实验十医学图像分割（二）
实验目的：
1.了解图像分割的基本理论和方法；
2.掌握阈值分割的方法和阈值的选择；
3.掌握基于分水岭分割的原理和应用；
实验内容：
1.区域生长法利用图像像素间的相似性进行分割，调用
regiongrow函数对图像weld.tif进行处理，注意参数中S（种
子值），T（阈值）的选择对分割效果的影响。S=255，T＝
65和S＝255 T＝150和S＝150，T＝65三组值进行处理，
理解在区域生长法的原理。同时对liver.bmp，自己选择合
适的S和T，以较好得分割出肝脏。
代码1：
close all;
f=imread('weld.tif');
figure(1),imshow(f),title('原图');
[g1,NR]=regiongrow(f,255,65);
[g2,NR]=regiongrow(f,255,150);
[g3,NR]=regiongrow(f,150,65);
figure(2),imshow(g1),title('S=255,T=65');
figure(3),imshow(g2),title('S=255,T=150');
figure(4),imshow(g3),title('S=150,T=65');
[y,x]=ginput();
x=floor(x);
y=floor(y);
G=zeros(size(g));
G(g3==g3(x,y))=255;结果：
代码2：
close all;
f=imread('liver1.bmp');
figure(1),imshow(f),title('原图');
g=regiongrow(f,255,135);%肝脏分离
figure(2),imshow(g),title('S=255,T=135');
[y,x]=ginput();
x=floor(x);
y=floor(y);
G=zeros(size(g));
G(g==g(x,y))=255;
figure(3),imshow(G); 结果：
2.编写m文件，实现单一型或质心型区域生长算法。由用户
通过ginput函数选择种子点，然后根据用户输入的阈值T
进行区域生长。输入为：待分割的图片f和阈值T，输出
为分割后的二值图片g。
代码1：（单一型）
function [a]=regiongrow2(f,T)
imshow(f);
se=[0,1,0;1,1,1;0,1,0];
[y,x]=ginput();
x=floor(x);
y=floor(y);
a=im2bw(zeros(size(f)));
a(x,y)=1;
while 1
b=imdilate(a,se);
P=b-a;
find(P);
index=find(P);
n=size(index);
for i=1:n
t=abs(f(x,y)-f(index(i)));
if t>=T
b(index(i))=0;
P(index(i))=0;
end
end
a=b;
if sum(sum(P))==0
break;
end
end
应用：
f=imread('weld.tif');
figure(1),imshow(f)
g=regiongrow3(f,30);
figure(2),imshow(g)
代码2：(质心型)
function [a]=regiongrow4(f,T)
imshow(f);
se=[0,1,0;1,1,1;0,1,0];
[y,x]=ginput();
x=floor(x);
y=floor(y);
a=im2bw(zeros(size(f)));
a(x,y)=1;
average=f(x,y);
while 1
b=imdilate(a,se);
P=b-a;
index=find(P);
n=size(index);
for i=1:n
t=abs(average-double(f(index(i)))); if t>=T
b(index(i))=0;
P(index(i))=0;
end
end
a=b;
indexb=find(b);
N=length(indexb);
All=0;
for i=1:N
All=All+double(f(indexb(i)));
end
average=All/N;
if sum(sum(P))==0
break;
end
end
结果：
3.用课本中分水岭的距离变换分水岭分割、梯度分水岭分割
和控制标记符分水岭分割对liver1和liver2图像进行分割，
分析上述算法的特点和存在的问题，考虑如何进行改进？代码1：
close all;
f=imread('liver1.bmp');
figure(1),imshow(f);
%g=im2bw(f,graythresh(f));
[g,NR]=regiongrow(f,255,135);%肝脏分离figure(2),imshow(g);
gc=~g;
D=bwdist(gc);
L=watershed(-D);
w=L==0;
figure(3),imshow(w);
g2= g & ~w;
figure(5),imshow(g2);
代码2：
close all;
f=imread('liver1.bmp');
F=regiongrow(f,255,135);
%F=im2bw(f,graythresh(f));
figure(1),imshow(F);
h=fspecial('sobel');
fd=double(f);
g=sqrt(imfilter(fd,h,'replicate').^2+... imfilter(fd,h','replicate').^2);
figure(2),imshow(g);
L=watershed(g);
wr=L==0;
figure(3),imshow(wr);
g2=imclose(imopen(g,ones(3,3)),ones(3,3)); L2=watershed(g2);
wr2=L2==0;
f2=F;
f2(wr2)=255;
figure(4),imshow(f2);
Matlab实现区域生长算法 （南京航空航天大学机电学院机械工程系，南京2016年11月1日） 摘要： 图像分割不仅是图像处理领域的一个经典的研究主题，也是图像处理技术的热点和焦点。随着计算机处理技术的发展，图像分割算法引起研究人员越来越多的关注。本文提出了基于传统的种子区域生长算法的基础上形成一种新的图像自动分割区域的方法。算法的实现主要基于Matlab编程实现。 关键词：图像分割，种子区域生长算法，Matlab 一、引言 区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域(seed point)，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的，典型的区域生长法如T. C. Pong等人提出的基于小面（facet）模型的区域生长法，区域生长法固有的缺点是往往会造成过度分割，即将图像分割成过多的区域。 区域生长是一种串行区域分割的图像分割方法，其优点是基本思想相对简单，通常能将具有相同特征的联通区域分割出来，并能提供很好的边界信息和分割结果。在没有先验知识可以利用时，可以取得最佳的性能，可以用来分割比较复杂的图像，如自然景物。但是，区域生长法是一种迭代的方法，空间和时间开销都比较大，噪声和灰度不均匀可能会导致空洞和过分割，并在对图像中的阴影效果处理上往往不是很好。 区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素具有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来，这样，一个区域就长成了。 区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止。区域生长的好坏决定于1.初始点（种子点）的选取。2.生长准则。3.终止条件。区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标的提取。 简单来说下三个法则，对出需要分割的图像： 1、选取图像中的一点为种子点（种子点的选取需要具体情况具体分析）。 2、在种子点处进行8邻域或4邻域扩展，判定准则是：如果考虑的像素与
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
用Matlab来分割彩色图像的过程如下： 1）获取图像的RGB颜色信息。通过与用户的交互操作来提示用户输入待处理的彩色图像文件路径; 2）RGB彩色空间到lab彩色空间的转换。通过函数makecform()和applycform()来实现; 3）对ab分量进行Kmean聚类。调用函数kmeans()来实现； 4）显示分割后的各个区域。用三副图像分别来显示各个分割目标，背景用黑色表示。Matlab程序源码 %文件读取 clear; clc; file_name = input('请输入图像文件路径：','s'); I_rgb = imread(file_name); %读取文件数据 figure(); imshow(I_rgb); %显示原图 title('原始图像'); %将彩色图像从RGB转化到lab彩色空间 C = makecform('srgb2lab'); %设置转换格式 I_lab = applycform(I_rgb, C); %进行K-mean聚类将图像分割成3个区域 ab = double(I_lab(:,:,2:3)); %取出lab空间的a分量和b分量 nrows = size(ab,1); ncols = size(ab,2); ab = reshape(ab,nrows*ncols,2); nColors = 3; %分割的区域个数为3 [cluster_idx cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean','Replicates',3); %重复聚类3次 pixel_labels = reshape(cluster_idx,nrows,ncols); figure(); imshow(pixel_labels,[]), title('聚类结果'); %显示分割后的各个区域 segmented_images = cell(1,3); rgb_label = repmat(pixel_labels,[1 1 3]); for k = 1:nColors color = I_rgb; color(rgb_label ~= k) = 0; segmented_images{k} = color;
安徽财经大学 （《图像处理》课程论文） 题目：图像分割算法研究——基于分水岭分割法的彩色图像分割学院：管理科学与工程学院 专业：电子信息工程 姓名：万多荃 学号：20123712 电话： 任课教师：许晓丽 论文成绩： 2015年10月
目录 摘要 图像分割技术是非常重要的图像处理技术之一，无语是在理论研究还是在实际应用中人们都非常的重视。图像分割有许多的种类和方式，一些分割运算能够直接应用于任何图像，而另外一些却只适用于特别种类的图像。图像分割技术是从图像处理技术，再到后期的图像分析的关键步骤，图像分割结果的好坏，可以说对图像的理解有直接影响。
本文根据图像分割原理及人眼视觉的基本理论，研究图像的彩色模型及图像分割的常用方法，比较各方法的特点，并选择合适的方法对图像进行分割。本文采用MATLAB软件对图像进行彩色坐标变换及阈值分割，计算简单，具有较高的运行效率，分割的结果是使图像更符合人眼的视觉特性，获得比较好的效果。 关键字：图像处理；图像分割；人类视觉；MATLAB 1.前言 1.1图像分割技术 图像分割技术是非常重要的图像处理技术之一，无语是在理论研究还是在实际应用中人们都非常的重视。图像分割有许多的种类和方式，一些分割运算能够直接应用于任何图像，而另外一些却只适用于特别种类的图像。图像分割技术是从图像处理技术，再到后期的图像分析的关键步骤，图像分割结果的好坏，可以说对图像的理解有直接影响。 图像数据的模糊和噪声的干扰是分割问题的两大难题。到目前为止，还没有一个完美的图像分割方法，可以根据人的意愿精确地分割任何一种图像。现实图像中景物情况各种不同，具体问题需具体分析，按照实际情况选择得当的方法。分割成果的好坏或正确与否，到现在为止，尚无一个统一的评价和判断标准，分割的好坏务必从分割的效果和现实应用的场合来判断。然而，在人类研究图像的历史长河中，仍然积累了许多经典的图像分割方法。固然这些分割方法不可以适应全部种类的图像分割，可是这些方法却是图像分割方法进一步发展的根基。实际上，当代一些分割算法恰巧是从经典的图像分割方法中产生出来的。图像分割法大致可以分为三个种：边缘检测法，阈值分割法和基于区域的图像分割法。 2研究目的 视觉是人类最高级的感知器官，所以图像在人类感知中承担着非常重要的角色，这是毋庸置疑的。 本文的主要研究目的是对图像的分割方法进行研究，选择适合本论文的设计方法，然后通过对图像的分割，以达到人眼的最佳视觉效果。 本课题主要是通过对人眼的视觉系统研究，然后选择与人眼视觉系统密切相关的颜色模型进行颜色空间模型之间的相互转换，再对图像分割方法进行比较选择合适的分割方法，通过MATLAB平台实现彩色图像分割，最后对分割后的图像进行比较来获得到最佳的视觉效果。
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
江苏科技大学 数字图像处理 图像分割——区域生长法专题 1 图像分割简介 图像分割( image segmentation) 就是把图像分成各具特征的区域并提取出感兴趣目标的技术和过程。这里特征可以是象素的灰度、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。图像分割是图像处理到图像分析的关键步骤, 在图像工程中占据重要的位置。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形式, 使得更高层的图像分析和理解成为可能。 图像分割是一种重要的图像处理技术, 它不仅得到人们的广泛重视和研究, 在实际中也得到大量的应用。图像分割包括目标轮廓、阈值化、图像区分或求差、目标检测、目标识别、目标跟踪等技术。 从大的方面来说，图像分割方法可大致分为基于区域的方法、基于边缘的方法、区域与边缘相结合的方法，以及在此基础上的采用多分辨率图像处理理论的多尺度分割方法。 其中基于区域的方法采用某种准则，直接将图像划分为多个区域。而基于边缘的方法则通过检测包含不同区域的边缘，获得关于各区域的边界轮廓描述，达到图像分割的目的，而区域与边缘相结合的方法通过区域分割与边缘检测的相互作用，得到分割结果。 图像分割中基于区域的方法主要有直方图门限法、区域生长法、基于图像的随机场模型法、松弛标记区域分割法等。本文主要讨论基于区域分割的区域生长法。区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域，再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的，典型的区域生长法如T. C. Pong等人提出的基于小面（facet）模型的区域生长法，区域生长法固有的缺点是往往会造成过度分割，即将图像分割成过多
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){,(
部分图像分割的方法(matlab)
大津法： function y1=OTSU(image,th_set) image=imread('color1.bmp'); gray=rgb2gray(image);%原图像的灰度图 low_high=stretchlim(gray);%增强图像，似乎也不是一定需要gray=imadjust(gray,low_high,[]); % subplot(224);imshow(gray);title('after adjust'); count=imhist(gray); [r,t]=size(gray); n=r*t; l=256; count=count/n;%各级灰度出现的概率 for i=2:l if count(i)~=0 st=i-1; break end end %以上循环语句实现寻找出现概率不为0的最小灰度值 for i=l:-1:1 if count(i)~=0; nd=i-1; break end end %实现找出出现概率不为0的最大灰度值 f=count(st+1:nd+1); p=st;q=nd-st;%p和分别是灰度的起始和结束值 u=0; for i=1:q; u=u+f(i)*(p+i-1); ua(i)=u; end
程序二： clc; clear; cd 'D:\My Documents\MATLAB' time = now; I = imread('qr4.bmp'); figure(1),imshow(I),title('p1_1.bmp'); % show the picture I2 = rgb2gray(I); figure(2),imshow(I2),title('I2.bmp'); %?D?μ??2¨ J = medfilt2(I2); figure(3),imshow(J); imwrite(J,'J.bmp'); [M N] = size(J); J1 = J(1:M/2,1:fix(N/2)); J2 = J(1:M/2,fix(N/2)+1:N); J3 = J(M/2+1:M, 1:fix( N/2)); J4 = J(M/2+1:M, fix(N/2)+1:N); % figure(4), img = J1; T1 = test_gray2bw( img ); % figure(5), img = J2; T2 = test_gray2bw( img ); % figure(6), img = J3; T3 = test_gray2bw( img ); % figure(7), img = J4; T4 = test_gray2bw( img ); T = [T1,T2;T3,T4]; figure,imshow(T) % T1 = edge(T,'sobel'); % figure,imshow(T1); % BW = edge(T,'sobel'); % f igure,imshow(BW); function [bw_img] = test_gray2bw( img ) %大津法 [row_img col_img ] = size( img ) all_pix = row_img * col_img % get probability of each pixel(????). count_pix = zeros(1,256) % pro_pix = [] for i = 1 : 1 : row_img for j = 1 : 1 : col_img count_pix(1,img(i,j)+1) = count_pix(1,img(i,j)+1) + 1 %í3??′?êy end en d pro_pix = count_pix / all_pix % choose k value; max_kesi = -1 T = 0 for k = 1 : 1 : while( i <= k ) wa = wa + pro_pix(1,i+1) %?°k??i￡?????????μ??ò?è???ê￡????êoí ua = ua + i * pro_pix(1,i+1) i = i + 1 end
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。
3 Matlab编程实现 3.1 Matlab编程过程 用Matlab来分割彩色图像的过程如下： 1）获取图像的RGB颜色信息。通过与用户的交互操作来提示用户输入待处理的彩色图像文件路径; 2）RGB彩色空间到lab彩色空间的转换。通过函数makecform()和applycform()来实现; 3）对ab分量进行Kmean聚类。调用函数kmeans()来实现； 4）显示分割后的各个区域。用三副图像分别来显示各个分割目标，背景用黑色表示。3.2 Matlab程序源码 %文件读取 clear; clc; file_name = input('请输入图像文件路径：','s'); I_rgb = imread(file_name); %读取文件数据 figure(); imshow(I_rgb); %显示原图 title('原始图像'); %将彩色图像从RGB转化到lab彩色空间 C = makecform('srgb2lab'); %设置转换格式 I_lab = applycform(I_rgb, C); %进行K-mean聚类将图像分割成3个区域 ab = double(I_lab(:,:,2:3)); %取出lab空间的a分量和b分量 nrows = size(ab,1); ncols = size(ab,2); ab = reshape(ab,nrows*ncols,2); nColors = 3; %分割的区域个数为3 [cluster_idx cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean','Replicates',3); %重复聚类3次 pixel_labels = reshape(cluster_idx,nrows,ncols); figure(); imshow(pixel_labels,[]), title('聚类结果'); %显示分割后的各个区域 segmented_images = cell(1,3); rgb_label = repmat(pixel_labels,[1 1 3]); for k = 1:nColors
大津法： function y1=OTSU(image,th_set) image=imread('color1.bmp'); gray=rgb2gray(image);%原图像的灰度图 low_high=stretchlim(gray);%增强图像，似乎也不是一定需要gray=imadjust(gray,low_high,[]); % subplot(224);imshow(gray);title('after adjust'); count=imhist(gray); [r,t]=size(gray); n=r*t; l=256; count=count/n;%各级灰度出现的概率 for i=2:l if count(i)~=0 st=i-1; break end end %以上循环语句实现寻找出现概率不为0的最小灰度值 for i=l:-1:1 if count(i)~=0; nd=i-1; break end end %实现找出出现概率不为0的最大灰度值 f=count(st+1:nd+1); p=st;q=nd-st;%p和分别是灰度的起始和结束值 u=0; for i=1:q; u=u+f(i)*(p+i-1); ua(i)=u; end
%计算图像的平均灰度值 for i=1:q; w(i)=sum(f(1:i)); end %计算出选择不同k的时候，A区域的概率 d=(u*w-ua).^2./(w.*(1-w));%求出不同k值时类间方差[y,tp]=max(d);%求出最大方差对应的灰度级 th=tp+p; if th
基于MA TLAB的图像分割算法研究 基于MATLAB的图像分割算法研究 摘要 本文从原理和应用效果上对经典的图像分割方法如边缘检测、阈值分割技术和区域增长等进行了分析。对梯度算法中的Roberts算子、Sobel算子、Prewitt算子、拉普拉斯(Laplacian)算子、LoG(Laplacian-Gauss)算子、坎尼（Canny）算子的分割步骤、分割方式、分割准则相互比较可以看出根据坎尼（Canny）边缘算子的3个准则得出的边缘检测结果最满意。而阈值分割技术的关键在于阈值的确定，只有阈值确定好了才能有效的划分物体与背景，但这种方法只对于那些灰度分布明显，背景与物体差别大的图像的分割效果才明显。区域增长的基本思想是将具有相似性质的像素集合起来构成新区域。与此同时本文还分析了图像分割技术研究的方向。 关键词：图像处理图像分割 Abstract This article analyses the application effect to the classics image segmentation method like the edge examination, territory value division technology, and the region growth and so on.For comparing the Roberts operator, Sobel operator, Prewitt operator, the operator of Laplacian and the operator of LoG(Laplacian-Gauss),Canny operator in gradient algorithm,the step, the way and the standard of the image segmentation,we can find out the three standard of Canny edge operator the edge detection result of reaching most satisfy. And the key point of threshold segmentation lie in fixing the threshold value, it is good to have only threshold value to determine it then can be effective to divide object and background,but this kind of method is good to those gray scales,the big difference image effect between the background and obiect. The basic idea of area is to form the new region from similar nature.And also, this paper analyses the research direction of image segmentation technology at the same time. Key words: image processing image segmentation operator
%两个程序，亲测可用 clear all a=imread('moon.tif'); figure,imshow(a) count=imhist(a); [m,n]=size(a); N=m*n; L=256; count=count/N;%%每一个像素的分布概率 count for i=1:L if count(i)~=0 st=i-1; break; end end st for i=L:-1:1 if count(i)~=0 nd=i-1; break; end end nd f=count(st+1:nd+1); %f是每个灰度出现的概率 size(f) E=[]; for Th=st:nd-1 %%%设定初始分割阈值为Th av1=0; av2=0; Pth=sum(count(1:Th+1)); %%%第一类的平均相对熵为 for i=0:Th av1=av1-count(i+1)/Pth*log(count(i+1)/Pth+0.00001); end %%%第二类的平均相对熵为 for i=Th+1:L-1 av2=av2-count(i+1)/(1-Pth)*log(count(i+1)/(1-Pth)+0.00001); end E(Th-st+1)=av1+av2; end position=find(E==(max(E))); th=st+position-1
for i=1:m for j=1:n if a(i,j)>th a(i,j)=255; else a(i,j)=0; end end end figure,imshow(a); %%%%%%%%%%%%%%%%%%%%%2-d 最大熵法(递推方法) %%%%%%%%%%% clear all; clc; tic a=imread('trial2_2.tiff'); figure,imshow(a); a0=double(a); [m,n]=size(a); h=1; a1=zeros(m,n); % 计算平均领域灰度的一维灰度直方图 for i=1:m for j=1:n for k=-h:h for w=-h:h; p=i+k; q=j+w; if (p<=0)|( p>m) p=i; end if (q<=0)|(q>n) q=j; end a1(i,j)=a0(p,q)+a1(i,j); end end a2(i,j)=uint8(1/9*a1(i,j)); end
学号：2011 —2012学年第 1 学期 专业综合课程设计报告 课题：基于MATLAB的图像分割处理 专业：通信工程 班级： 姓名： 指导教师： 成绩： 电气工程系 2011年11月16日
课程设计任务书 学生班级学生姓名：学号： 设计课题：基于MATLAB的图像分割处理 起止日期：2011.11.06—2011.11.16 指导教师： 设计要求： 本设计对图像分割中的小波变换进行了较为详细的综述。简要介绍医学图像分割的研究目的和意义，给出医学图像分割的基本方法及步骤。在对医学图像分割问题的起源、发展和研究现状进行简要综述的基础上，介绍该领域当前的研究热点及论文的主要研究内容。
图像分割是一种重要的图像分析技术。对图像分割的研究一直是图像技术 研究中的热点和焦点。图像分割是一个很关键的图像分析技术，是由图像处理 进到图像分析的关键步骤.它的目的就是把图像中感兴趣的那部分分割出来供 大家研究、处理和分析，一直都是图像技术研究中的热点。但是由于地域的差别，图像分割一直都没有一个比较通用的算法。 而对图像进行分割的方法有多种,阈值法是其中的一种简单实用的方法。本文主要对阈值法和matlab进行研究,并将它们结合起来以提高图像分割的准确性。本文的主要研究内容如下: 1) 分析了阈值分割方法近年来的新进展,并分析了图像阈值分割中的某些经典方法,如全局阈值方法、局部阈值方法、动态阈值方法等。2)讨论了matlab的主要应用及其特点。3) 将matlab应用于阈值分割，并做实验将其实现。 本次的设计报告首先介绍了双峰法以及最大类方差自动阈值法，然后重点介绍一种基于小波变换的图像分割方法,该方法先对图像的灰度直方图进行小波多尺度变换,然后从较大的尺度系数到较小的尺度系数逐步定位出灰度阈值。最后，对这几种算法的分割效果进行了比较。实验结果表明, 本设计能够实时稳定的对目标分割提取，分割效果良好。医学图像分割是医学图像处理中的一个经典难题。图像分割能够自动或半自动描绘出医学图像中的解剖结构和其它感兴趣的区域，从而有助于医学诊断。 关键词：小波变换；图像分割；阈值
基于区域增长法的图像分割 王春者 （信工学院电子信息工程专业） 摘要 图像分割是一种重要的图像分析技术。对图像分割的研究一直是图像技术研究中的热点和焦点。图像分割的目的是将图像划分为不同的区域，基于区域生长是以直接找寻区域为基础的分割技术。 本论文首先简单介绍图像分割的主要方法，然后重点介绍一种基于区域增长法的图像分割方法,该方法是根据同一物体区域内象素的相似性质来聚集象素点的方法，从初始区域（如小邻域或甚至于每个象素）开始，将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。 关键词：图像分割；区域增长法；基本算法
Abstract The image segmentation is an important technology of image processing. It is still a hot point and focus of image processing.The purpose is to image segmentation image is divided into different areas,based on region growing segmentation technique is based on the direct search for regional. This paper first briefly introduce the main method of image segmentation, and then focuses on a method of image segmentation based on region growing method, the method is based on similar properties in the same region within the object pixel to pixel aggregation method, from the initial area (as regards neighborhood of each pixel, or even), the adjacent pixel having the same nature or other areas merge into the current so as to gradually increase the area of the region can merge up until no other point or small area. Similarity measure may include a region of the pixel values of the average gray, texture, color and other information. Key words：Image segmentation; region growing method; basic algorithm
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
%用matlab实现自适应图像阈值分割最大类方差法代码clear; warning off; SE = strel('diamond',4); BW1 = imread('cameraman.tif'); BW2 = imerode(BW1,SE); BW3 = imdilate(BW2,SE); BW4 = BW1-BW3; %rgb转灰度 if isrgb(BW4)==1 I_gray=rgb2gray(BW4); else I_gray=BW4; end figure,imshow(I_gray); I_double=double(I_gray);%转化为双精度 [wid,len]=size(I_gray); colorlevel=256; %灰度级 hist=zeros(colorlevel,1);%直方图 %threshold=128; %初始阈值 %计算直方图 for i=1:wid for j=1:len m=I_gray(i,j)+1; hist(m)=hist(m)+1; end end hist=hist/(wid*len);%直方图归一化 miuT=0; for m=1:colorlevel miuT=miuT+(m-1)*hist(m); end xigmaB2=0; for mindex=1:colorlevel threshold=mindex-1; omega1=0; omega2=0; for m=1:threshold-1 omega1=omega1+hist(m); end omega2=1-omega1; miu1=0; miu2=0; for m=1:colorlevel if m
相关主题
文本预览