圖像分割畢業(yè)論文

1、第一章緒論1.1課題的研究背景及意義隨著信息技術(shù)的發(fā)展和不斷深入，人們越來越多的利用計算機(jī)來幫助人類獲取與處理各種信息。據(jù)統(tǒng)計，在人類從外界獲得的信息中有75%左右是來自視覺或者說圖像信息，它是人類最有效的信息獲取和交流方式，圖像也因?yàn)槠渌男畔⒘看蟆⒈憩F(xiàn)直觀而在近年得到的廣為宣傳和應(yīng)用的多媒體中占據(jù)了重要的地位。圖像分割是一種基本的計算機(jī)視覺技術(shù)，是從圖像處理到圖像分析的關(guān)鍵步驟。圖像分割就是將圖像表示為物理上有意義的連通區(qū)域的集合，是進(jìn)行圖像分析的第一步工作，也是解決起來比較困難的一個問題。對于那些基于圖像分割結(jié)果的接下來的任務(wù)，如特征提取、目標(biāo)識別等的質(zhì)量的好壞都取決于是否有一個質(zhì)量比

2、較好的圖像分割結(jié)果，有效合理的圖像分割能夠?yàn)榛趦?nèi)容的圖像檢索、對象分析等抽象出十分有用的信息，從而使得更高層的圖像理解成為可能1。1.1.1圖像分割在數(shù)字圖像處理中的地位為了弄清圖像分割在數(shù)字圖像處理中所處的地位，我們引入并使用“圖像工程”這個概念。圖像技術(shù)在廣義上是各種與圖像有關(guān)技術(shù)的總稱。圖像技術(shù)種類很多，跨度很大，但可以將它們歸在一個整體框架一一“圖像工程”之下。圖像工程是一個對整個圖像領(lǐng)域進(jìn)行研究應(yīng)用的新科學(xué)，它的內(nèi)容非常豐富，根據(jù)抽象程度和研究方法等的不同可分為三個有特點(diǎn)的層次（如圖1-1所示）：圖像處理、圖像分析和圖像理解2。圖1-1圖像分割在圖像工程中的位置圖像處理著重強(qiáng)調(diào)在圖

3、像之間進(jìn)行變換以改善圖像的視覺效果。圖像分析則主要是對圖像中感興趣的目標(biāo)進(jìn)行監(jiān)測和測量，以獲得它們的客觀信息從而建立對圖像的描述。圖像理解的重點(diǎn)是在圖像分析的基礎(chǔ)上，進(jìn)一步研究圖像中各目標(biāo)的性質(zhì)和它們之間的相互聯(lián)系，并得出對原始成像客觀場景的解釋，從而指導(dǎo)和規(guī)劃行動。圖像處理、圖像分析和圖像理解具有不同的操作對象，參考圖1-1圖像處理是比較低層的操作，它主要在圖像像素級上進(jìn)行處理。圖像分析則進(jìn)入了中層，它側(cè)重于對像素集合到目標(biāo)的表達(dá)測量描述。圖像理解主要是高層操作，基本上是對從描述中抽象出來的數(shù)據(jù)符號進(jìn)行運(yùn)算推理。在對圖像的研究和應(yīng)用中，人們往往僅對圖像中的某些部分感興趣。這些部分常稱為目標(biāo)或

4、前景(其他部分稱為背景)，它們一般對應(yīng)圖像中特定的、具有獨(dú)特性質(zhì)的區(qū)域。為了辨識和分析目標(biāo)，需要將它們分離提取出來，在此基礎(chǔ)上才有可能對目標(biāo)進(jìn)一步利用。圖像分割就是指把圖像分成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程。這里的特性可以是像素的灰度、顏色、紋理等。圖像分割是由圖像處理過渡到圖像分析的關(guān)鍵步驟，在圖像工程中占據(jù)重要的位置。一方面，它是目標(biāo)表達(dá)的基礎(chǔ)，對特證測量有重要的影響。另一方面，因?yàn)閳D像分割及其基于分割的目標(biāo)表達(dá)、特證提取和參數(shù)測量等將原始圖像轉(zhuǎn)化為更抽象更緊湊的形式，這才使得更高層的圖像分析和理解成為可能。1.1.2圖像分割的應(yīng)用領(lǐng)域在實(shí)際生產(chǎn)生活中，圖像分割的應(yīng)用也非常廣

5、泛，幾乎出現(xiàn)在有關(guān)圖像處理的所有領(lǐng)域，并涉及各種類型的圖像。例如，在遙感應(yīng)用中，衛(wèi)星云圖的處理;在醫(yī)學(xué)應(yīng)用中，腦部MR圖像分析;在交通圖像分析中，違章車輛車牌區(qū)域的分割;在面向?qū)ο蟮膱D像壓縮和基于內(nèi)容的圖像檢索中感興趣區(qū)域的提取。在這些應(yīng)用中，圖像分割通常是為了進(jìn)一步對圖像進(jìn)行分析、識別、壓縮編碼等，區(qū)域提取的準(zhǔn)確性將直接影響后繼任務(wù)的有效性，因此分割的方法和精確程度是至關(guān)重要的。也是因?yàn)閳D像分割在數(shù)字圖像處理中占據(jù)了如此舉足輕重的地位，所以才會在凡是有數(shù)字圖像處理出現(xiàn)的地方就必然少不了圖像分割的身影。縱觀數(shù)字圖像處理的歷史，隨著計算機(jī)的高速化和大容量化，攝像設(shè)備的小型化和高精度化，這在使得圖

6、像處理在工作站及個人計算機(jī)等小型機(jī)上的實(shí)現(xiàn)成為可能的同時，更使圖像的質(zhì)量有了突飛猛進(jìn)的改善。技術(shù)的進(jìn)步帶來應(yīng)用的革新，對人們的生產(chǎn)生活產(chǎn)生了全面而深刻的影響，使得數(shù)字圖像處理技術(shù)在科學(xué)研究、工業(yè)生產(chǎn)、軍事國防及現(xiàn)代管理決策部門等各行各業(yè)都得到越來越多的應(yīng)用，其場合廣闊、內(nèi)容眾多、形式新穎、門類齊全，其應(yīng)用前景可以說是方興未艾，正向著實(shí)時化、大眾化、小型化、遠(yuǎn)程化等多方面迅猛發(fā)展。下面列出的表1-1簡明扼要地展示了數(shù)字圖像處理的一些常見應(yīng)用領(lǐng)域2。1.2圖像分割技術(shù)的現(xiàn)狀自20世紀(jì)70年代起，對圖像分割的研究一直是圖像技術(shù)研究中的熱點(diǎn)和焦點(diǎn)，人們對其的關(guān)注和投入不斷提高。圖像分割作為圖像處理中的

7、一項(xiàng)關(guān)鍵技術(shù)，至今已提出上千種分割算法，但因至今尚無通用的分割理論，現(xiàn)提出的分割算法也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。另外，還沒有制定出選擇適用分割算法的標(biāo)準(zhǔn)，這給圖像分割技術(shù)的應(yīng)用帶來許多實(shí)際問題。比較常用的且分割效果較為理想的有基于形態(tài)學(xué)的分水嶺分割、快速聚類分割、顆粒分割、區(qū)域閾值法和邊緣檢測法等。表1-1數(shù)字圖像處理的常見應(yīng)用領(lǐng)域最近幾年又出現(xiàn)了許多新思路、新方法或改進(jìn)算法，而且近年來每年有上百篇有關(guān)研究報道發(fā)表，2000年Medioni3專門撰書對圖像分割進(jìn)行了全面和深入的討論。傳統(tǒng)的分割算法基本以處理灰度圖像為主。隨著技術(shù)的發(fā)展，近年來，其它圖像如彩色圖

8、像、多光譜圖像、紋理圖像、深度圖像、多視圖像、運(yùn)動圖像、合成孔徑雷達(dá)圖像等特殊圖像也得到了廣泛應(yīng)用。它對分割技術(shù)提出了新的要求，引起了分割技術(shù)發(fā)展的新契機(jī)。而小波變換理論的成熟、神經(jīng)網(wǎng)絡(luò)技術(shù)的引入、模糊理論發(fā)展、粗糙集理論的應(yīng)用為分割技術(shù)的發(fā)展提供了理論基礎(chǔ)。1.3 Matlab在圖像處理中的應(yīng)用本文研究圖像分割的軟件平臺是Matlab6. 5。該系列軟件前身是由美國MathWorks公司于1982年推出的一套高性能的數(shù)值計算和可視化軟件。它集數(shù)值分析、矩陣運(yùn)算、信號處理和圖形顯示于一體，其強(qiáng)大的擴(kuò)展功能為各個領(lǐng)域的應(yīng)用提供了基礎(chǔ)。Matlab工具箱中主要包括信號處理(signal proce

9、ssing)，控制系統(tǒng)(control system)，神經(jīng)網(wǎng)絡(luò)(neural network),圖像處理(image processing)，魯棒控制(robust control)，非線性系統(tǒng)控制(nonlinear system control design)，系統(tǒng)辨識(system identification),小波(wavelet)等工具箱(伯曉晨2000年)。這些工具箱給各個領(lǐng)域的研究和工程應(yīng)用提供了有力的工具。借助于這些“巨人肩上的工具”，各個層次的研究人員可直觀方便地進(jìn)行分析、計算及設(shè)計工作，可以大大地節(jié)省軟件開發(fā)時間。針對廣泛且蓬勃發(fā)展的圖像處理而開發(fā)的Matlab圖像處理

10、工具箱函數(shù)更是廣大從事圖像處理研究人員的利器。他包括了圖像變換、圖像增強(qiáng)、圖像壓縮、圖像分析、圖像分割及識別等大量基本命令和函數(shù)。本課題將基于Matlab在圖像處理上的強(qiáng)大功能，充分利用已有的Matlab工具箱函數(shù)進(jìn)行圖像分割算法的研究探討。1.4本論文的主要工作及內(nèi)容安排1.4.1本論文進(jìn)行的主要工作本課題的研究內(nèi)容主要包括以下的幾個方面：(1)對圖像分割的方法做整體的調(diào)查概述，歸類時下流行的多種分割方法，并對其基本理論和應(yīng)用方面等做研究和分析。(2)就最經(jīng)典的幾種圖像分割方法進(jìn)行詳述。(3)著眼最近流行的形態(tài)學(xué)分割方法，深入分析數(shù)學(xué)形態(tài)學(xué)中的分水嶺圖像分割，并對其容易產(chǎn)生過分割的缺點(diǎn)進(jìn)行了

11、改進(jìn)，最后提出了最佳的一種解決方案。1.4.2 各章節(jié)的安排第一章是緒論，闡述課題研究的意義、目的及發(fā)展現(xiàn)狀。介紹本課題研究所采用的基本方法。第二章對圖像分割的方法進(jìn)行整體性的概述，并簡要介紹，對圖像分割方法產(chǎn)生宏觀的印象。第三章對閾值法，區(qū)域法和邊緣檢測法這三種最基本也是最經(jīng)典的圖像分割方法進(jìn)行驗(yàn)證性實(shí)驗(yàn)，并分析了實(shí)驗(yàn)結(jié)果。第四章深入詳盡的闡述了基于形態(tài)學(xué)的分水嶺圖像分割方法，對其優(yōu)缺點(diǎn)均進(jìn)行了剖析，并針對其容易出現(xiàn)過分割的缺點(diǎn)進(jìn)行了試探性的解決，并通過Matlab的編程并仿真，最后提出了一種相對較優(yōu)的綜合分割方式。第二章圖像分割方法研究綜述2.1 概述圖像分割是依據(jù)圖像的灰度、顏色、邊緣、

12、紋理或者幾何特征將圖像中具有特定含義的不同區(qū)域區(qū)分成互不相交的區(qū)域，而每一個區(qū)域都滿足特定區(qū)域的一致性。比如對同一物體的圖像，一般需要將圖像中屬于該物體的像素從背景中分割出來，將屬于不同物體的像素點(diǎn)分離開。分割出來的區(qū)域應(yīng)同時滿足:(1) 分割出來的圖像區(qū)域是均勻的和連通的。其中，均勻是指該區(qū)域中的所有像素點(diǎn)都滿足基十灰度、紋理、彩色等特征的某種相似性準(zhǔn)則，連通是指該區(qū)域內(nèi)任意兩點(diǎn)均可以連接。(2) 相鄰分割區(qū)域之間針對選定的某種顯著的差異性。(3) 分割區(qū)域邊界應(yīng)該規(guī)整，同時能保證邊緣的空間定位精度。下面給出了圖像分割的嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)定義以加深理解。令集合R 代表整個圖像區(qū)域,對R 的分割可看做

13、將R 分成N 個滿足下列五個條件的非空子集(子區(qū)域) R1 , R2 , , RN :R1R2R3RN=R;對所有的i 和j , 任意的i j , 有Ri Rj = 空集;對i = 1 , 2 , , N , 有P( Ri) = True ;對i j ,有P( Ri Rj) = False ;對i = 1 ,2 , , N ,有Ri 是連通的區(qū)域. 其中P( Ri) 是對所有在集合Ri 中的元素的邏輯謂詞。如果加強(qiáng)分割區(qū)域的均勻性約束，則分割區(qū)域很容易產(chǎn)生大量的空白和不規(guī)整的邊緣;但若是過分強(qiáng)調(diào)分割后區(qū)域之間的性質(zhì)差異，則又不免造成非同質(zhì)區(qū)域的合并和部分有意義邊緣的丟失。經(jīng)過眾多圖像處理和機(jī)器

14、視覺研究者的長期努力，在滿足上述定義的情況下的圖像分割算法取得了重大突破，但都是針對某一類型的圖像或者某一具體應(yīng)用，還沒有一個單一的標(biāo)準(zhǔn)圖像分割算法，沒有形成一個統(tǒng)一的成形的圖像分割理論;同時，也沒有達(dá)成一個判斷分割成功的客觀標(biāo)準(zhǔn)。然而，還是有很多特定的圖像分割算法在一定程度上被廣泛應(yīng)用，在其適用的特定范圍非常有效。根據(jù)所利用的圖像信息，圖像分割算法大致可以分為四大類:(1)利用圖像灰度統(tǒng)計信息的方法，典型的有一維直方圖閾值化算法和二維直方圖閾值化算法;(2)利用圖像圖形的空間域信息和光譜信息的分割算法，這類典型包括區(qū)域合并、生長法、紋理分割算法和多光譜分割算法等;(3)利用圖像中灰度變換最劇

15、烈的區(qū)域信息算法是邊緣檢測算法，這類算法是Marr理論中主要倡導(dǎo)的算法，在圖像分割中用的最多，其典型有Canny算法、Marr-Hildreth算法和基于多尺度的邊緣檢測算法等;(4)利用圖像分類技術(shù)的像素分類算法。這類算法的典型有統(tǒng)計分類方法、模糊分類方法和神經(jīng)網(wǎng)絡(luò)分類方法等，其中最常見的算法是k-means算法。2.2閾值分割法閾值分割法作為一種常見的區(qū)域并行技術(shù), 就是用一個或幾個閾值將圖像的灰度直方圖分成幾類, 認(rèn)為圖像中灰度值在同一類中的像素屬于同一物體。由于是直接利用圖像的灰度特性, 因此計算方便簡明、實(shí)用性強(qiáng)。顯然, 閾值分割方法的關(guān)鍵和難點(diǎn)是如何取得一個合適的閾值, 而實(shí)際應(yīng)用

16、中閾值設(shè)定易受噪聲和光亮度影響4。近年來關(guān)于閾值分割法主要有: 最大相關(guān)性原則選擇閾值法、基于圖像拓?fù)浞€(wěn)定狀態(tài)法、灰度共生矩陣法、熵法、峰值和谷值分析法等。其中,自適應(yīng)閾值法、最大熵法、模糊閾值法、類間閾值法是對傳統(tǒng)閾值法改進(jìn)較成功的幾種算法。更多的情況下, 閾值的選擇會綜合運(yùn)用兩種或兩種以上的方法, 這也是圖像分割發(fā)展的一個趨勢。閾值法的缺陷主要在于它僅僅考慮了圖像的灰度信息, 而忽略了圖像的空間信息。對于非此即彼的簡單圖像處理(如一些二值圖像的處理) 是有效的, 但是對于圖像中不存在明顯的灰度差異或各物體的灰度值范圍有較大重疊的圖像分割問題難以得到準(zhǔn)確的分割效果。2.3基于邊緣的圖像分割法

17、邊緣總是以強(qiáng)度突變的形式出現(xiàn), 可以定義為圖像局部特性的不連續(xù)性,如灰度的突變、紋理結(jié)構(gòu)的突變等。邊緣常常意味著一個區(qū)域的終結(jié)和另一個區(qū)域的開始, 圖像的邊緣包含了物體形狀的重要信息, 它不僅在分析圖像時大幅度地減少了要處理的信息量, 還保護(hù)了目標(biāo)的邊界結(jié)構(gòu)。對于邊緣的檢測常常借助空間微分算子進(jìn)行, 通過將其模板與圖像卷積完成。兩個具有不同灰度值的相鄰區(qū)域之間總存在灰度邊緣, 而這正是灰度值不連續(xù)的結(jié)果, 這種不連續(xù)可以利用求一階和二階導(dǎo)數(shù)檢測到。當(dāng)今的局部技術(shù)邊緣檢測方法中, 主要有一次微分(Sobel算子、Roberts算子)、二次微分(拉普拉斯算子等) 和模板操作(Prewitt算子、K

18、irsch算子和Robinson算子) 等。這些邊緣檢測器對邊緣灰度值過渡比較尖銳且噪聲較小等不太復(fù)雜的圖像可以取得較好的效果, 但對于邊緣復(fù)雜( 如邊緣模糊、邊緣丟失、邊緣不連續(xù)等) 的圖像效果不太理想。此外, 噪聲的存在使基于導(dǎo)數(shù)的邊緣檢測方法效果明顯降低, 在噪聲較大的情況下所用的邊緣檢測算子通常都是先對圖像進(jìn)行適當(dāng)?shù)钠交? 抑制噪聲,然后求導(dǎo)數(shù), 或者對圖像進(jìn)行局部擬合, 然后再用擬合光滑函數(shù)的導(dǎo)數(shù)來代替直接的數(shù)值導(dǎo)數(shù), 如Marr算子、Canny算子等5。有關(guān)學(xué)者曾給出了一種基于彩色邊緣的圖像分割方法, 這是對傳統(tǒng)邊緣分割方法只適用于灰度圖像狀況的一個突破6。在未來的研究中, 用于提

19、取初始邊緣點(diǎn)的自適應(yīng)閾值選取、用于圖像層次分割的更大區(qū)域的選取以及如何確認(rèn)重要邊緣去除假邊緣將變得非常重要。2.4基于聚類的分割法對灰度圖像和彩色圖像中相似灰度或色度合并的方法稱之為聚類, 通過聚類將圖像表示為不同區(qū)域即所謂的聚類分割方法。此方法的實(shí)質(zhì)是將圖像分割問題轉(zhuǎn)化為模式識別的聚類分析, 如k均值、參數(shù)密度估計、非參數(shù)密度估計等方法都能用于圖像分割。常用的聚類分割有顏色聚類分割、灰度聚類分割和像素空間聚類分割。顏色聚類實(shí)際上是將相似的幾種顏色合并為一色, 描述顏色近似程度的指標(biāo)是色差, 在標(biāo)準(zhǔn)CIE勻色空間中, 色差是用兩個顏色的距離來表示的。但是顯示器采用的RGB空間是顯示器的設(shè)備空間

20、, 與CIE系統(tǒng)的真實(shí)三原色不同。為簡單起見, 一般采用RGB色空間中的距離來表示【7】?；叶染垲愂侵话褕D像分成目標(biāo)和背景兩類, 而且僅考慮像素的灰度, 這就是一個在一維空間中把數(shù)據(jù)分成兩類的問題。通過在灰度空間完成聚類, 得到兩個聚類中心(用灰度值表征), 聚類中心連線的中點(diǎn)便是閾值。顯然這個概念也可以輕松地延擴(kuò)至多閾值和動態(tài)閾值的情況8。像素空間聚類分割利用了人類視覺系統(tǒng)的研究, 由于人眼在識別物體時總是離不開物體所在的周圍環(huán)境, 所以圖像中灰度的局部變化對于圖像處理是相當(dāng)重要的信息。如果在某些特定的尺度上觀察圖像, 比如說把圖像信號通過一個帶通濾波器,濾波的結(jié)果將使圖像的局部信息更好地被

21、表達(dá)9。通過一個多尺度分解, 輪廓信息可以在大尺度圖像上保留下來, 細(xì)節(jié)或者突變信息可以在中小尺度上體現(xiàn), 基于多尺度圖像特征聚類的分割方法漸漸得到了人們的關(guān)注10-11。2.5結(jié)合特定理論工具的分割法圖像分割目前尚無通用的理論。近年來, 隨著各學(xué)科許多新理論和新方法的提出, 人們也提出了許多與一些特定理論、方法和工具相結(jié)合的分割技術(shù)12。2.5.1基于數(shù)學(xué)形態(tài)學(xué)的分割技術(shù)此技術(shù)的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中的對應(yīng)形狀以達(dá)到對圖像分析和識別的目的。如基于圖像最大內(nèi)切圓的數(shù)學(xué)形態(tài)學(xué)形狀描述圖像分割算法、基于目標(biāo)最小閉合結(jié)構(gòu)元素的數(shù)學(xué)形態(tài)學(xué)形狀描述圖像分割算法、分水嶺區(qū)域分

22、割法和聚類快速分割法等。由于形態(tài)學(xué)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(dǎo)作用。但該方法的主要缺陷還是不能很好地解決耗時問題, 將其與一些節(jié)約時間的措施結(jié)合起來, 是圖像分割的一種趨勢。2.5.2基于模糊技術(shù)的圖像分割法基于模糊集合和邏輯的分割法是以模糊數(shù)學(xué)為基礎(chǔ), 利用隸屬度決定圖像中由于信息不全面、不準(zhǔn)確、含糊、矛盾等造成的不確定性問題。該方法在醫(yī)學(xué)圖像分析中有廣泛的應(yīng)用, 如基于有偏場的適配模糊聚類分割算法。薛景浩等人提出了一種新的基于圖像間模糊散度的閾值化算法以及它在多閾值選擇中的推廣算法, 采用了模糊集合分別表達(dá)分割前后的圖像, 通過最小模糊散度準(zhǔn)則來實(shí)現(xiàn)圖像分割中最

23、優(yōu)閾值的自動提取。該算法針對圖像閾值化分割的要求構(gòu)造了一種新的模糊隸屬度函數(shù), 克服了傳統(tǒng)S函數(shù)帶寬對分割效果的影響, 有很好的通用性和有效性。2.5.3基于遺傳算法的圖像分割法遺傳算法是基于進(jìn)化論自然選擇機(jī)制的、并行的、統(tǒng)計的、隨機(jī)化搜索方法。在分割復(fù)雜的圖像時, 人們往往采用多參量進(jìn)行信息融合, 在多參量參與的最優(yōu)值求取過程中,優(yōu)化計算是最重要的, 把自然進(jìn)化的特征應(yīng)用到計算機(jī)算法中, 能解決很多困難。遺傳算法的出現(xiàn)為解決這類問題提供了新而有效的方法, 它不僅可以得到全局最優(yōu)解, 而且大量縮短了計算時間。魏志成14等人就提出一種新的圖像分割自適應(yīng)算法的研究, 改進(jìn)遺傳算法的變異算子, 并把

24、單點(diǎn)變異算子與雙點(diǎn)變異算子結(jié)合, 能有效地改善局部收斂,該算法可保留圖像的大部分信息, 對一些復(fù)雜圖像的處理能得到很好的處理結(jié)果, 同時算法在時間上還有很大的優(yōu)勢; 王月蘭15等人提出的基于信息融合技術(shù)的彩色圖像分割方法, 該方法應(yīng)用剝殼技術(shù)將問題的復(fù)雜度降低, 然后將信息融合技術(shù)應(yīng)用到彩色圖像分割中, 為彩色分割在不同領(lǐng)域中的應(yīng)用提供了一種新的思路與解決辦法。除此之外, 還有其它許多新的混合算法和模型, 如基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的圖像分割法13、基于視覺熵的圖像分割16、基于各種模型(動態(tài)輪廓模型、物理模型等) 的分割算法等。第三章 經(jīng)典圖像分割算法的仿真與論證圖像分割的傳統(tǒng)經(jīng)典方法大致可分為

25、三種（劉志敏，1998年）：（1）閾值法:以閾值為界區(qū)分物體與背景的簡單方法。（2）區(qū)域法:僅認(rèn)定某一個像素集合為一個物體或區(qū)域的方法。（3）邊緣檢測法：通過各種邊緣檢測算子檢測圖像邊緣的方法。上述這三種方法是圖像分割領(lǐng)域最基礎(chǔ)也是最經(jīng)典的算法，近現(xiàn)代衍生出的改進(jìn)算法都是在這個基礎(chǔ)上發(fā)展起來的，所以這三種經(jīng)典算法在圖像分割領(lǐng)域中有著牽一發(fā)而動全身的關(guān)鍵地位。筆者作為一名學(xué)習(xí)研究圖像分割算法的初學(xué)者，在涉獵了大量相關(guān)文獻(xiàn)資料后決定先從經(jīng)典算法的分析論證著手Matlab程序的設(shè)計。3.1閾值法閾值法主要靠設(shè)定閾值來分辨物體與背景。簡言之就是在圖像的灰度值中，選一適合的閾值，若像素值小于閾值，則判斷

26、為背景;大于閾值，則判為物體，因此這種方法很適合于圖像中的物體有明顯的區(qū)域邊界且邊界為封閉的情況。亦即，若目標(biāo)物體和背景之間的灰度值有明顯差異時，則閾值法可完全分割物體與背景。下圖3-1，3-2，3-3所示為自動閾值分割的程序仿真圖，先取得一張背景單一的圖像，然后對其進(jìn)行自動閾值分割。圖3-1原始圖片圖3-2自動閾值分割后的圖片圖3-3原圖片的直方圖通過觀察直方圖，可以確定目標(biāo)物體的像素值大于75，所以確定圖像閾值為75。這與手動用imhist(I)和I1=im2bw(I,140/255)這兩個語句，通過設(shè)閾值為75后的分割效果圖一致。但是在很多情況下，圖像并不像圖3-1那么單純，背景上可能有

27、很多的變化。在這種情況下，可能某些區(qū)域中所用的閾值，就不能用在別的區(qū)域，當(dāng)然最好的方法就是在不同的區(qū)域使用不同的閾值，也就是最好能實(shí)現(xiàn)自適應(yīng)閾值分割，這就是在附錄中的程序段實(shí)現(xiàn)的極大的方便之處。但同時我們也發(fā)現(xiàn)了這個程序的繁瑣程度，這也就是閾值分割的弱點(diǎn)。3.2區(qū)域法3.2.1像素聚類區(qū)域成長法從一個種子(seed)像素開始，通過像素平均灰度、組織紋理以及色彩等性質(zhì)的檢測，將具類似性質(zhì)的像素逐一納入所考慮的區(qū)域中，使其成長。此方法可以成功地找到像素性質(zhì)相似的區(qū)域，并將其邊界標(biāo)示出來。這種方法一般適合邊界明顯，背景簡單的圖像色塊。同時需要注意的是，判斷鄰近像素是否屬于同一區(qū)域的臨界值的選定極為重

28、要，若選取過大，則像素過度聚合，反之，則聚合不夠，兩者都無法反映該圖像區(qū)塊的真實(shí)形狀。區(qū)域成長法針對不同的實(shí)際應(yīng)用需要根據(jù)具體圖像的具體特征來確定種子像素和生長及停止準(zhǔn)則。因此這種方法的個性太強(qiáng)，所以將重點(diǎn)放在了下面的區(qū)域分割與合并法上，后者更有效而且更常用一些。3.2.2區(qū)域分割與合并法(四叉樹分解法)首先將圖像分割成不重疊的區(qū)域，其中最常用的方法是分割成四個大小相同的子圖像。若每個子圖像內(nèi)有性質(zhì)不同的圖像存在就將該子圖像繼續(xù)分割，持續(xù)這個過程直到?jīng)]有可再分割的條件為止。接著將具有同性質(zhì)又相鄰的子區(qū)域進(jìn)行合并，直到無法再合并為止，整個圖像分割程序才算完整。下圖3-4即為四叉樹分解法的幾何展示

29、。圖3-4四叉樹法幾何示意圖在Matlab圖像處理工具箱中提供了提供了“四叉樹分解”的函數(shù)，我們用區(qū)域分割與合并法時可以直接的調(diào)用，分割結(jié)果圖3-5所示。例如：Image1=imread(liftingbody.jpg); %讀取圖像S=qtdecomp(Image1, 0. 27);% qtdecomp. m“四叉樹分解，函數(shù) %0. 27是每個方塊所需要達(dá)到的最小差值Image2=full (S);% 由于S變量為稀疏矩陣，故使用(full)指令來將S矩陣中缺少的元素補(bǔ)上，以便顯示imshow(Image1);% 顯示前后兩張圖片figure,imshow(Image2);這個小程序就可以

30、實(shí)現(xiàn)將matlab中自帶的liftingbody圖片分割出輪廓來。圖3-5四叉樹分解完成圖像分割3.3邊緣檢測法邊緣檢測技術(shù)在數(shù)字圖像處理中非常重要，因?yàn)檫吘壥菆D像中所要提取的目標(biāo)和背景的分界線，只有提取出了邊緣才能將背景和目標(biāo)區(qū)分開來。兩個具有不同灰度的相鄰區(qū)域之間總存在邊緣，邊緣是灰度值不連續(xù)的結(jié)果。這種不連續(xù)性通?？梢岳们髮?dǎo)數(shù)的方法方便地檢測到，一般常用一階導(dǎo)數(shù)和二階導(dǎo)數(shù)來檢測邊緣。邊緣檢測的基本思想首先是要利用邊緣增強(qiáng)算子，突出圖像中的局部邊緣，然后定義像素的“邊緣強(qiáng)度”，通過設(shè)置閾值的方法提取邊緣點(diǎn)集。但是由于噪聲和圖像模糊的原因，檢測到的邊界可能是有間斷的情況發(fā)生，所以邊緣檢測包

31、含兩個方面:(1)用邊緣算子提取邊緣點(diǎn)集。(2)在邊緣點(diǎn)集中去除某些邊緣點(diǎn)，填充一些邊緣點(diǎn)，將得到的邊緣點(diǎn)集連接為線。常用的檢測算子有微分算子、拉普拉斯高斯算子和canny算子。下面將各個常見的邊緣算子處理同一幅細(xì)菌圖像圖3-6，并將各個算子處理后的圖像放在一起（見下一頁）。 從圖中可以看出，canny算子的檢測效果相對比較理想，它將細(xì)菌與周圍的培養(yǎng)基分割的較為利落，而其他幾種算子都對圖像的細(xì)節(jié)信息過于敏感，以至于連細(xì)菌內(nèi)部結(jié)構(gòu)的邊緣也勾畫了出來。這里值得一提的是拉普拉斯高斯算子，在編程時我們?nèi)×藘蓚€值，當(dāng)它的值為2時圖像分割對細(xì)節(jié)過敏感，當(dāng)變?yōu)?時又導(dǎo)致邊緣殘缺。綜合看來，canny都是最優(yōu)

32、的階梯型邊緣檢測算子。圖3-6 bacteria.bmp由此看出邊緣算子檢測目標(biāo)圖像邊緣的缺陷在所有邊緣檢測中表露無遺。各種算子均對圖像的細(xì)節(jié)信息敏感，由于現(xiàn)實(shí)生活中不是所有物體都有清晰的外輪廓線，再加上在不同的光影效果下影射成不同的灰度值，所以通過邊緣檢測算子檢測到的邊緣，并不僅僅是目標(biāo)物的外輪廓線，更含有大量內(nèi)部結(jié)構(gòu)的細(xì)小輪廓線。同時，往往目標(biāo)物的外輪廓線也不是連續(xù)的，遮陽一來就難以得到目標(biāo)圖像的形狀、面積等。顯然，這樣的分割結(jié)果是不能令我們滿意的。在本論文的下一章將重點(diǎn)描述另外一種相對要優(yōu)越一些，也確實(shí)可以在日常生活中產(chǎn)生實(shí)際應(yīng)用價值的圖像分割算法。 (a)LoG檢測效果 （b）robe

33、rts檢測效果 (c)prewitt檢測效果 (d)canny檢測效果 (e)LoG檢測效果 （f）sobel檢測效果圖3-7邊緣檢測法多種算子的圖象分割 第四章基于形態(tài)學(xué)的分水嶺圖像的分割算法4.1數(shù)學(xué)形態(tài)學(xué)概論圖4-1數(shù)學(xué)形態(tài)學(xué)基本思想數(shù)學(xué)形態(tài)學(xué)以圖像的形態(tài)特征為研究對像，它的主要內(nèi)容是設(shè)計一整套概念、變換和算法，用來描述圖像的基本特征和基本結(jié)構(gòu)，也就是描述圖像中元素與元素、部分與部分間的關(guān)系。數(shù)學(xué)形態(tài)學(xué)算子的性能主要以幾何方式進(jìn)行刻畫，傳統(tǒng)的理論卻以解析方式的形式描述算子的性能，而幾何描述特點(diǎn)似乎更適合視覺信息的處理和分析。這一基本思想如圖4-1所示。最初，由Maheron和Serra提

34、出的數(shù)學(xué)形態(tài)學(xué)研究以二值圖像為對像，稱為二值形態(tài)學(xué);此后，Serra和Sternberg等借助于傘理論，把二值形態(tài)算子推廣到灰度圖像，因而使灰度形態(tài)學(xué)的理論和應(yīng)用研究也得到很大的發(fā)展，已經(jīng)成為數(shù)字圖像信號處理和計算機(jī)視覺領(lǐng)域中的一種有效方法。而今，數(shù)學(xué)形態(tài)學(xué)已經(jīng)成為圖像處理理論的一個重要方面，廣泛地應(yīng)用到圖像處理的很多領(lǐng)域中，這些領(lǐng)域涉及醫(yī)學(xué)成像、顯微鏡學(xué)、生物學(xué)、機(jī)器人視覺、自動字符讀取、金相學(xué)、地質(zhì)學(xué)、冶金學(xué)、遙感技術(shù)等等。在這些領(lǐng)域中，利用數(shù)學(xué)形態(tài)學(xué)可以對圖像進(jìn)行增強(qiáng)、分割、邊緣檢測、結(jié)構(gòu)分析、形態(tài)分析、骨架化、組分分析、曲線填充、圖像壓縮等等各種各樣的處理。數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算有四個:

35、膨脹(或擴(kuò)張)，腐蝕(或侵蝕)，開啟和閉合。基于這些基本運(yùn)算:還可以推導(dǎo)和組合成各種數(shù)學(xué)形態(tài)學(xué)的算法。設(shè)為輸入圖像，為結(jié)構(gòu)元素，其中為圖像平面空間的坐標(biāo)點(diǎn)， 為點(diǎn)的灰度值，b 為點(diǎn)的結(jié)構(gòu)函數(shù)值， 和分別是函數(shù)和的定義域。四種基本運(yùn)算的定義如下：(1)腐蝕運(yùn)算(2)膨脹運(yùn)算(3)開運(yùn)算(4)閉運(yùn)算腐蝕運(yùn)算可以減弱甚至消除小于結(jié)構(gòu)元素的明亮區(qū)域，從而可以用來有效地去除孤立噪聲點(diǎn)和邊界上不平滑的凸出部分。運(yùn)用形態(tài)學(xué)的腐蝕運(yùn)算可以得到圖像的邊界。膨脹是將與目標(biāo)物體接觸的所有背景點(diǎn)合并到物體中的過程，可填補(bǔ)空洞和形成連通域以及填平圖像邊界上不平滑的凹陷部分。開運(yùn)算是先對圖像進(jìn)行腐蝕運(yùn)算再進(jìn)行膨脹運(yùn)算，能

36、去除掉圖像中的孤立區(qū)域和毛刺，利用它可以消除形狀小于結(jié)構(gòu)元素的正峰值，根據(jù)目標(biāo)和噪聲的特點(diǎn)，選擇合適的結(jié)構(gòu)元，就能剔除目標(biāo)和噪聲，而將背景保留下來，得到背景的估計17。閉運(yùn)算是先對圖像進(jìn)行膨脹運(yùn)算再進(jìn)行腐蝕運(yùn)算，可以填充物體內(nèi)的細(xì)小空洞，連接鄰近物體和平滑物體邊界。最基本的形態(tài)梯度可定義如下:具體說來，將亮區(qū)域擴(kuò)展了一個像素的寬度，而 將亮區(qū)域收縮一個像素的寬度。這樣它給出的邊界有兩個像素寬，它沒有放大噪聲，但本身可能包含不少噪聲。另一種形態(tài)梯度為：這種梯度對孤立的噪聲點(diǎn)不敏感，如果將它用于理想斜面邊緣的檢測效果很好。4.2基于形態(tài)學(xué)的分水嶺分割4.2.1分水嶺分割的基本思想和常用方法如今，人

37、們己經(jīng)將分水嶺的概念應(yīng)用到圖像分割中。在圖像處理中引入分水嶺概念時，可以有兩種形式:一是將灰度圖像看成是假想的地形表面;二是將待分割圖像的梯度圖像看成假想的地形表面。在這兩種形式中都將圖像中每個像素的像素值表示該點(diǎn)的海拔高度。假設(shè)待分割的圖像由目標(biāo)和背景組成，這樣，圖像中目標(biāo)的內(nèi)部區(qū) 域?qū)?yīng)圖中灰度較低的位置，而背景則對應(yīng)圖中的灰度值較高的位置，圖中的灰度極小值點(diǎn)分布在目標(biāo)內(nèi)部。水面從這些極小值點(diǎn)處開始上漲，當(dāng)不同流域中的水面不斷升高到將要匯合在一起時(目標(biāo)邊界處)，便筑起一道堤壩，最后得到由這些水壩組成的分水嶺線，圖像也就完成了分割。然而，用分水嶺算法對灰度圖像進(jìn)行分割時，圖中每個獨(dú)立的局部

38、底谷都劃歸為不同區(qū)域，最終導(dǎo)致“過分割”，即產(chǎn)生大量虛假的輪廓以致無法確認(rèn)哪些是真正的輪廓。常見的幾種分水嶺計算方法有:Beucher和Lanturjoul提出的基于浸沒模型的分水嶺算法，F(xiàn)riedlander在提出的有序算法18， Beucher提出的基于有向箭頭的有序算法19。傳統(tǒng)的分水嶺算法存在一些缺點(diǎn)。第一，在處理的過程中，它們都連續(xù)多次對圖像進(jìn)行完整的掃描。這就意味著在每一步過程中，所有的像素都必須被掃描一次，這是非常費(fèi)時的。第二，這些算法都沒有一個固定的迭代次數(shù)，每一次迭代都必須對圖像進(jìn)行完整的掃描，而迭代的次數(shù)可能很大。所以，在目前的計算機(jī)中，這些算法的效率是非常低的，有時候計算

39、一次分水嶺變換可能需要幾個小時。4.2.2分水嶺分割的數(shù)學(xué)模型模擬淹沒算法的數(shù)學(xué)模型如下:假設(shè)表示二維灰度圖像函數(shù)，其中為圖像中像素點(diǎn)，表示 的值域，是中的最小值，是中的最大值，有:定義1:為門限函數(shù)，定義式如下：定義2:設(shè)為盆地(catchmentba sin) , M為盆地中的灰度最小值，則表示的子集，定義式如下:定義3:測地距離(geodesicin fluencez one)，設(shè)A為簡單連通的區(qū)域，A內(nèi)兩點(diǎn)x, y間的路徑P完全包含在A內(nèi)，則x, y間的測地距離定義為: 定義4:測地影響區(qū)域(geodesic influence zone)表示為，其中,是包含在A中的連通區(qū)域，則為A中

40、的到測地距離小于所有像素點(diǎn)的集合，定義式為: 測地影響區(qū)域如圖4-2所示，從圖中可看出，A中不屬于任何測地影響區(qū)域的像素組成了影響區(qū)域的輪廓(skeleton by influence zones)，該輪廓即為，定義式為:圖4-2測地距離圖和測地影響區(qū)域4.2.3分水嶺法的步驟圖4-3分水嶺法分割分水嶺法常常因?yàn)樵胍艋蚣?xì)微的圖像紋理的影響造成過度分割，所以在做分水嶺法之前會先做消除噪音及紋理的前期處理程序，且在做完分水嶺法之后會對過度分割的區(qū)域進(jìn)行區(qū)域合并，由此可得到理想的分割效果。分水嶺法的對像分割流程如圖4-3。其中為輸入圖像，為做完簡化的結(jié)果，為經(jīng)過梯度運(yùn)算后的結(jié)果，為經(jīng)過分水嶺分割后的

41、結(jié)果，為經(jīng)過區(qū)域合并的結(jié)果20。4.3梯度優(yōu)化的分水嶺分割4.3.1梯度優(yōu)化分水嶺變換得到的是輸入圖像的集水盆圖像，集水盆之間的邊界點(diǎn)即為分水嶺。顯然，分水嶺表示的是輸入圖像極大值點(diǎn)。因此，為得到圖像的邊緣信息，通常把梯度圖像作為輸入圖像。采用形態(tài)學(xué)開閉運(yùn)算結(jié)果作為梯度圖像,并且對梯度圖像進(jìn)行閾值優(yōu)化處理，這兩個步驟都是為了減少分水嶺圖像分割的過分割現(xiàn)象而采取的措施。經(jīng)形態(tài)學(xué)開閉運(yùn)算平滑后的圖像消除了非規(guī)則的細(xì)節(jié)擾動和明暗噪聲，對平滑后的梯度圖像進(jìn)行閾值優(yōu)化，則可以進(jìn)一步消除產(chǎn)生過分割的因素，再經(jīng)分水嶺分割時分割的區(qū)域數(shù)也相應(yīng)地減少了，這樣能夠更有效地檢測目標(biāo)。4.3.2梯度圖像上的分水嶺分割

42、算法梯度圖像能更好地反映圖像的變化趨勢。實(shí)踐證明,分水嶺算法與圖像的梯度有更大的聯(lián)系, 而非圖像本身。在梯度圖像上進(jìn)行分水嶺算法分割,比在原始圖像上分割得到的結(jié)果更加準(zhǔn)確,所以梯度圖像更適合作為分水嶺算法的分割圖像。因此,為得到圖像的邊緣信息,我們把梯度圖像作為輸入圖像,即:其中，表示原始圖像，表示梯度運(yùn)算。為降低分水嶺算法產(chǎn)生的過度分割，通常要對梯度函數(shù)進(jìn)行修改，一個簡單的方法就是對梯度圖像進(jìn)行閾值處理，以消除灰度的微小變化產(chǎn)生的過度分割，即：其中表示閾值。首先用中偏低的灰度閾值對梯度圖進(jìn)行二值化,從而檢測出物體和背景。物體與背景被處于閾值之上的邊界點(diǎn)分開。隨著閾值逐漸提高,就引起物體和背景

43、的同時增長。當(dāng)它們接觸上而又不至于合并時,可用接觸點(diǎn)來定義邊界。這就是分水嶺算法在梯度圖中的應(yīng)用。用閾值限制梯度圖像以達(dá)到消除灰度值的微小變化產(chǎn)生的過度分割,獲得適量的區(qū)域。下面以一個小例子就可直觀的看出用梯度圖像比用簡單的二值化圖像做分水嶺算法的輸入圖像出現(xiàn)的過分割現(xiàn)象有明顯的減少。 （a） Lena原圖 （b）二值化后分水嶺 （c）梯度圖像分水嶺4.4實(shí)驗(yàn)結(jié)果及分析本次實(shí)驗(yàn)中共分三個小部分，呈逐漸改進(jìn)的用了三種方法進(jìn)行分水嶺圖像分割，記錄了每種方法的分割效果，并進(jìn)行了比較分析。本次的實(shí)驗(yàn)對象隨機(jī)選定了一個車牌，因其圖片較小，matlab軟件仿真可節(jié)約時間。車牌如圖4-4所示。圖4-4 原圖

44、4.4.1讀入圖像并顯示程序如下：clear all; f=imread(chepai.jpg);Info=imfinfo(chepai.jpg);if Info.BitDepth8 f=rgb2gray(f);endfigure,mesh(double(f);三維直方圖：圖4-5 三維直方圖觀察圖片發(fā)現(xiàn)這幅圖像類似集水盆地，這與上文對分水嶺分割法的定義描述相符，可以給以更直觀的視覺感受，為接下來的圖像分割做準(zhǔn)備。4.4.2一般的分水嶺分割程序如下：b=im2bw(f,graythresh(f);%二值化,注意應(yīng)保證集水盆地的值較低（為0），否則就要對b取反d=bwdist(b); %求零值到

45、最近非零值的距離，即集水盆地到分水嶺的距離 l=watershed(-d); %matlab自帶分水嶺算法，l中的零值即為風(fēng)水嶺w=l=0; %取出邊緣g=b&w; %用w作為mask從二值圖像中取值figuresubplot(2,3,1),imshow(f);subplot(2,3,2),imshow(b);subplot(2,3,3),imshow(d);subplot(2,3,4),imshow(l);subplot(2,3,5),imshow(w);subplot(2,3,6),imshow(g);圖像顯示：圖4-6 一般分水嶺分割從圖像中不難看出最終的處理結(jié)果存在過分割的問題，對圖像

46、的質(zhì)量產(chǎn)生較大影響，將背景中一些細(xì)小的花紋也分割出來，當(dāng)然這也就是我們在上文中提到過的分水嶺算法本身對細(xì)節(jié)極其敏感的特性使然。4.4.3使用梯度的兩次分水嶺分割程序如下：h=fspecial(sobel);%獲得縱方向的sobel算子fd=double(f);g=sqrt(imfilter(fd,h,replicate).2+imfilter(fd,h,replicate).2); %使用sobel算子進(jìn)行梯度運(yùn)算l=watershed(g); %分水嶺運(yùn)算wr=l=0; g2=imclose(imopen(g,ones(3,3),ones(3,3);%進(jìn)行開閉運(yùn)算對圖像進(jìn)行平滑l2=wate

47、rshed(g2); %再次進(jìn)行分水嶺運(yùn)算wr2=l2=0;f2=f;f2(wr2)=255;figuresubplot(2,3,1),imshow(f);subplot(2,3,2),imshow(g);subplot(2,3,3),imshow(l);subplot(2,3,4),imshow(g2);subplot(2,3,5),imshow(l2);subplot(2,3,6),imshow(f2);圖像顯示：圖4-7 用梯度的兩次分水嶺分割結(jié)合本文4.3中對比過的分割效果良好的梯度優(yōu)化的方法，于是在這次的改進(jìn)方法中加入了梯度的優(yōu)化。此外，本次改進(jìn)還加入了sobel算子，這使得在圖像分

48、割之初就先對圖像進(jìn)行了一次簡單的垂直方向的濾波，可以簡單有效地突出圖像的邊緣。然后將圖像做取梯度的運(yùn)算，并將得出的梯度圖像作為輸入變量進(jìn)行接下來的圖像處理。第三步即進(jìn)行分水嶺分割。最后通過數(shù)學(xué)形態(tài)學(xué)中的開閉運(yùn)算對圖像進(jìn)行平滑去噪，關(guān)于開閉運(yùn)算的詳述也已在本章節(jié)一開始就進(jìn)行了論述。在這里我們通過實(shí)例看到了圖像經(jīng)過開閉運(yùn)算和梯度優(yōu)化處理后，保留了重要的區(qū)域輪廓，消除了細(xì)節(jié)輪廓和噪聲，以及明顯比單純只用分水嶺算法時削弱了過分割的現(xiàn)象，這一點(diǎn)通過觀察車牌數(shù)字的背景減少了雜紋，以及將“皖”字明顯更清晰的體現(xiàn)出了輪廓。這次的改進(jìn)是較為成功的。4.4.4使用梯度加掩模的三次分水嶺算法程序如下：h=fspec

49、ial(sobel); %獲得縱方向的sobel算子fd=double(f);g=sqrt(imfilter(fd,h,replicate).2+imfilter(fd,h,replicate).2); %使用sobel算子進(jìn)行梯度運(yùn)算l=watershed(g); %分水嶺運(yùn)算wr=l=0; rm=imregionalmin(g); %計算圖像的區(qū)域最小值定位，該函數(shù)僅僅是用來觀察為何分水嶺算法產(chǎn)生這么多集水盆地im=imextendedmin(f,2); %上面僅是產(chǎn)生最小值點(diǎn)，而該函數(shù)則是得到最小值附近的區(qū)域，此處的附近是相差2的區(qū)域fim=f; fim(im)=175; %將im在原圖

50、上標(biāo)識出，用以觀察 lim=watershed(bwdist(im);%再次分水嶺計算em=lim=0;g2=imimposemin(g,im|em); %在梯度圖上標(biāo)出im和em，im是集水盆地的中心，em是分水嶺l2=watershed(g2); %第三次分水嶺計算f2=f;f2(l2=0)=255; %從原圖對分水嶺進(jìn)行觀察figuresubplot(3,3,1),imshow(f);subplot(3,3,2),imshow(g);subplot(3,3,3),imshow(l);subplot(3,3,4),imshow(im);subplot(3,3,5),imshow(fim);

51、subplot(3,3,6),imshow(lim);subplot(3,3,7),imshow(g2);subplot(3,3,8),imshow(l2)subplot(3,3,9),imshow(f2);圖像顯示：圖4-8 使用梯度加掩模的三次分水嶺算法 此次的改進(jìn)是在上一次的基礎(chǔ)上進(jìn)行的，這次的方法最大的變化在于加入了掩模的方法，通過每次的分水嶺計算，得出集水盆地的中心以及分水嶺，并將此與分割后的圖像進(jìn)行疊加標(biāo)示，共進(jìn)行了三次分水嶺，兩次掩模運(yùn)算后，能在最后一張?zhí)幚砗蟮能嚺浦邪l(fā)現(xiàn)不同于圖4-4的分割效果增進(jìn)，最好的莫過于在車牌數(shù)字部分的背景上已經(jīng)用肉眼幾乎察覺不到有雜紋了，也就是說這第三

52、種方法的分割效果是非常理想的，它將選定的目標(biāo)區(qū)域完整清晰的分割了出來。為進(jìn)一步驗(yàn)證這三種分水嶺方法的效果，本文在附錄中另外處理了其他的幾張不同圖片以供參考。結(jié)論本文的主要工作是研究了數(shù)字圖像分割的多種算法，不僅從宏觀上介紹了整體的研究發(fā)展?fàn)顩r并將分割方法分以大類，然后各自介紹其工作原理及作用領(lǐng)域，也客觀闡述了每種方法的優(yōu)缺點(diǎn)。然后對三種經(jīng)典的基礎(chǔ)性算法進(jìn)行研究對照，并用matlab軟件進(jìn)行了仿真驗(yàn)證以及分析和探討。最后本文著重探究了基于數(shù)學(xué)形態(tài)學(xué)的分水嶺分割算法，這也是本論文的重點(diǎn)，并特別針對其易產(chǎn)生過分割的弱點(diǎn)，設(shè)計了三種程序，最后以三種分水嶺分割方法相互對比的方式得出了一條最優(yōu)的分割方案。

53、實(shí)驗(yàn)證明此方案是可行的。本文最后將淺述一下于論文最后設(shè)計的分水嶺圖像分割程序的現(xiàn)實(shí)意義。由于其能夠較好的解決分水嶺分割法的細(xì)節(jié)敏感性造成的過分割現(xiàn)象，并且比其他的形態(tài)學(xué)圖像分割方法又有相對快速的運(yùn)行速度，而且它還具備編程簡明，易于調(diào)試的優(yōu)點(diǎn)，綜合考慮下來它的效率還是很高的。筆者雖在文中只列舉了此程序段對車牌號的分割，而事實(shí)上它在處理其它細(xì)節(jié)不太繁復(fù)的圖像時也具有高效性（見附錄圖）。這讓我想到此程序可以用在公路路面展現(xiàn)上，它可以迅速確定路面的邊界及前方的車輛輪廓，當(dāng)駕駛員眼睛疲勞或陽光直射的情況下也能清晰的辨明路況。雖然這只是筆者的一種推理設(shè)想，但分水嶺方法本身以其不可替代的優(yōu)越性就是很有應(yīng)用價

54、值的一種圖像處理方法。參考文獻(xiàn)1 MaWY,Manjunath S. Edgeflow: A framework for boundary detection and image segmentationJ. IEEE2章毓晉.圖象處理和分析M.北京:清華大學(xué)出版社，1999, 207209.3Medioni G, Lee M S, Tang C K.2000.A Computational Framework for Segmentation and GroupingM. Elsevier4 SAHOO P K,SOLTARNI S,WANG A K.A survery of thresho

55、lding techniques Computer vision J. Graphics and Imag Processing,1998, (41):233- 377.5史飛.基于PCNN的圖像處理技術(shù)研究D.蘭州:蘭州大學(xué)信息科學(xué)與工程學(xué)院,2003. 6JIAN- PING FAN,DAVID K Y.Automatic image segmentation by integrating clor- edge extraction and seeded region growingJ.IEEE Transon Image Processing, 2001, 10(10):1454-146

56、6.7 柏子游,張勇,虞烈.一種彩色圖像的色彩分割方法J.模式識別與人工智能,1999,12(2):241- 244. 8錢志柏.基于模糊聚類和PCNN的圖像分割新算法研究D.蘭州:蘭州大學(xué)信息科學(xué)與工程學(xué)院,2004.9XIAO- PING ZHANG,MITA D.DESAI.Segmentation of bright targets using wavelets and adaptive thresholding J.IEEE Transactions on Image Processing, 2001, 10(7):1020-1030.10JOHN M.GAUCH.Image seg

57、mentation and analysis via multiscale gradient watershed hierarchies J.IEEE transactions on Image Processing,1999,8(1):69- 79.11 姬光榮,時鵬,秦勃,等.基于內(nèi)稟性結(jié)構(gòu)模式的圖像分割J.電子學(xué)報,2002,30(10):1428- 1430.12 樂宋進(jìn),武和雷,胡泳芬.圖像分割方法的研究現(xiàn)狀與展望J.南昌水專學(xué)報,2004,23(2):15- 20.13 ZI- KUAN CHEN,TAO YANG,XIN CHEN,et al.Wavele based adapt

58、ive thresholding method for image segmentatioJ.Optical Engineering,2001,40(5):868- 874.14 魏志成,周激流.一種新的圖像分割自適應(yīng)算法的研究J.中國圖像圖形學(xué)報,2000,5(3):216- 220.15 王月蘭,曾迎生.信息融合技術(shù)在彩色圖像分割方法中的應(yīng)用J 計算機(jī)學(xué)報,2003,23(7): 763- 767.16單志廣,魏濤,等.一種基于視覺熵的圖像分割壓縮方法J.北京科技大學(xué)學(xué)報,2000,22(2): 185- 189.17崔屹.圖像處理與分析一數(shù)學(xué)形態(tài)學(xué)方法及應(yīng)用M.北京:科學(xué)出版社，2000

59、18 F. Friedlander, A sequential algorithm for detecting watersheds on gray levelimage J. Acta Stereologica, Proc 7th Int. Cong. For Stereology, Caen, France.1987(6), 663-668.19S. Beucher, Watersheds of functions and picture segmentatioJ.Proc. IEEE Int.Conf. Acoustics, Speech, and Signal Processing,

60、Paris, France,.1928一1931.20Wang H, Chang S F. A Highly Efficient System for AutomaticFace Region Detection in MPEG Video J. IEEE Trans on Circuit and System for Video Technology, 1 997,7(4):61562附錄資料：不需要的可以自行刪除 C語言圖形模式速成第一節(jié) 圖形模式的初始化Turbo C 提供了非常豐富的圖形函數(shù)，所有圖形函數(shù)的原型均在graphics. h 中，本節(jié)主要介紹圖形模式的初始化、獨(dú)立圖形程序的