图像处理中的标记分水岭分割算法
如果图像中的目标物体是连接在一起的，则分割起来会更困难，分水岭分割算法经常用于处理这类问题，通常会取得比较好的效果。分水岭分割算法把图像看成一幅“地形图”，其中亮度比较强的区域像素值较大，而比较暗的区域像素值较小，通过寻找“汇水盆地”和“分水岭界限”，对图像进行分割。
直接应用分水岭分割算法的效果往往并不好，如果在图像中对前景对象和背景对象进行标注区别，再应用分水岭算法会取得较好的分割效果。有很多图像处理工具箱函数可以用到，如fspecial、imfilter、watershed、lable2rgb、imopen、imclose、imreconstruct、imcomplement、imregionalmax、bwareaopen、graythresh、和imimposemin函数等。
下面进行一个例子，步骤如下。
1、读取图像并求其边界，代码如下。
rgb = imread('pears.png');%读取原图像
I = rgb2gray(rgb);%转化为灰度图像
figure; subplot(121)%显示灰度图像
imshow(I)
text(732,501,'Image courtesy of Corel',...
'FontSize',7,'HorizontalAlignment','right')
hy = fspecial('sobel');%sobel算子
hx = hy';
Iy = imfilter(double(I), hy, 'replicate');%滤波求Y方向边缘
Ix = imfilter(double(I), hx, 'replicate');%滤波求X方向边缘
gradmag = sqrt(Ix.^2 + Iy.^2);%求模
subplot(122); imshow(gradmag,[]), %显示梯度
title('Gradient magnitude (gradmag)')
在这一步骤中，首先读取一套真彩色图像，然后把真色图像转化为灰度图像，结果如图所示：
图1原图和梯度图像
使用sobel 边缘算子对图像进行水平和垂直方向的滤波，然后求取模值，sobel 算子滤波后的图像在边缘处会显示比较大的值，在没有边界处的值会很小，如上图右图所示。
2、 直接使用梯度模值进行分水岭算法，代码如下。
L = watershed(gradmag);%直接应用分水岭算法
Lrgb = label2rgb(L);%转化为彩色图像 figure; imshow(Lrgb), %显示分割后的图像
title(
'Watershed transform of gradient magnitude (Lrgb)')
直接使用梯度模值图像进行分水岭算法得到的结果往往会存在过度分割的现象，如下图所示。因此通常需要对前景对象和背景对象进行标记，以获得更好的分割效果。
Image courtesy of Corel
Gradient magnitude (gradmag)
图2直接对梯度图像进行分水岭分割
3、 分别对前景和背景进行标记，代码如下。
se = strel('disk', 20);%圆形结构元素
Io = imopen(I, se);%形态学开操作
figure; subplot(121)
imshow(Io), %显示执行开操作后的图像
title('Opening (Io)')
Ie = imerode(I, se);%对图像进行腐蚀
Iobr = imreconstruct(Ie, I);%形态学重建
subplot(122); imshow(Iobr), %显示重建后的图像
title('Opening-by-reconstruction (Iobr)')
Ioc = imclose(Io, se);%形态学关操作
figure; subplot(121)
imshow(Ioc), %显示关操作后的图像
title('Opening-closing (Ioc)')
Iobrd = imdilate(Iobr, se);%对图像进行膨胀
Iobrcbr = imreconstruct(imcomplement(Iobrd), ...
imcomplement(Iobr));%形态学重建
Iobrcbr = imcomplement(Iobrcbr);%图像求反
subplot(122); imshow(Iobrcbr), %显示重建求反后的图像
title('Opening-closing by reconstruction (Iobrcbr)')
fgm = imregionalmax(Iobrcbr);%局部极大值
figure; imshow(fgm), %显示重建后局部极大值图像
title('Regional maxima of opening-closing
by reconstruction (fgm)')
Watershed transform of gradient magnitude (Lrgb)
I2 = I;
I2(fgm) = 255;%局部极大值处像素设置为255
figure; imshow(I2), %在原图上显示极大值区域
title('Regional maxima superimposed on original image (I2)') se2 = strel(ones(5,5));%结构元素
fgm2 = imclose(fgm, se2);%关操作
fgm3 = imerode(fgm2, se2);%腐蚀
fgm4 = bwareaopen(fgm3, 20);%开操作
I3 = I;
I3(fgm4) = 255;%前景处设置为255
figure; subplot(121)
imshow(I3)%显示修改后的极大值区域
title('Modified regional maxima')
bw = im2bw(Iobrcbr, graythresh(Iobrcbr));%转化为二值图像
subplot(122); imshow(bw), %显示二值图像
title('Thresholded opening-closing by reconstruction') 可以使用很多算法来对前景对象进行标记，标记的每个对象内部的像素值是连接在一起的。在这个例子中，
使用形态学重建技术对前景对象进行标记，首先使用imopen
函数对图像进行开操作，如图3左图所示，使用半径为20的圆形结构元素，开操作是膨胀和腐蚀操作的结合。另外一种方法是先对图像进行腐蚀，然后对图像进行形态学重建，处理后的图像如图3右图所示。
图3开操作和重建操作结果对比
Opening (Io)Opening-by-reconstruction (Iobr)
在开操作之后进行关键操作可以去除一些很小的目标，如苹果上
的茎干和一些污点等，如图4
中左图所示。另外一种方法是先对图像进行腐蚀，然后对图像进行形态学重建，重建后的图像如图4右图所示，注意在重建之前需要先对图像求反，然后再重建之后再进行一次求反。
图4关操作和重建操作结果对比
对比两幅图像Iobrcbr 和Ioc ，以重建为基础的开关操作（结果为Iobrcbr ）比一般的开关操作（结果为Ioc ）比一般的开关操作（结果为Ioc ）在去除小的污点时会更有效，并且不会影响这个图像的轮廓。
计算Iobrcbr 的局部极大值会得到比较好的前景标记，如图5所示。
Opening-closing (Ioc)Opening-closing by reconstruction (Iobrcbr)
图5求取局部极大值的图像
为了更好的理解这个结果，可以在原图像的基础上，显示局部极
大值，对前景图像进行标记，如图6所示。
图6在原图上显示局部极大值
Regional maxima of opening-closing by reconstruction (fgm)
Regional maxima superimposed on original image (I2)
注意到图像中还有少部分目标物体，即苹果，未被正确的标记出，如果这些目标物体不能被正确的进行标记，则不能正确的进行分割。并且，少部分前景目标物体已经拓展到边缘，因此应该收缩一下边缘，可以先对图像进行操作，然后进行腐蚀来达到这样的效果。
这个过程会产生一些孤立的像素点，可以使用bwareaopen
函数来达到这样的效果，这个过程将像素点数量较少的孤立像素点去除，如图7左图所示。
图7调整后的局部极大值图像和二值图像
将图像Iobrcbr 使用合适的阈值转化成二值图像，其中淡颜色的值为背景，转化成二值图像如图7右图所示。
4、 进行分水岭变换并显示，代码如下。
D = bwdist(bw);%计算距离
DL = watershed(D);%分水岭变换
Modified regional maxima Thresholded opening-closing by reconstruction
bgm = DL == 0;%求取分割边界
figure; imshow(bgm), %显示分割后的边界
title('Watershed ridge lines (bgm)')
gradmag2 = imimposemin(gradmag, bgm | fgm4);%设置最小值
L = watershed(gradmag2);%分水岭变换
I4 = I;
I4(imdilate(L == 0, ones(3, 3)) | bgm | fgm4) = 255;%前景及
边界处设置为255
figure; subplot(121)
imshow(I4)%突出前景及边界
title('Markers and object boundaries')
Lrgb = label2rgb(L, 'jet', 'w', 'shuffle');%转化为伪色彩图像
subplot(122); imshow(Lrgb)%显示伪色彩图像
title('Colored watershed label matrix')
figure; imshow(I),
hold on
himage = imshow(Lrgb);%在原图上显示伪色彩图像
set(himage, 'AlphaData', 0.3);
title('Lrgb superimposed transparently on original image') 从图7中可以看出，背景像素是黑色的，但在理想情况下，我们不希望背景标记太靠近目标对象的边缘，可以通过“骨骼化”进行细化，对二值图像的距离进行分水岭变换，然后寻找分水岭的界限，分水岭的界限如图8所示。
图8分水岭界限
Watershed ridge lines (bgm)
函数imimpesemin 可以用来对图像进行修改，
使图像在一些特定的区域像素值最小。在本程序中，
使用imimpesemin 函数修改梯度模值图像，使梯度模值图像在标记的前景对象和背景对象中有最小值，然后进行分水岭变换得到矩阵L 。
还有一种可视化的技术是在原图像中分别标记前景对象，背景对象和边界。为了使分割的边界更清楚，可以对图像进行膨胀操作，如图9左图所示。
从图9左图中可以看出，对前景对象和背景对象标记后再进行分水岭变换比直接在梯度模值图像上进行分水岭变换的效果要好得多。 另外一种显示分割图像的方法是使用彩色图像显示，使用
label2rgb 函数将分水岭变换后的图像显示为彩色，如图9右图所示。
图9分割图像的显示
Markers and object boundaries Colored watershed label matrix
同样也可以在原图的基础上，使用透明技术将图像显示为伪彩色图像，如图10所示。
图10 分割图像的伪彩色显示
Lrgb superimposed transparently on original image
２００７年第１２期福建电脑 改进的利用门限的分水岭图像分割算法 李洪军，王继成 （同济大学计算机系上海２０１８０４） 【摘要】：分水岭变换的一些优秀的性质使它在许多不同的图像分割应用中非常常用：它简单并且具有直观性，可以并行实现，并且总是产生完整的图像轮廓。然而，它仍然有许多缺点（过度分割，对噪声敏感，难于检查出细结构物体或者低信噪比的结构）。本文提出一种改进的使用门限的分水岭算法来在不同程度上克服分水岭的这些缺陷。我们把该算法应用在三类图片上，一种具有复杂结构，一种具有低对比度，一种有低的信噪比。本文展示了该算法的分割结果，展示了该算法在这几类图片上出色表现。 【关键词】：图像分割，过度分割，基于沉浸的分水岭算法，标记的分水岭算法 １．前言 １．１分水岭变换 分水岭变换是一种流行的图像分割方法，它来自数学形态学领域［１］。我们把灰度图象看作地形表面，让每一点的像素值代表这点的高度。然后考虑雨水降落到该地表，随着水位不断上升，水会从不同的局部最小点形成汇水盆，而分水岭就是阻挡这些汇水盆相互融合的堤坝。一般情况下，分水岭变换计算的是原始图片的梯度图，这样这些分水岭就正好位于梯度变化大的那些点上。 分水岭变换由于它以下的优点被用在图像处理的许多领域：直观，快速并且可以并行计算，总是产生完整的边界，这样就避免了边界连接的后处理。而且，不少研究人员把分水岭嵌入到多尺度框架中［２］。但是分水岭算法还是有一些致命的缺点，下面列出了最重要的几点［２］。 过度分割。由于大部分图像的梯度图都有许许多多的局部最小，所以分水岭变换的结果是无数的小区域边界，这样的结果毫无意义。通常的解决办法是是使用标记的图片来减少局部最小的数量，即使用带标记的分水岭变换［３］。 对噪声的敏感。局部的一些改变会引起分割结果的明显改变，强烈的噪声有时候使得分水岭变换无法找出真正的边界。其中的一个解决办法是使用各向异性的滤波器。 难以准确检测出低对比度的边界。由于对比度低所以使得信噪比高。所以由于前一个原因，对这种图片分水岭变换仍然无法很好的工作。一般的办法仍然是使用带标记的分水岭变换。而Ｖ．Ｇｒａｕ提出使用基于ＭＲＦ的分水岭变换对核磁共振脑灰白质的分割效果更好。 即使是这样，在医学图像分割中，比起近年来兴起的ｓｎａｋｅｍｏｄｅｌｓ和ｌｅｖｅｌｓｅｔ方法，分水岭变换由于分水线总是位于梯度变换最剧烈的地方，并且总是产生完整的边界，从而在对比度低的图像分割中显示出了无可比拟的优势。这使得让分水岭变换能更好的工作是非常有意义的。 １．２本文所做的工作概览 我们提出一种改进的分水岭算法，它极大程度上改善了分水岭变换的表现。第２部分给出了算法。２．１部分给出了分水岭变换的定义，２．２部分给出标记分水岭变换的算法描述，２．３部分给出了我们改进的算法描述。第３部分给出我们的分割结果和其他分割方法的分割结果。３．１部分给出了低对比度的图像的分割结果。我们的分割结果明显优于直接的分水岭分割结果。并且与常用的带标记的分水岭算法分割结果做了比较。３．２部分给出了对于复杂结构的分割结果，我们的分割结果与带标记的分水岭变换的比较。３．３部分给出了对于低信噪比的图像分割结果，并且与经过去噪后的分割结果进行了比较，显示出该算法对噪声的稳定性。第４部分给出了结论和展望。 ２．算法 ２．１离散图像的分水岭变换的定义及算法描述２．１．１离散图像的分水岭变换的定义 对于分水岭变换，目前存在着几种定义，文献［４］对这些定义进行了归纳，整理。我们这里所采用的定义是基于沉浸的分水岭变换（ｗａｔｅｒｓｈｅｄｂｙｉｍｍｅｒｓｉｏｎ）。 令ｆ：Ｄ＇Ｎ是一幅灰度图象，它的最大和最小灰度值为ｈ＿ｍａｘ和ｈ＿ｍｉｎ。定义一个从ｈ＿ｍｉｎ到ｈ＿ｍａｘ的水位ｈ不断递增的递归过程。在这个过程中每个与不同的局部最小相关的汇水盆地都不断扩展。定义Ｘ（ｈ）记做在水位ｈ时候汇水盆地的集合的并。在ｈ＋１层，一个连通分量Ｔ（ｈ＋１）或者是一个新的局部最小，或者是一个已经存在的Ｘ（ｈ）中的一个盆地的扩展。对于后者，按邻接关系计算高度为ｈ＋１的每一个点与各汇水盆地的距离。如果一个点与两个个以上的盆地等距离，则它不属于任何盆地，否则它属于与它距离最近的盆地。这样从而产生新的Ｘ（ｈ＋１）。把在高度ｈ出现的局部最小记作ＭＩＮ（ｈ）。把Ｙ（ｈ＋１，Ｘ（ｈ））记作高度为ｈ＋１同时属于Ｘ（ｈ）的点的集合。 定义２．１（基于沉浸的分水岭变换） 分水岭变换［５］Ｗｓｈｅｄ（ｆ）就是Ｘ（ｈ＿ｍａｘ）的补集： ２．１．２分水岭算法直观描述 整个算法模拟水平面从最低的地理高度逐渐沉浸到最高的地理高度。这时水会逐渐从各个局部最小中涌出，形成不同的汇水盆地。随着水位不断升高，当两个不同的汇水盆地将融合时，我们使用堤坝把两个盆地分开。这个堤坝足够高，即使水位到最高也无法使相邻的盆地的水汇合。当水位涨到最高时，将完全沉浸地表，这时候那些堤坝就是产生的轮廓线。 ２．２带标记的分水岭算法描述 引入标记是为了控制过度分割。一个标记是属于一副图像的连通分量。我们需要找到有与重要对象相联系得内部标记，同时也要找到与背景相联系得外部标记。取得内部标记和外部标记，就可以使用ｉｍｐｏｓｉｔｉｏｎ技术［５］使梯度图像的局部最小只在这些标记的地方出现。这样所有的局部最小，即汇水盆地的个数就都是已知的。这时再使用分水岭变换，这样就可以避免过度分割。 ２．３本文提出的改进的分水岭算法描述 过度分割是由于过多的局部最小而造成。带标记的分水岭算法是用预处理的办法来控制汇水盆地的数量。而本文中的算法则在算法进行的同时，通过融合一些小的，不值得考虑的汇水盆地，从而来控制盆地的数量。当两个盆地即将连通时，标准的分水岭算法就会在他们之间修堤坝来阻挡汇水盆地的相连通。而本文的算法则要进行判断。我们只认为储水量达到一定程度，并且高度达到一定高度的盆地才是我们所要的盆地。不符合这种要求的盆地我们把他们融合给与其相邻的最大的盆地。我们 ７７
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
图像分割算法开题报告 摘要：图像分割是图像处理中的一项关键技术，自20世纪70年代起一直受到人们的高度重视，并在医学、工业、军事等领域得到了广泛应用。近年来具有代表性的图像分割方法有：基于区域的分割、基于边缘的分割和基于特定理论的分割方法等。本文主要对基于自动阈值选择思想的迭代法、Otsu法、一维最大熵法、二维最大熵法、简单统计法进行研究，选取一系列运算出的阈值数据和对应的图像效果做一个分析性实验。 关键字：图像分割，阈值法，迭代法，Otsu法，最大熵值法 1 研究背景 1．1图像分割技术的机理 图像分割是将图像划分为若干互不相交的小区域的过程。小区域是某种意义下具有共同属性的像素连通集合，如物体所占的图像区域、天空区域、草地等。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言，连通有4连通和8连通之分。图像分割有3种不同的方法，其一是将各像素划归到相应物体或区域的像素聚类方法，即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘像素，然后再将边缘像素连接起来构成边界的方法。 图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解，两者是紧密关联的。图像分割在一般意义下十分困难的，目前的图像分割处于图像的前期处理阶段，主要针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。 1．2数字图像分割技术存在的问题
虽然近年来对数字图像处理的研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大突破性的进展,仍然存在以下几个方面的问题。 现有的许多种算法都是针对不同的数字图像,没有一种普遍适用的分割算法。 缺乏通用的分割评价标准。对分割效果进行评判的标准尚不统一,如何对分割结果做出量化的评价是一个值得研究的问题,该量化测度应有助于视觉系统中的自动决策及评价算法的优劣,同时应考虑到均质性、对比度、紧致性、连续性、心理视觉感知等因素。 与人类视觉机理相脱节。随着对人类视觉机理的研究,人们逐渐认识到,已有方法大都与人类视觉机理相脱节,难以进行更精确的分割。寻找到具有较强的鲁棒性、实时性以及可并行性的分割方法必须充分利用人类视觉特性。 知识的利用问题。仅利用图像中表现出来的灰度和空间信息来对图像进行分割,往往会产生和人类的视觉分割不一致的情况。人类视觉分割中应用了许多图像以外的知识,在很多视觉任务中,人们往往对获得的图像已具有某种先验知识,这对于改善图像分割性能是非常重要的。试图寻找可以分割任何图像的算法目前是不现实,也是不可能的。人们的工作应放在那些实用的、特定图像分割算法的研究上,并且应充分利用某些特定图像的先验知识,力图在实际应用中达到和人类视觉分割更接近的水平。 1．3数字图像分割技术的发展趋势 从图像分割研究的历史来看,可以看到对图像分割的研究有以下几个明显的趋势。 对原有算法的不断改进。人们在大量的实验下，发现一些算法的效
哈尔滨工业大学工程硕士学位论文 Abstract Because of the development of deep learning and the emergence of fully convolutional networks,the domain of the image semantic segmentation has been rapidly developed.It is widely used in the fields of driverless,medical diagnosis, machine navigation and so on.Driverless technology has been a research hotspot,in this technology,the perception of the environment around the vehicle is the key points.It can classify images on the pixel-level to obtain the overall information of the image,and the semantic segmentation requires the low-cost vision sensors,so it fits the demand of driverless technology. Fully convolutional networks is a feasible and effective image semantic segmentation algorithm.The algorithm innovatively replaces the fully connected layer with the convolutional layer and applies it to the pixel-level classification task. DeepLab is an improved algorithm with the fully convolutional networks and this algorithm has a high accuracy.However,there are still some problems in this algorithm,and there is a great space for improvement.We research each sub-module of the algorithm,then research the problem and give the improvement plan to further improve the accuracy of the algorithm. In order to solve the problem that the DeepLab algorithm does not make full use of global information,resulting in poor results in complex scenes,we introduces the global context information module,this module can provides prior information of complex scenes in the picture,the global context features are extracted and then merged with the local features.This module can improve the expression ability of the features.In order to solve the problem that decoder module of the DeepLab is too simple and the boundary of the predicted result is rough,we design an efficient decoder module,the shallow layer features are fully utilized,the shallow layer features are merged with the deep layer features,and we adjusts the proportion of the deep features and the shallow features,this way can restore some of the details information,and the boundary of the object is optimized.In order to solve the problem that the DeepLab is over fitting the fixed size picture,two effective multi-scale feature level fusion modules are designed by combining the idea of integrated learning with the multi-scale model training,and on this basis,an extra supervision module is introduced,this way can improve the robustness of the algorithm. We mainly use the extended Pascal VOC2012dataset for experiments. Specifically,first we determine the optimal parameter of the improved method,then
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
所谓分水岭算法有好多种实现算法，拓扑学，形态学，浸水模拟和降水模拟等方式。要搞懂就不容易了。WatershedAlgorithm(分水岭算法)，顾名思义，就是根据分水岭的构成来考虑图像的分割。现实中我们可以或者说可以想象有山有湖的景象，那么那一定是水绕山，山围水的情形。而区分高山（plateaus）与水的界线，以及湖与湖之间的间隔或都是连通的关系，就是我们可爱的分水岭（watershed）。为了得到一个相对集中的集水盆，那么让水涨到都接近周围的最高的山顶就可以了，再涨就要漏水到邻居了，而邻居，嘿嘿，水质不同诶，会混淆自我的。那么这样的话，我们就可以用来获取边界高度大，中间灰阶小的物体区域了，它就是集水盆。浸水法，就是先通过一个适当小的阈值得到起点，即集水盆的底；然后是向周围淹没也就是浸水的过程，直到得到分水岭。当然如果我们要一直淹没到山顶，即是一直处理到图像灰阶最高片，那么，当中就会出现筑坝的情况，不同的集水盆在这里想相遇了，我们要洁身自爱，到这里为止，因为都碰到边界了。不再上山。构筑属于自己的分水岭。在计算机图形学中，可利用灰度表征地貌高。图像中我们可以利用灰度高与地貌高的相似性来研究图像的灰度在空间上的变化。这是空域分析，比如还可以通过各种形式的梯度计算以得到算法的输入，进行浸水处理。分水岭具有很强的边缘检测能力，对微弱的边缘也有较好的效果。为会么这么说呢？为什么有很强的边缘检测能力，而又能得到相对集中的连通的集水盆？现实中很好办，我们在往凹地加水的时候，直到它涨到这一块紧凑的山岭边缘就不加了；但是如果有一条小山沟存在，那没办法，在初始阈值分割的时候，也就是山沟与集水盆有同样的极小值，而且它们之间是以这个高度一直连接的。那没关系，我们将它连通。在图像上呢？如何实现？ 看看算法，算法思想是这样的： 首先准备好山和初始的水。这山就是我们的初始图像了，比如用自然获取的图像的梯度来表征山地的每一点的高度吧；而初始的水就是在阈值记为Thre底下，所有的低于这个高度的整个山地都加水，直到这个阈值Thre高度。从而有三个初始量：unsignedchar**Ori_image、 char**Seed_image和int**Label_image。最后一个是为最终的结果做准备的。当然要做好初始化，比如，Ori_image赋值为原图像（256色灰度图）的梯度值，Seed_image则是初始状态下有水的置位，无水的复位，而Label_image则全初始化为0，最终得到的是各点对应的区域号。接下来是考虑将已加的水进行记录，记录成连通的区域，也就是看看有多少个互不相关的集水盆，有五个，那么我们就涨出五个湖，而且尽可能的高，只要大家想到不溢出。在算法上，有多少个连通的区域就记录成多少个数据结构，功夫就在于如何将这些连通的区域连接成一块，并由一个数据结构来表达了。很好，我们准备用一个向量容器来实现初始保存，保存所有标记区域种子队列的数组，里面放的是种子队列的指针
图像分割常用算法优缺点探析 摘要图像分割是数字图像处理中的重要前期过程,是一项重要的图像分割技术,是图像处理中最基本的技术之一。本文着重介绍了图像分割的常用方法及每种方法中的常用算法,并比较了各自的优缺点,提出了一些改进建议,以期为人们在相关图像数据条件下,根据不同的应用范围选择分割算法时提供依据。 关键词图像分割算法综述 一、引言 图像分割决定了图像分析的最终成败。有效合理的图像分割能够为基于内容的图像检索、对象分析等抽象出十分有用的信息,从而使得更高层的图像理解成为可能。目前图像分割仍然是一个没有得到很好解决的问题,如何提高图像分割的质量得到国内外学者的广泛关注,仍是一个研究热点。 多年来人们对图像分割提出了不同的解释和表达,通俗易懂的定义则表述为:图像分割指的是把一幅图像分割成不同的区域,这些区域在某些图像特征,如边缘、纹理、颜色、亮度等方面是一致的或相似的。 二、几种常用的图像分割算法及其优缺点 (一)大津阈值分割法。 由Otsu于1978年提出大津阈值分割法又称为最大类间方差法。它是一种自动的非参数非监督的门限选取法。该方法的基本思路是选取的t的最佳阈值应当是使得不同类间的分离性最好。它的计算方法是首先计算基于直方图而得到的各分割特征值的发生概率,并以阈值变量t将分割特征值分为两类,然后求出每一类的类内方差及类间方差,选取使得类间方差最大,类内方差最小的t作为最佳阈值。 由于该方法计算简单,在一定条件下不受图像对比度与亮度变化的影响,被认为是阈值自动选取的最优方法。该方法的缺点在于,要求得最佳阈值,需要遍历灰度范围0—(L-1)内的所有像素并计算出方差,当计算量大时效率会很低。同时,在实际图像中,由于图像本身灰度分布以及噪声干扰等因素的影响,仅利用灰度直方
哈尔滨工业大学工学硕士学位论文 Abstract With the rapid improvement of satellite technology, satellite images, especially high resolution remote sensing satellite images have been paid great attention by various countries, and have been applied in different fields. Satellite image can extract the relative position and spatial distribution of various natural elements with its rich information and visual image, which provides great space for the development of target semantic segmentation in both civil and military aspects. At the same time, in the wave of artificial intelligence, deep learning has been greatly developed with the ability of computing, which not only brings great changes in the traditional computer vision and robot, but also brings new solutions in such aspects as finance and medical care. Therefore, deep learning is applied to the semantic segmentation of satellite images, which opening up new ideas for military tactics and civilian business planning. In this paper, we use convolution neural network to classify multi resolution satellite images. The main contents of this paper are as follows: Firstly, it summarizes the basic models of deep learning and three characteristics of deep learning, namely, the simplicity, extensibility and mobility of models. The focus is mainly on the conformation, characteristics, research mechanism and development direction of convolution neural network. For the semantic segmentation of satellite images using the learning features of artificial design, the feature design learning is too complicated and the adaptation range is limited. This paper uses convolution neural network to automatically design and extract features. Based on the typical semantic segmentation network, the semantic segmentation network structure of satellite images is designed, which combines the advantages of the existing Convolutional Neural Network (CNN) and the conditional random field (Conditional Random Field, CRF). In view of the small number of images in the satellite image set, and the uneven distribution between classes, this paper adjusts the context semantic environment in the satellite image segmentation network, and combines the rough feature and the fine feature by increasing the jump connection. At the same time, the conditional random field was added to the network output to make the precision more than 16%. In order to improve the network performance, the sample set is preprocessed and added and includ the multispectral image channel synthesis, and the increase of multi remote sensing imaging index. In the view of the difference between the loss function of the convolution neural network in the semantic segmentation process and the traditional classification network, the loss function of the network is improved and the joint loss
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 )
解决分水岭算法的过分割问题 班级：020751 学号：02075087 姓名：刘恺
摘要针对基于分水岭变换的分割算法通常存在过分割现象，提出了一种新的分割算法，采用形态学的运算去除噪声及背景像素的影响，搜索区域极大值点，将分割定位于目标图像，从而达到很好的分割效果，方法从消除过分割及区域轮廓定位等方面均具有很好的分割效果。 关检词图像分割,分水岭变换,数学形态学 Abstract The article is based on watershed algorithm, proposed a method of image segmentation, adopted the morphology arithmetic to eliminate the effect of noise and background pixel, search for the max point in each area, let segmentation orientate as target image, could reach very good segment effect. The method can efficiently eliminate over-segmentation, and hold the position of region contours without evident bias. Key words image segmentation, watershed transform ,mathematical morphology 1.1图像分割综述 把图像分解为一些特定的性质相似的部分（区域或对象），并用这些部分对图像进行分析和描述。一幅图像往往包含许多不同类型的区域，如物体、环境和背景等。图像分析的一个重要方法就是用它们作为基本组成成分对图像进行描述。例如为了在气泡室图片中检出质点碰撞形式并判定其发生位置，就要在图像中分割出气泡的轨迹及其端点。为了从输入的文本中识别出一串字符，首先就要把各个字符从背景和其他字符中分离出来。因此把图像分割为若干子图像，并利用各子图像的特性和它们之间的关系描述图像，对于图像识别和解释、物景分析以及图像的分块处理和存储都有很大的意义。 图像分割基本上是对像素进行分类的过程。例如用某个灰度阈值把图像像素分成“黑”和“白”两类，就可以把黑的对象同白的背景区分开。常用的分割方法有灰度等级阈值法、谱和空间分类法、区域生长法和边缘检测法。 灰度等级阈值法在图像只有两种组成部分的情况下，图像灰度的直方图常常呈现两个峰值。用两个峰值之间的谷值所对应的灰度作为阈值，把所有像素灰度大于或等于阈值的作为一类，小于阈值的作为另一类是一种最基本的两类分割方法。实际应用时为了改善分类的可靠性，可以利用某些附加的信息（例如已知两类区域的面积之比）使阈值的选择更加合理。在类别更多的情况下，可以采用多级阈值把各类分割开来（例如确定两个阈值，就可以把细胞图像分割为胞核、胞浆和背景三部分）。类别越多，图像直方图的峰值就越不明显，分割就更为困难。 谱和空间分类法对于彩色和多光谱图像，可以用像素的几种性质（颜色和谱信号）对像素作比较精细的分类。对于黑白图像，用包括像素本身灰度在内的一组局部性质（例如该像素邻域灰级的均值）在多维空间中进行分类。对于一些复杂图像，这种方法比单独的灰度阈值法效果更好。
图像处理中的标记分水岭分割算法 如果图像中的目标物体是连接在一起的，则分割起来会更困难，分水岭分割算法经常用于处理这类问题，通常会取得比较好的效果。分水岭分割算法把图像看成一幅“地形图”，其中亮度比较强的区域像素值较大，而比较暗的区域像素值较小，通过寻找“汇水盆地”和“分水岭界限”，对图像进行分割。 直接应用分水岭分割算法的效果往往并不好，如果在图像中对前景对象和背景对象进行标注区别，再应用分水岭算法会取得较好的分割效果。有很多图像处理工具箱函数可以用到，如fspecial、imfilter、watershed、lable2rgb、imopen、imclose、imreconstruct、imcomplement、imregionalmax、bwareaopen、graythresh、和imimposemin函数等。 下面进行一个例子，步骤如下。 1、读取图像并求其边界，代码如下。 rgb = imread('');%读取原图像 I = rgb2gray(rgb);%转化为灰度图像 figure; subplot(121)%显示灰度图像 imshow(I) text(732,501,'Image courtesy of Corel',... 'FontSize',7,'HorizontalAlignment','right') hy = fspecial('sobel');%sobel算子 hx = hy'; Iy = imfilter(double(I), hy, 'replicate');%滤波求Y方向边缘 Ix = imfilter(double(I), hx, 'replicate');%滤波求X方向边缘 gradmag = sqrt(Ix.^2 + Iy.^2);%求模 subplot(122); imshow(gradmag,[]), %显示梯度 title('Gradient magnitude (gradmag)') 在这一步骤中，首先读取一套真彩色图像，然后把真色图像转化为灰度图像，结果如图所示：
浅析图像分割的原理及方法 一．研究背景及意义 研究背景： 随着人工智能的发展，机器人技术不断地应用到各个领域。信息技术的加入是智能机器人出现的必要前提。信息技术泛指包括通信技术、电子技术、信号处理技术等相关信息化技术的一大类技术。它的应用使得人们今天的生活发生了巨大变化。从手机到高清电视等家用电器设备出现使我们的生活越来越丰富多彩。在一些军用及民用领域近几年出现了一些诸如:图像制导、无人飞机、无人巡逻车、人脸识别、指纹识别、语音识别、车辆牌照识别、汉字识别、医学图像识别等高新技术。实现它们的核心就是图像处理、机器视觉、模式识别、智能控制、及机器人学等相关知识。其中图像处理具有重要地位。而图像分割技术是图像分析环节的关键技术。 研究图像分割技术的意义： 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，同时视觉信息是人类从自然界中获得信息的主要来源，约占人类获得外部世界信息量的80%以上。图像以视觉为基础通过观测系统直接获得客观世界的状态，它直接或间接地作用于人眼，反映的信息与人眼获得的信息一致，这决定了它和客观外界都是人类最主要的信息来源，图像处理也因此成为了人们研究的热点之一。人眼获得的信息是连续的图像，在实际应用中，为便于计算机等对图像进行处理，人们对连续图像进行采样和量化等处理，得到了计算机能够识别的数字图像。数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点，成为计算机视觉和图像处理的重要研究对象。在一幅图像中，人们往往只对其中的某些区域感兴趣，称之为前景，这些区域内的某些空间信息特性(如灰度、颜色、轮廓、纹理等)通常与周围背景之间存在差别。图像分割就是根据这些差异把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。在数字图像处理中，图像分割作为早期处理是一个非常重要的步骤。为便于研究图像分割，使其在实
基于ＯｐｅｎＣＶ的分水岭分割算法的研究及应用 ［摘要］本文对基于形态学分水岭算法进行了深入的研究，并针对其存在的过分割问题对分水岭算 法提出改进：使用区域合并方法限制允许出现的区域的数目，这种改进的方法不仅可以很好地抑制 过分割问题，还能有效分割出图像中的感兴趣区域，以达到提取图像有效边缘信息的目的。将此方 法在ＯｐｅｎＣＶ下进行实验，结果表明这种方法可以有效清除干扰噪声及局部极小值，从而得到精确 的分割结果。 ［关键词］分水岭算法；过分割；区域合并；ＯｐｅｎＣＶ ［中图分类号］ＴＰ３９１．４［文献标识码］Ａ［文章编号］１００８－１７８Ｘ（２０１２）１２－００２０－０３ 燕杨１，２，王云吉２ （１．长春师范学院计算机科学与技术学院，吉林长春 １３００３２；２．吉林大学通信工程学院，吉林长春１３００２２） ［收稿日期］2012-07-16 ［基金项目］吉林省科技发展计划项目青年科研基金（201201112）。 ［作者简介］燕杨（１９８１－），女，吉林长春人，长春师范学院计算机科学与技术学院讲师，博士研究生，从事数字图像处理研究。第３１卷第１２期 Ｖｏｌ．３１Ｎｏ．１２长春师范学院学报（自然科学版）ＪｏｕｒｎａｌｏｆＣｈａｎｇｃｈｕｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ）２０１２年１２月Ｄｅｃ．２０１２ １分水岭算法简介 分水岭算法是基于形态学的图像分割方法，其分割特点为定位精确和分割图像边缘准确，在图像分割领域得到了广泛的应用。在许多实际情况下，我们要分割图像，但无法从背景图像中获得有用信息。分水岭算法在这方面往往是有效的，该算法可以将图像中的边缘转化为“山脉”，将均匀区域转化为“山谷”以便分隔目标。分水岭算法先计算灰度图像的梯度，让亮度值低的点（山谷）、山脊对应的边缘（山头）同时形成，然后从指定点开始持续“灌注”盆地，直到这些区域链接在一起。这种方法产生的标记可以把各个区域合并到一起，合并后的区域又通过“聚集”的方式进行分割，好像图像被“填充”起来一样。与 指示点相连的盆地就为指示点“所拥有” ，从而得到被分割成相应的标记区域的图像。分水岭算法允许用户来标记目标某个部分为目标，或背景的某个部分为背景。用户也可以通过画一条简单的线，告知分水岭算法把这些点组合起来。分水岭算法就会通过“拥有”边沿定义的山谷来分割图像。 分水岭算法定位精确且分割细致，对微弱的物体边缘响应比较敏感，能确保得到目标区域封闭连续边缘。但物体表面一些细微的灰度变化以及图像中的噪声干扰等因素皆会导致对图像过度分割的产生，从而产生过多无用的边缘信息。 本文在对分水岭算法进行了深入的研究的基础上针对其过分割的问题提出改进：使用区域合并方法限制允许出现的区域的数目，这样不仅可以有效地抑制过分割问题，还能较好地分割出图像中的目标区域，以达到提取图像有效边缘信息的目的。 ２原理 ２．１分水岭传统方法 分水岭分割方法是基于拓扑理论的形态学分割方法，它的基本概念是将图像看成地形学上被水覆盖的自然地貌，图像中的每一点像素的灰度值表示这一点海拔的高度，其中每一个局部极小值和它所影响的区域称为集水盆，集水盆的边界形成了分水岭［１］；其思想和形成可以通过模拟“溢流”的过程来说明：首先，20··