基于MATLAB的圖像分割算法研究

1、割 方 法 比較各種方法的分割效果 得出比較理想的分割效果 11 第二章 數(shù)字圖像處理的處理方式 2.1圖像變換 由于圖像陣列很大直接在空間域中進(jìn)行處理涉及計(jì)算量很大。因此往往采 用各種圖像變換的方法如傅立葉變換、沃爾什變換、離散余弦變換等間接處理技術(shù) 將空間域的處理轉(zhuǎn)換為變換域處理不僅可減少計(jì)算量而且可獲得更有效的處理如 傅立葉變換可在頻域中進(jìn)行數(shù)字濾波處理。目前新興研究的小波變換在時域和頻域 中都具有良好的局部化特性它在圖像處理中也有著廣泛而有效的應(yīng)用。 2.2圖像編碼壓縮 圖像編碼壓縮技術(shù)可減少描述圖像的數(shù)據(jù)量即比特?cái)?shù)以便節(jié)省圖像傳輸、 處理時間和減少所占用的存儲器容量。壓縮可以在不失真

2、的前提下獲得也可以在允 許的失真條件下進(jìn)行。編碼是壓縮技術(shù)中最重要的方法它在圖像處理技術(shù)中是發(fā)展 最早且比較成熟的技術(shù)。 2.3圖像增強(qiáng)和復(fù)原 圖像增強(qiáng)和復(fù)原的目的是為了提高圖像的質(zhì)量如去除噪聲提高圖像的清晰度 等。圖像增強(qiáng)不考慮圖像降質(zhì)的原因突出圖像中所感興趣的部分。如強(qiáng)化圖像高頻 分量可使圖像中物體輪廓清晰細(xì)節(jié)明顯如強(qiáng)化低頻分量可減少圖像中噪聲影響。 圖像復(fù)原要求對圖像降質(zhì)的原因有一定的了解一般講應(yīng)根據(jù)降質(zhì)過程建立“降質(zhì)模 型”再采用某種濾波方法恢復(fù)或重建原來的圖像。 2.4圖像分割 圖像分割是數(shù)字圖像處理中的關(guān)鍵技術(shù)之一。圖像分割是將圖像中有意義的特征 部分提取出來其有意義的特征有圖像中

3、的邊緣、區(qū)域等這是進(jìn)一步進(jìn)行圖像識別、 分析和理解的基礎(chǔ)。雖然目前已研究出不少邊緣提取、區(qū)域分割的方法但還沒有一基于MATLAB的圖像分割算法研究 12 種普遍適用于各種圖像的有效方法。因此對圖像分割的研究還在不斷深入之中是 目前圖像處理中研究的熱點(diǎn)之一。 2.5圖像描述 圖像描述是圖像識別和理解的必要前提。作為最簡單的二值圖像可采用其幾何特 性描述物體的特性一般圖像的描述方法采用二維形狀描述它有邊界描述和區(qū)域描 述兩類方法。對于特殊的紋理圖像可采用二維紋理特征描述。隨著圖像處理研究的深 入發(fā)展已經(jīng)開始進(jìn)行三維物體描述的研究提出了體積描述、表面描述、廣義圓柱 體描述等方法。 2.6圖像分類識別

4、 圖像分類識別屬于模式識別的范疇其主要內(nèi)容是圖像經(jīng)過某些預(yù)處理增 強(qiáng)、復(fù)原、壓縮后進(jìn)行圖像分割和特征提取從而進(jìn)行判決分類。圖像分類常采 用經(jīng)典的模式識別方法有統(tǒng) 也導(dǎo)致了邊緣強(qiáng)度的損失因此增強(qiáng)邊 緣和降低噪聲之間需要折中。 2 增強(qiáng)增強(qiáng)邊緣的基礎(chǔ)是確定圖像各點(diǎn)鄰域強(qiáng)度的變化值。增強(qiáng)算法可以將 鄰域或局部強(qiáng)度值有顯著變化的點(diǎn)突顯出來。邊緣增強(qiáng)一般是通過計(jì)算梯度幅 值來完成的。 3 檢測在圖像中有許多點(diǎn)的梯度幅值比較大而這些點(diǎn)在特定的應(yīng)用領(lǐng)域中 并不都是邊緣所以應(yīng)該用某些方法來確定哪些點(diǎn)是邊緣帶內(nèi)。最簡單的邊緣檢測 判據(jù)是梯度幅值閾值判據(jù)。 4 定位如果某一應(yīng)用場合要求來確定邊緣位置則邊緣的位置可

5、在子像素分 辨率上來估計(jì)邊緣的方位可以被估計(jì)出來。 在邊緣檢測算法中前3個步驟用得十分普遍。這是因?yàn)榇蠖鄶?shù)場合下僅僅 需要邊緣檢測器指出邊緣出現(xiàn)在圖像某一像素點(diǎn)的附近而沒必要指出邊緣的精確 位置或方向。 基于MATLAB的圖像分割算法研究 22 在這本文主要討論常用的幾種邊緣檢測器并調(diào)用其中的函數(shù)進(jìn)行邊緣檢測得 出效果圖。 b.Robert算子 Robert交叉算子為梯度幅值計(jì)算提供了一種簡單的近似方法 1,11,1,jifjifjifjifjiG 4-1 用卷積模板表示方法上式變成 yxGGjiG, 4-2 其中xG和yG由下面的模板4-3計(jì)算 xG= yG= 在計(jì)算梯度時計(jì)算空間同一位置x

6、,y的真實(shí)偏導(dǎo)數(shù)非常重要。采用上述2 ×2鄰域模板計(jì)算的梯度近似值xG和yG并不位于同一位置xG實(shí)際上是內(nèi)差點(diǎn) 2 1 ,ji處的近似梯度yG實(shí)際上是內(nèi)差點(diǎn) ji, 2 1 出的近似梯度。因此Robert 算子是該點(diǎn)連續(xù)梯度的近似值而不是所預(yù)期點(diǎn) j i,處的近似值。所以通常用3 ×3鄰域計(jì)算梯度值。 效果圖 讀入圖像 圖4-1 梯度邊緣檢測流程圖 Prewitt 算子檢測 LoG 算子檢測 Canny 算子檢測 1 0 0 -1 0 -1 1 0 23 c.Sobel算子 正如前面所講采用3×3鄰域可以避免在像素之間內(nèi)插點(diǎn)上計(jì)算梯度。考慮下 圖中所示的點(diǎn) j i

7、,周圍點(diǎn)的排列。 0a 1a 2a 7a ji, 3a 6a 5a 4a Sobel算子也是一種梯度幅值 2 2 yxs sM 4-4 其中的偏導(dǎo)數(shù)用下式計(jì)算 6 70432acaaacaasx 4-5 670432 acaaacaasy 4-6 其中常系數(shù)c=2. 和其他的梯度算子一樣xs和ys可分別用卷積模板表示為 -1 0 1 -2 0 2 -1 0 1 這一算子把重點(diǎn) 的假設(shè)或 者說是基于一定的圖像模型。最常用的模型可描述如下假設(shè)圖像由具有單峰灰度 分布的目標(biāo)和背景組成處于目標(biāo)和背景內(nèi)部相鄰像素間的灰度值是高度相關(guān)的 但處于目標(biāo)和背景交界處兩邊的像素在灰度值上有很大的差別。若一幅圖像滿

8、足這 些條件它的灰度直方圖基本上可看作是由分別對應(yīng)于目標(biāo)和背景的兩個單峰直方 圖混合構(gòu)成的。而且如果這兩個分布大小數(shù)量接近且均值相距足夠遠(yuǎn)兩部分 的均方差也足夠小則直方圖應(yīng)為較明顯的雙峰。類似地如果圖像中有多個單峰 灰度分布的目標(biāo)則直方圖有可能表現(xiàn)為較明顯的多峰。對這類圖像?？捎萌￠撝?方法來較好地分割。 把圖像中各種灰度的像素分成兩個不同的類需要確定一個閾值。如果要把圖 像中各種灰度的像素分成多個不同的類那么需要選擇一系列閾值以將每個像素分 到合適的類別中去。如果只用一個閾值分割稱為單閾值分割方法如果用多個閾值 分割稱為多閾值分割方法。單閾值分割可以看作是多閾值分割的特例許多單閾值 分割算法

9、可推廣以進(jìn)行多閾值分割。反之有時候也可以將多閾值分割問題轉(zhuǎn)化為 一系列單閾值分割問題來解決。不管用任何方法選取閾值一幅原始圖像f(x,y取 單閾值T分割后的圖像可定義為 Tyxf Tyxf yxg ,0 ,1 , 4-16 這樣得到的 y xg,是一幅二值圖像。 在一般的多閾值情況下取閾值分割后的圖像可表示為 K kTyxfTkyxgkk,2,1,1 4-17 其中kTTT,10是一系列分割閾值k表示賦予分割后圖像各區(qū)域不同的標(biāo)號。 需要指出無論是單閾值分割或多閾值分割分割結(jié)果中都有可能出現(xiàn)不同區(qū) 域具有相同標(biāo)號或區(qū)域值的情況。這是因?yàn)槿￠撝捣指顣r只考慮了像素本身的值 未考慮像素的空間位置。所

10、以根據(jù)像素值劃分到同一類的像素有可能分屬于圖像中 不相連通的區(qū)域。這時候往往需要借助一些對場景的先驗(yàn)知識來進(jìn)一步確定目標(biāo)的 區(qū)域。 b.閾值分割算法分類 基于MATLAB的圖像分割算法研究 32 已提出的閾值化分割算法很多相應(yīng)的分類方法也很多例如對文檔圖像的 閾值化技術(shù)可油種分類的方法 1 考慮分割過程是否需要人工干預(yù)可分為交互的與自動的 2 根據(jù)閾值的不同作用范圍可分為全局的與局部的 3 考慮閾值選取中所采用的灰度分布統(tǒng)計(jì)特性可分為上下文相關(guān)與上下文無 關(guān)的前者基于灰度分布的一階統(tǒng)計(jì)后者基于灰度 法 下面介紹3種比較典型的方法。 a.極小值點(diǎn)閾值 將圖像的灰度直方圖的包絡(luò)看作一條曲線則選取直

11、方圖的谷可借助求曲線極 小值的方法。設(shè)用 z h代表直方圖那么極小值點(diǎn)應(yīng)同時滿足 0 z zh 和 02 2 z zh 4-19 和這些極小值點(diǎn)對應(yīng)的灰度值就可用作分割閾值。 實(shí)際圖像的直方圖由于圖像噪聲等原因經(jīng)常有很多起伏使得按式4-19計(jì) 算出的極小值點(diǎn)有可能對應(yīng)虛假的谷。解決的方法之一是先對直方圖進(jìn)行平滑處理。 b.最優(yōu)閾值 有時圖像中目標(biāo)和背景的灰度值有部分交錯這時如用一個全閾值進(jìn)行分割則 總會產(chǎn)生一定的誤差。實(shí)際中常希望能盡可能減少誤分割包括把目標(biāo)分成背景和 把背景分成目標(biāo)兩類的概率而選取最優(yōu)閾值是一種常用的方法。這里最優(yōu)閾值 指能使誤分割率最小的分割閾值。圖像的直方圖可看成像素灰度

12、值的概率分布密度基于MATLAB的圖像分割算法研究 34 函數(shù)的一個近似設(shè)一幅圖像僅包括兩類主要的灰度值區(qū)域目標(biāo)和背景那么其 直方圖所代表的像素灰度值概率分布密度函數(shù)實(shí)際上是對應(yīng)目標(biāo)和背景的兩個單峰 分布密度函數(shù)之和。如果已知密度函數(shù)的形式就有可能計(jì)算出一個最優(yōu)閾值用 它可把圖像分成兩類區(qū)域而使誤分割率最小。 設(shè)有這樣一幅混有加性高斯噪聲的圖像背景和目標(biāo)的概率密度分別是 z P1和 zP2整幅圖像的混合概率密度 z ppzppzp2211 2 2 2 2 2 2 2 1 2 1 1 12 e xp 2 2 e xp 2 u zpuzp 4-20 其中1u和2u分別是 背景和目標(biāo)區(qū)域的平均灰度值

13、1和2分別是關(guān)于均值的均方 差1p和2p分別是北京和目標(biāo)區(qū)域灰度值的先驗(yàn)概率。根據(jù)概率定義有1p+2p=1 所以混合概率密度公式4-20中只有5個未知的參數(shù)。如果能求得這些參數(shù)。如 果能求得這些參數(shù)就可以確定混合概率密度。 圖4-6 最優(yōu)閾值選取示意圖 如圖4-6所示。假設(shè)1u2u需確定一個閾值T使得灰度值小于T的像素分割 為背景而使得灰度值大于T的像素分割為目標(biāo)。這時錯誤地將目標(biāo)像素劃分為背景 的概率和將背景像素錯誤地劃分為目標(biāo)的概率分別是 P (z 0 z z p1 zp2 TE1 TE2 35 dzzPTET21 4-21 dzzPTET12 計(jì)算 窗口內(nèi)的最大值和最小值再取它們的平均值

14、作為該點(diǎn)的閾值可以證明圖像像素 點(diǎn)灰度值和該閾值的差具有二階導(dǎo)數(shù)的性質(zhì)所以取差的過零點(diǎn)就可以得到二值分 割結(jié)果。下面再介紹另外的兩個辦法。 a.閾值插值 可以將變化閾值技術(shù)當(dāng)作全局固定閾值技術(shù)的局部技術(shù)的局部特例。首先將圖 像分解成一系列子圖像這些子圖像可以互相重疊也可以只相接。如果子圖像比較 小則又陰影或?qū)Ρ榷瓤臻g變化等帶來的問題就會比較小。然后可對每個子圖像計(jì) 算一個閾值此時閾值可用任一種固定閾值法選取。通過對這些子圖像所得閾值的 插值就可得到對圖像中每個像素進(jìn)行分割所需的閾值。這里對應(yīng)每個像素的閾值合 起來組成圖像幅度軸上的一個曲面也可以叫閾值曲面。一種方法的具體步驟 如下 1 將整幅圖

15、像分成一系列互相之間有50%重疊的子圖像 2 做出每個子圖像的直方圖 3 檢測各個子圖像的直方圖是否為雙峰如是可采用上述介紹的閾值選取方法 確定子圖像的閾值否則不進(jìn)行處理 基于MATLAB的圖像分割算法研究 38 4 根據(jù)對直方圖為雙峰的子圖像得到的閾值通過插值得到所以子圖像的閾值 5 根據(jù)對各子圖像的閾值再通過插值得到所有像素的閾值然后對圖像進(jìn)行 分割。 b.水線閾值算法 水線也稱為分水嶺或流域Watershed閾值算法和直接在最佳閾值處分割不 用它是一種特殊的自適應(yīng)迭代閾值分割算法。利用圖4-6來說明水線閾值算法的 原理。 圖4-9中給出的是一幅圖像中的一個剖面其中灰度較高的兩個目標(biāo)從背景

16、1O和2O中取出來并相互分開。先用一個較大的閾值1T進(jìn)行分割它可以將圖中的兩個 目標(biāo)與背景分開只是其間的間隙太寬。如果接下來逐漸減小閾值目標(biāo)的邊界會 隨閾值的減少而相向擴(kuò)展最終兩個目標(biāo)會接觸相遇但此時不讓兩個目標(biāo)合并 這樣它們相接觸前所保留的最后像素集合就給出兩目標(biāo)間最終的邊界。上述過程在 將閾值減小到背景灰度前就可以結(jié)束。 實(shí)際中水線算法首先用一個比較高但是得到的結(jié)構(gòu)仍能把每個目標(biāo)孤立開的閾 值進(jìn)行分割。然后當(dāng)閾值逐漸減小并逼近最佳閾值時不再合并原已分開的目標(biāo)。 這樣就可以解決采用全局閾值方法在目標(biāo)很接近時造成的目標(biāo)合并問題。這里初始 閾值的選取非常重要只要初始閾值選合適那么就可保證最終分割

17、結(jié)果的正確性 iT hT x f sT 圖4-9 水線閾值算法示意圖 x 0 1O 2O 39 如果初始閾值太大如圖4-9中的hT 度差并合并具有最小灰度差的鄰接區(qū)域 3 設(shè)定終止準(zhǔn)則通過反復(fù)進(jìn)行上述步驟2中的操作將區(qū)域依次合并直到 中指準(zhǔn)則滿足為止。 另外當(dāng)圖像中存在緩慢變化的區(qū)域時上述方法有可能會將不同區(qū)域逐步合 并而產(chǎn)生錯誤。為克服這個問題可不用新像素的灰度值去與鄰域像素的灰度值比 較而用新像素所在區(qū)域的平均灰度值去與各鄰域像素的灰度值進(jìn)行比較。 對一個含N個像素的區(qū)域R其均值為 Ry xf N m, 1 4-29 對像素是否合并的比較測試表示為 T myxfR,max 4-30 其中T

18、為給定的閾值。 區(qū)域生長的過程中要求圖像的同一區(qū)域的灰度值變化盡可能小而不同的區(qū) 域之間灰度差盡可能大。兩種情況進(jìn)行討論 1 設(shè)區(qū)域?yàn)榫鶆虻母飨袼鼗叶戎禐榫祄與一個零均值高斯噪聲的疊加。當(dāng) 用式4-30測試某個像素時條件不成立的概率為 Tdz z TP2 22 exp 2 2 4-31 這就是誤差概率函數(shù)當(dāng)T取3倍的方差時誤判概率為199.7%。這表明當(dāng)考 慮灰度均值時區(qū)域內(nèi)的灰度變化應(yīng)盡量小。 2 設(shè)區(qū)域?yàn)榉蔷鶆蚯矣蓛刹糠植煌繕?biāo)的圖像像素構(gòu)成。這兩部分像素在R 中所占比例分別為1q和2q灰度值分別為1m和2m則區(qū)域均值為2 211mqmq。對灰 度值為m的像素它與區(qū)域均值的差為 2 21

19、11mqmqmSm (4-32 基于MATLAB的圖像分割算法研究 44 根據(jù)式4-30可知正確的判決概率為 mmSTPSTPTP 2 1 (4-33 這表明當(dāng)考慮灰度均值時不同部分像素間的灰度差距離應(yīng)盡量大。 b.灰度分布統(tǒng)計(jì)準(zhǔn)則 這里考慮以灰度分布相似性作為生長準(zhǔn)則來決定區(qū)域的合并具體步驟為 1 把圖像分成互不重疊的小區(qū)域 2 比較鄰接區(qū)域的累積灰度直方圖根據(jù)灰度分布的相似性進(jìn)行區(qū)域合并 3 設(shè)定終止準(zhǔn)則通過反復(fù)進(jìn)行步驟2中的操作將各個區(qū)域依次合并直到 終止準(zhǔn)則滿足。 這里對灰度分布的相似性常用兩種方法檢測設(shè) z h1 zh2分別為兩鄰接區(qū)域 的累積灰度直方圖 KolmogorovSmir

20、nov檢測 z hzhz 21max 4-34 SmoothedDifference檢測 zz hzh21 4-35 如果檢測結(jié)果小于給定的閾值即將兩區(qū)域合并。 采用灰度分布相似判別準(zhǔn)則合并法形 等分 3R 2R 4R 13R 1R 14R R 11R 12R 圖4-13 圖像的四叉數(shù)分解示意圖 11R 12R 2R 13R 14R 3R 4R 47 2 對相鄰的兩個區(qū)域iR和jR它們也可以大小不同即不在同一層如果條件 TURE RPi滿足將它們合并起來 3 如果進(jìn)一步的分裂合并都不可能了則結(jié)束。 MATLAB中可以調(diào)用圖像處理工具中的qtdecomp函數(shù)來實(shí)現(xiàn)四叉樹分解。這個 函數(shù)首先將圖像

21、分為相等大小的正方形然后對每一個塊進(jìn)行測試觀察它們是否 與標(biāo)準(zhǔn)具有相同性。對不符合標(biāo)準(zhǔn)的塊進(jìn)行進(jìn)一步分割重復(fù)執(zhí)行至每一個塊都符 合標(biāo)準(zhǔn)為止。 qtdecomp的基本調(diào)用方法如下 s=qtdecomp(I,Threshold,MinDim MaxDim 其中I是輸入圖像。Threshold是一個可選參數(shù)如果某個子區(qū)域中的最大的像素 灰度值減去最小的像素灰度值大雨Threshold設(shè)定的閾值那么繼續(xù)進(jìn)行分解否 則停止并返回。MinDim MaxDim也是可選參數(shù)用來指定最終分解得到的子區(qū)域大 小。返回值S是一個稀疏矩陣其非零元素的位置回應(yīng)于塊的左上角每一個非零 元素值代表塊的大小。 四叉樹分解的程

22、序清單與實(shí)驗(yàn)結(jié)果見附錄?；贛ATLAB的圖像分割算法研究 48 第五章 總結(jié) 本文基于Matlab軟件平臺提出邊緣檢測、灰度閾值檢測和區(qū)域分割方法并 分析總結(jié)了幾種分割方法的優(yōu)劣。也對存在的一些問題做進(jìn)一步的研究。 5.1對于圖像邊緣檢測的分析 檢測階躍邊緣的基本思想是在圖像中找出具有局部最大梯度幅值的像素點(diǎn)。檢測階躍邊緣的大部分工作集中在尋找能夠用于實(shí)際圖像的梯度數(shù)字逼近。由于實(shí)際 的圖像經(jīng)過了攝像機(jī)光學(xué)系統(tǒng)和電路系統(tǒng)帶寬限制固有的低通濾波器的平滑 因此圖像中的階躍邊緣不是十分陡立。圖像也受到攝像機(jī)噪聲和場景中不希望的 細(xì)節(jié)的干擾。圖像梯度逼近必須滿足兩個要求逼近必須能夠抑制噪聲效應(yīng) 必須

23、盡量精確地確定邊緣的位置。抑制噪聲和邊緣精確定位是無法同時得到滿足的 也就是說邊緣檢測算法通過圖像平滑算子去除了噪聲但卻增加了邊緣定位的不 確定性反過來若提高邊緣檢測算子對邊緣的敏感性同時也提高了對噪聲的敏 感性。對梯度算法中的Roberts算子、Sobel算子、Prewitt算子、拉普拉斯(Laplacian 算子、LoG(Laplacian-Gauss算子、坎尼Canny算子的分割步驟、分割方式、分 割準(zhǔn)則相互比較可以看出根據(jù)坎尼Canny邊緣算子的3個準(zhǔn)則得出的邊緣檢測結(jié) 果最滿意。這種方法即使對畫質(zhì)較低的圖像也能有效的分離出所需部分取得理想 的效果。 5.2對于圖像閾值分割的分析 閾值

24、化分割算法是圖像分割 中應(yīng)用數(shù)量最多的一類。簡單地說對灰度圖像的 閾值分割就是先確定一個處于圖像灰度取值范圍內(nèi)的灰度閾值然后將圖像中各個 像素的灰度值與這個閾值相比較并根據(jù)比較的結(jié)果將對應(yīng)的像素劃分為分割 為兩類像素灰度大于閾值的一類像素灰度值小于閾值的為另一類灰度值等于 閾值的像素可以歸如這兩類之一。閾值分割的關(guān)鍵在于閾值的確定只有閾值確定 好了才能有效的劃分物體與背景。但這種方法只對于那些灰度分布大背景與物體 差別大的圖像效果才明顯。 49 5.3對于圖像區(qū)域分割的分析 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(gòu)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的起點(diǎn)然后將

25、種子像素周圍鄰域中與 種子像素有相同或相似性質(zhì)的像素根據(jù)某些事先確定的生長或相似準(zhǔn)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(dāng)作新的種子像素繼續(xù)進(jìn)行上面的過 程直到再沒有滿足條件的像素可被包括進(jìn)來。這樣一個區(qū)域就長成了。但是如何 選擇一組能正確代表所需區(qū)域的種子像素如何確定在生長過程中能將相鄰像素包 括進(jìn)來的準(zhǔn)則如何確定生長終止的條件和規(guī)則仍是一個棘手的問題。另外一種方 法是先進(jìn)行分裂后進(jìn)行合并成分割所要求的條件。即從整幅圖像開始通過不斷分裂 得到各個區(qū)域。實(shí)際中長先把圖像分成任意大小且不重疊的區(qū)域。然后再合并或分 裂這些區(qū)域以滿足分割的要求。 通過對上述圖像分割方法的研究可以看出各種

26、分割方法各自的優(yōu)點(diǎn)與缺點(diǎn) 1閾值方法簡單但效果差2邊緣檢測只使用了局部信息難以保證分割區(qū) 域內(nèi)部的顏色一致且不能產(chǎn)生連續(xù)的閉區(qū)域輪廓3區(qū)域生長常得到不規(guī)則的 邊界和小洞區(qū)域個數(shù)嚴(yán)重依賴于初始種子數(shù)且計(jì)算量較大4迭代像素聚類 計(jì)算量巨大5全局優(yōu)化方法難于找到最優(yōu)解或次優(yōu)解。我們可以在實(shí)際應(yīng)用中 根據(jù)自己對圖像分割的要求而選定適當(dāng)?shù)姆指罘椒ㄒ缘玫阶罴训男Ч麍D。 除了上述提出的3種常見的分割算法還有其他的分割方法如彩色分割基于 數(shù)學(xué)形態(tài)學(xué)的分割技術(shù)還有借助于統(tǒng)計(jì)模式識別方法的分割技術(shù)等他們也有各 自的優(yōu)缺點(diǎn)以進(jìn)一步的研究與應(yīng)用。 5.4改進(jìn)意見 為了能夠得到更好更快的分割效果可以采用下面的方法先均勻的選定若干 個區(qū)域生長種子同時進(jìn)行生長兩區(qū)域相交時進(jìn)行區(qū)域競爭最后壞種子所在的區(qū) 域被包含直至消亡。 具體的做法是首先根據(jù)需要進(jìn)行邊緣檢測分割得到 'sunset1.bmp' BW1=edge(I,'canny