of Gauss probability model, calculated the test samples in each channel belong to two Gauss probability, and weighted each channel of each pixel belongs to the background and foreground probability weights matrix;Finally, the probability weights matrix as a weighted directed graph, image column of coordinate value as a vertex value, weighted probability matrix of the corresponding weight as a side of the right, the image segmentation problem can be transformed into all the pixels into target and background marker pixel points of the shortest path problem, according to this chapter proposed calculation of image pixels to the target and background pixels minimal geodesic distance method to determine each pixel point category, to complete the task of image segmentation.Finally, in the image segmentation of the implementation process must be used MATLAB software to undertake simple understanding, familiar with the use of the environment and method of use.
Key Words: geodesic distance, image segmentation ,target image , background image
目录
目录
第1章引言 (1)
1.1 选题背景 (1)
1.2图像分割简介 (2)
1.3图像分割的发展和现状 (2)
1.4研究背景与意义 (4)
第2章基于测地距离的图像分割 (6)
2.1 测地距离 (6)
2.1.1 测地距离的概念 (6)
2.1.2 测地距离的性质 (7)
2.2算法思想及步骤 (9)
2.3纹理特征提取 (9)
2.3.1 Gabor滤波器 (10)
2.3.2 Gabor滤波器结果 (11)
2.3.3纹理特征量的计算 (13)
2.4高斯概率密度函数 (14)
2.5测地距离的计算 (15)
第3章实验结果及分析 (17)
第4章 MATLAB简介 (21)
4.1 MATLAB简介 (21)
4.2 MATLAB的主要应用 (21)
4.3 MATLAB的优点 (22)
第5章结论 (24)
5.1 结论 (24)
电子科技大学成都学院课程设计
5.2展望 (25)
参考文献 (27)
致谢 (28)
第1章引言
第1章引言
1.1选题背景
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。
在图像分析中，通常需要将所关心的目标从图像中提取出来，着中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就是图像分割。因为图像分割处理实际上就是区分图像中的“前景目标”和“背景”，所以通常又称之为图像的二值化处理。图像分割在图像分析、图像识别、图像检测等方面占有非常重要的低位。
基于测地距离的图像分割技术是近年来国际上图像分割领域的一个新的研究热点。基于训练样本的分割方法一般都是在训练过程中，从样本集合中选取部分样本进行训练，在测试过程中，根据某种距离度量准则来衡量测试样本与各类别训练样本的相似性，并得出测试样本的所属概率。在衡量样本间相似性的各种方法中，距离函数是最重要的方法。恰当的距离函数能够提高分割的正确率。然而，没有任何一种距离函数能够对所有样本数据集较其它距离函数均能更好地反映样本的真实分布情况；也没有任何一种距离函数在所有数据集上的性能都是最优的。距离函数要根据样本分布、学习算法及模型要求来确定。特别是当数据集样本分布在高维空间时，欧氏距离不能反映样本间的真实距离。此时，应该将样本分布的形状信息考虑在内来衡量样本间的相似性。但由于其涉及的理论知识较多，应用也还处在初级阶段。因此国内这方面的研究报道并不多见，本文将对测地距离方法用于图像分割的基本理论进行简要介绍，并对当前测地距离方法用于图像分割的最新研究进展进行综述，并着重介绍基于测地距离的图像分割的方法。
电子科技大学成都学院课程设计
1.2图像分割简介
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。同时它是把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。而基于测地距离的图像分割是首先，对待处理图像做Gabor滤波，提取滤波后各个子带图像通道的窗口能量特征；然后，对目标和背景的标记像素点各通道特征单独建立高斯概率模型，计算得到测试样本在各个通道上分属于两个高斯的概率，并加权各通道得到各像素点属于前景和背景的权值概率矩阵；最后，把权值概率矩阵看作有向带权图，图像列化坐标值作为顶点值，权值概率矩阵中对应的权值作为边的权，将图像分割问题可以转化为所有像素点到目标和背景的标记像素点的最短路径问题，根据本章所提出的计算图像像素点到目标与背景像素点的最小测地距离方法来确定各个像素点的类别，完成图像分割任务。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，同时，某些分割方法也只是适合于某些特殊类型的图像分割。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。
此外，图像分割的方法依照分割时所依据的图像特征不同，大致可以分为三大类。第一大类是阈值方法，这种方法是根据图像的灰度值分布特性来确定某个阈值来进行图像分割；第二类为边界分割法，这种方法是通过检测出封闭某个区域的边界来进行图像分割的。通俗的讲，这类方法实际上就是沿着闭合的边缘线将其包围的区域剪切出来；第三类方法是区域提取方法，这类方法的特点是根据特定区域与其他背景区域特性上的不同来进行图像分割。
1.3图像分割的发展和现状
图像分割是图像处理中的一项关键技术，自2 0世纪70年代起一直受到人们的
第1章引言
高度重视,至今已提出上千种分割算法。然而，由于尚无通用的分割理论，现提出的分割算法大都是针对具体问题的,并没有一种适合所有图像的通用分割算法。另外,还没有制定出选择合用分割算法的标准，图像分割技术的发展与许多其他学科和领域如数学、物理学、生理学、电子学、计算机科学等密切相关。
近年来, 随着各学科新理论和方法的产生, 人们也提出了许多结合特定理论工具的分割方法, 例如基于数学形态学的分割方法, 基于统计模式识别的分割方法, 基于神经网络的分割方法, 基于信息论的分割方法, 基于模糊集合和逻辑的分割方法, 基于小波分析和变换的分割方法, 基于遗传算法的分割方法等。
基于数学形态学分割方法的基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的。基于统计模式识别的分割方法的基本思想是将图像中的象素根据测量结构分为不同的类, 每个类都有相似或相近的特征, 然后通过学习或训练, 将图像分为不同的目标。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数, 然后用决策函数对象素进行分类来达到分割的目的。基于信息论的分割方法引入了熵的概念, 大部分算法借助了求熵极值的方法来达到分割的目的。基于模糊集合和逻辑的分割方法是以模糊数学为基础, 利用隶属度来解决图像中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题, 该方法在医学图像分析中有广泛的应用。
基于小波分析和变换的分割方法是借助新出现的数学工具小波变换来分割图像的一种方法, 也是现在非常新的一种方法. 小波变换是一种多尺度多通道分析工具, 比较适合对图像进行多尺度的边缘检测。例如, 可利用高斯函数的一阶或二阶导数作为小波函数, 利用Mallat 算法分解小波, 然后基于马尔算子进行多尺度边缘检测。这里小波分解的级数可以控制观察距离的/ 调焦0, 而改变高斯函数的标准差可选择所检测边缘的细节程度. 小波变换的计算复杂度较低, 抗噪声能力强。理论证明, 以零点为对称点的对称二进小波适应检测屋顶状边缘, 而以零点为反对称点的反对称二进小波适合检测阶跃状边缘.近年来多进制( Multi_Band) 小波也开始用于边缘检测。另外,利用正交小波基的小波变换也可提取多尺度边缘, 并可通过对图像奇异度的计算和估计来区分一些边缘的类型. 基于遗传算法的分割方法的基本思想是利用遗传算法具有能是一种迭代式优化算法并具有合局搜索能力的优点, 帮助确定分割阈值.分割问题的困难在于图像数据的模糊和噪声的干扰。前面已经提到，到目前为止，还没有一种或者几种完善的分割方法，可以按照人们的意愿准确的分割任何一种图像。实际图像中景物情
电子科技大学成都学院课程设计
况各异，具体问题具体分析，需要根据实际情况选择适合的方法。分割结果的好坏或者正确与否，目前还没有一个统一的评价判断准则，分割的好坏必须从分割的效果和实际应用场景来判断。不过在人类研究图像的历史中，还是积累了许多经典的图像分割方法。虽然这些分割方法不适合所有类型的图像分割，但是这些方法却是图像分割方法进一步发展的基础。事实上，现代一些分割算法恰恰是从经典的分割方法衍生出来的。
早期的图像研究中，图像的分割方法主要可以分为两大类。一类是边界方法，这种方法的假设是图像分割结果的某个子区域在原来的图像中一定会有边缘存在；一类是区域方法，这种方法的假设是图像分割结果的子区域一定会有相同的性质，而不同区域的像素没有共同的性质。这两种方法都有缺点和优点，有的学者也试图把两者结合起来进行图像分割，随着计算机处理能力的提高，很多方法不断涌现，如基于彩色分量分割、纹理图像分割。所使用的教学工具和实验手段也是不断的扩展，从时域信号到频域信号处理，近来小波变换也应用在图像分割当中。
图像分割是由图像处理到图像分析的关键步骤，在实际中起着广泛的作用。将数学形态学的思想运用于图像分割是近年来图像处理研究的热点之一。目前基于数学形态学图像分割方法的研究主要集中在两个方面：基于形态腐蚀和形态膨胀的边缘检测方法和基于分水岭变换的区域分割方法。然而目前正在研究的大部分图像分割算法，例如以数学形态学位基础的图像分割方法，都是针对来处理某一特定的图像来实现的，方法在实用范围方面有一定的局限性。
1.4研究背景与意义
数字图像目标分割与提取是数字图像处理和计算机视觉领域中一个备受关注的研究分支。因为在目标分割与提取过程中可以利用大量的数字图像处理的方法，加上其在计算机视觉、模式识别等领域中的广泛应用，都吸引了众多研究者的注意。相信对这一问题的深入研究不仅会不断完善对这一问题的解决，而且必将推动模式识别、计算机视觉、人工智能等计算机科学分支的发展。图像分割和边缘检测的问题在近二十年中得到了广泛的关注和长足的发展，国内外很多研究人士提出了很多方法，在不同的领域取得了一定的成果。但是对于寻找一种能够普遍适用于各种复杂情况的准确率很高的分割和检测算法，还有很大的探索空间。图
第1章引言
像处理的发展与计算机以及硬件技术的发展是紧密联系的。
计算机处理图像信息文章的时间要追溯到20世纪50年代，随着计算机以及硬件技术的高速发展，性能大幅度提高，而价格却大幅度下降，有力地推动了图像处理技术的发展由于图像的多义性和复杂性，许多分割的工作无法依靠计算机自动完成，而手工分割又存在工作量大，定位不准确的难题，因此，人们提出了一些人工交互和计算机自动定位相结合的方法，利用各自的优势，实现目标轮廓的快速定位。相信这些交互式方法的应用，必将推动图像目标分割与提取这一既具有广阔的应用前景又具有重要的学术价值的课题的进一步研究，也必将成为一个更为独立和活跃的研究领域[1]。近年来，DSP技术的发展不断将数字信号处理领域的理论研究成果应用到实际系统中，并且推动了新的理论和应用领域的发展，对图像处理等领域的技术发展也起到了十分重要的推动作用。
同时在现代工业自动化生产中，涉及到产品检验、生产监视和零部件缺陷识别等多方面的应用，例如对零部件批量生产过程中的尺寸缺陷检测，零件的缺陷检查，IC上的自动字符识别，自动装配过程中的完整性检查，电子装配线的自动定位，机器人的引导和零件的识别等。利用图像处理的方法，对感兴趣区域进行分割从而进一步的分析。图像处理在模式识别中的应用场所的安全保障。比如对人员进行身份验证，如新兴的虹膜图像识别门禁系统。这其具有唯一性、稳定性、可采集性、非接触性等优点被广泛的认为是最有前途的生物识别技术。将虹膜图像识别技术应用于门禁系统可以增强安全防范手段，为银行、保密设施、档案室等机要部门的现代化管理、监测、控制提供重要安全技术手段。
电子科技大学成都学院课程设计
第2章基于测地距离的图像分割
在图像分割的处理中，其实可以将图像视作是由像素组成的有序集合，而图像分割就是将此集合按照某种规则划分出若干子集的过程。而基于测地距离的图像分割技术是近年来国际上图像分割领域的一个新的研究热点。
2.1测地距离
2.1.1测地距离的概念
在空间分析过程中, 我们常常会遇到这样一类问题：求取一个形状蜿蜒奇曲的地块的长度；在某一地块内两点间铺设管线, 选取最短路径并计算相应的距离；在一个形状极不规则的湖泊中行驶的小船沿怎样的路径前进起点与终点间的航程最短, 等等。通常我们总是习惯在相应的起点和终点之间用直线段相连, 并求取相应的直线距离, 即欧氏距离。但是, 这种方法并非对所有的情况都有效, 当两点间的直线段有一部分不落在所考虑的区域之内时(如上述小船在湖泊中航行的例子), 欧氏距离对所讨论的问题实际上是没有意义的, 这就是欧距离在空间分析过程中的局限性。其原因在于定义区域中两点间的距离时, 没有考虑到区域的连通性, 只考虑了起点和终点间的抽象距离。为克服欧氏距离的局限使上述问题得到圆满解决, 我们在实际的分析和应用的过程中就把数学形态学中的测地距离的概念引入实际的空间分析领域中。例如：在二值图像中目标点的灰度值为1，此时这些目标点就构成了一个集合；背景的灰度值为0，他们构成目标点集的补集，这种就是数学形态学在二值图像处理中的运用。
测地距离是数学形态学中的一个重要概念，主要用于流域分割（流域又称集水区域，是指流经其中的水流和其它物质从一个公共的出水口排出从而形成一个集中的排水区域）。如下图一连通图形所示，A、B是其中两点，按通常欧式距离（（Euclidean distance）也称欧几里得距离，它是一个通常采用的距离定义，它是在m维空间中两个点之间的真实距离）的定义，A、B间的距离应为直线段AB的长度，但是有时线段AB的一部分可能会不包括在连通图形X内，如在下图一中
第2章基于测地距离的图像分割
线段AB就有一段没有包含在连通的图形中，因此这种距离有其不合理的一面。现用如下方法重新定义A、B之间的距离：由于下图是连通的，故在所给图一的连通图形中至少有一条线路可以连接A、B两点，如下图一所示，所有这些线中最短的一条称为A、B间的测地弧。测地弧的长度称为A、B间的测地距离，记为D(A-B)。
图2-1 测地距离示意图
图2-2 测地距离示意图
2.1.2测地距离的性质
（一）、显然，在所给的连通图形对于任意的三个像素点A、B、C，测地距离满足距离函数的三个条件：
(1)D（A-B）≧0（当且仅当A、B为同一点时才取等号）；
(2)D（A-B)=D(B-A)；
电子科技大学成都学院课程设计
(3)D (A-B)≦D(A-C)+D(C-B)
（二）、对于测地距离DX (A , B )不难得出如下性质：
1)如果A和B分别属于两个不同的连通域，即A、B间没有通路，则根据定义有
DX (A , B )等于无穷。
2)不论A 、B 是怎样的点, 都有其欧氏距离de (A , B ) ≦D X (A , B )，即欧氏距离不大于测地距离。
3)当DX (A , B ) > d e (A , B ) 时, 测地距离的路径(即测地弧) 至少通过区域边界上的一个点, 如果区域边界为一多边形, 则至少通过多边形的一个顶点.。
4)当DX (A , B ) > d e (A , B ) 时, 测地弧与直线段A B 所围成的区域中, 只有
A 、
B 两点可能是凹点, 测地弧上的其它各点必为凸点, 如图3 中的A 、C、D、E 、F 、G 、H、B 所围成的区域中只有A 、B 为凹点。
对于近邻样本，测地距离用欧氏距离近似地反映样本之间沿数据分布曲面间的距离；对于相隔较远的样本，测地距离计算样本之间的距离为样本分布曲面上连接两样本点之间的最短空间曲线的长度。由于测地距离加入了样本空间分布形状的先验信息，因此当样本分布满足一定的曲面形状时，测地距离更能真实地度量样本之间的相似性程度。
第2章基于测地距离的图像分割
2.2算法思想及步骤
图2-3 基于测地距离图像分割算法思想示意图
2.3纹理特征提取
图像的特征提取时从输入图像中，提取出认为与对象或构成该对象的部分相对应的边缘或者线、角、区域等图像特征，是图像分析过程中的重要的一步。
特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于相同的图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。同时特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用和定义的特征决定。因此特征提取最
电子科技大学成都学院课程设计
重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。同时图像区域分割和特征提取往往是交互的，前后顺序可以不确定。根据纹理特征对纹理图像进行分割是一个很有效的方法。
2.3.1 Gabor滤波器
纹理图像分割最重要的一个环节是特征提取，而特征提取的目的是从纹理图像中提取能够成功区分图像中不同纹理区域的相应特征。基于时域和频域的纹理特征提取是近年发展起来的新方法，因其有许多优越性而受到人们的重视。同时众所周知，纹理具有较强的方向性及频域特征，因此可以采用时域和频域联合分析的方法，在1946年Gabor提出了Gabor函数，在各种方向滤波器中，Gabor滤波器的应用最为广泛，其实现比较方便，且可以获得空间和频域的最佳联合分辨率。从心理学的角度来看，人类辨别各种不同纹理依赖于空间属性的形状相似性和频域属性的组织结构相似性，这就要求在一种能同时对空域和频域进行有效描述的方法。生物学领域的研究也表明，二维的Gabor滤波器能够很好地描述脊椎动物大脑初级视觉皮层部分单细胞可接收信息域的分布，两者在空域和频域均具有相似的局部特点，这与人类的视觉系统也是一致的。可将二维Gabor滤波器视为方向和尺度均可变化的边缘和直线或条纹的检测器，并且，对于一个给定区域中的这些微观特征的统计，通常可以用来表示基本的纹理信息。
Gabor变换属于加窗傅立叶变换，Gabor函数可以在频域不同尺度、不同方向上提取相关的特征。Gabor 滤波器的频率和方向类似于人类的视觉系统，所以常用于纹理识别。
在空间域，二维Gabor滤波器是一个高斯核函数和正弦平面波的乘积，具体的：
二维Gabor函数可以表示为：
(2-1)其中：
第2章基于测地距离的图像分割
v的取值决定了Gabor滤波的波长，u的取值表示Gabor核函数的方向，K表示总的方向数。参数决定了高斯窗口的大小，这里取。程序中取4个频率（v=0, 1, ..., 3），8个方向（即K=8，u＝0, 1, ... ,7），共32个Gabor核函数。不同频率不同方向的Gabor函数可通过下图表示：
图2-4不同频率的Gabor函数示意图
图 2-5不同方向的Gabor函数示意图
2.3.2 Gabor滤波器结果
具体事例如下：假设输入下图并且程序默认为5个尺度，8个方向。
电子科技大学成都学院课程设计
图2-6 Gabor滤波前的原始图片
Gabor滤波后的效果图（每行是同一尺度，每列是同一方向）：
图2-7 Gabor 滤波后的效果图
由于在纹理图像中纹理是图像的重要特征，纹理元素的方向以及他们的频率就成为了图像纹理识别的重要依据，不同大小邻域上局部化纹理度量对于图像的分割也是必须的，对于彩色图像，加入图像RGB通道的分量信息；而纹理图像，加入灰度信息。每个点的滤波响应和上述信息将被连接在一起组成一个特征向量。
第2章基于测地距离的图像分割
2.3.3纹理特征量的计算
在对纹理赋予特征的性质中，有粗细度、方向性，对比度、规则性等。而在纹理特征中的最简单的特征是纹理区域的灰度直方图、或者由直方图计算出来的灰度平均值或者方差等，由于这些特征是与一个像素具有的灰度有关的统计量，因此称之为一次统计量。
为了研究灰度直方图的相似性，只需要计算出非相似度（距离）的值就可以了。如果需要更加详细地对空间上的灰度变化图案赋予特征，只需要采用为提取边缘点或线、波纹的加权矩阵进行空间滤波，并把得到的图像的一次统计量作为纹理特征即可。如下图所示的9个加权矩阵，就是为了提取出这样的纹理特征的矩阵，利用这些矩阵能够区别多种纹理。
表2-1 对灰度变化图案赋予特征的加权矩阵
表2-2 局部图像特征的统计分布的纹理特征
电子科技大学成都学院课程设计
1
2 3 4 5 6
7 8 9 2023.8 54.6 28.9 53.4 13.5 12.0 51.4 18.1 26.0 采用上面所示的矩阵，对上图进行空间滤波，对图像处理求出的像素值的绝对值的平均值如上面表格所示。
2.4高斯概率密度函数
图2-8 图像分割示意图 假设Q 和W 分别是目标标号1l 和背景标号2l 标记的像素点集合。在特征通道i F 上，首先根据目标和背景标记点组成的训练样本Q 和W 的特征，估计其均值和标准差统计参数，然后通过高斯概率密度函数表达式；根据该表达式分别计算各像素点x 属于目标和背景的概率。属于目标标号1l 的概率1|2i P 为：
211
1111(())exp ()22i i i i i x p F x μσπσ??-=-???? （2-2） 11|2
12(())():(())(())i i i i i i i p F x P x p F x p F x =+ （2-3） 其中，12
i i p p 、分别是特征通道i F 上训练样本特征集1Ω、2Ω的概率密度函数。同理，可以计算出各像素点x 属于标号2l 的概率2|1()i P x 。
第2章 基于测地距离的图像分割
2.5测地距离的计算
图像分割问题可以转化为图像中所有像素点到目标和背景标记像素点的最短路径问题。对于从有向带权图中一个顶点（源点）到其余各顶点的最短路径问题，狄克斯特拉（Dijkastra ）算法描述为：设置两个顶点的集合S （已找到的顶点）和T （未找到的顶点）。初始状态时，S 中只包含源点，然后从T 中选择到源点路径最短的顶点加入到S 中，集合S 中每加入一个新的顶点都要修改源点v0到集合T 中剩余顶点的当前最短路径长度值。此过程不断重复，直到T 中的顶点全部加入到S 中为止。
首先，对待处理图像提取Gabor 滤波后的各子带能量特征；然后，找到交互式标记图像已被标记的像素点的坐标及标号点对应的训练特征，并对该特征利用单高斯分布模型，计算出图像中各像素点属于目标标号1l 的概率，得到概率矩阵1|2()P x ，同时计算出图像中各像素点属于背景标号2l 的概率，得到概率矩阵2|1()P x ；计算测地距离时需要的权值概率矩阵W1、W2：
11|21()W P x =- 22|11()W P x =- (2-4)
将权值概率1W 、2W 矩阵转化为行向量W1_row 、W2_row ；根据M*N 大小的图像的4邻域连通性得其邻接矩阵，为了程序可行性，将其转化为4*MN 大小的连通标号矩阵。如表2-3所示。
表2-3 M*N 大小的图像的连通标号矩阵 1
1
22 33 .… i+M*(j-1) … M*N-1 M*N 2
2
11 12 .… i+M*(j-2) … M-1+M*(N-2) M*(N-1) M
M+1 33
44 .… i-1+M*(j-1) … M-2+M*(N-1) M-1+M*(N-1) 00 M M+2 M M+3 .
…
i+1+M*(j-1) … M*N 0 0
0 00 00 .… i+M*j … 0 0
电子科技大学成都学院课程设计
下面计算所有像素点到目标的测地距离。首先，把标号为1l 的标记点到目标的测地距离初始化为0，到背景的测地距离初始化为无穷大；同样，把标号为2l 的标记点到背景的测地距离初始化为0，到目标的测地距离初始化为无穷大。根据连通标号矩阵，搜索标号为1l 的所有标记点的4连通邻域像素点，找出这些像素点中权重概率最小的那个像素点，把最小权重概率对应的像素点添加到已排好序的路径上，并通过比较原来的权重概率与加入新顶点后的新概率大小，决定是否更新其它像素点的权重概率。这样，不断地添加新的像素点到已排好序的路径上，直到图像中所有像素点全部搜索完为止。于是由一个或多个权重概率加和得到每个像素点到目标的测地距离d1(x)。同理，可以计算出图像中各像素点到背景的测地距离d2(x)。
根据概率公式，由图像中的每个像素点到目标和背景的测地距离，计算出该像素点分属于目标和背景的概率：
12112()()()()
l d x P x l d x d x ∈=+ （2-5) 21212()()()()
l d x P x l d x d x ∈=+ (2-6) 对于图像中的各像素点，若 1212()()l l P x l P x l ∈>∈，则把该像素点判为目标像
素点则判为把该像素点判为背景像素点。
实验四图像分割与边缘检测 一．实验目的及要求 1．利用MATLAB研究图像分割与边缘检测的常用算法原理； 2．掌握MATLAB图像域值分割与边缘检测函数的使用方法； 3．了解边缘检测的算法和用途，比较Sobel、Prewitt、Canny等算子边缘检测的差异。 二、实验内容 （一）研究以下程序，分析程序功能；输入执行各命令行，认真观察命令执行的结果。熟悉程序中所使用函数的调用方法，改变有关参数，观察试验结果。 1．图像阈值分割 clear all, close all; I = imread('cameraman.tif'); figure (1),imshow(I) figure(2); imhist(I) T=120/255; Ibw1 = im2bw(I,T); figure(3); subplot(1,2,1), imshow(Ibw1); T=graythresh(I); L = uint8(T*255) Ibw2 = im2bw(I,T); subplot(1,2,2), imshow(Ibw2);
help im2bw; help graythresh; clear all, close all; I = imread('cameraman.tif'); figure (1),imshow(I) figure(2); imhist(I) T=240/255; Ibw1 = im2bw(I,T); figure(3); subplot(1,2,1), imshow(Ibw1); T=graythresh(I); L = uint8(T*255) Ibw2 = im2bw(I,T); subplot(1,2,2), imshow(Ibw2); help im2bw; help graythresh;
医学图像分割综述郭爱心安徽大学摘要：图像分割是图像处理和分析的关键。随着影像医学的发展，图像分割在医学应用中具有重要意义。本文从医学应用的角度出发，对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字：医学图像分割意义方法评估标准发展前景AReviewofMedicalImageSegmentation Ai- XinGuoAnhuiUniversityAbstract:Imagesegmentationisthekeyofimageprocessingandanalysis.Withthede velopmentofmedicalimage,imagesegmentationisofgreatsignificanceinmedicalapplications.Fromtheper spectiveofmedicalapplications,thispapermadeasimplereviewofthemedicalimagesegmentationonit’ssig nificance、methods、evaluationstandardsanddevelopmentprospects.words:Keymedical image,segmentation,sig nificance,methods,evaluation standards,developmentprospects1.医学图像分割的意义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。医学图像包括CT、正电子放射层析成像技术（PET）、单光子辐射断层摄像（SPECT）、MRI（磁共振成像技术）、Ultrasound（超[2]声）及其它医学影像设备所获得的图像。医学图像分割是将原始的2D或3D图像划分成[1]不同性质(如灰度、纹理等)的区域，从而把感兴趣的区域提取出来。医学图像分割是一个非常有研究价值和研究意义的领域，对疾病诊断、图像引导手术以及医学数据可视化等有重要作用，为临床诊疗和病理学研究提供可靠的依据。医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异，图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响，医学图像与普通图像相比较，不可
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
岭南师范学院 课程名称数字图像处理 实验序号实验5 实验名称图像分割和边缘检测 实验地点综B207 2017年10 月14 日
四、实验过程（实验步骤、记录、数据、分析） 1.基于一阶导数的边缘算子 a=imread('y.jpg'); f=rgb2gray(a); subplot(2,2,1),imshow(f),title('原始图像'); [g1 , t1]=edge(f,'roberts',[ ], 'horizontal'); subplot(2,2,2), imshow(g1),title('Roberts'); [g2, t2]=edge(f, 'sobel',[ ], 'horizontal'); subplot(2,2,3), imshow(g2),title('Sobel'); [g3, t3]=edge(f, 'prewitt',[ ], 'horizontal'); subplot(2,2,4), imshow(g3),title('Prewitt'); 从图像结果来看，'Roberts'的边缘检测范围更加大 2、基于二阶导数的边缘算子：应用LOG算子检测边缘 a=imread('y.jpg'); f=rgb2gray(a); subplot(1,2,1),imshow(f),title('原始图像'); [g , t]=edge(f, 'log'); subplot(1,2,2),imshow(g),title('log');
3、基于约束条件的最优化检测边缘算子：应用Canny算子检测边缘a=imread('y.jpg'); f=rgb2gray(a); subplot(1,2,1),imshow(f),title('原始图像'); [g , t]=edge(f,'canny'); subplot(1,2,2),imshow(g),title('Canny');
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,
一图象分割定义 图象分割：将图象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，对图象中的目标，背景进行标记、定位，然后将目标从背景或其他伪目标中分离出来。 二图象分割的研究现状 图象分割是图象处理中的一项关键技术，也是一经典难题，自20世纪70年代起一直受到人们的高度重视，至今已提出了上千种分割算法。但发展至今仍没有找出一个通用的分割理论，现提出的分割算法大都是针对具体问题的，并没有一种适合所有图象的通用分割算法。另外，也还没有制定出判断分割算法好坏和选择适用分割算法的标准，这给图象分割技术的应用带来许多实际问题。 三对图象分割现状的思考 基于图象分割的研究现状，我们在图象分割技术的应用上存在着许多实际问题。首先，在需要解决一个具体的图象分割问题的时候，往往发现难于找到一个非常适用的现成方法。其次，图象分割问题可以说既是一个数学问题，也是一个心理学问题。如果不利用关于图象或所研究目标的先验知识，任何基于某种数学工具的解析方法都很难取得很好的效果。因此，在更多的时候，人们倾向于重新设计一个针对具体问题的新算法来解决所面临的图象分割问题。这在只有个别图象样本的时候，利用各种先验知识，设计具有针对性的算法来实现较好的分割相对容易。但是，当需要构建一些使用的机器视觉系统时，（比如虚拟眼），所面对的将是具有一定差异性，数量庞大的图象库，此时如何很好地利用先验知识，设计一个对所有待处理图象都实用的分割算法是一件非常困难的任务。最后，由于缺乏一个统一的理论作为基础，同时也缺乏对人类视觉系统（humen vision system,HVS）机理的深刻认识（人们对视觉机理的研究还没成熟），构造一种能
数字图像处理实验报告 学生姓名王真颖 学生学号L0902150101 指导教师梁毅雄 专业班级计算机科学与技术1501 完成日期2017年11月06日
计算机科学与技术系信息科学与工程学院
目录 实验一.................................................................................................. 错误!未定义书签。 一、实验目的.................................................................................................... 错误!未定义书签。 二、实验基本原理 ........................................................................................... 错误!未定义书签。 三、实验内容与要求....................................................................................... 错误!未定义书签。 四、实验结果与分析....................................................................................... 错误!未定义书签。实验总结............................................................................................... 错误!未定义书签。参考资料.. (3) 实验一图像分割与边缘检测 一．实验目的 1. 理解图像分割的基本概念； 2. 理解图像边缘提取的基本概念； 3. 掌握进行边缘提取的基本方法；
生物医学图像分割方法研究 1、图像分割概述 图像是用各种观测系统以不同形式和手段观测客观世界所获得的，可以直接或间接作用于人眼并产生视觉感知的实体。在现实生活之中，大约有75%左右的信息来源于人眼（图像），也就是说人类大部分的信息是视觉信息，从图像中得到。所以，对图像的认识和理解一直是人类视觉研究中非常重要的问题。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。图像分割是计算机视觉领域中最古老也是研究最广泛的问题之一。任何图像处理系统，医学图像或是工业图像，图像分割都是一个关乎系统成败的关键问题。 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、基于边缘的分割方法、基于区域的分割方法以及基于特定理论的分割方法等。 1、基于阈值的分割方法。 阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。因此，该类方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。阈值分割当面比较有名的方法有最大类间方差法(OTSU)、基于直方图的阈值方法和熵方法等。 2、基于边缘的分割方法 所谓边缘是指图像中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图像特性的突变。通常情况下，基于边缘的分割方法指的是基于灰度值的边缘检测，它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这一观测基础上的方法。 阶跃型边缘两边像素点的灰度值存在着明显的差异，而屋顶型边缘则位于灰度值上升或下降的转折处。正是基于这一特性，可以使用微分算子进行边缘检测，即使用一阶导数的极值与二阶导数的过零点来确定边缘，具体实现时可以使用图像与模板进行卷积来完成。常用的边缘检测算子有sobel，canny和laplace等等。
医学图像分割方法汇总 本文主要介绍在医学图像分割方面的几种典型算法，详细介绍每种算法的工作原理，通过对具体的医学图像实验来对比每种方法在分割方面的优点和缺点，分析结果产生的原因，从而在后面的实际应用中选择最合适的算法。 1阈值法分割 1-1 简单阈值分割 简单的阈值处理是图像分割中最为简单基础的一种分割方法。对于一副灰度图像，使用给定的阈值。图像中的像素超过这个阈值的一律设置为最大值（对于八位灰度图像，最大值一般为255），像素小于这个阈值的设置为0.下图1.2是利用五个不同的阈值对脑部图像（图 1.1）的分割结果。（从上到下，从左到右一次使用的阈值分别为最大值的0.1,0.3,0.5,0.7,0.9倍）。 图1.1原始脑部图像
图1.2 使用不同阈值分割后的结果 从实验结果来看，使用简单的阈值分割，过程十分简便，原理简单易懂，但是要是得到比较好的分割结果需要进行多次试验。 1-2 otsu阈值分割法 Otsu阈值分割法又称大津阈值分割法。它的原理是对图像所有的像素围进行遍历(对8位灰度图像来说呢，就是从0遍历到255)，找出合适的T(阈值),把原始图像分割成前景图像和背景图像并且两者之间的类方差最大。 原理： 对于图像I(x,y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。图像的总平均灰度记为μ，类间方差记为g。 假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有：ω0=N0/ M×N (1)
图像分割方法综述 摘要：图像分割就是根据图像的某些特征或特征集合的相似性准则对图像进行分类，把图像空间分成若干个某些具有一致性属性的不重叠区域。它是图像分析和理解的基础，是计算机视觉领域中最困难的问题之一。图像分割的质量将直接影响着对图像的后续处理，所以图像分割被视为图像处理的瓶颈，具有十分重要的意义。人们很早就开始了对图像分割方法的研究，并且几十年来，这方面的研究从来没有间断过。到目前为止，已经有大量的关于图像分割的理论、技术、方法被人们相继提出并广泛应用。 关键字：图像分割；阈值；区域和边缘；交互式算法；纹理分割彩色图像分割 1.引言 图像分割是一项基于计算机技术的重要的图像分析和处理技术，从其产生至今，已经广泛的应用于各个领域，为人们的生产和生活中图像处理的水平提高做出了重大贡献。 2.国内外发展的状况 人工生命是一个快速发展的多学科交叉的研究领域，是计算机科学新的发展方向之一。目前，已经有科研人员尝试将人工生命应用到图像分割领域中。虽然目前使用人工生命进行图像分割的研究还比较少，但是这些相关研究成果表明将人工生命引入到图像分割中能获得有意义的成功，显示出了巨大的潜力。 在医学数据可视化方面，也有了许多硕果。如：医学图像如CT图像和MRI图像的三维重建、显示与分析处理；大脑生理形态分析，神经细胞中钙活性的可视化；计算机辅助外科手术模拟与计划等。其中值得一提的：如美国国家超级计算机应用中心利用远程的并列计算机资源，用体绘制技术实现了CT扫描三维数据的动态显示。其内容为显示一个狗心脏跳动周期的动态图像。 3.图像分割概述 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，因此图像信息是非常重要的一类信息。在一幅图像中，人们往往只对其中的某些目标感兴趣，这些目标通常占据一定的区域，并且在某些特性（如灰度、轮廓、颜色、纹理等）上和周围的图像有差别。这些特性差别可能非常明显，也可能很细微，以致人眼觉察不出来。计算机图像处理技术的发展，使得人们可以通过计算机来获取与处理图像信息。现在，图像处理技术已经成功应用于许多领域，其中，纸币识别、车牌识别、文字识别、指纹识别等已为大家所熟悉。 图像分割是指将一幅图像分解为若干互不交叠的、有意义的、具有相同性质的区域。好的图像分割应具有以下特征：（1）分割出来的各区域对某种性质（例如灰度、纹理）而言具有相似性，区域内部是连通的且没有过多小孔。（2）相邻区域对分割所依据的性质有明显的差异。（3）区域边界是明确的。 大多数图像分割方法只是部分满足上述特征。如果强调分割区域的同性质约束，则
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-
图像分割技术与M A T L A B仿真
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 0 Abstract 0 引言 (2) 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 (6) 2.3 区域分割法 (8) 2.4 基于水平集的分割方法 (9) 2.5 分割算法对比表格 (9) 3基于水平集的图像分割 (11) 3.1 水平集方法简介 (11) 3.2 水平集方法在图像分割上的应用 (12) 3.3 仿真算法介绍 (13) 3.4 实验仿真及其结果 (14) 结论 (22) 致谢 (23) 参考文献 (23)
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，MATLAB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
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法、基于人工智能的图像分割方法三个由低到高的阶段对图像分割进行全面的论述。 2 传统的图像分割方法 2.1 基于阀值的图像分割方法 阀值分割法是一种传统的图像分割方法，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。阀值分割法的基本原理是通过设定不同的特征阀值，把图像像素点分为具有不同灰度级的目标区域和背景区域的若干类。它特别适用于目标和背景占据不同灰度级范围的图，目前在图像处理领域被广泛应用，其中阀值的选取是图像阀值分割中的关键技术。 灰度阀值分割方法是一种最常用的并行区域技术，是图像分割中应用数量最多的一类。图像若只用目标和背景两大类，那么只需要选取一个阀值，此分割方法称为单阀值分割。单阀值分割实际上是输入图像f到输出图像g的如下变换：
1.几种算子图像边缘提取: 程序代码如下: 运行结果: 原图为一堆苹果(彩图),各算子处理后的边缘提取图:
分水岭算法实现: a.直接对图像进行分水岭算法处理 代码如下：（原图还是上题一堆苹果） 运行结果如右图： 很明显，属于过度分割了。下面有改进算法： b.改进算法代码如下： 实现包括下列步骤： (1)读图像。读入图像 (2)对比度最大化。注意到图像中有许多彼此连通的 不同大小的对象。为使通过watershed变换找到的低 谷数目最小，我们使感兴趣的对象的对比度达到最 大。对比度增强的一个常用的技术是综合应用top— hat和bottom—hat变换。 top—hat变换定义为原图像和它的开之差。图像的 开是一与特定结构元素匹配的图像前景部分的集合。 bottom—hat变换定义为在原图像和它的闭之间的 差。图像的闭是一与特定结构元素匹配的图像背景 的集合。 通用的结构元素是正方形，长方形，圆盘，菱 形，球和线。既然图像中我们感兴趣的目标对象看 起来像圆盘，我们用strel函数建立一个半径为15个 像素的圆盘形结构元素。这个圆盘尺度是图像中的 目标对象的平均半径的一个估计。 (3)图像相加减。为使目标对象与分隔它们的间隙之 间的对比达到最大，用“原图top—hat图像+bottom —hat图像”得到增强的结果图。 ( 4)转换感兴趣的对象。调用watershed变换找出图像 的亮度”低谷”，把imcomplement作用 增强过的图像上，将感兴趣的目标对象转换为亮度低谷，得到增强图的补图。 (5)检测亮度低谷。对所得补图运用imextendedmin函数检测低于某特别阈值的所有亮度低谷。
摘要 摘要 本文首先对数字图像处理的常见技术和发展现状以及前景作出简单的阐述，然后从原理和应用效果上对经典的图像分割方法---基于测地距离的图像分割进行重点的阐述和分析，对其基本原理以及实验方法作出详细的讲解，基于测地距离的图像分割是首先对待处理图像做Gabor滤波，提取滤波后各个子带图像通道的窗口能量特征；然后，对目标和背景的标记像素点各通道特征单独建立高斯概率模型，计算得到测试样本在各个通道上分属于两个高斯的概率，并加权各通道得到各像素点属于前景和背景的权值概率矩阵；最后，把权值概率矩阵看作有向带权图，图像列化坐标值作为顶点值，权值概率矩阵中对应的权值作为边的权，将图像分割问题可以转化为所有像素点到目标和背景的标记像素点的最短路径问题，根据本章所提出的计算图像像素点到目标与背景像素点的最小测地距离方法来确定各个像素点的类别，完成图像分割任务。最后，在图像分割的实施过程中必须运用的MATLAB软件进行简单的理解，熟悉运用环境和使用方法。 关键字：测地距离，图像分割，目标图像，背景图像
ABSTRACT ABSTRACT Based on digital image processing technology and development situation and Prospect of common makes a simple exposition, and then from the theory and the application effect to the classic image segmentation methods This article from the principle and the application effect to the classic image segmentation method based on geodesic distance image segmentation to carry on the elaboration and the analysis.Image segmentation based on geodesic distance is processed image Gabor filtering, extracting filter after each sub-band image channel window energy characteristics;Then, the target and background labeling pixels each channel features separate establishment of Gauss probability model, calculated the test samples in each channel belong to two Gauss probability, and weighted each channel of each pixel belongs to the background and foreground probability weights matrix;Finally, the probability weights matrix as a weighted directed graph, image column of coordinate value as a vertex value, weighted probability matrix of the corresponding weight as a side of the right, the image segmentation problem can be transformed into all the pixels into target and background marker pixel points of the shortest path problem, according to this chapter proposed calculation of image pixels to the target and background pixels minimal geodesic distance method to determine each pixel point category, to complete the task of image segmentation.Finally, in the image segmentation of the implementation process must be used MATLAB software to undertake simple understanding, familiar with the use of the environment and method of use. Key Words: geodesic distance, image segmentation ,target image , background image
龙源期刊网 https://www.doczj.com/doc/5214320218.html, 基于水平集的牙齿CT图像分割技术 作者：汪葛王远军 来源：《计算机应用》2016年第03期 摘要：牙齿的计算机断层扫描（CT）图像中存在边界模糊、相邻牙齿粘连等情况，且拓扑结构较为复杂，要实现准确的牙齿分割非常困难。对传统的牙齿CT图像分割方法，特别是近年来用于牙齿分割的水平集方法进行介绍，对其水平集函数中各能量项进行研究，并通过对比实验体现水平集方法的优越性。基于水平集的牙齿CT图像分割方法中水平集函数的能量项主要包括：竞争能量项、梯度能量项、形状约束能量项、全局先验灰度能量项、局部灰度能量项。实验结果表明基于混合模型的水平集方法分割效果最佳，切牙与磨牙分割准确率分别为88.92%和92.34%，相比自适应阈值和传统水平集方法，分割准确率总体提升10%以上。在综合利用图像信息和先验知识的基础上，通过对水平集函数中能量项进行优化和创新，有望进一步提高分割的准确率。 关键词：牙齿锥形束计算机断层扫描（CBCT）图像；图像分割；水平集；能量项；混合模型 中图分类号： TP391.413 文献标志码：A 0引言 近年来，人体组织器官的可视化技术已经成为计算机辅助诊断的重要工具。由于牙齿的计算机断层扫描（Computer Tomography， CT）图像同时包含了牙冠和牙根的解剖信息，为重建完整的牙齿模型提供了可靠数据。而牙齿的分割作为牙齿模型重建工作中的一个重要步骤，对牙齿分割方法的研究具有重要意义。 牙齿的形状和牙根的具体位置等信息对牙齿的正畸手术、种植手术、根管治疗等临床操作非常重要。通常手术前需 要对这些信息进行手动测量和获取，这个过程往往非常耗时，而且其准确性也不能达到非常高的要求。因此，通过获得牙齿的三维数字模型可以为口腔疾病的诊断和手术治疗方案的制定等提供完整的解剖信息，极大地提高诊断的准确性和手术的成功率。为了获得精确的三维信息，则必须要求对牙齿CT图像进行准确分割。目前基于水平集的图像分割算法已广泛应用于医学图像分割领域，这一类算法可以很好地解决外形复杂和拓扑结构变化剧烈的情况。本文主要针对水平集方法（Level Set Method， LSM）在牙齿CT图像分割应用中的研究进展进行综 述和讨论。 3结语