第8章 知识要点
图像分割是图像检索、识别和图像理解的基本前提步骤。本章主要介绍图像分割的基本原理和主要方法。
图像分割算法一般是基于灰度值的两个基本特性之一：不连续性和相似性。
基于灰度值的不连续性的应用是根据灰度的不连续变化来分割图像，比如基于边缘提取的分割法，先提取区域边界，再确定边界限定的区域。
基于灰度值的相似性的主要应用是根据事先制定的相似性准则将图像分割为相似的区域，比如阈值分割和区域生长。
8.1本章知识结构
8.2知识要点
1. 图像分割
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。这些部分常称为目标或前景（其它部分称为背景），它们一般对应图像中特定的、具有独特性质的区域。为了检索、辨识和分析目标，需要将它们分离提取出来，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各具特性的区域并提取出感兴趣目标的技术和过程。
图像分割是由图像处理过渡到图像分析的关键步骤。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，能将原始图像转化为更抽象更紧凑的形式，所以使得更高层的图像分析和理解成为可能。
图像分割的应用非常广泛，几乎出现在有关图像处理的所有领域中，并涉及各种类型的图像。图像分割在基于内容的图像检索和压缩、工业自动化、在线产品检验、遥感图像、医学图像、保安监视、军事、体育、农业工程等方面都有广泛的应用。例如：在基于内容的图像检索和面向对象的图像压缩中，将图像分割成不同的对象区域等；在遥感图像中，合成孔径雷达图像中目标的分割，遥感云图中不同云系和背景分布的分割等；在医学应用中，脑部图像分割成灰质、白质、脑脊髓等脑组织和其它脑组织区域等；在交通图像分析中，把车辆目标从背景中分割出来等。在各种图像应用中，只要需要对图像目标进行提取、测量等，就都离不开图像分割。图像分割的准确性将直接影响后续任务的有效性，因此图像分割具有十分重要的意义。
图像分割是图像处理和计算机视觉中的重点和难点之一，提出的各种类型的分割算法达上千种之多。这些分割算法都是针对某一类型图像和某一具体的应用问题而提出的，并没有一种适合所有图像的通用分割算法，通用方法和策略仍面临着巨大的困难。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。
2. 边缘点检测
边缘定义为图像局部特性的不连续性，具体到灰度图像中就是图像差别较大的两个区域的交界线，广泛存在于目标物与背景之间、目标物与目标物之间。边缘点检测就是要确定图像中有无边缘点，若有还要进一步确定其位置。具体实施时，一要根据实际应用环境及被检测的边缘类型确定检测算子和判断准则，二要依据沿着边缘走向的灰度值缓变或不变，而垂直于边缘走向的灰度则突变的特性。通常边缘类型表现为阶跃式、脉冲式和屋顶式。
边缘检测有多种方法，主要用一阶微分算子，所选取模板不同对图像处理的效果也不同。用二阶微分算子（如Laplacian算子）检测边缘时，可能会把噪声当边缘点检测出来，而真正的边缘点会被噪声淹没而未检测出。为此，Marr和Hildreth提出了Laplacian of Gaussian算子，简称LoG算子。该方法是先采用Gaussian算子对原图像进行平滑，然后施以Laplacian算子，这样就克服了Laplacian算子对噪声敏感的缺点，减少了噪声的影响。
3. Hough变换
Hough变换是考虑像素间的整体关系，在预先知道区域形状的条件下，利用Hough变换可以方便地得到边界曲线而将不连续的边缘像素点连接起来。所以Hough变换的主要优点就在于受噪声和曲线间断的影响较小，是将边缘点连接成边缘线的全局最优方法。
Hough变换的基本思想在于不同坐标系下点-线的对偶关系。Hough变换把在图像空间中的检测问题转化为参数空间的简单累加统计问题。它用于直线检测的基本策略为：由图像空间的边缘点去计算参数空间中共线点的可能轨迹，并在一个累加器中对计算出的共线点计数。Hough变换不仅可以检测直线，还可以检测圆、椭圆、抛物线等形状的曲线。
4. 阈值分割
阈值分割的实质是利用图像的灰度直方图信息获得用于分割的阈值。它是用一个或几个阈值将图像的灰度级分为几个部分，认为属于同一部分的像素是同一个物体，该方法特别适用于目标和背景占据不同灰度级范围的图像。
阈值分割算法主要有以下两个步骤：一是确定需要的分割阈值，二是将分割阈值与像素值进行比较以划分像素。在这两步中，确定阈值是分割的关键。用阈值分割时，一般假设图像由具有单峰灰度分布的目标和背景组成，处于目标或背景内部相邻像素间的灰度值是高度相关的，但处于目标和背景交界处两边的像素在灰度值上有很大的差别。此时图像的灰度直方图基本上可看做是由分别对应目标和背景的两个单峰直方图混合构成的。进一步，如果这两个分布大小（数量）接近且均值相距足够远，而且两部分的均方差也足够小，则直方图应为较明显的双峰。类似地，如果图像中有多个单峰灰度分布的目标，则直方图有可能表现为较明显的多峰，对这类图像用阈值分割可以取得较好效果。
阈值分割有单阈值分割方法和多阈值分割方法。单阈值分割可看做是多阈值分割的特例，许多单阈值分割算法可以推广以进行多阈值分割；反之，有时也可将多阈值分割问题转化为一系列单阈值分割问题来解决。
阈值分割方法主要有迭代法、最大类间方差法、动态阈值法、最大熵法、最小误差阈值法、聚类法等。
5. 区域分割
阈值分割法由于没有或很少考虑空间关系，使得多阈值选择受到限制，基于区域的分割方法可以弥补这点不足，该方法利用的是图像的空间性质，认为分割出来的属于同一区域的像素应具有相似的性质。传统的区域分割法有区域增长法和区域分裂合并法。该类方法在没有先验知识可以利用时，对含有复杂场景或自然场景等先验知识不足的图像进行分割，也可以取得较好的性能。但是，该类方法是一种迭代的方法，空间和时间开销都比较大。
6. 区域生长法
区域生长法的基本思想是将具有相似性质的像素结合起来构成区域。相邻与相似性准则是区域生长的条件，具体步骤如下：
（1）选择或确定一组能正确代表所需区域的种子像素为起点；
（2）按照生长准则将符合条件的相邻像素包括进来进行生长；
（3）根据生长过程停止的条件或规则判断生长的结束。
影响算法性能的因素有：种子点集的选择、生长准则、停止条件。
7. 区域分裂合并法
区域生长法通常需要人工交互或自动方式获得种子点，这给分割带来一定的难度。区域分裂合并法不需要预先指定种子点，它按某种一致性准则分裂或合并区域。它的研究重点是分裂和合并规则的设计。分裂合并法可以先进行分裂运算，然后再进行合并运算；也可以分裂和合并运算同时进行，经过连续的分裂和合并，最后得到图像的精确分割。分裂合并算法对分割复杂的场景图像比较有效。
首先将图像分解成互不重叠的区域，再按照相似性准则进行合并。可以利用图像四叉树表达方法的迭代分裂合并法。其主要步骤为：
（1）对任一区域R i，如果P（R i）=FALSE，就将该区域分裂为不重叠的4等分；
（2）将P(R i∪R j)=TRUE的任意2个相邻区域进行合并；
（3）当无法再继续合并或者分裂时，停止操作。
其中P表示具有相同性质的逻辑谓词。最小分块大小以及判定区域为同一性质的准则的选择，对算法的最终性能都有很大的影响。
8. 数学形态学图像处理
数学形态学的应用几乎覆盖了图像处理的所有领域。数学形态学可以应用于二值图像，也可以应用于灰度图像。在二值图像中目标点灰度值为1，这些目标点构成一个集合；背景点灰度值为0，它们构成目标点集的补集。形态学的基本运算是膨胀和腐蚀。膨胀使物体扩张到其邻域内的最近像素；腐蚀则使物体缩小。腐蚀和膨胀不是可逆运算，它们的组合构成了新的运算----开运算和闭运算。
数学形态学在二值图像中具有如下几种应用：（1）用于提取二值图像中目标的边界；（2）用于区域填充；（3）用于连通区域的提取；（4）对集合的细化；（4）对集合的粗化；（5）提取集合的骨架；（6）提取区域的凸壳；（7）对图像进行修剪。数学形态学在灰度图像中可以有如下几种应用：（1）图像平滑；（2）提取边界；（3）纹理区域分割。
8.3 内容扩展
8.3.1 C a n n y 算子
真实图像中的（灰度）边缘是比较复杂的，由于采样等原因，实际图像中的边缘是有坡度的，所以一般需要用下列5个参数来描述它：位置、朝向、幅度、均值、斜率。对边缘的检测可以借助边缘在上述5个方面的特点来进行。Canny 利用高斯噪声的模型，借助图像滤波的概念提出了判定边缘检测算子的3个准则：信噪比准则、定位精度准则和单边缘响应准则。
（1）信噪比准则
信噪比SNR 定义为
∫∫+?+??=W W W
W dx x h dx x h x G SNR )(|)()(|2
σ
其中G(x)代表边缘函数，h(x)代表带宽为W 的滤波器的脉冲响应，σ代表高斯噪声的均方差。信噪比越大，提取边缘时的失误概率越低。
（2）定位精度准则
边缘定位精度L 定义如下
∫∫+?+??=W W W
W dx x h dx x h x G L )(|)()(|2'''σ
其中)('x G 和)('x h 分别代表G(x)和h(x)的导数。L 越大表明定位精度越高，此时检测
出的边缘在其真正位置上。
（3）单边缘响应准则
单边缘响应与如下定义的算子脉冲响应的导数的零交叉点平均距离有关。
2
1''2''})()({)(∫∫+?+∞∞
?=W
W zca dx x h dx x h f D π
其中)(''x h 代表h(x)的二阶导数。如果上式满足，则对每个边缘可以有惟一的响应，得
到的边界为单像素宽。
以上面的指标和准则为基础，寻找最优的滤波器的问题就转化为泛函的约束优化问题。Canny 利用变分法求出了这个带有约束的泛函最优化问题的解，发现这个问题的解可以由高斯函数的一阶导数去逼近。尽管高斯函数的性能要差一点，但是使用高斯函数的一阶导数使计算变得比较简单。在二维情形下，可以使用二维高斯函数的导数作为滤波器函数。
在图像边缘检测中，抑制噪声和边缘精确定位是无法同时满足的，边缘检测算法通过平滑滤波去除图像噪声的同时，也增加了边缘定位的不确定性；反之，提高边缘检测算子对边缘的敏感性的同时，也提高了对噪声的敏感性。Canny 算子力图在抗噪声干扰和精确定位之间寻求最佳折衷方案。用Canny 算子检测图像边缘的步骤如下：
（1） 用高斯滤波器平滑图像。
（2） 计算滤波后图像梯度的幅值和方向。
（3） 对梯度幅值应用非极大值抑制，其过程为找出图像梯度中的局部极大值点，把
其他非局部极大值点置零以得到细化的边缘。
（4） 用双阈值算法检测和连接边缘，使用两个阈值T1和T2（T1>T2），T1用来找
到每条线段，T2用来在这些线段的两个方向上延伸寻找边缘的断裂处，并连接
这些边缘。
例8.1 用Canny 算子检测边缘。
用Canny 算子检测边缘的 Matlab 程序如下
f=imread('i_peppers_gray.bmp');
subplot(1,2,1);
imshow(f);
title('原始图像');
[g,t]=edge(f,'canny');
subplot(1,2,2);
imshow(g);
title('Canny 算子分割结果');
检测结果如图8.1所示。
图8.1 Canny 算子分割图像
8.3.2 阈值分割的其它方法
1. 聚类法
利用特征空间聚类的方法进行图像分割，可看成是对阈值分割概念的推广。它将图像
空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割的结果。
一般的阈值分割可看成是以像素的灰度为特征，灰度直方图代表特征空间，用阈值将灰度直方图特征空间进行划分，把得到的特征类映射回图像空间，不同灰度的像素构成不同的区域。除像素灰度外，其它图像特征也可用于聚类。
在实际图像分割中，我们可能不具备任何有关模式的先验知识，既不知道它的分布，也不知道它该分成多少类，更不知道各类的参数，如均值、方差等，这时，聚类方法就显示出它解决此类问题的独特优越性。通常采用最基本的K-均值聚类方法，其思想是以类内保持最大相似性以及类间保持最大距离为目标，通过迭代优化获得最佳的图像分割阈值。
2. 最大熵法
熵是信息论中对不确定性的度量，是对数据中所包含信息量大小的度量。熵取最大值时，就表示获得的信息量为最大。
最大熵法的设计思想是，选择适当的阈值将图像分为两类，当这两类的平均熵之和为最大时，可从图像中获得最大信息量，以此来确定最佳阈值。
根据以上原理，获得最大熵方法的具体步骤如下：
（1）设灰度图像的灰度级为0，1，…，255，图像在各个灰度级出现的概率分别为p 0，p 1，…，p 255
。 （2）给定一个初始阈值T= T 0，将图像分成C 1、C 2两类。
（3）分别计算两个类的平均相对熵
=?=T i T
i T i p p p p E 01 ∑
+=???=2551211T i T i T i p p p p E 其中，∑==T o i i T p
p 。
（4）选择最佳阈值T=T *，使得图像按照该阈值分为C 1、C 2两类后，满足
}max{|][2121*E E E E T T +=+=
3. 最小误差阈值选择法
最小误差阈值是指使目标和背景分割错误最小的阈值，它利用数理统计知识做分割处理。设一幅图像只包含有目标和背景，目标的平均灰度高于背景的平均灰度。已知目标和背景的灰度分布概率分别为和p 1(z)和p 2(z)，同时已知目标像素数与全部图像像素数之比为θ。因此该图像总的灰度密度分布p(z)为
p(z)= θp 1
(z)+(1-θ) p 2(z) 假定选用灰度阈值z t 进行分割，灰度小于z t 的像素点作为背景，反之则为目标，于是将目标误判为背景点的概率为
∫∞?=t
z t dz z p z E )()(11 将背景点误判为目标的概率为
∫+∞
=t z t dz z p z E )()(22
因此，总的误判概率E()为
)()1()()(21t t t z E z E z E θθ?+=
最佳阈值就是使E(z t
)为最小的阈值z t 。 8.3.3 分割算法评价方法及分类
图像分割评价通过对图像分割算法性能的研究以达到优化分割的目的，这可以分成二种情况：
（1）掌握各算法在不同分割情况中的表现，以通过选择算法参数来适应分割具有不同内容的图像和分割在不同条件下采集到的图像的需要。
（2）比较多个算法分割给定图像的性能，以帮助在具体分割应用中选取合适的算法。 这二方面的内容是相互关联的。分割评价不仅可以提高现有算法的性能，对研究新的技术也具有指导意义。
为达到以上目的，对评价方法提出的基本要求有：
（1）通用性，即它要适于评价不同类型的分割算法并适合各种应用领域情况。
（2）采用定量的和客观的性能评价准则，这里定量是指可以精确地描述算法的性能，客观是指评判摆脱了人为的因素。
（3）选择通用的图像进行测试以使评价结果具有可比性，同时这些图像应尽可能反映客观世界的真实情况和实际应用的共同特点。
通过对大多数现有评价方法的归纳，可把它们分为二大类：一类是直接的方法，可称为分析法；另一类是间接的方法，可称为实验法。分析法直接研究分割算法本身的原理特性，通过分析推理得到算法性能。实验法则根据分割图像的质量间接地评判算法的性能，具体就是用待评价的算法去分割图像，然后借助一定的质量测度来判断分割结果的优劣，据此得出所用分割算法的性能。
图像分割技术的GUI设计 一、概述（意义及背景） 图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。1998年以来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。图像分割后提取出的目标可以用于图像语义识别，图像搜索等等领域。 二、设计方案 利用MATLAB中的GUI（图形用户界面），实现图像的读取，边缘检测，四叉树分解，直方图阈值分割，二值化差值的实现，并设计了退出按钮。 三、实现步骤 1、打开MATLAB; 2、打开Command Window 窗口中输入guide或点击快捷键 ; 3、在GUIDE Quick Start 窗口中选择Blank GUI(Default)中选择Blank GUI(Default),再单击OK; 4、在新出现的窗口中选择需要的GUI控件； 5、在控件上右击选择View Callbacks—callback; 6、输入各控件对应的回调函数； 四、系统调试及验证 完成后系统是这样的
1、单击系统前置图的运行按钮进入系统调试 2、点击第一个模块相应按钮完成相应实验 点击读取图片按钮的效果点击图像边缘检测按钮的效果 点击四叉树分解按钮的效果点击直方图阈值分割按钮的效果3、点击第二个模块相应按钮完成相应的实验
点击读取原图按钮的效果点击读取背景图按钮的效果 点击二值化差值图按钮的效果 4、点击退出按钮结束实验 点击退出按钮结束实验 五、参考文献 [1] 杨帆.数字信号处理与分析[M]. 北京:北京航空航天大学出版社，2010. [2] 徐飞，施晓红.MATLAB应用图像处理[M].西安.西安电子科技大学出版社，
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
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
实验二、图像分割 一、实验目的 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，能够从理论上作出合理的解释。 二、实验原理 1、边缘检测 (1)使用Roberts 算子的图像分割实验，调入并显示一幅图像*.gif或*.tif；使用Roberts 算子对图像进行边缘检测处理；Roberts 算子为一对模板，相应的矩阵为： rh = [0 1;-1 0]; rv = [1 0;0 -1]; 这里的rh 为水平Roberts 算子，rv为垂直Roberts 算子。可以显示处理后的水平边界和垂直边界检测结果；用“欧几里德距离”方式计算梯度的模，显示检测结果；对于检测结果进行二值化处理，并显示处理结果。 (2)使用Prewitt 算子的图像分割实验 使用Prewitt 算子进行内容(1)中的全部步骤。 (3)使用Sobel 算子的图像分割实验 使用Sobel 算子进行内容(1)中的全部步骤。 (4)使用Canny算子进行图像分割实验。 (5) 使用拉普拉斯算子进行图像分割实验。 I=imread('D:\blood.bmp'); Imshow(I); BW1=edge(I,'roberts'); BW2=edge(I,'prewitt'); BW3=edge(I,'sobel'); BW4=edge(I,'log'); BW5=edge(I,'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,
图像分割技术 图像分割就是将一副数字图像分割成不同的区域，在同一区域内具有在一定的准则下可认为是相同的性质，如灰度、颜色、纹理等，而任何相邻区域之间器性质具有明显的区别。 主要包括：边缘分割技术、阈值分割技术和区域分割技术。 1.边缘分割技术 边缘检测是检测图像特性发生变化的位置，是利用物体和背景在某种图像特性上的差异来实现的。不同的图像灰度不同，边界处会有明显的边缘，利用此特征可以分割图像。边缘检测分割法是通过检测出不同区域边界来进行分割的。 常见的边缘检测方法：微分算子、Canny算子和LOG算子等，常用的微分算子有Sobel算子、Roberts算子和Prewit算子等。 （1）图像中的线段 对于图像的间断点，常用检测模板： -1 -1 -1 -1 8 -1 -1 -1 -1?????????? 对于图像中的线段，常用的检测模板： 检测图像中的线段： close all;clear all;clc; I=imread('gantrycrane.png'); I=rgb2gray(I); h1=[-1,-1,-1;2 2 2;-1 -1 -1];%模板 h2=[-1 -1 2;-1 2 -1;2 -1 -1]; h3=[-1 2 -1;-1 2 -1;-1 2 -1]; h4=[2 -1 -1;-1 2 -1;-1 -1 2]; J1=imfilter(I,h1);%线段检测 J2=imfilter(I,h2); J3=imfilter(I,h3); J4=imfilter(I,h4); J=J1+J2+J3+J4;%4种线段相加 figure, subplot(121),imshow(I); subplot(122),imshow(J); （2）微分算子 ○1Roberts算子的计算公式： 采用edge()函数进行图像的边缘检测。 Roberts算子进行图像的边缘检测： close all; clear all;clc; I=imread('rice.png'); I=im2double(I); %Roberts算法进行边缘检测
6、采用简单区域扩张法对下图实施图像的区域分割。自行选定起始种子像素灰及灰度间隔度。 原理：以图像的某个像素为生长点，比较相邻像素的特征，将特征相似的相邻像素合并为同一区域；以合并的像素为生长点，继续重复以上操作，最终形成具有相似特征的像素的最大连通集合。该法称简单(单一型)区域扩张法。 基于区域灰度差的方法主要有如下步骤： （1）对图像进行逐行扫描，找出尚没有归属的像素； （2）以该像素为中心检查它的邻域像素，如果灰度差小于预先确定的阈值，将它们合并； （3）以新合并的像素为中心，重复步骤(2)，检查新像素的邻域，直到区域不能进一步扩张； （4）返回到步骤(1)，继续扫描直到不能发现没有归属的像素，则结束整个生长过程。 下图给出已知种子点进行区域生长的一个示例。图(a)给出需分割的图像，设已知种子像素(标为灰色方块)，现要进行区域生长。设这里采用的生长判断准则是：如果所考虑的像素与种子像素灰度值差的绝对值小于某个门限T，则将该像素包括进种子像素所在区域。图(b)给出T＝3时的区域生长结果，整幅图被较好地分成2个区域；图(c)给出T＝2时的区域生长结果，有些像素无法判定；图(d)给出T＝6时的区域生长结果，整幅图都被分在一个区域中了。 程序为：（一） I=imread('p5-06.tif'); subplot(2,2,1),imshow(I),title('原始图像'); Ic=imcomplement(I) ; BW=im2bw(Ic,graythresh(Ic)) ; subplot(2,2,2),imshow(BW),title('阈值截取分割后图像'); se=strel('disk',6); BWc=imclose(BW,se); BWco=imopen(BWc,se);
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-
7-2 图像分割二——阈值处理 一、实验目的： 1. 理解和掌握全局阈值处理和局部阈值处理的基本原理； 2. 利用MATLAB 编程实现对图像进行阈值处理，包括全局阈值处理，局部阈值处理； 3. 通过实验体会分割方法对图像处理的效果，以及各种因素对分割效果的影响。 二、实验内容： 1. 利用 Matlab 编程实现基本全局阈值处理、Otsu 方法和局部阈值处理，比较并分析这几种方法分割图像的效果。 2. 理解教材 p221 自定义函数计算给定图像直方图的 T 和 SM 的原理，并实现； 3. 利用 Matlab 编程实现使用基于梯度的边缘信息改进全局阈值处理、使用基于拉普拉斯 三、实验步骤： 1. 读入图像并绘制原始图像直方图,代码如下： clc;clear f = imread('Fig723(a).jpg'); imshow(f) title('原始图像') figure; imhist(f) title('原始图像直方图') axis([0 250 0 1200])
2.基本全局阈值处理，代码如下： f=imread('Fig723(a).jpg'); count = 0; T = mean2(f); done = false; while ~done countcount = count + 1; g = f > T; Tnext = 0.5*(mean(f(g)) + mean(f(~g))); done = abs(T - Tnext) < 0.5; T = Tnext; end g = im2bw(f, T/255); subplot(121); imshow(f) subplot(122); imshow(g); title('基本全局阈值处理后的图像')
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
综述：PDE图像分割技术 沈民奋 汕头大学工学院，广东省图像处理重点实验室，汕头 515063 摘要：偏微分方程（PDE's）图像处理在图像处理的各个方面已经得到了广泛的应用，该 方法通常与水平集方法配合使用。在图像分割方面提出了许多基于偏微分方程（PDE's）的 方法，比如，M-S分片光滑法，C-V无需边缘的活动围线法，P-D测地活动区域组等等。本文 追踪偏微分方程（PDE's）图像分割的发展，回顾偏微分方程（PDE's）图像分割领域的重 要文献，也简述了偏微分方程（PDE's）图像分割中的数值技巧。从本文的综述可以看出， 当前偏微分方程（PDE's）图像分割的主要发展趋势有三个方面：将图像分割的边界特征和 区域特征相结合；建立新的水平集方法来实现偏微分方程（PDE's）图像分割；将偏微分方 程（PDE's）图像分割技术与传统技术如贝叶斯方法相结合。 关键词：偏微分方程，图像分割，水平集，活动围线，综述 中图分类号：TP391.4 文献标识码：A 文章编号： 0 引言 图像分割是图像分析和计算机视觉中一个基本处理环节。这方面的文献很多。本文主要关注偏微分方程（PDE）图像分割的最新进展。方程的建模通常是根据变分法寻找一个使能量泛函最小化的函数，并辅之以水平集技术。尽管本文主要综述关于二维灰度图像的分割方法，由于偏微分方程图象处理的固有优势，这些方法往往很容易推广到彩色图像分割或序列图像的运动追踪问题[1,5,29,30,33,35,41]。 传统的图像分割方法，无论是基于时域还是频域的分割，总是利用图像中的灰度边界信息或灰度同质区域进行分割图像。偏微分方程图像分割也是基本如此。从根本上说，偏微分方程图像处理是基于对图像的确定性描述，近年来，许多研究人员试图把概率性描述的一些手段与偏微分方程图像处理相结合。最早的偏微分方程图像分割借助于各向异性的灰度扩散技术，扩散的结果是使得原输入图象变换成为由一些分片光滑的灰度同质区域所组成的近似图像，从而更容易分割出图像中的不同区域。后来，随着水平集方法的提出，曲线演化和传统的参数型曲线演化相比，变得更加方便和有效。因此，曲线演化或称活动围线模型成为图像分割的主流。此后，偏微分方程活动围线的发展主要在于两个方面：多相活动围线和边界无关的活动围线模型。最近，活动围线和先验形状信息相结合的方法也相继被提出。另一方面，偏微分方程图像分割的技术改进也来自于新的数值技巧，比如改进传统的水平集方法；多尺度水平集技术；甚至完全抛开水平集方法而寻找方程的直接数值求解。 偏微分方程图象处理的一般方法是这样的：给定一个问题，在特定准则下最小化一个能量泛函，使得最小化函数即为问题的解。以图像分割为例，这些准则通常是图像中的灰度边缘信息或灰度同质区域信息；其次，根据这些准则确立一个能量泛函，使得仅在我们所期望达到的分割边界上该能量泛函达到最小；然后，从最小化问题中推导出相应的欧拉-拉格朗日方程（组），方程的解的存在性往往需要专门给出证明；最后，使用适当的数值技术求解这个方程（组）。偏微分方程图象处理确实能够提供与传统图象处理手段所不同的处理方法和效果，尤其对于复杂的图像分割问题显得灵活和有效。最近偏微分方程图象处理的繁荣就是由于它所能够提供灵活多样的，而且往往是传统处理方法所不能企及的处理性能。过去二十年来，有很多偏微分方程图像分割的文章相继发表，有基于边缘或测地边缘的活动围线模型，分片光滑的灰度同质区域分割模型，和结合其它方法（如贝叶斯方法）的偏微分方程图像分割模型。读者也可以参
安康学院 学年论文﹙设计﹚ 题目基于区域生长法的图像分割 学生姓名周东阳 2012020081 所在院(系)电子与信息工程系 专业班级电子信息工程2012级2班 指导教师余顺园 2015年6月25日
基于区域生长法的图像分割 作者：周东阳 安康学院电子与信息工程系电子信息工程专业12级，陕西安康 725000 指导教师：余顺园 【摘要】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。区域生长是一种根据事先定义的准则将像素或子区域聚合成为更大的区域的过程。基本方法是以一组“种子”点开始，将与种子点性质相似（诸如灰度级等）的相邻像素附加到生长区域的每个种子上。 区域生长的一个问题是用公式描述一个终止规则。基本上，在没有像素满足加入某个区域的条件时，区域生长就会停止。在此次课程设计中，在算法的设计上充分反映了这一点。在遍历图像的过程中调用函数testnei，测试i,j点处的邻域满足条件的像素。将每次新增长的种子点作为下次遍历的中心点，直到区域不再生长。 【关键词】区域生长种子点分割像素 Image segmentation based on region growing arithmetic Author：ZhouDongyang Grade three ,Class two,Major Electronic and Information Engineering ,Dept.，Ankang University，Ankang 725000，Shaanxi Directed by YuShunyuan Abstract:Image segmentation aims to divide the image into different areas, based on region growing is to find region-based segmentation techniques. Criteria defined in advance by the region growing is a pixel or sub-regional aggregate into bigger regional process. Basic method is based on a set of "seed" point, with seeds similar in nature (such as grayscale) adjacent pixels on each attach to the growth region of the seed. Region growing is one of the problems with formulas describing a termination rule. Basically, no pixels when you meet the conditions for joining a regional, regional growth will stop. In the design of this course, in algorithm design fully reflects that. Traverse the image function is called during testneitesting i,j
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
图像分割阈值选取技术综述 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．阈值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．已被应用于很多的领域。本文是在阅读大量国内外相关文献的基础上，对阈值分割技术稍做总结，分三个大类综述阈值选取方法，然后对阈值化算法的评估做简要介绍。 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[37]．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。 阈值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．已被应用于很多的领域，例如，在红外技术应用中，红外无损检测中红外热图像的分割，红外成像跟踪系统中目标的分割；在遥感应用中，合成孔径雷达图像中目标的分割等；在医学应用中，血液细胞图像的分割，磁共振图像的分割；在农业工程应用中，水果品质无损检测过程中水果图像与背景的分割。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、识别的前提，分割的准确性将直接影响后续任务的有效性，其中阈值的选取是图像阈值分割方法中的关键技术。 2．阈值分割的基本概念 图像阈值化分割是一种最常用，同时也是最简单的图像分割方法，它特别适用于目标和背景占据不同灰度级范围的图像[1]。它不仅可以极大的压缩数据量，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的必要的图像预处理过程。图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。这样的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的图像分割技术，其基本原理是：通过设定不同的特征阈值，把图像像素点分为若干类．常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始
ygf8200实习小编一级|消息| 我的百科| 我的知道| 我的空间| 百度首页| 退出图像分割 简介 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。 基于图论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。该方法将图像映射为带权无向图，把像素视作节点。利用最小剪切准则得到图像的最佳分割该方法本质上将图像分割问题转化为最优化问题。是一种点对聚类方法。对数据聚类也具有很好的应用前景。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，本文将对图论方法用于图像分割的基本理论进行简要介绍，并对当前图论方法用于图像分割的最新研究进展进行综述，并着重介绍基于等周图割的图像分割的方法。 图像目标分割与提取技术综述 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。有些算法需要先对图像进行粗分割，因为他们需要从图像中提取出来的信息。例如，可以对图像的灰度级设置门限的方法分割。值得提出的是，没有唯一的标准的分割方法。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。 具体定义 为后续工作有效进行而将图像划分为若干个有意义的区域的技术称为图像分割(I mage Segmentation) 而目前广为人们所接受的是通过集合所进行的定义： 令集合R代表整个图像区域，对R的图像分割可以看做是将R分成N个满足以下条件的非空子集R1，R2，R3，…，RN； （1）在分割结果中，每个区域的像素有着相同的特性 （2）在分割结果中，不同子区域具有不同的特性，并且它们没有公共特性 （3）分割的所有子区域的并集就是原来的图像