图像分割算法的研究与实现-开题报告
- 格式：doc
- 大小：245.50 KB
- 文档页数：13
湖北师范学院学士学位论文（设计）开题报告
学生姓名 所在院系 物理与电子信息科学学院 所在班级 指导教师
学生学号 专业方向 电子信息科学与技术 开题时间 2010.3.8 导师职称
论文题目 图像分割算法的研究与实现
文献综述：
从上世纪70年代起,许多研究人员为图像分割问题付出了巨大的努力。现代图像处理技术已成功地应用于许多领域。例如,机动车号牌识别,交通路口(段)的电子警察,文字识别(OCR),指纹识别,等等。图像分割是图像识别和图像理解的基本前提,图像分割质量的好坏直接影响后续图像处理的效果,因此图像分割的作用是至关重要的。图像分割是指将一幅图像分解为若干互不交叠的有意义具有相同性质的区域。好的图像分割应具备的特征:①分割出来的各区域对某种性质例如灰度,纹理而言具有相似性,区域内部是平整的且没有许多小孔;②相邻区域对分割所依据的性质有明显的差异;③区域边界是明确和规整的。大多数图像分割方法只是部分满足上述特征。如果加强分割区域的同性质约束,则分割区域很容易产生大量小孔和不规整边缘;若强调不同区域间性质差异的显著性,则易造成不同质区域的合并。具体处理时,不同的图像分割方法总是在各种约束条件之间寻找一种合理的折中[1]。
图像分割是图像处理到图像分析的关键步骤,也是进一步图像理解的基础。所谓图像分割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。借助集合概念对图像分割可给出如下比较正式的定义令集合R 代表整个图像区域,对的分割可看作将R分成N 个满足下列5 个条件的非空子集（子区域）R1,…,RN;
① R1 U R2… U RN =R;
② 对所有的i 和j ,有Ri ∩ Rj = ø (i≠j);
③ 对i = 1 ,2 , ⋯, N ,有P(Ri) = TRUE;
④ 对i ≠ j ,有P(Ri ∪Rj) = FALSE;
⑤ 对i = 1 ,2 , ⋯, N , Ri 是连通区域。
其中P( Ri) 是对所有在集合Ri 中元素的逻辑谓词，ø代表空集。
在实际应用中,图像分割不仅要把一幅图像分成满足上面5 个条件的各具特性的区域,而且需要把感兴趣目标区域提取出来。由于符合上述条件的分割计算十分复杂和困难,图像分割成为图像处理中一个经典的研究课题[2]。
图像分割方法
根据分割方法的不同特点可分为:阈值分割、基于边缘的图像分割、基于区域的图像分割、基于模型的图像分割和基于人工智能的图像分割等[3]。
阈值分割
图像分割的经典方法是基于灰度阈值的分割方法， 它通过设置阈值，把像素点按灰度级分若干类，从而实现图像分割。把一副图像转化为二值图像是阈值分割的最简单形式。阈值处理是一种区域分割技术，将灰度根据主观愿望分成两个或多个等间隔或不等间隔灰度区间， 它主要是利用图像中要提取的目标物体和北京在灰度上的差异， 选择一个合适的阈值， 通过判断图像中的每一个像素点的特征属性是否满足阈值的要求来确定图像中该像素点术语目标区还是应该属于区域，从而产生二值图像，它对物体和背景有较强对比景物的分割特别有用。它计算简单，而且总能用封闭而且连通的边界定义不交叠的区域。 阈值值分割主要有两个步骤：
1）确定正确分割的阈值;
2）将所有像素的灰度级与阈值进行比较，以进行区域划分，
达到目标与背景分离的目的。在这一过程中，正确确定阈值是关键，只要能确定一个合适的阐值就可完成图像的准确分割。
阈值法简单、运算效率高，是图像分割中广泛采用的方法。
阈值分割法的结果很大程度上依赖于对阈值的选取，因此该方法关键是如何选择合适的阈值[4]。
常见阈值选取方法：
1.双峰法
双峰法的原理：是它假设图象是由前景和背景组成，在灰度直方图上前后二景都形成高峰，在双峰之间的最低谷处就是图象的阈值所在。
该方法的分割效果来看，当前后景对比较为强烈时，分割效果较好，否则基本无效。
2.迭代法（最优方法）
它基于逼近的思想，基本算法如下：
（1） 求出图像的最大灰度值和最小灰度值，分别记为Max和Min，令初始阈值为：
0()/2TMaxMin
根据阈值kT将图像分割为前景和背景，分别求出两者的平均灰度值0Z和bZ；
（2） 求出阈值10()/2kbTZZ；
（3） 如果1kkTT；则所得即为阈值；否则转（2）迭代计算。
迭代所得的阈值分割图象的效果良好， 基于迭代的阈值能区分图象的前景和背景的主要区域所在，但是在图象的细微处还是没有很好的区分度，令人惊讶的是对某些特定图象，微小数据的变化会引起分割效果的巨大变化，两者的数据只是稍有变化，分割效果反差极大，具体原因还有待进一步研究[5]。
阈值分割法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，对于直方图呈明显双峰特性的图像，可得到很好的分割效果。阈值分割看似个简单的问题，在过去的四十年里受到国内外学者的广泛关注， 产生了数以百计的阐值选取方法，但是遗憾的是，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的图像都能得到令人满意的结果， 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。基于直方图的谷点搜索法阈值是通过分析图像的直方图来决定的。假设，一副图像只有物体和背景两部分组成，其灰度图直方图呈现明显的双峰值，如下图1。
找出阈值T，则可以对整个图像进行二值化赋值。
程序的实现：
通过数组记录直方图中的各像素点值的个数， 再对逐个像素值进行扫描。记录每个像素能作为谷底的范围值，接着找出能作为谷底范围最大的点作为阈值。
实现流程图：
阈值法是一种简单但是非常有效的方法, 特别是不同物体或结构之间有很大的强度对比时, 能够得到很好的效果它一般可以作为一系列图像处理过程的第一步。它一般要求在直方图上能得到明显的峰或谷, 并在谷底选择阈值。如何根据图像选择合适的阈值是基于阈值分割方法的重点所在, 也是难点所在。
它的主要局限是, 最简单形式的阂值只能产生二值图像来区分两个不同的类。另外, 它只考虑象素本身的值, 一般都不考虑图像的空间特性, 这样就对噪声很敏感它也没有考虑图像的纹理信息等有用信息,使分割效果有时不能尽如人意[4]。
基于边缘检测的图像分割
边缘检测的分割方法是通过检测包含不同区域的边缘来解决图像分割问题。所谓边缘，就是目标和背景的分界线，提取出边缘就可以将目标和背景区分开来， 因此它是图像分割所依赖的重要特征，
同时也是纹理特征的重要信息源和形状特征的基础。它包含了用于识别的有用信息，为人们描述或识别目标以及解释图像提供了一个有价值的、重要的特征参数。在图像中，边界既是一个特征区域的终结，也是另一个特征区域的开始，边界所分开区域的内部特征或属性是一致的， 而不同区域内部的特征或属性是不同的， 边缘的检测正是利用物体和背景在某种图像特性上的差异来实现的， 这差异包括灰度、颜色以及纹理特征。边缘检测实际上就是要检测出图像的特性发生变化的位置。图像的信息量很大，而边缘信息是图像的一种紧描述，它所包含的往往是图像中最重要的信息。因此边缘检测在计算机视觉中有着非常重要的地位[6]。
边缘检测法
所谓边缘是指其周围像素灰度有阶跃变化的那些像素的集合。它存在于目标与背景之间,是图像分割所依赖的最重要的特征。因此,边缘检测可以看作是处理许多复杂问题的关键。对于边缘的检测常常借助于边缘检测算子进行,常用的边缘检测算子有: Roberts 算子、Laplace 算子、Prewitt 算开始
通过数组g[255]读入直方图
逐个查看能每个像素值在直方图中能作为谷底的范围
找出能作为谷底范围最大的像素值作为阈值
根据取得的阈值对图像进行二值化
结束 子、Sobel 算子、Robinson 算子、Kirsch 算子和Canny 算子等。其中Canny 边缘检测是一种比较新的边缘检测算子,不容易受噪声的干扰,能够检测到真正的弱边缘。基于边缘的分割技术依赖于由边缘检测算子找到的图像边缘,这些边缘标示出了图像在灰度、色彩、纹理等方面不连续的位置。常见的基于边缘的分割方法有:边缘图像阈值化、边缘松驰法、边界跟踪法、作为图搜索的边缘跟踪法、作为动态规划的边缘跟踪法、Hough 变换法和基于边界位置信息的边界检测法等。
该类方法对边缘灰度值过渡比较尖锐且噪声较小等不太复杂的图像,大都可以取得较好的效果。但对于边缘复杂、采光不均匀的图像来说,则效果不太理想,主要表现在边缘模糊、弱边缘丢失和整体边缘不连续等方面.在噪声较大的情况下常用的边缘检测算法,如Marr 算子,递归滤波器和Canny 算子等都是先对图像进行适当的平滑,抑制噪声,然后求导数,或者先对图像进行局部拟合,然后再用拟合的光滑函数的导数来代替直接的数值导数。Canny 算子较简单,而且考虑梯度方向,效果比较好[7]。
边缘检测的几种经典算法
（1）Canny 算子
Canny 边缘检测利用高斯函数的一阶微分，在噪声抑制和边缘检测之间寻求较好的平衡，其表达式近似于高斯函数的一阶导数。Canny 边缘检测算子对受加性噪声影响的边缘检测是最优的。
（2）Roberts 梯度算子
对阶跃状边缘，在边缘点处一阶导数有极值，因此可计算每个像素处的梯度来检测边缘点。对于图像g（x，y），在（x，y）处的梯度定义为grad（x，y）。梯度是一矢量，大小代表边缘的强度，方向与边缘走向垂直。梯度算子仅用最近邻像素的灰度计算，对噪声敏感，无法抑制噪声的影响。
（3）Prewitt 和Sobel 算子
Prewitt 从加大边缘检测算子的模板大小出发，由2×2 扩大到3×3 来计算差分算子，采用Prewitt算子不仅能检测边缘点，而且能抑制噪声的影响。Sobel 在Prewitt 算子的基础上，对4-邻域采用带权的方法计算差分，该算子不仅能检测边缘点，且能进一步抑制噪声的影响，但检测的边缘较宽。
（4）Laplace 算子
Laplace 算子是一与方向无关的各向同性（旋转轴对称）边缘检测算子。其特点是各向同性、线形和位移不变，对细线和孤立点检测效果好。但边缘方向信息丢失，常产生双像素的边缘，对噪声有双倍加强作用。由于梯度算子和Laplace 算子都对噪声敏感，因此一般在用它们检测边缘前要先对图像进行平滑。
（5）马尔算子
马尔算子是在拉普拉斯算子的基础上实现的，由于拉普拉斯算子对噪声比较敏感，为减少噪声影响，可先对待检测图进行平滑，然后再用拉普拉斯算子检测边缘。再利用二阶导数算子过零点的性质，可确定图像中阶跃状边缘的位置。应注意马尔算子用于噪声较大的区域会产生高密度的过零点[8]。
物体的边缘是以图像的局部特征不连续的形式出现的, 也就是指图像局部亮度变化最显著的部分,例如灰度值的突变、颜色的突变、纹理结构的突变等等, 同时物体的边缘也是不同区域的分界处。对于单色图像, 通常认为边缘是灰度陡然变化的部分, Herskovits 指出了边缘的几种典型情况, 例如阶跃形、屋顶形、边缘- 效应形、斜坡-阶跃形等等。边缘检测算法有如下四个步骤:
1) 滤波: 边缘检测算法主要是基于图像强度的一阶和二阶导数, 但导数的计算对噪声很敏感,
