图像分割技术摘要
一、摘要
我们经常认为机器视觉系统由两个子系统构成：低级别的视觉和高级别的视觉。低级别的视觉系统主要是由可以把输入的图像转化为另一个含有更好的特征值的图像的图像处理操作组成。这些图像可能会出产一些低噪声或者引起某些特征的图像。高级别的视觉包含一些目标识别和更高级别的场景解释。这两个系统之间的过渡即为分割系统，通过分割系统，增大了得输入图像才能映射到包含了能够被高级别视觉任务使用的共同特征区域的描述中。 在图像分割上没有一个完全的理论。相反，图像分割技术基本上是很特别的，在一个理想的结体上强调一个或多个渴望的性能，对另一个性能的妥协上的不同方法，将会出现很大的不同。
这种技术可以根据不同的方法被分类很多不同的组，例如局部和全局，平行的和有顺序的，前后关系的和无前后关系的，交互式的和自动的。在这篇论文中，我们将所有的方案分为三个大组：基于象素的图像分割、基于边沿的图像分割和基于区域的图像分割。首先基于象素的图像分割方案为唯一的基于像素灰色的分类，基于边沿的图像分割方案第一次探测局部不间断点（边沿），然后利用这些信息将图像分割为区域，最后，基于区域的图像分割方案以原始象素（或原始像素组）开始，然后发展或分离这些原始象素直到这些原始图像仅由均匀的区域构成。
因为有很多的可查文件，所以我们将不讨论所有的图像分割方案。相对于一个可查的文献来说，我们提供一个详尽的综述。我们仅将多种普遍的方法作为重点，以便能展现给读者一个尽可能详尽的可用技术。
二、介绍
机器视觉系统经常被分为两个子系统：低级别视觉系统和高级别视觉系统。低级别的视觉系统主要是由可以把输入的图像转化为另一个含有更好的特征值的图像的图像处理操作组成。这些图像可能会出产一些低噪声或者引起某些特征的图像。高级别的视觉包含一些目标识别和更高级别的场景解释。这两个系统之间的过渡即为分割系统，通过分割系统，增大了得输入图像才能映射到包含了能够被高级别视觉任务使用的共同特征区域的描述中。一方面，这个程序应该对于在图像中提取出感兴趣的区域足够的敏感，另一方面，它应该对于系统中的不相干物体和噪声免疫。
理想地，一个好的图像分割器应该产生同一的和均匀的区域，它们应该尊重一些特征例如灰色色调或没有很多小洞的纹理结构。进一步地，每个分割的边界都应该被精确平滑地切割，并不是粗糙地切割。最后，临近的区域应该具有不同的特征值。这些形式可以很好地用如下的数学表达式表示：
如果I 代表所有的象素并且P （）是一个定义在一组连接象素的均匀式子，I 的分割为一个连接子集合或者为图像区域，如：
m l Rm R where I R n
l ≠??=== 11,1 （1）
均匀式子（如附近相同灰色等级）应该满足
1)1(?=True R P （2）
m l R to adjacent R False Rm R P ?=,)1( （3）
True Rm P True R P Rm Rm R =?=∧?≠∧?)())1(()()1( （4）
因为在一个局域环境内噪声破坏的同次性，它不可能来决定一个导致分裂的更大区域的同次性。但是，如果噪声特征是已知的，在统计学上，这可能会决定同次性。在这种情况下，我们必须降低一致性准则，该准则在公式（4）中描述的是如果一个区域是一致性的，那么所有这个区域的子集将也是一致性的。这就意味着一个区域可能被认为是一致性的甚至当它的子集不是一致性的。
在图像分割上没有一个完全的理论。相反，图像分割技术基本上是很特别的，在一个理想的结体上强调一个或多个渴望的性能，对另一个性能的妥协上的不同方法，将会出现很大的不同。
因为有很多的可查文件，所以我们将不讨论所有的图像分割方案。相对于一个可查的文献来说，我们提供一个详尽的综述。我们仅将多种普遍的方法作为重点，以便能展现给读者一个尽可能详尽的可用技术。
三、基于象素的图像分割方案
（1） 模型方法
目前使用最广泛的图像分割方案是如图1所示的用统计的方法画出图像的直方图。直方图统计的一个模式是列出物体象素的灰度级数，同时另一个模式捕获背景象素的灰度级数。这种方法假设了存在一个固定的级数阈值能够将背景和物体分开。这个两种模式之间的固定阈值级数的选择可以使用很多种不同的方法。其中最流行的方法是Gaussian 滤波和Otsu 算法。
a 、Gaussian 滤波算法-----最简单的图像分割方法是基于贝叶斯模式识别设计理论，图像的灰度直方图是通过计算的，并且两个组成密度从联系了直方图的混合密度中萃取出来，它一
般假设背景和物体都是高斯的。
算法：
1、通过下列算法计算出平均值（μ）和标准差（σ）：
∑=i i F N *)(1
μ （5）
∑-=
2)(*)(1μσi i F N （6） F （i ）为相对于灰度i 的直方图值，N 为窗口中点的数量。
为了避免除0（对于一个象素区域或一个区域含有同一的象素值时偏差无线接近于0）的问题，一个很小的正数常量可以加到
σ上去。 2、寻找一个最正方的合适值
22222
22121112)(2)()(σμσσμσ--+--=i e P i e P i f （7） 对于直方图F （i ）我们调整变量222111,,,,,σμσμP P 如下：
（i ）通过引入一个局部加权平均值平滑直方图：
9
)2()1(2)(3)1(2)2()('+++++-+-=i F i F i F i F i F i F （8） 在已平滑的直方图上，找到最深的山谷v （=最低值），使用该值将直方图分为两部分，通过这两部分计算最初的222111,,,,,σμσμP P 的估算值（通过最初的直方图函数F （i ））： ∑∑=+===v i L
v i i F N
i F N 1121)(),( （9） ∑∑=+===v i L
v i i i F N i i F N 11
2211*)(1,*)(1μμ （10） ∑=-=v
i i i F N 1
2111)(*)(1μσ （11） ∑+=-=L
v i i i F N 1
2222)(*)(1μσ （12） ∑+=-=
L v i i i F N 12222)(*)(1μσ （13） (ii)使用一个爬山函数来求得最小值
∑=-L i i F i f 12)]
()([ （14）
(a)计算：)(|)()(|v valley deepest i for i F i f val =-=
(b)计算：|)1()1(|_---=i F i f val left
(c)计算：|)1()1(|_+-+=i F i f val right
(d))_(val val left if ≤，将最深谷的估计值置为i-1；)_(val val right if esle ≤，将最深谷的估计值置为i+1；else 将最深谷的估计值置为i ；
(e)如果最深谷在（d ）中估计值变化，则应该重新计算222111,,,,,σμσμP P ，重复步骤(a-d);
3、在混合密度估计参数被计算以后，为灰度x 的象素将会被标记如果
22222
22121112)(2)(σμσσμσ-->--x e P x e P （15） 阈值t 可以定义为
22222
22121112)(2)(σμσσμσ--=--t e P t e P （16） 并且满足
0ln 2)()11(2112222221212112222
2221=+-+-+-σσσμσσμσμσσP P u t t (17) b 、Otsu 算法-------在一个有两种统计方式的直方图中otsu 算法是基于判别式分析，这种阈值转化法被认为是一幅图像像素在灰度级t 分割为两幅图像10C and C 。
算法：
i n 为在灰度i 的象素数（从L 灰度）
N 为所有的象素总数=L n n n n +???+++321
1、灰度直方图应该被标准化，被认为一个随机过程：
N n p i i /= （18） 0≥i p （19）
∑==L
i i
p 11 （20） 2、通过一个阈值级数k 将象素对分为两个集合10C and C ；
3、计算事件发生的概率：
)()Pr(1
00k w p C w k
i i
===∑= (21) )(1)Pr(111k w p C w L k i i -==
=∑+= (22)
西安郵電學院 科研训练总结报告书 系部名称：计算机学院 学生姓名：于乐 专业名称：计算机科学与技术 指导老师：刘军 班级：计科0906 学号：04091178 时间：至2012年 10月14日2012年 12月28日
图像分割技术的前景及研究意义： 在计算机视觉，模式识别中，常常要将一些图像分割成一些有意义的区域，或者将图像中的有意义的特征提取出来，以便机械识别和检验。因此，图像分割是图像处理中最基本最重要的技术之一，它是任何理解系统和自动识别系统必不可少的一个重要环节。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。 图像分割技术的需求分析： 分水岭分割方法：分水岭的计算过程是一个迭代标注过程。分水岭比较经典的计算方法是L. Vincent提出的。在该算法中，分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。 区域增长算法：对格网数据点逐格网单元扫描，当找不到这样的地物点时结束操作；把这个点同周围的8-邻域点比较，若小于阈值，则合并到同一区域，并对合并的地物点赋予该区域的标记；从新合并的地物点开始，反复进行上述的操作； 反复进行上述两部的的操作，直到不能合并为止；返回最初的操作，寻找新区域出发点。 K均值聚类算法：K-均值聚类算法的基本思想 随机选取 K个点作为初始聚类中心，计算各个样本到聚类中心的距离，把样本归到离它最近的那个聚类中心所在的类，对调整后的新类计算新的聚类中心。如果相邻两次的聚类中心没有任何变化 说明样本调整结束，聚类准则函数已经收敛。 K-均值聚类算法中重要的一步是初始聚类中心的选取，一般是随机选取待聚类样本集的K个样本，聚类的性能与初始聚类中心的选取有关，聚类的结果与样本的位置有极大的相关性。一旦这 K个样本选取不合理，将会增加运算的复杂程度，误导聚类过程，得到不合理的聚类结果。通过粗糙集理论提供，K-均值聚类所需要的初始类的个数和均值，提高了聚类的效率和分类的精度 基于拓扑结构图的分割：定义扫掠面周长在扫掠结点之间的积分为骨架树中分支的面积 并将此面积定义为几何函数 定义拓扑函数为相邻两个扫掠面拓扑差异的符号函数。并定义了基于微分几何和拓扑函数的关键点。整个过程无需用户干涉。 图像分割技术可行性分析： 图像分割技术的研究，了解图像分割技术的实际应用，与图像分割方法，支
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
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
目录 摘要........................................................... I Abstract......................................................... I I 第1章绪论 (1) 1.1图像分割概述 (1) 1.2图像分割特征 (1) 1.3图像分割的发展及现状 (1) 1.4研究的背景与意义 (2) 第2章数字图像处理 (3) 2.1发展概况 (3) 2.2主要目的 (4) 2.3常用方法 (4) 2.4应用领域 (5) 2.5研究方向 (7) 2.6基本特点 (7) 2.7MATLAB软件 (8) 第3章阈值分割 (10) 3.1图像二值化 (10) 3.2阈值分割基本原理 (10) 3.3阈值分割方法定义 (11) 3.4阈值分割描述 (11) 3.5阈值分割分类 (12) 第4章阈值分割方法 (13) 4.1直方图法 (13)
4.2迭代法 (14) 4.3最大类间方差法 (17) 4.4小结 (20) 第5章最大类间方差法的改进 (21) 结论 (27) 参考文献 (28) 致谢 (29)
通常人们只对图像的某个区域感兴趣，为了能够把感兴趣的区域提取出来，就得对图像进行分割。图像分割就是把图像分成一些具有不同特征而有意义的区域，以便进一步的图像处理与分析。图像分割是图像处理的关键，在灰度图像中分割出有意义区域的最基本方法是设置阈值的分割方法。选择阈值的主要方法有：直方图法，迭代法，最大类间方差法。本文主要比较三种方法的优缺点，并对其中的最大类间方差法进行优化，改进分割效果。 关键词：阈值直方图迭代法最大类间方差法
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，
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
毕业设计 图像分割和特征提取技术研究 摘要 图像分割是图像分析的第一步，是图像理解的重要组成部分，在有关图像处理的几乎所有领域具有广泛的应用。因此，图像分割一直受到高度重视，对其研究具有十分重要的意义。长期以来，研究人员提出了许多实用的分割算法。随着统计学理论，神经网络，小波理论等在图像分割中的应用日益广泛，遗传算法、尺度空间、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，许多国内外学者也针对一些具体应用提出了许多实用有效的方法。 本文介绍了数字图像处理技术中图像分割技术的基本理论和三种图像分割方法(1)基于阈值图像分割；(2)基于边缘检测及算子分割；(3)基于区域特性的图像分割。对基于点的分割方法进行了较全面的叙述，主要研究了图像分割方法中的边缘检测法，区域提取法和阈值分割法。通过大量的理论研习。并编写了MATLAB软件程序，对各分割方法进行了仿真实验，得到分割图像。最后对于仿真进行了数据处理分析，验证了Canny算子的整体效果最好, Prewitt算子分割细致。但对于一幅图像仅仅只有只用一种方法达不到很好的效果，而根据待分割图象的不同特点，结合已知的先验知识，研究符合具体图象特性的分割模型，才是提高图象分割的重要手段。 关键词：图像分割；边缘法；区域法；阈值法；分水岭分割法
Lmage Segmentation And Feature Extraction Technology Research Abstract Image segmentation is the first step in image analysis, image segmentation is an important component of image understanding, in almost all areas of the image processing has widely application. As a result, image segmentation has been attached great importance to, its research has the very vital significance. For a long time,researchers put forward many practical segmentation algorithm. With statistics theory, the neural network, wavelet theory has been used increasingly in image segmentation, such as genetic algorithm, scale space, and nonlinear diffusion equation with the recent emergence of new methods and new ideas are constantly being used to solve the segmentation problem, many scholars at home and abroad for some specific application put forward many practical and effective method. Digital image processing techniques were introduced in This paper introduces the digital image processing technology of image segmentation technology in basic theory and three methods of image segmentation. (1) based on threshold image segmentation. (2) segmentation based on edge detection and operator; (3) the image segmentation based on region feature. On the segmentation method based on the point of narrative, mainly studies the edge of image segmentation method, region extraction method and threshold segmentation method. Through a lot of theory study. And write the MATLAB software, the segmentation method, the simulation experiment for image segmentation. Finally analyzed the data processing for simulation.Verify the Canny operator of the overall effect is best. Prewitt operator segmentation and detailed. But for an image only only one way to reach a good effect, and according to the different characteristics of for image segmentation, combined with the known prior knowledge, research in accordance with the specific image segmentation model, is an important means to improve the image segmentation. KEYWORDS：Segmentation；edge method；the regional method；threshold；watershed segmentation
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
图像分割方法的比较研究 在计算机视觉的相关研究中,图像分割是连接低级视觉和高级视觉的桥梁和纽带,而图像分割是计算机视觉系统中最关键和重要的一个环节。在概要介绍几种常用图像分割方法的基础上,比较了每种图像分割算法的优缺点及其适应范围,结果表明:不同工程应用中,应根据其需求与图像特点合理采用不同的图像分割方法以达到更好的处理效果。 标签：图象分割;图象处理 1 引言 近年来,随着工业、农业、医学、军事等领域自动化和智能化需求的迅速发展,对图像处理技术的要求也日益提高。其中,对图像的自动识别与理解就是一项重要任务,而对图像进行分割来提取目标是其关键步骤之一,如果得不到合理的图像分割图,也就无法对图像进行正确的识别与理解。在过去的四十多年里,图像分割的研究一直受到人们高度的重视。迄今为止,研究者提出了上千种不同类型的分割算法,而且近年来每年都有上百篇相关研究成果发表。但是,现有的方法多是为特定应用设计的,有很大的针对性和局限性,对图像分割的研究还缺乏一个统一的理论体系。Fu和Mui从细胞学图像处理的角度将图像分割技术分为三大类:特征阈值或聚类、边缘检测和区域提取。依据算法所使用的技术或针对的图像,Pal and Pal把图像分割算法分成了6类:阈值分割、像素分割、深度图像分割、彩色图像分割、边缘检测和基于模糊集的方法。本文将依据上述两种分类方法进行深入研究。 2 图象分割方法 简而言之,图像分割(Image Segmentation)就是把图像中的物体与背景或物体与物体分割开,实现不同区域的特殊处理。 2.1 基于阈值的分割方法 这类方法简单实用,在过去的几十年间备受重视,其分类也不一而足。根据使用的是图像的整体信息还是局部信息,可以分为上下文相关方法和上下文无关方法;根据对全图使用统一阈值还是对不同区域使用不同阈值,可以分为全局阈值方法和局部阈值方法;另外,还可以分为单阈值方(bileverthresholding)和多阈值方法。 阈值分割的核心问题是如何选择合适的阈值。其中,最简单和常用的方法是从图像的灰度直方图出发,先得到各个灰度级的概率分布密度,再依据某一准则选取一个或多个合适的阈值,以确定每个像素点的归属。选择的准则不同,得到的阈值化算法就不同。 下面就常见的几种阈值分割算法进行比较:
图像分割 前一章的资料使我们所研究的图像处理方法开始发生了转变。从输人输出均为图像的处理方法转变为输人为图像而输出为从这些图像中提取出来的属性的处理方法〔这方面在1.1节中定义过)。图像分割是这一方向的另一主要步骤。 分割将图像细分为构成它的子区域或对象。分割的程度取决于要解决的问题。就是说当感兴趣的对象已经被分离出来时就停止分割。例如，在电子元件的自动检测方面，我们关注的是分析产品的图像，检测是否存在特定的异常状态，比如，缺失的元件或断裂的连接线路。超过识别这此元件所需的分割是没有意义的。 异常图像的分割是图像处理中最困难的任务之一。精确的分割决定着计算分析过程的成败。因此，应该特别的关注分割的稳定性。在某些情况下，比如工业检测应用，至少有可能对环境进行适度控制的检测。有经验的图像处理系统设计师总是将相当大的注意力放在这类可能性上。在其他应用方面，比如自动目标采集，系统设计者无法对环境进行控制。所以，通常的方法是将注意力集中于传感器类型的选择上，这样可以增强获取所关注对象的能力，从而减少图像无关细节的影响。一个很好的例子就是，军方利用红外线图像发现有很强热信号的目标，比如移动中的装备和部队。 图像分割算法一般是基于亮度值的不连续性和相似性两个基本特性之一。第一类性质的应用途径是基于亮度的不连续变化分割图像，比如图像的边缘。第二类的主要应用途径是依据事先制定的准则将图像分割为相似的区域，门限处理、区域生长、区域分离和聚合都是这类方法的实例。 本章中，我们将对刚刚提到的两类特性各讨论一些方法。我们先从适合于检测灰度级的不连续性的方法展开，如点、线和边缘。特别是边缘检测近年来已经成为分割算法的主题。除了边缘检测本身，我们还会讨论一些连接边缘线段和把边缘“组装”为边界的方法。关于边缘检测的讨论将在介绍了各种门限处理技术之后进行。门限处理也是一种人们普遍关注的用于分割处理的基础性方法，特别是在速度因素占重要地位的应用中。关于门限处理的讨论将在几种面向区域的分割方法展开的讨论之后进行。之后，我们将讨论一种称为分水岭分割法的形态学
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
彩色图像分割技术研究本科毕业论文 目录 1. 引言 (1) 1.1．课题的研究背景和意义 (1) 1.2．彩色图像分割的现状 (2) 1.3．本文的容安排 (5) 2．彩色图像分割研究 (6) 2.1．数字图像处理概述 (6) 2.2．常用的颜色空间 (7) 2.3．彩色图像分割方法 (9) 2.3.1．阈值化方法 (10) 2.3.2．基于边缘的分割方法 (10) 2.3.3．基于区域的分割方法 (12) 3．无监督彩色图像分割 (13) 3.1．概述 (13) 3.2．颜色空间的转换 (14) 3.3．Sobel算子边缘提取 (15) 3.4．种子的选取 (16) 3.5．区域生长与合并 (17) 4．实验结果与分析 (18)
5．结论 (20) 参考文献 (21) 谢辞 (23)
1. 引言 1.1．课题的研究背景和意义 在人类所接收的信息中，有80%是来自视觉的图形信息，对获得的这些信息进行一定的加工处理也是目前一种广泛的需求，图像分割就是将图像中感兴趣的部分分割出来的技术。在图像分割的基础上，才能对目标进行特征提取和参数测量，使得更高层的图像分析和理解成为可能。因此，对图像分割的研究在图像处理领域具有非常重要的意义。 图像分割作为图像分析的基础，是图像分析过程中的关键步骤。图像分割，顾名思义是将图像按照一定的方法划分成不同的区域，使得同一区域像素之间具有一致性，不同区域间不具有这种一致性。 因为人眼对亮度具有适应性，即在一幅复杂图像的任何一点上只能识别几十种灰度级，但可以识别成千上万种颜色，所以许多情况下，单纯利用灰度信息无法从背景中提取出目标，还必须借助于色彩信息。由于彩色图像提供了比灰度图像更加丰富多彩的信息，因此随着计算机处理能力的提高，彩色图像处理正受到人们越来越多的关注。 自数字图像处理问世不久就开始了图像分割的研究，吸引了很多研究者为之付出了巨大的努力，在不同的领域也取得了很大的进展和成就，现在人们还一直在努力发展新的、更有潜力的算法，希望实现更通用、更完美的分割结果。目前，针对各种具体问题已经提出了许多不同的图像分割算法，对图像分割的效果也有很好的分析结论。但是，由于图像分割问题所面向领域的特殊性，而且问题本身具有一定的难度和复杂性，到目前为止还不存在一个通用的分割方法，也不存在一个判断分割是否成功
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-
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