數(shù)字圖像處理-第10章 圖像分割

1第10章圖像分割數(shù)字圖像處理：使用MATLAB分析與實現(xiàn)2問題的提出：在對圖像的研究和應用中，人們往往僅對圖像中的某些目標感興趣，這些目標通常對應圖像中具有特定性質的區(qū)域。圖像分割（ImageSegmentation）是指把一幅圖像分成不同的具有特定性質區(qū)域的圖像處理技術，將這些區(qū)域分離提取出來，以便進一步提取特征和理解如何實現(xiàn)圖像分割？第10章圖像分割主要內(nèi)容10.1閾值分割10.2邊界分割10.3區(qū)域分割10.4基于聚類的圖像分割10.5分水嶺分割10.6綜合實例3410.1閾值分割閾值分割原理其中，f(x,y)為原始圖像，g(x,y)為結果圖像

（二值），T為閾值。顯然，閾值的選取決定了二值化效果的好壞。5閾值化概念上閾值化：灰度值大于等于閾值的所有像素作為前景像素，其余像素作為背景像素下閾值化：灰度值小于等于閾值的所有像素作為前景像素內(nèi)閾值化：確定一個較小的閾值和一個較大的閾值，灰度值介于二者之間的像素作為前景像素外閾值化：灰度值介于小閾值和大閾值之外的像素作為前景像素10.1閾值分割610.1.1基于灰度直方圖的閾值選擇10.1.2基于模式分類思路的閾值選擇10.1.3其他閾值分割方法10.1閾值分割710.1.1基于灰度直方圖的閾值選擇閾值分割（1）原理若圖像的灰度直方圖為雙峰分布，表明圖像的內(nèi)容大致為兩部分，分別為灰度分布的兩個山峰的附近。選擇閾值為兩峰間的谷底點對應灰度值適用于圖像中前景與背景灰度差別明顯，且各占一定比例的情形，是一種特殊的方法。若圖像整體直方圖不具有雙峰或多峰特性，可以考慮局部范圍內(nèi)應用。810.1.1基于灰度直方圖的閾值選擇閾值分割（2）實例一幅圖像的直方圖如圖所示，根據(jù)直方圖對其進行分割，分成幾個區(qū)域？閾值點是什么？分成3個區(qū)域，閾值點為3峰之間的谷點對應灰度級或內(nèi)閾值化，灰度值介于二者之間的像素作為前景像素或外閾值化：灰度值介于小閾值和大閾值之外的像素作為前景像素910.1.1基于灰度直方圖的閾值選擇閾值分割（3）例程實現(xiàn)基于雙峰分布的直方圖選擇閾值，分割圖像分析重點在于找到直方圖的峰和波谷，但直方圖通常是不平滑的，因此，首先要平滑直方圖，再去搜索峰和谷。程序設計中，將直方圖中相鄰三個灰度的頻數(shù)相加求平均作為中間灰度對應的頻數(shù)，不斷平滑直方圖，直至成為雙峰分布。也可以采用其他方法確定峰谷。1010.1.1基于灰度直方圖的閾值選擇閾值分割（3）例程程序見教材【例10.1】1110.1.1基于灰度直方圖的閾值選擇閾值分割（3）例程效果原圖灰度直方圖平滑后的直方圖和波谷分割圖T=1181210.1.2基于模式分類思路的閾值選擇閾值分割（1）原理認為像素值（或像素特征值）為待分類的數(shù)據(jù)，尋找合適的閾值，把數(shù)據(jù)分為不同類別，從而實現(xiàn)圖像分割。把所有的像素分為兩組（類），屬于“同一類別”的對象具有較大的一致性，“不同類別”的對象具有較大的差異性。如何衡量同類的一致性和類間的差異性，采用不同的衡量方法對應不同的算法1310.1.2基于模式分類思路的閾值選擇閾值分割（2）最大類間方差法（OTSU）兩類像素在圖像中的分布概率：兩類像素值均值和總體灰度均值：準則各級灰度出現(xiàn)的概率為：14使得類內(nèi)方差最小或類間方差最大、或者類內(nèi)和類間方差比值最小的閾值T為最佳閾值。10.1.2基于模式分類思路的閾值選擇閾值分割（2）最大類間方差法（OTSU）兩類方差：類內(nèi)方差和類間方差：準則1510.1.2基于模式分類思路的閾值選擇閾值分割（2）最大類間方差法（OTSU）函數(shù)LEVEL=graythresh(I)：采用OTSU方法計算圖像I的全局最佳閾值LEVEL。BW=im2bw(I,LEVEL)：采用閾值LEVEL實現(xiàn)灰度圖像I的二值化。BW=imbinarize(I)：采用基于OTSU方法的全局閾值實現(xiàn)灰度圖像I的二值化。BW=imbinarize(I,METHOD)：采用METHOD指定的方法獲取閾值實現(xiàn)灰度圖像I的二值化1610.1.2基于模式分類思路的閾值選擇閾值分割（2）最大類間方差法（OTSU）程序Image=rgb2gray(imread('lotus1.jpg'));figure,imshow(Image),title('原始圖像');T=graythresh(Image);result=im2bw(Image,T);figure,imshow(result),title('OTSU方法二值化圖像');1710.1.2基于模式分類思路的閾值選擇閾值分割（2）最大類間方差法（OTSU）效果原圖分割圖，閾值T=1091810.1.2基于模式分類思路的閾值選擇閾值分割（2）最大類間方差法（OTSU）效果閾值T=80原圖1910.1.2基于模式分類思路的閾值選擇閾值分割（2）最大類間方差法（OTSU）效果Th=82類內(nèi)方差=24.4Th=31類內(nèi)方差=29.7原圖2010.1.2基于模式分類思路的閾值選擇閾值分割（3）最大熵法準則熵作為分類的標準：若兩類的平均熵之和為最大時，從圖像中獲得最大信息量，對應閾值是最佳閾值。2110.1.2基于模式分類思路的閾值選擇閾值分割（3）最大熵法例程見教材【例10.3】閾值T=120原圖2210.1.2基于模式分類思路的閾值選擇閾值分割（4）最小誤差法分類的錯誤率最小時對應的閾值為最佳閾值目標和背景的概率密度分布目標均值和標準差：背景均值和標準差：正態(tài)分布概率密度：準則2310.1.2基于模式分類思路的閾值選擇閾值分割（4）最小誤差法背景誤判為目標的概率：目標誤判為背景的概率：誤判的概率：為目標占圖像的比例。J(T)最小時對應T為最佳閾值求解極值點，可得：需要已知目標在圖像中所占比例，且目標和背景的灰度概率密度符合正態(tài)分布，因此，往往需要用已知的正態(tài)分布來擬合直方圖的分布，實現(xiàn)較為復雜。2410.1.2基于模式分類思路的閾值選擇閾值分割（4）最小誤差法例程程序見教材【例10.4】，默認目標和背景服從正態(tài)分布，僅估計了參數(shù)，簡化了求解閾值T=111原圖2510.1.3其他閾值分割方法閾值分割（1）基于迭代運算的閾值選擇基本思路：先選擇一個閾值作為初始值，然后進行迭代運算，按照某種策略不斷改進閾值，直到滿足給定的準則為止。關鍵技術：閾值改進策略的選擇，應能使算法快速收斂且每次迭代產(chǎn)生的新閾值優(yōu)于上一次的閾值。2610.1.3其他閾值分割方法閾值分割（1）基于迭代運算的閾值選擇一種常用的基于迭代運算的閾值分割算法求出圖像中的最小和最大灰度值r1和r2，令

閾值初值為:根據(jù)閾值Tk將圖像分割成背景和目標兩部分，求出兩部分的平均灰度值rB和rO27如果Tk=Tk+1，則結束，否則k增加1，轉入第二步10.1.3其他閾值分割方法閾值分割（1）基于迭代運算的閾值選擇求出新的閾值28Image=im2double(rgb2gray(imread('lotus1.jpg')));T=(max(Image(:))+min(Image(:)))/2;equal=false;while~equalNewT=(mean(Image(Image>=T))+mean(Image(Image<T)))/2;equal=abs(NewT-T)<1/256;T=NewT;endresult=im2bw(Image,T);figure,imshow(result),title('迭代方法二值化圖像');10.1.3其他閾值分割方法閾值分割（1）基于迭代運算的閾值選擇程序2910.1.3其他閾值分割方法閾值分割（1）基于迭代運算的閾值選擇效果閾值T=109.7原圖3010.1.3其他閾值分割方法閾值分割（2）基于模糊理論的閾值選擇基本思路：模糊度表示一個模糊集的模糊程度，模糊熵是一種度量模糊度的數(shù)量指標，用模糊熵作為目標函數(shù),求解最佳閾值。

圖中的每一點對于目標和背景均有一定的隸屬程度,隸屬度函數(shù)為C是一個常數(shù)，保證3110.1.3其他閾值分割方法閾值分割（2）基于模糊理論的閾值選擇模糊熵Shannon函數(shù):模糊熵取最小值時對應的閾值為最佳閾值3210.1.3其他閾值分割方法閾值分割（2）基于模糊理論的閾值選擇例程程序見教材【例10.6】閾值T=135原圖3310.2邊界分割邊界分割：通過檢測區(qū)域的邊界輪廓來實現(xiàn)圖像分割的方法分割過程：邊界檢測：通過各種邊緣檢測算子從圖像中抽取邊緣線段邊界改良：執(zhí)行各種改良邊緣的處理：如邊界細化，邊緣閉合等邊界跟蹤：跟蹤邊緣形成邊界曲線3410.2.1基于梯度的邊界閉合10.2.2Hough變換10.2.3邊界跟蹤10.2邊界分割35目標的部分邊界與相鄰部分背景相近或相同時，提取出的目標區(qū)域邊界線會出現(xiàn)斷點、不連續(xù)或分段連續(xù)等情況；有噪聲干擾時，也會使輪廓線斷開。要提取目標區(qū)域時，應使不連續(xù)邊界閉合方法多種多樣：Hough變換、基于梯度的邊界閉合技術、數(shù)學形態(tài)學等10.2.1基于梯度的邊界閉合邊界分割（1）邊界改良36（2）基于梯度的邊界閉合10.2.1基于梯度的邊界閉合邊界分割兩像素、互為鄰點，梯度幅度和方向滿足將兩像素連接起來。對所有邊緣像素進行同樣的操作，則有希望得到閉合的邊界。3710.2.2Hough變換邊界分割（1）概述霍夫變換（Houghtransform）是檢測圖像中直線和曲線的一種方法。核心思想：建立一種點－線對偶關系，將圖像從圖像空間變換到參數(shù)空間，確定曲線的參數(shù)，進而確定圖像中的曲線。若邊界線形狀已知，通過檢測圖像中離散的邊界點，確定曲線參數(shù)，在圖像空間重繪邊界曲線，進而改良邊界。3810.2.2Hough變換邊界分割（2）檢測直線原理以截距式方程為例：一條確定的直線對應一組確定的數(shù)據(jù)k、bxy空間一條確定的直線對應參數(shù)空間的一個點直線變形為關于k和b的直線：參數(shù)空間的一條直線對應xy空間的一個點綜上所述，xy空間一條直線上的n個點，對應參數(shù)kb空間經(jīng)過一個公共點的n條直線39對于原圖中每一點，在參數(shù)空間確定一條直線，經(jīng)過直線最多的點為原圖中直線的參數(shù)10.2.2Hough變換邊界分割（2）檢測直線原理4010.2.2Hough變換邊界分割（2）檢測直線算法假設原圖像已經(jīng)處理為二值邊緣圖像，掃描圖中的每一個像素點：背景點，不作任何處理目標點，確定直線：，參數(shù)空間上的對應直線上所有的值累加1循環(huán)掃描所有點，重復上述操作參數(shù)空間上累計值最大的點(k*,b*)為所求直線參數(shù)，按照該參數(shù)繪制直線4110.2.2Hough變換邊界分割極坐標形式（2）檢測直線直線方程y=kx+b對垂直線不起作用，采用極坐標形式42xy空間一條確定的直線對應ρθ參數(shù)空間的一個點參數(shù)空間的一條正弦曲線對應xy空間的一個點xy空間一條直線上的n個點，對應ρθ參數(shù)空間經(jīng)過一個公共點的n條正弦曲線對于原圖中每一點，在參數(shù)空間確定一條正弦曲線，經(jīng)過曲線最多的點為原圖中直線的參數(shù)10.2.2Hough變換邊界分割極坐標形式（2）檢測直線4310.2.2Hough變換邊界分割函數(shù)（2）檢測直線[H,THETA,RHO]=hough(BW)[H,THETA,RHO]=hough(BW,PARAM1,VAL1,PARAM2,VAL2)：對輸入圖像BW進行Hough變換LINES=houghlines(BW,THETA,RHO,PEAKS)LINES=houghlines(...,PARAM1,VAL1,PARAM2,VAL2)

根據(jù)Hough變換的結果提取圖像BW中的線段PEAKS=houghpeaks(H,NUMPEAKS)PEAKS=houghpeaks(...,PARAM1,VAL1,PARAM2,VAL2)

提取Hough變換后參數(shù)平面的峰值點4410.2.2Hough變換邊界分割例程（2）檢測直線Image=rgb2gray(imread('houghsource.bmp'));bw=edge(Image,'canny');figure,imshow(bw);[h,t,r]=hough(bw,'RhoResolution',0.5,'ThetaResolution',0.5);figure,imshow(imadjust(mat2gray(h)),'XData',t,'YData',r,'InitialMagnification','fit');xlabel('\theta'),ylabel('\rho');axison,axisnormal,holdon;P=houghpeaks(h,2);x=t(P(:,2));y=r(P(:,1));plot(x,y,'s','color','r');45lines=houghlines(bw,t,r,P,'FillGap',5,'Minlength',7);figure,imshow(Image);holdon;max_len=0;fori=1:length(lines)xy=[lines(i).point1;lines(i).point2];plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','g');plot(xy(1,1),xy(1,2),'x','LineWidth',2,'Color','y');plot(xy(2,1),xy(2,2),'x','LineWidth',2,'Color','r');end10.2.2Hough變換邊界分割例程（2）檢測直線4610.2.2Hough變換邊界分割例程（2）檢測直線原始圖像ρθ參數(shù)空間檢測結果4710.2.2Hough變換邊界分割原理（3）檢測圓圓方程xy空間一個圓對應三維參數(shù)空間一個點（a,b,r)xy空間圓上一個點(x,y)對應參數(shù)空間一條曲線xy空間圓上n個點對應參數(shù)空間n條相交于一點的曲線對于原圖中每一點，在參數(shù)空間確定一條曲線，經(jīng)過曲線最多的點為原圖中圓的參數(shù)4810.2.2Hough變換邊界分割算法（3）檢測圓假設原圖像已經(jīng)處理為二值邊緣圖像，掃描圖中的每一個像素點：背景點，不作任何處理目標點，確定曲線：參數(shù)空間上的對應曲線上所有的值累加1循環(huán)掃描所有點參數(shù)空間上累計值為最大的點(a*,b*,r*)為所求圓參數(shù)按照該參數(shù)與原圖像同等大小的空白圖像上繪制圓4910.2.2Hough變換邊界分割簡化運算（3）檢測圓三維參數(shù)空間，計算量大，可以采樣其他形式，如極坐標式，進行進一步簡化。5010.2.2Hough變換邊界分割（4）檢測任意曲線Hough變換可以推廣到具有解析形式f(x,a)=0的任意曲線，x表示圖像點，a表示參數(shù)向量過程初始化參數(shù)空間A[a]對每個邊緣像素x確定a，使得f(x,a)=0，并令A[a]+=1A的局部最大值對應圖像中曲線參數(shù)5110.2.3邊界跟蹤邊界分割（1）跟蹤方法根據(jù)某些嚴格的“探測準則”找出目標物體輪廓上的像素，即確定邊界的起始搜索點；再根據(jù)一定的“跟蹤準則”找出目標物體上的其他像素，直到符合跟蹤終止條件。由二維圖像變?yōu)橐痪S的點序列5210.2.3邊界跟蹤邊界分割（2）函數(shù)B=bwboundaries(BW)：搜索二值圖像BW的外邊界和內(nèi)邊界。B=bwboundaries(BW,CONN,OPTIONS)[B,L,N,A]=bwboundaries(...)B=bwtraceboundary(BW,P,FSTEP)：跟蹤二值圖像BW中目標輪廓5310.2.3邊界跟蹤邊界分割（3）例程讀取一幅灰度圖像，對其進行閾值分割，并對分割的二值圖像進行邊界跟蹤Image=im2bw(imread('algae.jpg'));Image=1-Image;[B,L]=bwboundaries(Image);figure,imshow(L),title('劃分的區(qū)域');holdon;fori=1:length(B)boundary=B{i};plot(boundary(:,2),boundary(:,1),'r','LineWidth',2);end5410.2.3邊界跟蹤邊界分割（3）例程原始圖像邊界跟蹤5510.3.1區(qū)域生長10.3.2區(qū)域合并10.3區(qū)域分割一般認為，同一個區(qū)域內(nèi)的像素點具有某種相似性，如灰度、顏色、紋理等，區(qū)域分割即是根據(jù)特定區(qū)域與其他背景區(qū)域特性上的不同來進行圖像分割的技術。10.3.3區(qū)域分裂10.3.4區(qū)域合并分裂5610.3.1區(qū)域生長區(qū)域分割（1）原理擬把圖像劃分成一系列區(qū)域，確定每個區(qū)域區(qū)別于其他區(qū)域的特征，由此生成相似性判據(jù)；從圖像某個像素開始，判斷其應該屬于哪個區(qū)域，使區(qū)域逐漸變大，直到被比較的像素與區(qū)域像素具有顯著差異為止。設計思路5710.3.1區(qū)域生長區(qū)域分割實現(xiàn)方法在每個要分割的區(qū)域內(nèi)確定一個種子點，判斷種子像素周圍鄰域是否有與種子像素相似的像素，若有將新的像素包含在區(qū)域內(nèi)，并作為新的種子繼續(xù)生長，直到?jīng)]有滿足條件的像素點時停止生長。（1）原理5810.3.1區(qū)域生長區(qū)域分割（1）原理種子點的選取

選擇待提取區(qū)域的具有代表性的點，可以是單個像素，也可以是包括若干個像素的子區(qū)域，根據(jù)具體問題，利用先驗知識來選擇。生長準則的確定（相似性準則）

一般根據(jù)圖像的特點，采用與種子點的距離度量（彩色、灰度、梯度等量之間的距離）。區(qū)域停止生長的條件

區(qū)域大小、迭代次數(shù)或區(qū)域飽和等條件。關鍵技術5910.3.1區(qū)域生長區(qū)域分割（2）示例1000110001001155442665661055651101211111111111111122221222221122221111115種子點為：(2,2)相似性準則：灰度值差小于2鄰域選選擇：4鄰域6010.3.1區(qū)域生長區(qū)域分割（3）例程對圖像進行區(qū)域生長。交互式選取種子，生長準則采用“待測像素點與區(qū)域的平均灰度差小于40”，8鄰域范圍生長，停止生長條件為區(qū)域飽和。程序見教材【例10.10】原圖區(qū)域生長6110.3.2區(qū)域合并區(qū)域分割（1）原理假設圖像已經(jīng)分為若干個小區(qū)域，合并具有相似性的相鄰區(qū)域。極端的情況，可以認為每個像素為一個小區(qū)域，把具有相似性的像素合并到一個區(qū)域內(nèi)。6210.3.2區(qū)域合并區(qū)域分割（2）示例1000110001001155442665661055651101211000110001001155442665661055651101216310.3.2區(qū)域合并區(qū)域分割（3）例程通過區(qū)域合并將示例中的小圖像分割為兩個區(qū)域設計思路初始化：每個像素為一個小區(qū)域；相似性準則采用：相鄰區(qū)域灰度均值差≤2；左上角第一個點設為區(qū)域1，其余為0，表示未標記。第一次掃描圖像：從左到右，從上到下，判斷每一點與其左上、上、左鄰點的灰度距離，三個距離中最小的若符合合并規(guī)則，將對應鄰點的標記賦予當前點；若沒有相似的點，則賦予當前點新的標記。64再次掃描圖像：若某一像素點上、左鄰點標記不一致，但當前點和其中一個鄰點標記一致，則判斷兩個區(qū)域是否是同一個，若是，則將兩個區(qū)域標記修改為較小的一個，即區(qū)域合并。10.3.2區(qū)域合并區(qū)域分割（3）例程設計思路6510.3.2區(qū)域合并區(qū)域分割（3）例程程序見教材【例10.11】效果同示例一種自下而上的方法，某些區(qū)域一旦合并，即使與后來的區(qū)域相似性并不好，也無法去除。6610.3.3區(qū)域分裂區(qū)域分割（1）原理認為整幅圖像是一個完整區(qū)域，檢驗整幅區(qū)域是否具有一致性，不具有時，分裂為幾個小區(qū)域；然后再檢測小區(qū)域的一致性，不具有時進一步分裂；重復這個過程直到每個區(qū)域都具有一致性。每個區(qū)域可以具有不同的一致性通常在分裂區(qū)域時，采用一分為4的方法6710.3.3區(qū)域分裂區(qū)域分割（2）示例初始化及準則、方法的確定區(qū)域內(nèi)最大灰度值與最小灰度值之差≤2采用一分為四的分裂方法分裂①②③④68對四個小區(qū)域分別計算最大與最小灰度差，與閾值2比較，每個區(qū)域均需分裂依此類推，直至所有的區(qū)域都不能再分裂10.3.3區(qū)域分裂區(qū)域分割（2）示例6910.3.3區(qū)域分裂區(qū)域分割（3）例程函數(shù)S=qtdecomp(I)S=qtdecomp(I,THRESHOLD)S=qtdecomp(I,THRESHOLD,MINDIM)S=qtdecomp(I,THRESHOLD,[MINDIMMAXDIM])S=qtdecomp(I,FUN)7010.3.3區(qū)域分裂區(qū)域分割（3）例程程序Image=imread('cameraman.jpg');S=qtdecomp(Image,0.27);blocks=repmat(uint8(0),size(S));fordim=[2561286432168421]numblocks=length(find(S==dim));if(numblocks>0)values=repmat(uint8(1),[dimdimnumblocks]);values(2:dim,2:dim,:)=0;blocks=qtsetblk(blocks,S,dim,values);endend71blocks(end,1:end)=1;blocks(1:end,end)=1;imshow(Image);figure,imshow(blocks,[]);10.3.3區(qū)域分裂區(qū)域分割（3）例程程序原始圖像四叉樹分解7210.3.4區(qū)域分裂合并區(qū)域分割（1）原理結合合并、分裂方法，將原圖分成若干個子塊，檢測子塊是否具有一致性，不具有則分裂該子塊，若某些子塊具有相似性，合并這些子塊7310.3.4區(qū)域分裂合并區(qū)域分割（2）步驟將原圖分為四個相等的子塊，計算子塊區(qū)域是否具有一致性（例如灰度均值或方差）如果子塊不具有一致性（例如：方差大于設定的閾值）分裂該塊對不需要分裂的子塊進行比較，具有相似性的子塊合并重復上述過程，直到不再需要分裂或合并7410.3.4區(qū)域分裂合并區(qū)域分割（3）示例111222338888779911122233888877997510.4基于聚類的圖像分割把圖像分割看做對像素進行分類的問題，把像素表示成特征空間的點，采用聚類算法把這些點劃分為不同類別，對應原圖則是實現(xiàn)對像素的分組，分組后利用“連通成分標記”找到連通區(qū)域。（1）原理7610.4基于聚類的圖像分割（2）關鍵技術如何把像素表示成特征空間中的點

用向量來代表像素或像素周圍鄰域，向量的元素為與像素相關的特征，根據(jù)圖像的具體情況，判斷待分割區(qū)域的共性來設計。

聚類方法7710.4基于聚類的圖像分割（3）K均值聚類首先確定K個初始聚類中心，然后根據(jù)各類樣本到聚類中心的距離平方和最小的準則，不斷調(diào)整聚類中心，直到聚類合理。原理步驟10.4基于聚類的圖像分割（3）K均值聚類計算新的聚類中心任選K個初始聚類中心逐一將樣本按最小距離原則分配給K個聚類中心若則為第m次迭代時，聚類中心為

的聚類域7879步驟10.4基于聚類的圖像分割（3）K均值聚類判斷算法是否收斂若算法收斂否則，重新分配，進行下一次迭代。80函數(shù)10.4基于聚類的圖像分割（3）K均值聚類[IDX,C]=kmeans(X,K)；[IDX,C,SUMD,D]=kmeans(...,'PARAM1',val1,'PARAM2',val2,...)81例程10.4基于聚類的圖像分割（3）K均值聚類Image=imread('fruit.jpg');figure,imshow(Image);hsv=rgb2hsv(Image);h=hsv(:,:,1);h(h>330/360)=0;training=h(:);對一幅蘋果圖像，利用色彩信息，實現(xiàn)聚類分割82startdata=[0;60/360;120/360;180/360;240/360;300/360];[IDX,C]=kmeans(training,6,'Start',startdata);idbw=(IDX==1);template=reshape(idbw,size(h));figure,imshow(template),title('K均值聚類分割');例程10.4基于聚類的圖像分割（3）K均值聚類83例程10.4基于聚類的圖像分割（3）K均值聚類原始圖像K均值聚類分割8410.5分水嶺分割（1）原理地形圖與梯度圖像梯度圖像中各區(qū)域內(nèi)部對應極小區(qū)域，邊界對應高灰度，即分水嶺。確定分水嶺，即確定區(qū)域邊界，實現(xiàn)分割8510.5分水嶺分割（2）算法設水從谷底上涌，水位逐漸升高。若水位高過山嶺，不同流域的水就會匯合。在不同流域中的水面將要匯合到一起時，在中間筑起一道堤壩，阻止水匯合，且堤壩高度隨著水面上升而增高。當所有山峰都被淹沒時，露出水面的只剩下堤壩，且將整個平面分成了若干個區(qū)域漲水法8610.5分水嶺分割（2）算法相關定義梯度圖像梯度圖像中的極小區(qū)域流域谷底和山峰漲水從谷底開始，單灰值遞加，第n步時水深為n，定義：水深為n時，流域所對應水平面區(qū)域第n步流域溢流部分的并8710.5分水嶺分割（2）算法的遞歸計算有三種情況不加堤壩加堤壩初始：n=n+1：確定T(n)中的連通成分Di，直至山峰8810.5分水嶺分割（2）算法步驟計算梯度圖像及其值的最小min和最大max初始化,并標識出目前的極小區(qū)域n=n+1，確定中的連通成分：求，判斷屬于哪種情況，確定重復第三步，直到8910.5分水嶺分割（3）示例對f進行分水嶺分割:采用Prewitt梯度算子計算梯度圖像求梯度圖像最大最小值漲水過程中：n=1～79010.5分水嶺分割（3）示例n=1極小區(qū)域三個：n=2三個連通成分9110.5分水嶺分割（3）示例n=3三個連通成分n=4結果同n=39210.5分水嶺分割（3）示例n=5一個連通成分D屬于第三種情況，三個極小區(qū)域即將連通在D中加堤壩，黑色底紋的點，其余陰影點為C(5)n=6結果同n=59310.5分水嶺分割（3）示例n=7一個連通成分D至此，所有流域均被淹沒，只剩下分水嶺露于水面上，分割完成，把最后分割出來的區(qū)域依次用編號1、2、3表示，分水嶺用0表示，則分割結果為：9410.5分水嶺分割（4）例程函數(shù)

L=watershed(A)：對矩陣A進行分水嶺區(qū)域標識，生成標識矩陣L。L=watershed(A,CONN)9510.5分水嶺分割（4）例程程序

image=im2double(rgb2gray(imread('bricks.jpg')));figure,imshow(image),title('原圖');hv=fspecial('prewitt');hh=hv.';gv=abs(imfilter(image,hv,'replicate'));gh=abs(imfilter(image,hh,'replicate'));%g=sqrt(gv.^2+gh.^2);g=abs(gv)+abs(gh);figure,imshow(g),title('梯度圖像');96L=watershed(g);wr=L==0;figure,imshow(wr);title('分水嶺');image(wr)=0;figure,imshow(image);title('分割結果');10.5分水嶺分割（4）例程程序

產(chǎn)生過分