數(shù)字圖像處理論文

1、目錄摘要 引言1基于灰度圖像分割11.1基本原理11.2迭代最佳閾值21.2.1 初始閾值選取21.2.2 迭代閾值21.2.3 迭代的準(zhǔn)則22 邊緣檢測算法32.1 Sobel(索貝爾）邊緣檢測算子32.2高斯拉普拉斯算子42.3 Prewitt算子53.數(shù)字圖像的形態(tài)學(xué)處理63.1二值圖像的數(shù)學(xué)形態(tài)學(xué)運(yùn)算7膨脹與腐蝕運(yùn)算7開運(yùn)算與閉運(yùn)算83.2數(shù)字圖像的數(shù)學(xué)形態(tài)學(xué)處理應(yīng)用8邊緣檢測8噪聲濾除9形態(tài)骨架提取94迭代閾值與形態(tài)學(xué)共用處理圖像95結(jié)論106附程序10摘要隨著計(jì)算機(jī)技術(shù)的發(fā)展，計(jì)算機(jī)圖像處理與分析技術(shù)在臨床診斷和治療中起著越來越重要的作用。對醫(yī)學(xué)細(xì)胞顯微圖像分割與識別方法的研究成為

2、當(dāng)今圖像分析領(lǐng)域的前沿課題。在醫(yī)學(xué)研究和臨床診斷中，尤其在缺少專家的情況下對醫(yī)學(xué)細(xì)胞圖像的分割與識別具有十分重要的意義。醫(yī)學(xué)領(lǐng)域中的圖像處理技術(shù)的應(yīng)用受到了廣泛關(guān)注，應(yīng)用圖像處理技術(shù)對醫(yī)學(xué)圖像進(jìn)行分割、識別、定量分析成為了臨床輔助診斷和醫(yī)學(xué)研究的重要工具。圖像分割作為圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，自上世紀(jì)70年代起一直受到人們的高度重視，也是醫(yī)學(xué)圖像處理中的一個研究熱點(diǎn)。利用圖像分割技術(shù)對細(xì)胞圖像進(jìn)行分割，提取精確的細(xì)胞輪廓，是下一步進(jìn)行細(xì)胞形態(tài)分析和定量計(jì)算的基礎(chǔ)。為了解決傳統(tǒng)的人工定義閾值和檢測算子在邊緣檢測方面的不足，提出了基于迭代最佳閾值分割的邊緣檢測，并據(jù)此進(jìn)行圖像的邊緣提取。這種方法不

3、僅大大降低了算法的復(fù)雜度，提供最佳閾值，同時(shí)也能保證邊緣提取的精確度，消除圖像噪聲對邊緣提取的影響。通過對迭代閾值的應(yīng)用，利用邊緣檢測算子對圖像進(jìn)行邊緣檢測，并和現(xiàn)有的方法進(jìn)行對比。關(guān)鍵詞：圖像分割；邊緣檢測；迭代；最佳閾值基于MATLAB的醫(yī)學(xué)細(xì)胞顯微圖像分割與邊緣檢測引言圖像邊緣是圖像最基本的特征，邊緣在圖像分析中起著重要的作用。所謂邊緣是指圖像局部特性的不連續(xù)性，例如，灰度級的突變，顏色的突變，紋理結(jié)構(gòu)的突變等。邊緣檢測在圖像處理和計(jì)算機(jī)視覺中占有特殊的位置,它是底層視覺處理中最重要的環(huán)節(jié)之一，也是實(shí)現(xiàn)基于邊界的圖像分割的基礎(chǔ)。傳統(tǒng)的邊緣檢測算子一般都是基于一階導(dǎo)數(shù)和二階導(dǎo)數(shù)的邊緣檢測算

4、子，如Robert交叉算子、Sobel算子、Prewitt算子、Canny算子和Laplacian算子1等，這些算子都是局部的梯度算子，對噪聲非常敏感，所以在處理實(shí)際問題的時(shí)候處理的圖像效果往往并不理想。邊緣檢測2過程中容易產(chǎn)生虛假邊界并且定位的精度也不是很高，所以往往對不同的圖像往往需要選擇不同的參數(shù)，實(shí)際操作起來比較麻煩。雖然基于形態(tài)學(xué)的邊緣檢測易于實(shí)現(xiàn)，但是只適合噪聲較小的圖像。此次提出的基于迭代閾值的邊緣提取，在傳統(tǒng)邊緣檢測的基礎(chǔ)上，首先對圖像進(jìn)行處理，然后迭代出最佳閾值再進(jìn)行邊緣檢測。同時(shí)設(shè)置了迭代閾值終止的準(zhǔn)則，根據(jù)圖像的不同需求和圖像的特征可以進(jìn)行不同的設(shè)定，滿足實(shí)時(shí)邊緣檢的需求

5、。1基于灰度圖像分割對灰度圖像的閾值分割就是先確定一個處于圖像灰度取值范圍之中的灰度閾值，然后將圖像中各個像素的灰度值都與這個閾值相比較，并根據(jù)比較結(jié)果將對應(yīng)的像素（分割）劃為兩類：像素的灰度值大于閾值的為一類，像素的灰度值小于閾值的為另一類（灰度值等于閾值的像素可歸入這兩類之一）。這兩類像素一般分屬圖像中的兩類區(qū)域，所以對像素根據(jù)閾值分類達(dá)到了區(qū)域分割的目的。圖像中的目標(biāo)區(qū)域與背景區(qū)域的灰度或平均灰度是不同的，而目標(biāo)區(qū)域和背景區(qū)域內(nèi)部灰度相關(guān)性很強(qiáng)，這時(shí)我們可以以灰度的均一性作為依據(jù)進(jìn)行分割。1.1基本原理本文采取的灰度圖像分割是基于區(qū)域的分割，也稱灰度門限法。閾值分割的原理很簡單，首先確定

6、閾值，然后把像素點(diǎn)的灰度值與閾值進(jìn)行比較確定出所屬的區(qū)域。閾值的選取在閾值分割中是關(guān)鍵性的影響因素，一般可以分為幾類：基于像素灰度值的閾值、基于區(qū)域性質(zhì)的閾值和基于坐標(biāo)位置的閾值。閾值的選取如果不佳就會導(dǎo)致圖像的錯誤分割，本文采取的迭代閾值的方法，可以根據(jù)不同的圖像選取合適的最佳閾值。1.2迭代最佳閾值迭代式閾值選取的基本思路是:首先根據(jù)圖像中物體的灰度分布情況，選取一個近似閾值作為初始閾值，然后進(jìn)行分割產(chǎn)生子圖像，并根據(jù)子圖像的特征選取新的閾值，再用新的閾值分割圖像。經(jīng)過一定次數(shù)的循環(huán)，使錯誤分割的圖像像素達(dá)到最少，然后通過分割圖像和修改閾值的迭代過程獲得認(rèn)可的最佳閾值。1.2.1 初始閾值

7、選取在迭代閾值前首先選取初始閾值，初始閾值的確定是根據(jù)灰度圖像的灰度值來確定的?；叶葓D像中最大像素的值為Zmax，最小像素值的為Zmin，初始閾值 T即為：T=（Zmax+Zmin）/2 （1）1.2.2 迭代閾值統(tǒng)計(jì)圖像中像素的個數(shù)，以當(dāng)前的閾值T為分界值來統(tǒng)計(jì)。小于于閾值T的像素個數(shù)為n0，大于閾值T的像素個數(shù)為n1，圖像像素的像素值用SUM來表示： SUM=S0+S1 （2）其中S0為N0像素的像素值，S1為n1像素的像素值。設(shè)新的迭代閾值為TT,為了確定TT我們不妨取像素的平均值，T0和T1分別為各個像素段的像素平均值。T0=S0/n0 (3)T1=S1/n1 (4)TT=(T0+T1

8、)/2 (5)1.2.3 迭代的準(zhǔn)則TT為第一次迭代閾值，把TT的值賦給T，不斷的重復(fù)和的步驟。迭代終止的條件滿足w=|T-TT|255) I(i,j)=255; end if (I(i,j)0) I(i,j)=0; end endend z0=max(max(I); % 求出圖象中最大的灰度z1=min(min(I); % 最小的灰度 T=(z0+z1)/2; %初始的閾值TT=0;S0=0; n0=0;S1=0; n1=0;allow=0.5; % 新舊閾值的允許接近程度d=abs(T-TT); %w=|T-TT|=allow) % 迭代最佳閾值分割算法 count=count+1; fo

9、r i=1:x for j=1:y if (I(i,j)=T) S0=S0+I(i,j); n0=n0+1; end if (I(i,j)=T) Seg(i,j)=1; % 閾值分割的圖象 end endendSI=1-Seg; % 閾值分割后的圖象求反，便于用腐蝕算法求邊緣se1=strel(square,3); % 定義腐蝕算法的結(jié)構(gòu)SI1=imerode(SI,se1); % 腐蝕算法BW=SI-SI1; % 邊緣檢測%=傳統(tǒng)的邊緣檢測方法=%I=uint8(I);BW1=edge(I,sobel, 0.11);BW2=edge(I,log, 0.015);BW3 = edge(I,prewitt);%=圖象顯示=%figure(1);imshow(I);title(Original) % 顯示閾值分割的圖象figure(2);imshow(BW2);title(Sob