数字图像处理实验_阈值分割算法

《数字图像处理》实验

9.编写程序，实现阈值分割算法．

%9.编写程序，实现阈值分割算法．

%这段代码的想法是通过相邻两个像素的平均值的比较来确定阈值的选取。

%通过f(i-1,j-1),f(i,j),f(x,+1,j+1)这三个两两相邻的像素的平均值来比较。

%若两个平均值的差值小于某一个指定的值，这取这个平均值作为新的阈值。

%这样可以把图像中像素比较平缓的部分和像素差别比较大的部分分割开来。

clear;

f = imread('text.jpg');

f=rgb2gray(f);

f = im2double(f);

g=f;

[m,n] = size(f);

x=0.1;%x作为判断的值，两个平均值的差不小于x;

d = false;

while~d

fori=2:m-1%为确保f(i,j)的取值在原图的范围内需要保证的范围。

forj=2:n-1

t = (f(i-1,j-1)+f(i,j))/2;%求三个两两相邻的像素点的像素的平均值t1 =

(f(i,j)+f(i+1,j+1))/2;

d = abs(t1-t)

t1 =(t+t1)/2;%则取这两个值的平均值作为新的阈值；end

end

end

b=im2bw(f,t1);%为方便观察将灰度图像转换成黑白二值图像imshow(b);

figure,imshow(g);

2.编写程序，实现图像的实数倍放大

%放大基于像素放大

%图像放大，比如600*600的图像放大到800*800，那么就比原来多了

200*200行，%那么这200*200行如果没有进行插值填充，那么就会出现黑白点，以下的代码操作结果就是%这样的。

%以下代码的大概想法是：新建一个矩阵，大小与原图像相同，然后对原图像的每个像素进行放%大

%放大的倍数为X。为了确保图像像素为整数，故使用round函数取整

a=imread('text.jpg');

imshow(a);

b=size(a);%生成一个大小与a相同的矩阵原图大小为199*243；x=2;%放大倍数但这个倍数的大小不能<2,因为大于二之后round %（i/x）的值就会为0.

fori=1:1:round(x*199);%round取整，取最近的整数；i的取值从1开始，以x*199%为终点，以1为步长增长。

forj=1:1:round(x*243);%则i的取值范围为1到199*x中的整数值，j的取值%为1到243*x的整数值

b(i,j)=a(round(i/x),round(j/x));%将a中i n/x行，j/x的整数列的值%赋给b的i 行j列。

end

end

figure,imshow(b);

3.编写程序，对图象进行中值滤波，并与实现相同功能的Matlab函数进行运算速度比较.

%%自编的中值滤波函数。

%以下代码的主要思想及步骤是：设置一个滤波模版大小为[7，7]。然后从f的（i,j）开始取出一个大小为[7，7]模版；

%计算模版中值并将模版各元素的中值赋给模版中心位置的元素。

%实验中我用了3*3、5*5、7*7三个大小的模版去做测试，我发现3*3的模版中值滤波后的效%果没有5*5、7*7的模版的滤波效果那么好。

%但7*7的模版效果有点过了。在边界的地方会出现斑点。

%而且这个程序运行的时间明显感觉到比直接用中值滤波函数medifilt2的时间要长。

f=imread('Blue hills.jpg');

f = f(:,:,1);

g = imnoise(f,'salt & pepper',0.08);%

%这部分是自编的中值滤波函数。首先取出一个模板，将该模板转换成一个行矩阵，利用median函数取矩阵的中值。%然后将该中值赋值到模板的中心位置。其他未被赋值的元素则用原来的值填充。

%如果这个步骤的话，最后结果出来会是一个有黑白点的图片。

n=7;%n的值即为模版的大小；

[x,y]=size(g);%取原图像的行数列数

g1=double(g);

g2=g1;

fori=1:x-n+1%滤波范围

forj=1:y-n+1

c=g1(i:i+(n-1),j:j+(n-1));%取出x1中从(i,j)开始的n行n列元素,即模板d

=c(1,:);%是c矩阵的第一行

for u=2:n %第二到第三行

d =[d,c(u,:)];%将c矩阵变为一个行矩阵

end

mm=median(d);%mm是中值median 函数用来求行矩阵e的中值；g2(i+(n-1)/2,j+(n-1)/2)=mm;%将模板各元素的中值赋给模板中心位置的元素end

end

Y = uint8(g2);%其他未被赋值的元素则用原来的值填充.

imshow(Y);%显示自己编程运行的中值滤波

figure,imshow(g);

6.编写程序，对图像进行局部直方图均衡化，并与全局直方图均衡化结果进行比较．

%前面部分的全局直方图均衡化是直接利用书本的函数来实现的

%后半部分对图像进行分割，并对分割后的一个图像做直方图均衡化。

%我对于局部图像的理解是在原图像中取出一部分像素，

%因此就要对取出部分像素之外的像素赋值为0。

%从而得到局部图像，再对该图像做均衡化处理。

%局部图像均衡化处理与全局图像均衡化处理的差别取决于x的值

%如果x的值取得比较大，大于原图像的像素点，那么局部图象则与原图像差别不大clear;

A=imread('4.png');

%---------全局直方图均衡化--------------------

f=A(:,:,1);%显示A的色度分量

g=histeq(f);%对f做直方图均衡化处理

imshow(g);

title('对原始图像均衡化');

%--------局部直方图均衡化---------------------------

%对一个图像进行分割

%分割后的图像进行直方图均衡化处理

x = 390;%x为任意合适的值。用于对图像分割

[m,n]=size(f);%取f矩阵的行数和列数

f=double(f);

C=zeros(m,n);%生成一个m行n列的矩阵

for i=1:m %i的取值从1到m,

for j=1:n %j的取值从j到n

if f(i,j)>x %对图像进行分割

C(i,j)=0;%像素大于x的将像素值改为0，

else%其余的像素点则用原来的像素值

C(i,j)=f(i,j);

end

end

end

figure,imshow(mat2gray(C));%mat2gray对C做归一化处理。

h1=histeq(mat2gray(C));%对归一化后的图像做均衡化处理

figure,imshow(h1)

title('对分割后图像做均衡化');

7.编写程序，实现彩色图像的中值滤波增强．

%7.编写程序，实现彩色图像的中值滤波增强．

%对彩色图像进行中值滤波，思路是分别对R、G、B三幅图像进行中值滤波，

%分别滤波完成之后再用cat函数将三幅图像连接起来，则可以得到彩色图像的中值滤波函数。

%我是每幅彩色分量图像做一次中值滤波，因为不知道怎么去做这三幅图像的一个循环，所以就相当于三幅图像复制了一份中值滤波的代码。

%其中中值滤布实现部分的代码是自己编程的一段中值滤波代码。

clear;

f=imread('Blue hills.jpg');

f = uint8(f);

R=f(:,:,1);%提取R分量

G=f(:,:,2);%提取G分量

B=f(:,:,3);%提取G分量

subplot(2,3,1),imshow(R);

subplot(2,3,2),imshow(G);

subplot(2,3,3),imshow(B);

%-----------对R分量图像进行中值滤波处理------------------

n=7;%n的值即为模版的大小；[x,y]=size(R);%取原图像的行数列数

R1=double(R);

R2=R1;

fori=1:x-n+1%滤波范围

forj=1:y-n+1

c=R1(i:i+(n-1),j:j+(n-1));%取出x1中从(i,j)开始的n行n列元素,即模板d

=c(1,:);%是c矩阵的第一行

for u=2:n %第二到第三行

d =[d,c(u,:)];%将c矩阵变为一个行矩阵

end

mm=median(d);%mm是中值median 函数用来求行矩阵e的中值；R2(i+(n-1)/2,j+(n-1)/2)=mm;%将模板各元素的中值赋给模板中心位置的元素end

end

Y1 = uint8(R2);%其他未被赋值的元素则用原来的值填充.

%-------------对G分量图像进行中值滤波----------------------------------n=7;%n的值即为模版的大小；

[x,y]=size(G);%取原图像的行数列数

B1=double(G);

B2=B1;

fori=1:x-n+1%滤波范围

forj=1:y-n+1

c=B1(i:i+(n-1),j:j+(n-1));%取出x1中从(i,j)开始的n行n列元素,即模板d

=c(1,:);%是c矩阵的第一行

for u=2:n %第二到第三行

d =[d,c(u,:)];%将c矩阵变为一个行矩阵

end

mm=median(d);%mm是中值median 函数用来求行矩阵e的中值；B2(i+(n-1)/2,j+(n-1)/2)=mm;%将模板各元素的中值赋给模板中心位置的元素end

end

Y2 = uint8(B2);%其他未被赋值的元素则用原来的值填充.

基于图的快速图像分割算法

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

关于图像分割算法的研究

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

基于MATLAB的图像阈值分割技术

基于MATLAB 的图像阈值分割技术 摘要：本文主要针对图像阈值分割做一个基于MATLAB 的分析。通过双峰法，迭代法以及OUTS 法三种算法来实现图像阈值分割，并且就这三种算法做了一定的分析和比较，在加椒盐的图片上同时进行三种实验，做出比较，最终得出实践结论。 关键词：图像分割 MATLAB 阈值分割 算法 引言：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的领域之一，它是对图像进行视觉分析和模式识别的基本前提．同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准，图像阈值分割即是其中的一种方法。 阈值分割技术因其实现简单、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，已被应用于很多的领域，在很多图像处理系统中都是必不可少的一个环节。 1、阈值分割思想和原理 若图像中目标和背景具有不同的灰度集合：目标灰度集合与背景灰度集合，且两个灰度集合可用一个灰度级阈值T 进行分割。这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域，这种方法称为灰度阈值分割方法。 在物体与背景有较强的对比度的图像中，此种方法应用特别有效。比如说物体内部灰度分布均匀一致，背景在另一个灰度级上也分布均匀，这时利用阈值可以将目标与背景分割得很好。如果目标和背景的差别是某些其他特征而不是灰度特征时，那么先将这些特征差别转化为灰度差别，然后再应用阈值分割方法进行处理，这样使用阈值分割技术也可能是有效的 设图像为f(x,y)，其灰度集范围是[0,L]，在0和L 之间选择一个合适的灰度阈值T ，则图像分割方法可由下式描述： 这样得到的g(x,y)是一幅二值图像。 （一）原理研究 图像阈值分割的方法有很多，在这里就其中三种方法进行研究，双峰法，迭代法，以及OUTS 法。 方法一：双峰法 T y x f T y x f y x g ≥<),(),(10){,(

图像的阈值分割及边缘检测技术

数字图像处理实验报告 题目：图像的阈值分割及边缘检测技术 班级： 姓名： 学号：

图像的阈值分割及边缘检测技术 一、实验目的 1、了解图像的分割技术，掌握图像的全局阈值分割技术并通过MATLAB实现； 2、了解图像的边缘检测，掌握梯度算子图像边缘检测方法。 二、实验内容 1、基于直方图的全局阈值图像分割方法； 2、Edge命令（roberts,perwitt,sobel,log,canny），实现边缘检测。 三、实验原理 1、全局阈值是最简单的图像分割方法。其中，直方图法的原理如下：想做出图 像的直方图，若其直方图呈双峰且有明显的谷底，则可以讲谷底点所对应的灰度值作为阈值T，然后根据该阈值进行分割，九可以讲目标从图像中分割出来。这种方法是用于目标和背景的灰度差较大且直方图有明显谷底的情况。 2、用于边缘检测的梯度算子主要有Roberts算子、Prewitt算子、Sobel算子。 这三种检测算子中，Roberts算子定位精度较高，但也易丢失部分边缘，抗噪声能力差，适用于低噪声、陡峭边缘的场合。Prewitt算子、Sobel算子首先对图像做平滑处理，因此具有一定的抑制噪声的能力，但不能排除检测结果中的虚假边缘，易出现多像素宽度。

四、实验步骤 1、全局阈值分割： ①读取一张图像； ②生成该图像的直方图； ③根据直方图双峰产生的低谷估计阈值T； ④依次读取图像各个点的像素，若大于阈值，则将像素改为255，若小于 阈值，则将该像素改为0； 实验代码如下： I=imread('cameraman.tif'); %读取一张图像 subplot(221);imshow(I); %显示该图像 subplot(222);imhist(I); %生成该图像的直方图 T=60; %根据直方图估计阈值T为60 [m,n]=size(I); %取图像的大小为【m,n】 for i=1:m %依次读取图像各个点的像素，若大于阈 值，则将像素改为255，若小于阈值， 则将该像素改为0 for j=1:n if I(i,j)>=T I(i,j)=255; else I(i,j)=0; end end

基于阈值的图像分割方法--论文

课程结业论文 课题名称基于阈值的图像分割方法姓名 学号 学院 专业电子信息工程 指导教师副教授 年6月12日

学院课程结业论文诚信声明 本人郑重声明：所呈交的课程结业论文，是本人在指导老师的指导下，独立进行研究工作所取得的成果，成果不存在知识产权争议，除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担 目录 摘要 (1) 关键词 (1) ABSTRACT (2) KEY WORDS (2) 引言 (3) 1基于点的全局阈值选取方法 (4) 1.1最大类间交叉熵法 (5) 1.2迭代法 (6)

2基于区域的全局阈值选取方法 (7) 2.1简单统计法 (8) 2.3 直方图变化法 (9) 3局部阈值法和多阈值法 (10) 3.1水线阈值算法 (11) 3.2变化阈值法 (12) 4仿真实验 结论 (12) 参考文献 (13) 附录 基于阈值的图像分割方法 摘要：图像分割多年来一直受到人们的高度重视，至今这项技术也是趋于成熟，图像分割方法类别也是不胜枚举，近年来每年都有上百篇有关研究报道发表。图像分割是由图像处理进到图像分析的关键环节，是指把图像分成各具特性的区域并提取出有用的目标的技术和过程。在日常生活中，人们对图片的要求也

是有所提高，在对图像的应用中，人们经常仅对图像中的某些部分感兴趣，这 些部分就对应图像中的特定的区域，为了辨识和分析目标部分，就需要将这些 有关部分分离提取出来，因此就要应用到图像分割技术。 关键词：图像分割；阈值；matlab Based onthresholding for image segmentation methods Abstract：Image segmentation is a indispensable part of image processing and analysis, have important practical significance.It is according to the needs of image processing and analysis of the image into each area and extract the characteristic of technology and process of interested target.Image segmentation methods and types have a lot of different categories, some segmentation operation can be directly applied to all images, while others can only apply to special image.The purpose of this paper is to through the collection of image segmentation method based on threshold related information, analysis the advantages and disadvantages of various segmentation algorithm, using the MATLAB tools to threshold segmentation algorithm is studied. Keywords:image segmentation; The threshold value; matlab

阈值分割法代码

clc;clear; I = imread('cameraman.tif'); figure; imshow(I); title('原图像'); I = double(I); [n,m] = size(I); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%迭代法求阈值 T =ones(100,1); T(2) = ( min(I(:)) + max(I(:)) )/2; T(1) = 0; t = 2; while abs(T(t)-T(t-1))>1 %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% a = 0; A = 0; b = 0; B = 0; for i = 1:n for j = 1:m if I(i,j) < T(t) a = a + 1; A = A + I(i,j); else %%循环的主体 b = b + 1; B = B + I(i,j); end end end u1 = A/a; u2 = B/b; t = t+1; T(t) = 0.5*(u1 + u2); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% end %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%根据迭代法求得的阈值进行分割 for i = 1:n for j = 1:m if I(i,j)

图像分割算法研究与实现

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。

数字图像灰度阈值的图像分割技术matlab

1．课程设计的目的 (1)使学生通过实验体会一些主要的分割算子对图像处理的效果，以及各 种因素对分割效果的影响 (2)使用Matlab软件进行图像的分割 (3)能够进行自行评价各主要算子在无噪声条件下和噪声条件下的分割 性能 (4)能够掌握分割条件（阈值等）的选择 (5)完成规定图像的处理并要求正确评价处理结果，能够从理论上做出合 理的解释 2．课程设计的要求 （1）能对图像文件（bmp,jpg,tiff,gif）进行打开，保存，退出等功能操作 （2）包含功能模块：图像的边缘检测（使用不同梯度算子和拉普拉斯算子）（3）封闭轮廓边界 （4）区域分割算法：阈值分割，区域生长等

3．前言 3.1图像阈值分割技术基本原理 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的领域之一，它是对图像进行视觉分析和模式识别的基本前提。同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准]5[。 在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分称为目标或前景(其他部分称为背景)，他们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析目标，需要将他们分离提取出来，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格局特性的区域并提取出感兴趣目标的技术和过程。这里特性可以是象素的灰度、颜色、纹理等，预先定义的目标可以对应单个区域，也可以对应多个区域。现有的图像分割算法有：阈值分割、边缘检测和区域提取法。本文着重研究基于阈值法的图像分割技术。 若图像中目标和背景具有不同的灰度集合：目标灰度集合与背景灰度集合，且两个灰度集合可用一个灰度级阈值T进行分割。这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域，这种方法称为灰度阈值分割方法。 在物体与背景有较强的对比度的图像中，此种方法应用特别有效。比如说物体内部灰度分布均匀一致，背景在另一个灰度级上也分布均匀，这时利用阈值可以将目标与背景分割得很好。如果目标和背景的差别是某些其他特征而不是灰度特征时，那么先将这些特征差别转化为灰度差别，然后再应用阈值分割方法进行处理，这样使用阈值分割技术也可能是有效的

基于阈值的灰度图像分割

对以CPT算法为主的灰度阈值化方法的研究 目录： 第一章：绪论 第二章：图像的预处理 第三章：图像分割概述 第四章：灰度阈值化图像分割方法 第五章：CPT算法及其对它的改进 第六章：编程环境及用PhotoStar对改进的CPT算法和其他算法的实现 第七章：实验结果与分析 第一章：绪论 1.1数字图像处理技术的发展 人类传递信息的主要媒介是语音和图像。据统计，在人类接受的信息中，听觉信息占20％，视觉占60％，其他如味觉、触觉、嗅觉总的加起来不过占20％。所以，作为传递信息的重要媒体和手段——图像信息是十分重要的。【5】对于图像信息的处理，即图像处理当然对信息的传递产生很大影响。 数字图像处理技术起源于20世纪20年代，当时通过海底电缆从伦敦到纽约传输了一幅图片，它采用了数字压缩技术。1964年美国的喷气处理实验室处理了太空船“徘徊者七号”发回的月球照片，这标志着第三代计算机问世后数字图像处理概念得到应用。其后，数字图像处理技术发展迅速，目前已成为工程学、计算机科学、生物学、医学等领域各学科之间学习和研究的对象。 经过人们几十年的努力，数字图像处理这一学科已逐渐成熟起来。人们总是试图把各个学科应用到数字图像处理中去，并且每产生一种新方法，人们也会尝试它在数字图像处理中的应用。同时，数字图像处理也在很多学科中发挥着它越来越大的作用。 1.2图像分割概述和本论文的主要工作 图像分割的目的是把图像空间分成一些有意义的区域，是数字图像处理中的重要问题，是计算机视觉领域低层次视觉问题中的重要问题，同时它也是一个经典的难题。几十年来，很多图像分割的方法被人们提出来，但至今它尚无一个统一的理论。 图像分割的方法很多，有早先的阈值化方法、最新的基于形态学方法和基于神经网络的方法。 阈值化方法是一种古老的方法，但确是一种十分简单而有效的方法，近几十年人们对阈值化方法不断完善和探索，取得了显著的成就，使得阈值化方法在实际应用中占有很重要的地位。 本文将主要对图像分割的阈值化方法进行探讨。在对阈值化方法的研究过程中，本人首先将集中精力对效果比较好的阈值化方法进行探讨，并对其存在的不足加以改进，从而作出性能优良的计算机算法；由于目前很多方法各有其特点，所以将对具有不同特点的图像用不同的方法处理进行研究。在论文正文部分还将其应用到实践中去，并对其加以评价。 第二章：图像的预处理 2.1图像预处理的概述 由于切片染色和输入光照条件及采集过程电信号的影响，所采集的医学图

一种基于HLS的快速图像分割算法

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]

图像分割阈值选取技术综述

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-

几种常见的阈值分割算法核心代码

阈值分割 1/*===============================图像分割 =====================================*/ 2 /*-------------------------------------------------------------------------- -*/ 3/*手动设置阀值*/ 4 IplImage* binaryImg = cvCreateImage(cvSize(w, h),IPL_DEPTH_8U, 1); 5 cvThreshold(smoothImgGauss,binaryImg,71,255,CV_THRESH_BINARY); 6 cvNamedWindow("cvThreshold", CV_WINDOW_AUTOSIZE ); 7 cvShowImage( "cvThreshold", binaryImg ); 8//cvReleaseImage(&binaryImg); 9 /*---------------------------------------------------------------------------*/ 10/*自适应阀值 //计算像域邻域的平均灰度，来决定二值化的值*/ 11 IplImage* adThresImg = cvCreateImage(cvSize(w, h),IPL_DEPTH_8U, 1); 12double max_value=255; 13int adpative_method=CV_ADAPTIVE_THRESH_GAUSSIAN_C;//CV_ADAPTIVE_THRESH_MEAN_C 14int threshold_type=CV_THRESH_BINARY; 15int block_size=3;//阈值的象素邻域大小 16int offset=5;//窗口尺寸 17 cvAdaptiveThreshold(smoothImgGauss,adThresImg,max_value,adpative_method, threshold_type,block_size,offset); 18 cvNamedWindow("cvAdaptiveThreshold", CV_WINDOW_AUTOSIZE ); 19 cvShowImage( "cvAdaptiveThreshold", adThresImg ); 20 cvReleaseImage(&adThresImg); 21 /*-------------------------------------------------------------------------- -*/ 22/*最大熵阀值分割法*/ 23IplImage* imgMaxEntropy = cvCreateImage(cvGetSize(imgGrey),IPL_DEPTH_8U,1); 24 MaxEntropy(smoothImgGauss,imgMaxEntropy); 25 cvNamedWindow("MaxEntroyThreshold", CV_WINDOW_AUTOSIZE ); 26 cvShowImage( "MaxEntroyThreshold", imgMaxEntropy );//显示图像 27 cvReleaseImage(&imgMaxEntropy ); 28 /*-------------------------------------------------------------------------- -*/ 29/*基本全局阀值法*/ 30 IplImage* imgBasicGlobalThreshold = cvCreateImage(cvGetSize(imgGrey),IPL_DEPTH_8U,1); 31 cvCopyImage(srcImgGrey,imgBasicGlobalThreshold);

基于阈值的图像分割方法研究与实现

本科毕业设计 （2011届） 题目基于阈值的图像分割方法研究与实现 摘要 本毕业设计主要研究基于Hough变换的图像结构提取方法，通过MATLAB语言编程来实现两种典型的图像阈值分割算法（最大类间方差法和迭代法），并对这两种算法进行比较分析。其主要工作步骤如下： 首先介绍数字图像处理和图像分割的基本理论知识。接着对几种图像分割方法进行了介绍。然后了解图像阈值化原理，并在此基础上对两种典型的图像阈值分割算法（最大类间方差法和迭代法）的原理进行了介绍。最后通过MATLAB语言编程实现这两种算法，分别得到这两种算法的分割性能，并对这两种算法的分割性能进行比较。结果表明在大多数情况下，最大类间方差法比迭代法更稳定。 关键词：数字图像处理；阈值化；最大类间方差法；迭代法；直方图

ABSTRACT The main aim of this thesis is to analyze image segmentation method based on thresholding, then implement two typical algorithms (Otsu method and Iterative method) by MATLAB language programming, and compare the two algorithms. Its main work procedure is as follows: First the basic theories of digital image processing and image segmentation are introduced. Then several image segmentation algorithms are introduced. Based on knowing the theory of image thresholding, we introduce the theory of two typical algorithms (Otsu method and Iterative method). Finally through MATLAB language programming, we can get the segmentation performance of the two algorithms respectively, and compare the two algorithm’s segmentation performance. The result shows that Otsu method is more stable than Iterative method in most cases. Key words：digital image processing; thresholding; Otsu method; Iterative method; image histogram.

基于灰度直方图的图像分割阈值自适应选取方法

中北大学 毕业设计（论文）任务书 学院、系： 专业： 学生姓名：车永健学号： 设计(论文)题目：基于灰度直方图的图像分割阈值自适应选取方法 起迄日期: 2015年3月9日~2015年6月20日设计(论文)地点: 指导教师:郭晨霞 系主任: 发任务书日期:2015年 2 月25 日

任务书填写要求 1．毕业设计（论文）任务书由指导教师根据各课题的具体情况填写，经学生所在系的负责人审查、系领导签字后生效。此任务书应在毕业设计（论文）开始前一周内填好并发给学生； 2．任务书内容必须用黑墨水笔工整书写或按教务处统一设计的电子文档标准格式（可从教务处网页上下载）打印，不得随便涂改或潦草书写，禁止打印在其它纸上后剪贴； 3．任务书内填写的内容，必须和学生毕业设计（论文）完成的情况相一致，若有变更，应当经过所在专业及系主管领导审批后方可重新填写； 4．任务书内有关“学院、系”、“专业”等名称的填写，应写中文全称，不能写数字代码。学生的“学号”要写全号（如020*******,为10位数），不能只写最后2位或1位数字； 5．有关年月日等日期的填写，应当按照国标GB/T 7408—94《数据元和交换格式、信息交换、日期和时间表示法》规定的要求，一律用阿拉伯数字书写。如“2004年3月15日”或“2004-03-15”。

毕业设计（论文）任务书

毕业设计（论文）任务书 3．对毕业设计（论文）课题成果的要求〔包括毕业设计(论文)、图纸、实物样品等)： 1、论文一份； 2、程序代码及图像结果； 3、英文翻译一份。 4．毕业设计（论文）课题工作进度计划： 起迄日期工作内容 2015年 3月 9 日~ 3 月20日 4 月 1 日~ 4月 20 日 4 月 21 日~ 5月 10 日 5 月 11 日~ 6月 15 日 6 月 16 日~ 6月 19 日查找资料，完成开题报告； 学习有关知识，方案确定，完成中期报告；完善算法并仿真验证； 撰写、修改、评阅毕业论文； 论文答辩 学生所在系审查意见： 系主任： 年月日

图像分割技术的研究背景及意义

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

阈值分割技术

摘要 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。图像分割是把图像中有意义的特征区域或者把需要的应用的特征区域提取出来。阈值分割是一种简单有效的图像分割方法。它对物体与背景又较强对比的图像分割特别有效，所有灰度值大于或等于阈值的像素被判决属于物体。为常见的阈值分割方法有全局阈值、自适应阈值。最佳阈值的选择有直方图技术、最大类间方差法（OTSU）、迭代法。 关键词：图像分割，阈值分割，灰度值，最佳阈值

1 MATLAB简介及其应用 MATLAB 是美国MathWorks公司出品的商业数学软件，用于算法开发、数 据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。MATLAB是矩阵实验室（Matrix Laboratory）的简称，和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。 MATLAB 产品族可以用来进行以下各种工作： 1. 数值分析 2. 数值和符号计算 3. 工程与科学绘图 4. 控制系统的设计与仿真 5. 数字图像处理技术 6. 数字信号处理技术 7. 通讯系统设计与仿真 8. 财务与金融工程 MATLAB 的应用范围非常广，包括信号和图像处理、通讯、控制系统设计、测试和测量、财务建模和分析以及计算生物学等众多应用领域。附加的工具箱（单独提供的专用MATLAB 函数集）扩展了MATLAB 环境，以解决这些应用领 域内特定类型的问题。 Matlab的特点如下： 1.此高级语言可用于技术计算 2.此开发环境可对代码、文件和数据进行管理 3.交互式工具可以按迭代的方式探查、设计及求解问题 4.数学函数可用于线性代数、统计、傅立叶分析、筛选、优化以及数值积分等 5.二维和三维图形函数可用于可视化数据

几种图像分割算法在CT图像分割上的实现和比较

第20卷第6期2000年12月北京理工大学学报JOurnaI Of Beijing InStitute Of TechnOIOgy VOI.20NO.6Dec.2000 文章编号21001-0645(2000)06-0720-05几种图像分割算法在CT 图像分割上的 实现和比较 杨 加19吴祈耀19田捷29杨骅2(1-北京理工大学电子工程系9北京1000 1;2-中国科学院自动化研究所9北京1000 0)摘要2对目前几种在图像分割领域得到较多应用的交互式分割 区域生长分割以及阈值 分割算法进行了探讨9并且结合实际CT 片图例分别进行分割实验研究9得到较为满意和 可用性强的结果.实验表明2阈值分割对于CT 切片的效果最好;区域生长分割适宜于对面 积不大的区域进行分割9分割效果较好;基于动态规划的交互式分割算法比较复杂9计算时 间较长9但对于边缘较平滑的区域9同样具有较好的实际效果.几种算法的评估为其在CT 图像分割上的实际应用提供了科学依据. 关键词2图像分割算法;CT 图像分割;交互式分割;阈值分割;区域生长分割 中图分类号2TN 911-73文献标识码2A 收稿日期220000625 基金项目2国家自然科学基金资助项目(69 43001);国家 63 计划项目作者简介2杨加9男91975年生9硕士生. 图像分割可以分解为两个任务9即识别(recOgnitiOn )和描绘(deIineatiOn ).识别的目的在于确定目标物体的大致位置并区别于图像中的其它物体;而描绘的任务在于精确定义和刻画图像中目标物体的区域或边缘的空间范围.人的识别能力通常强于计算机算法9另一方面9计算机算法的描绘能力则优于操作者(人).因此既能利用操作者强大的识别能力9又能利用计算机算法的描绘能力的交互式图像分割则越来越受到人们的关注.在医学领域中9图像分割是病变区域提取 特定组织测量以及实现三维重建的基础9因此图像分割技术在医学图像处理中具有十分重要的意义[1].作者探讨了3种目前在图像分割上得到较多实际应用的分割算法9并结合实际CT 片图例进行了实验研究9得到较为满意和可用性强的结果;最后对这几种方法进行了评估9为这些算法在CT 图像分割上的实际应用提供了科学依据. 1 交互式分割算法1-1基本理论及算法描述 动态规划方法最早应用于图像边缘跟踪[2].可以将图像边缘检测看作一个优化问题[3]9并将其表述为找出一目标函数V =V (I 19I 29I 39~9I H )的最优值M (如取最小值min )9得V 取最优值时的一组自变量值(I 19I 29I 39I 49~9I H 9).若变量离散9目标函数没有特定规律可循时9则该问题将包括一个极大的解空间.如果这个目标函数能够描述成如下形式2 V =V (I 19I 29I 39~9I N )=V 0(I 09I 1)+V 1(I 19I 2)+~+V H-1(I H-19I H )