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
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
6-1 试验目的计算特征值，实现算法 试验容：随机产生一个10阶整数矩阵，各数均在-5和5之间。 （1） 用MATLAB 函数“eig ”求矩阵全部特征值。 （2） 用幂法求A 的主特征值及对应的特征向量。 （3） 用基本QR 算法求全部特征值（可用MATLAB 函数“qr ”实现矩阵的QR 分解）。 原理 幂法：设矩阵A 的特征值为12n ||>||||λλλ≥???≥并设A 有完全的特征向量系12,,,n χχχ???(它们线性无关)，则对任意一个非零向量0n V R ∈所构造的向量序列1k k V AV -=有11()lim ()k j k k j V V λ→∞ -=， 其中()k j V 表示向量的第j 个分量。 为避免逐次迭代向量k V 不为零的分量变得很大（1||1λ>时）或很小（1||1λ<时），将每一步的k V 按其模最大的元素进行归一化。具体过程如下： 选择初始向量0V ，令1max(),,,1k k k k k k k V m V U V AU k m +===≥，当k 充分大时1111,max()max() k k U V χλχ+≈ ≈。 QR 法求全部特征值： 111 11222 111 ,1,2,3,k k k k k A A Q R R Q A Q R k R Q A Q R +++==????==??=???? ??????==?? 由于此题的矩阵是10阶的，上述算法计算时间过长，考虑采用改进算法——移位加速。迭 代格式如下： 1 k k k k k k k k A q I Q R A R Q q I +-=?? =+? 计算k A 右下角的二阶矩阵() () 1,1 1,() (),1 ,k k n n n n k k n n n n a a a a ----?? ? ??? 的特征值()()1,k k n n λλ-，当()()1,k k n n λλ-为实数时，选k q 为()()1,k k n n λλ-中最接近(),k n n a 的。 程序
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
%求四阶线性方程组的MA TLAB程序 clear Ab=[0.001 2 1 5 1; 3 - 4 0.1 -2 2; 2 -1 2 0.01 3; 1.1 6 2.3 9 4];%增广矩阵 num=[1 2 3 4];%未知量x的对应序号 for i=1:3 A=abs(Ab(i:4,i:4));%系数矩阵取绝对值 [r,c]=find(A==max(A(:))); r=r+i-1;%最大值对应行号 c=c+i-1;%最大值对应列号 q=Ab(r,:),Ab(r,:)=Ab(i,:),Ab(i,:)=q;%行变换 w=Ab(:,c),Ab(:,c)=Ab(:,i),Ab(:,i)=w;%列变换 n=num(i),num(i)=num(c),num(c)=n;%列变换引起未知量x次序变化for j=i:3 Ab(j+1,:)=-Ab(j+1,i)*Ab(i,:)/Ab(i,i)+Ab(j+1,:);%消去过程 end end %最后得到系数矩阵为上三角矩阵 %回代算法求解上三角形方程组 x(4)=Ab(4,5)/Ab(4,4); x(3)=(Ab(3,5)-Ab(3,4)*x(4))/Ab(3,3); x(2)=(Ab(2,5)-Ab(2,3)*x(3)-Ab(2,4)*x(4))/Ab(2,2); x(1)=(Ab(1,5)-Ab(1,2)*x(2)-Ab(1,3)*x(3)-Ab(1,4)*x(4))/Ab(1,1); for s=1:4 fprintf('未知量x%g =%g\n',num(s),x(s)) end %验证如下 %A=[0.001 2 1 5 1; 3 -4 0.1 -2 2;2 -1 2 0.01 3; 1.1 6 2.3 9 4]; %b=[1 2 3 4]'; %x=A\b; %x1= 1.0308 %x2= 0.3144 %x3= 0.6267 %x4= -0.0513
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
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
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：
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
第一章插值方法 1.1Lagrange插值 1.2逐步插值 1.3分段三次Hermite插值 1.4分段三次样条插值 第二章数值积分 2.1 Simpson公式 2.2 变步长梯形法 2.3 Romberg加速算法 2.4 三点Gauss公式 第三章常微分方程德差分方法 3.1 改进的Euler方法 3.2 四阶Runge-Kutta方法 3.3 二阶Adams预报校正系统 3.4 改进的四阶Adams预报校正系统 第四章方程求根 4.1 二分法 4.2 开方法 4.3 Newton下山法 4.4 快速弦截法 第五章线性方程组的迭代法 5.1 Jacobi迭代 5.2 Gauss-Seidel迭代 5.3 超松弛迭代 5.4 对称超松弛迭代 第六章线性方程组的直接法 6.1 追赶法 6.2 Cholesky方法 6.3 矩阵分解方法 6.4 Gauss列主元消去法
第一章插值方法 1.1Lagrange插值 计算Lagrange插值多项式在x=x0处的值. MATLAB文件：（文件名：Lagrange_eval.m）function [y0,N]= Lagrange_eval(X,Y,x0) %X,Y是已知插值点坐标 %x0是插值点 %y0是Lagrange插值多项式在x0处的值 %N是Lagrange插值函数的权系数 m=length(X); N=zeros(m,1); y0=0; for i=1:m N(i)=1; for j=1:m if j~=i; N(i)=N(i)*(x0-X(j))/(X(i)-X(j)); end end y0=y0+Y(i)*N(i); end 用法》X=[…];Y=[…]; 》x0= ; 》[y0,N]= Lagrange_eval(X,Y,x0) 1.2逐步插值 计算逐步插值多项式在x=x0处的值. MATLAB文件：（文件名：Neville_eval.m）function y0=Neville_eval(X,Y,x0) %X,Y是已知插值点坐标 %x0是插值点 %y0是Neville逐步插值多项式在x0处的值 m=length(X); P=zeros(m,1); P1=zeros(m,1); P=Y; for i=1:m P1=P; k=1; for j=i+1:m k=k+1;
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··
图像去噪是数字图像处理中的重要环节和步骤。去噪效果的好坏直接影响到后续的图像处理工作如图像分割、边缘检测等。图像信号在产生、传输过程中都可能会受到噪声的污染，一般数字图像系统中的常见噪声主要有：高斯噪声（主要由阻性元器件内部产生）、椒盐噪声（主要是图像切割引起的黑图像上的白点噪声或光电转换过程中产生的泊松噪声）等； 目前比较经典的图像去噪算法主要有以下三种： 均值滤波算法：也称线性滤波，主要思想为邻域平均法，即用几个像素灰度的平均值来代替每个像素的灰度。有效抑制加性噪声，但容易引起图像模糊，可以对其进行改进，主要避开对景物边缘的平滑处理。 中值滤波：基于排序统计理论的一种能有效抑制噪声的非线性平滑滤波信号处理技术。中值滤波的特点即是首先确定一个以某个像素为中心点的邻域，一般为方形邻域，也可以为圆形、十字形等等，然后将邻域中各像素的灰度值排序，取其中间值作为中心像素灰度的新值，这里领域被称为窗口，当窗口移动时，利用中值滤波可以对图像进行平滑处理。其算法简单，时间复杂度低，但其对点、线和尖顶多的图像不宜采用中值滤波。很容易自适应化。 Wiener维纳滤波：使原始图像和其恢复图像之间的均方误差最小的复原方法，是一种自适应滤波器，根据局部方差来调整滤波器效果。对于去除高斯噪声效果明显。 实验一：均值滤波对高斯噪声的效果 代码 I=imread('C:\Documents and Settings\Administrator\桌面\1.gif');%读取图像 J=imnoise(I,'gaussian',0,0.005);%加入均值为0，方差为0.005的高斯噪声 subplot(2,3,1);imshow(I); title('原始图像'); subplot(2,3,2); imshow(J); title('加入高斯噪声之后的图像'); %采用MATLAB中的函数filter2对受噪声干扰的图像进行均值滤波 K1=filter2(fspecial('average',3),J)/255; %模板尺寸为3 K2=filter2(fspecial('average',5),J)/255;% 模板尺寸为5
常用计算方法 1．超越方程的求解 一超越方程为 x (2ln x – 3) -100 = 0 求超越方程的解。 [算法]方法一：用迭代算法。将方程改为 01002ln()3 x x =- 其中x 0是一个初始值，由此计算终值x 。取最大误差为e = 10-4，当| x - x 0| > e 时，就用x 的值换成x 0的值，重新进行计算；否则| x - x 0| < e 为止。 [程序]P1_1abs.m 如下。 %超越方程的迭代算法 clear %清除变量 x0=30; %初始值 xx=[]; %空向量 while 1 %无限循环 x=100/(2*log(x0)-3); %迭代运算 xx=[xx,x]; %连接结果 if length(xx)>1000,break ,end %如果项数太多则退出循环（暗示发散） if abs(x0-x)<1e-4,break ,end %当精度足够高时退出循环 x0=x; %替换初值 end %结束循环 figure %创建图形窗口 plot(xx,'.-','LineWidth',2,'MarkerSize',12)%画迭代线'.-'表示每个点用.来表示，再用线连接 grid on %加网格 fs=16; %字体大小 title('超越方程的迭代折线','fontsize',fs)%标题 xlabel('\itn','fontsize',fs) %x 标签 ylabel('\itx','fontsize',fs) %y 标签 text(length(xx),xx(end),num2str(xx(end)),'fontsize',fs)%显示结果 [图示]用下标作为自变量画迭代的折线。如P0_20_1图所示，当最大误差为10-4时，需要迭代19次才能达到精度，超越方程的解为27.539。 [算法]方法二：用求零函数和求解函数。将方程改为函数 100()2ln()3f x x x =-- MATLAB 求零函数为fzero ，fzero 函数的格式之一是 x = fzero(f,x0) 其中，f 表示求解的函数文件，x0是估计值。fzero 函数的格式之二是 x = fzero(f,[x1,x2])
本科毕业论文（设计） 题目：基于MATLAB的数字图像分割的研究与实现 学院：计算机与信息工程学院 学生： 学号： 专业： 年级： 完成日期： 2012年04月 指导教师：
基于MATLAB的数字图像分割的研究与实现 摘要：视觉和听觉是我们认识和感知外部世界的主要途径，而视觉又是其中最重要的，因此要想更细致、全面地把握这些图像信息就需要对其进行必要的处理。在数字图像处理的研究和应用中很多时候我们只对图像的某些部分和特征感兴趣，此时就需要利用图像分割技术将所需的目标与图片的其他部分区分开，以供我们对图像进一步研究和分析。图像分割即通过一些必要的算法把图像中有意义的部分或特征提取出来，将图像分为若干有意义的区域，使得这些区域对应图像中的不同目标，进而能够对所感兴趣的区域进行研究。基于图像分割技术在图像处理之中的重要性，本研究在此对图像分割的一些经典算法进行了学习和对比，并通过MATLAB对其进行了实验，通过不同的算法对不同的图片进行处理，分析其优缺点，以便在进行图像分割时可以根据图片的特征选择合适的算法。 关键字：数字图像；分割；MATLAB
The Research and Implementation of Digital Image Segmentation Based on the MATLAB Abstract :Vision and auditory are the main ways which we use to understand and perceive the world outside, while vision is the most important. Therefore, it's require to process the image data to grasp them more painstaking and completely. In digital image processing of research and application we are only interested to some parts of the image and characteristic in many times, then you need to use the image segmentation technology to separate the goal and the picture for other parts for our further research and analysis of the image.Image segmentation is dividing the image into some significant areas through some necessary algorithms, then make these areas corresponding to different goals and we can do some research about the areas we are interested to. Based on the importance of image segmentation technology in image processing, I compared several classical algorithms of image segmentation. In the meanwhile, I used the MATLAB to do some research and to process the various images with different algorithms so that it's convinent to find the advantages of these algorithms. Then, I can base on the characteristics of the images to choose the suitable algorithms when to make some digital image segmentation. Key words : D igital Image; Segmentation; MATLAB