圖像分割算法的比較與分析

1、中北大學課 程 設 計 說 明 書學生姓名： 學 號： 學生姓名： 學 號： 學生姓名： 學 號： 學生姓名： 學 號： 學 院： 信息與通信工程學院 專 業(yè)： 電子信息工程 題 目： 信息處理綜合實踐: 圖像分割算法的比較與分析 指導教師： 陳平 職稱: 副教授 2014 年 12 月 29 日中北大學課程設計任務書 14/15 學年第 一 學期 學 院： 信息與通信工程學院 專 業(yè)： 電子信息工程 學 生 姓 名： 學 號： 課程設計題目： 信息處理綜合實踐: 圖像分割算法的比較與分析 起 迄 日 期： 2015年1月5日2015年1月16日 課程設計地點： 電子信息工程專業(yè)實驗室 指 導

2、 教 師： 陳 平 系 主 任： 王浩全 下達任務書日期: 2014 年12月 29 日課 程 設 計 任 務 書1設計目的：1、通過本課程設計的學習，學生將復習所學的專業(yè)知識，使課堂學習的理論知識應用于實踐，通過本課程設計的實踐使學生具有一定的實踐操作能力；2、掌握Matlab使用方法，能熟練運用該軟件設計并完成相應的信息處理；3、通過圖像處理實踐的課程設計，掌握設計圖像處理軟件系統(tǒng)的思維方法和基本開發(fā)過程。2設計內(nèi)容和要求（包括原始數(shù)據(jù)、技術參數(shù)、條件、設計要求等）：(1)利用自適應閾值、區(qū)域、分水嶺、形態(tài)學四種方法，對圖像進行分割；(2)對四種方法分割的結(jié)果，進行對比分析，并給出量化結(jié)果

3、；(3)要求每位學生進行查閱相關資料，并寫出自己的報告。注意每個學生的報告要有所側(cè)重，寫出自己所做的內(nèi)容。3設計工作任務及工作量的要求包括課程設計計算說明書(論文)、圖紙、實物樣品等：每個同學獨立完成自己的任務，每人寫一份設計報告，在課程設計論文中寫明自己設計的部分，給出設計結(jié)果。課 程 設 計 任 務 書4主要參考文獻：1. 阮秋琦等.數(shù)字圖像處理（第三版）.北京：電子工業(yè)出版社.20112. 岡薩雷斯等.數(shù)字圖像處理（MATLAB版）.北京：電子工業(yè)出版社.20013. 楊杰等.數(shù)字圖像處理及MATLAB實現(xiàn)：學習與實驗指導.北京：電子工業(yè)出版社.20104. 劉衛(wèi)國等.MATLAB程序設

4、計與應用.北京：高等教育出版社.20065. 許國根等.模式識別與智能計算的MATLAB實現(xiàn).北京：北京航空航天大學出版社.20125設計成果形式及要求：畢業(yè)設計說明書仿真結(jié)果6工作計劃及進度：2015年1月5日 1月9日：查資料；1月10日 1月13日：在指導教師指導下設計方案；1月14日 1月15日：撰寫課程設計說明書； 1月16日：答辯系主任審查意見： 簽字： 年 月 日目錄第一章 緒論 .11.1 研究目的和意義 .11.2 圖像分割的研究進展 .1第二章 區(qū)域生長法分割圖像 .42.1 區(qū)域生長法介紹 .4 2.2 區(qū)域生長法的原理 .42.3 區(qū)域生長法的實現(xiàn)過

5、程 .5 第3章 程序及結(jié)果 .63.1 區(qū)域生長算法及程序.63.2 圖像分割結(jié)果 .7 第4章 方法比較 .8 4.1 閾值法 .8 4.2 區(qū)域法 .8 4.3 分水嶺法 .8 4.4 形態(tài)學方法 .9第五章 總結(jié) .10 參考文獻 .11  第1章 緒論1.1 研究目的和意義 圖像分割是一種重要的圖像技術，在理論研究和實際應用中都得到了人們的廣泛重視。圖像分割的方法和種類有很多，有些分割運算可直接應用于任何圖像，而另一些只能適用于特殊類別的圖像。許多不同種類的圖像或景物都可作為待分割的圖像數(shù)據(jù)，不同類型的圖像，已經(jīng)有

6、相對應的分割方法對其分割;但某些分割方法只是適合于某些特殊類型的圖像分割，所以分割結(jié)果的好壞需要根據(jù)具體的場合及要求衡量。圖像分割是從圖像處理到圖像分析的關鍵步驟，可以說，圖像分割結(jié)果的好壞直接影響對圖像的理解。 圖像分割是由圖像處理到圖像分析的關鍵步驟，在圖像工程中占有重要位置。一方面，它是目標表達的基礎，對特征測量有重要的影響。另一方面，因為圖像分割及其基于分割的目標表達、特征提取和參數(shù)測量等將原始圖像轉(zhuǎn)化為更抽象、更緊湊的表達形式，使得更高層的圖像分析和理解成為可能。因此在實際應用中，圖像分割不僅僅要把一幅圖像分成滿足上面五個條件的各具特性的區(qū)域，而且要把其中感興趣的目標區(qū)域提

7、取出來。只有這樣才算真正完成了圖像分割的任務，為下一步的圖像分析做好準備，使更高層的圖像分析和理解成為可能。 圖像分割在很多方面，如醫(yī)學圖像分析，交通監(jiān)控等，都有著非常廣泛的應用，具有重要的意義。(1)分割的結(jié)果常用于圖像分析，如不同形式圖像的配準與融合，結(jié)構的測量，圖像重建以及運動跟蹤等。(2)在系統(tǒng)仿真，效果評估，圖像的3D重建以及三維定位等可視化系統(tǒng)中，圖像分割都是預處理的重要步驟。(3)圖像分割可在不丟失有用信息的前提下進行數(shù)據(jù)壓縮，這就降低了傳輸?shù)膸挘瑢μ岣邎D像在因特網(wǎng)上的傳輸速度至關重要。(4)分割后的圖像與噪聲的關系減弱，具有降噪功能，便于圖像的理解。1.2 圖像分割

8、的研究進展 圖像分割是圖像處理中的一項關鍵技術，至今已提出上千種分割算法。但因尚無通用的分割理論，現(xiàn)提出的分割算法大都是針對具體問題的，并沒有一種適合所有圖像的通用分割算法。前人的方法主要有三大類：閾值分割方法、邊緣檢測方法和區(qū)域提取方法。 （1）閾值分割方法 閾值分割法分為全局閾值法和局部閾值分割法。所謂局部閾值分割法是將原始圖像劃分成較小的圖像，并對每個子圖像選取相應的閾值。在閾值分割后，相鄰子圖像之間的邊界處可能產(chǎn)生灰度級的不連續(xù)性，因此需用平滑技術進行排除。局部閾值法常用的方法有灰度差直方圖法、微分直方圖法。局部閾值分割法雖然能改善分割效果，但存在以下幾個

9、缺點：每幅子圖像的尺寸不能太小，否則統(tǒng)計出的結(jié)果無意義。每幅圖像的分割是任意的，如果有一幅子圖像正好落在目標區(qū)域或背景區(qū)域，而根據(jù)統(tǒng)計結(jié)果對其進行分割，也許會產(chǎn)生更差的結(jié)果。局部閾值法對每一幅子圖像都要進行統(tǒng)計，速度慢，難以適應實時性的要求。全局閾值分割方法在圖像處理中應用比較多，它在整幅圖像內(nèi)采用固定的閾值分割圖像。經(jīng)典的閾值選取以灰度直方圖為處理對象。根據(jù)閾值選擇方法的不同，可以分為模態(tài)方法、迭代式閾值選擇等方法。這些方法都是以圖像的直方圖為研究對象來確定分割的閾值的。另外還有類間方差閾值分割法、二維最大熵分割法、模糊閾值分割法以及共生矩陣分割法等等。   &

10、#160;（2）基于邊緣檢測法  邊緣檢測法是一種處理不連續(xù)性圖像的分割技術。圖像的大部分信息不會只存于某個特定的區(qū)域，而是存于不同區(qū)域的邊緣上，而且人的視覺系統(tǒng)在很大程度上都是根據(jù)圖像邊緣差異對圖像進行識別分析的。所以通過對圖像的邊緣信息檢測，可以實現(xiàn)對圖像的分割。按照處理技術可以分為并行邊緣檢測技術和串行邊緣檢測技術。檢測過程中可以通過空域微分算子來完成卷積。這些微分算子包括、Sobel梯度算子、Prewitt梯度算子、綜合正交算子等。這些方法主要是對檢測圖像中灰度的變化，圖像邊緣是灰度突變的地方。在有噪聲時，得到的邊緣常是孤立不連續(xù)的，為了得到完整的邊緣信息，還需進行

11、邊界閉合處理。邊界閉合是根據(jù)像素梯度的幅度及梯度方向滿足規(guī)定的條件將邊緣素連接起來，就有可能得到閉合的邊界。 （3）基于區(qū)域分割法 區(qū)域分割法主要包括：區(qū)域生長和分裂合并法，其分割過程后續(xù)步驟的處理要根據(jù)前面步驟的結(jié)果進行判斷而確定。 區(qū)域生長法是根據(jù)預先規(guī)定好的指標，提取圖像中相互連接區(qū)域的方法，它是利用區(qū)域一致性準則對目標進行分割。規(guī)定的指標包括圖像的灰度信息，邊緣，某種特性。 區(qū)域生長法一般都會放在一系列過程中使用，不會單獨使用。它主要的缺陷是，每一個需要提取的區(qū)域，都必須先給出種子點，然后提取出和種子一樣，符合規(guī)定的指標的區(qū)域，這樣有多少區(qū)域就必

12、須給出多少個種子數(shù)。這種法對噪聲也很敏感，會造成分割區(qū)域不連續(xù)。相反的，局部且大量的噪聲會使影響會使原本來分開的區(qū)域連接起來。 分裂合并法是從整個圖像出發(fā)，將圖像分割成各個子區(qū)域，再把前景的區(qū)域合并起來，這樣就實現(xiàn)了目標的提取。分裂合并法的目標區(qū)域由一些相互連通的像素組成的，如果把圖像分割到像素級的話，就可以判斷該像素是否為目標像素。當所有的分割的子區(qū)域都判斷完，把目標區(qū)域就可得到前景目標。這種方法處理復雜圖像時效果較好，但算法比較復雜，計算量也比較大，在分裂過程中可能會破壞目標區(qū)域的邊界。        

13、;                    第二章 區(qū)域生長法分割圖像2.1 區(qū)域生長法介紹 區(qū)域生長方法是根據(jù)同一物體區(qū)域內(nèi)象素的相似性質(zhì)來聚集象素點的方法，從初始區(qū)域（如小鄰域或甚至于每個象素）開始，將相鄰的具有同樣性質(zhì)的象素或其它區(qū)域歸并到目前的區(qū)域中從而逐步增長區(qū)域，直至沒有可以歸并的點或其它小區(qū)域為止。區(qū)域內(nèi)象素的相似性度量可以包括平均灰度值、紋理、顏色等信息。 區(qū)域生長方法是一種比較普遍的方法，在

14、沒有先驗知識可以利用時，可以取得最佳的性能，可以用來分割比較復雜的圖象，如自然景物。但是，區(qū)域增長方法是一種迭代的方法，空間和時間開銷都比較大。 區(qū)域生長是一種串行區(qū)域分割的圖像分割方法。區(qū)域生長是指從某個像素出發(fā)，按照一定的準則，逐步加入鄰近像素，當滿足一定的條件時，區(qū)域生長終止。區(qū)域生長的好壞決定于 1.初始點（種子點）的選取；2.生長準則；3.終止條件。區(qū)域生長是從某個或者某些像素點出發(fā)，最后得到整個區(qū)域，進而實現(xiàn)目標的提取。2.2 區(qū)域生長法的原理 區(qū)域生長的基本思想是將具有相似性質(zhì)的像素集合起來構成區(qū)域。具體先對每個需要分割的區(qū)域找一個種子像素作為生長起點，然后將種子像素和

15、周圍鄰域中與種子像素有相同或相似性質(zhì)的像素（根據(jù)某種事先確定的生長或相似準則來判定）合并到種子像素所在的區(qū)域中。將這些新像素當作新的種子繼續(xù)上面的過程，直到?jīng)]有滿足條件的像素可被包括進來。這樣一個區(qū)域就生長成了。 圖1給出已知種子點進行區(qū)域生長的一個示例。圖1（a）給出需要分割的圖像，設已知兩個種子像素（標為深淺不同的灰色方塊），現(xiàn)要進行區(qū)域生長。設這里采用的判定準則是：如果考慮的像素與種子像素灰度值差的絕對值小于某個門限T，則將該像素包括進種子像素所在的區(qū)域。圖1（b）給出了T=3時的區(qū)域生長結(jié)果，整幅圖被較好地分成2個區(qū)域；圖1（c）給出了T=1時的區(qū)域生長結(jié)果，有些像素無法判定；圖1（c

16、）給出了T=6時的區(qū)域生長的結(jié)果，整幅圖都被分在一個區(qū)域中了。由此可見門限的選擇是很重要的。 圖1  區(qū)域生長是一種古老的圖像分割方法，最早的區(qū)域生長圖像分割方法是由Levine等人提出的。該方法一般有兩種方式，一種是先給定圖像中要分割的目標物體內(nèi)的一個小塊或者說種子區(qū)域(seed point)，再在種子區(qū)域基礎上不斷將其周圍的像素點以一定的規(guī)則加入其中，達到最終將代表該物體的所有像素點結(jié)合成一個區(qū)域的目的；另一種是先將圖像分割成很多的一致性較強，如區(qū)域內(nèi)像素灰度值相同的小區(qū)域，再按一定的規(guī)則將小區(qū)域融合成大區(qū)域，達到分割圖像的目的，典型的區(qū)域生長法如T. C. Pong等

17、人提出的基于小面（facet）模型的區(qū)域生長法，區(qū)域生長法固有的缺點是往往會造成過度分割，即將圖像分割成過多的區(qū)域。2.3 區(qū)域生長法的實現(xiàn)過程（1）對圖像順序掃描找到第1個還沒有歸屬的像素，設該像素為(x0, y0)；（2）以(x0，y0)為中心, 考慮(x0, y0)的4鄰域像素(x, y)如果(x0, y0)滿足生長準則, 將(x,y)與(x0, y0)合并(在同一區(qū)域內(nèi)), 同時將(x, y)壓入堆棧；（3）從堆棧中取出一個像素, 把它當作(x0, y0)返回到步驟2；（4）當堆棧為空時返回到步驟1；（5）重復步驟1 - 4直到圖像中的每個點都有歸屬時生長結(jié)束。  第三章 區(qū)

18、域生長程序及結(jié)果3.1 區(qū)域生長程序image=imread('meitu.jpg');I=rgb2gray(image);figure,imshow(I),title('灰度圖像');I=double(I)/255;y,x=getpts; %獲得區(qū)域生長起始點y1=round(x); %橫坐標取整x1=round(y); %縱坐標取整M,N=size(I); %獲取圖像大小stack=y1,x1; %將生長起始點灰度值存入stack中suit=1; %儲存符合區(qū)域生長條件的點的個數(shù)Y=zeros(M,N); %作一個全零與原圖像等大的圖像矩陣Y，作為輸出圖像矩

19、陣Y(y1,x1)=1; %將種子點的灰度值置1count=1; %記錄每次判斷一點周圍八點符合條件的新點的數(shù)目threshold=0.05555; %閾值sum=I(y1,x1); %存灰度值adaptM=stack(1,1);adaptN=stack(1,2);greyvalue=I(adaptM,adaptN);while suit>0 adaptM=stack(1,1); adaptN=stack(1,2);for u=-1:1 %在圍圍八點找符合條件的點 for v=-1:1 if adaptM+u<(M+1) & adaptN+u>0 & adap

20、tN+v<(N+1) & adaptN+v>0 if abs(I(adaptM+u,adaptN+v)-greyvalue)<=threshold &Y(adaptM+u,adaptN+v)=0 suit=suit+1; stack(suit,1)=adaptM+u; %把符合點的坐標存入堆棧 stack(suit,2)=adaptN+v; Y(adaptM+u,adaptN+v)=1; %符合點灰度值置1 count=count+1; sum=sum+I(adaptM+u,adaptN+v); %累加灰度值 end end end end greyvalue

21、=sum/count; %獲新種子點的灰度值 stack=stack(2:1:suit,:); %棧內(nèi)存放所有符合條件點的坐標 suit=suit-1; %減去suit初始值 end figure,imshow(Y),title('分割后圖像')3.2 圖像分割結(jié)果 灰度圖 區(qū)域生長圖 第四章 方法比較4.1 閾值法 自適應閾值就是對原始圖像分塊，對每一塊區(qū)域根據(jù)一般的方法選取局部閾值進行分割。由于各個子圖的閾值化是獨立進行的，所以在相鄰子圖像邊界處的閾值會有突變，因此應該以采用適當?shù)钠交夹g消除這種不連續(xù)性，子圖像之間的相互交疊也有利于減小這種不連續(xù)性。 總的來說，這類算法的

22、時間和空間復雜度都較大，但是抗噪能力強，對一些使用全局閾值法不宜分割的圖像具有較好的分割效果。4.2 區(qū)域法基于區(qū)域的分割技術有兩種基本形式：區(qū)域生長和分裂合并。前者是從單像素出發(fā)，逐漸合并以形成所需的分割結(jié)果；后者是從整個圖像出發(fā)逐漸分裂或合并以形成所需要的分割結(jié)果。與閾值方法不同，這類方法不僅考慮了像素的相似性，還考慮了空間上的鄰接性，因此可以有效消除孤立噪聲的干擾，具有很強的魯棒性。而且，無論分裂還是合并，都能夠?qū)⒎指钌钊氲较袼丶?，因此可以保證較高的分割精度。區(qū)域生長算法的優(yōu)點是計算簡單，特別適合于分割小的結(jié)構。缺點是需要人工交互以獲得種子點，同時對噪聲也比較敏感。當對區(qū)域面積較大的圖像

23、分割時計算緩慢。分裂合并算法的優(yōu)點是不需要預先指定種子點。缺點是分裂合并算法可能會使分割區(qū)域的邊界被破壞。4.3 分水嶺法 分水嶺算法是一種基于區(qū)域分割的圖像分割方法。該算法的思想來源于浸沒模擬的過程。由于分水嶺變化吧輸入圖像中的對象與極小點標記相關聯(lián)，其中的山頂線對應于對象的邊界，因此對圖像實施分水嶺變換可以把圖像分割成各個對象區(qū)域。分水嶺算法與其他大量的分割算法相比，獲得的邊界連續(xù)，精度高，并且速度快。但它的不足之處在于過分割，即圖像分割成過多的小區(qū)域而是感興趣的目標物淹沒在其中。4.4 形態(tài)學方法 基于數(shù)學形態(tài)學的分割技術其基本思想是用具有一定形態(tài)的結(jié)構元素去量度和提取圖像中的對應形狀以達到對圖像分析和識別的目的。如楊杰提出基于圖像最大內(nèi)切圓的數(shù)學形態(tài)學形狀描述圖像分割算法和基于目標最小閉包結(jié)構元素的數(shù)學形態(tài)學形狀描述圖像分割算法、分水嶺區(qū)域分割法和聚類快速分割法等。由于形態(tài)學對圖像分割具有優(yōu)異的特性，使其在未來的圖像分割中起主導作用。但該方法的主要缺陷是還不能很好地解決耗時問題