通信电子]基于matlab的图像分割算法研究

通信电子]基于matlab的图像分割算法研究内容摘要：

数组，这主要取决于图像数字化设备的能力。 现代扫描仪可以把每个像素的灰度等级量化为 16 位甚至更高，这意味着图像的数字化精度可以达到满足任一应用需求。 对计算机而言，不论数组大小，也不论每个像素的位数多少，其处理程序几乎是一样的。 换 言之，从原理上讲不论图像的精度有多高，处理总是能实现的，只要在处理时改变程序中的数组参数就可以了。 回想一下图像的模拟处理，为了要把处理精度提高一个数量级，就要大幅度地改进处理装置，这在经济上是极不合算的。 适用面宽 图像可以来自多种信息源，它们可以是可见光图像，也可以是不可见的波谱图像（例如 X 射线图像、 射线图像、超声波图像或红外图像等）。 从图像反映的客观实体尺度看，可以小到电子显微镜图像，大到航空照片、遥感图像甚至天文望远镜图像。 这些来自不同信息源的图像只要被变换为数字编码形式后，均是用二维 数组表示的灰度图像（彩色图像也是由灰度图像组合成的，例如 RGB 图像由红、绿、蓝三个灰度图基于 MATLAB的图像分割算法研究 6 像组合而成）组合而成，因而均可用计算机来处理。 即只要针对不同的图像信息源，采取相应的图像信息采集措施，图像的数字处理方法适用于任何一种图像。 灵活性高 图像处理大体上可分为图像的像质改善、图像分析和图像重建三大部分，每一部分均包含丰富的内容。 由于图像的光学处理从原理上讲只能进行线性运算，这极大地限制了光学图像处理能实现的目标。 而数字图像处理不仅能完成线性运算，而且能实现非线性处理，即凡是可以用数学公式或逻辑 关系来表达的一切运算均可用数字图像处理实现。 数字图像处理的应用 图像是人类获取和交换信息的主要来源，因此，图像处理的应用领域必然涉及到人类生活和工作的方方面面。 随着人类活动范围的不断扩大，图像处理的应用领域也将随之不断扩大。 航天和航空技术方面的应用 数字图像处理技术在航天和航空技术方面的应用，除了上面介绍的 JPL 对月球、火星照片的处理之外，另一方面的应用是在飞机遥感和卫星遥感技术中。 许多国家每天派出很多侦察飞机对地球上有兴趣的地区进行大量的空中摄影。 对由此得来的照片进行处理分析， 以前需要雇用几千人，而现在改用配备有高级计算机的图像处理系统来判读分析，既节省人力，又加快了速度，还可以从照片中提取人工所不能发现的大量有用情报。 从 60 年代末以来，美国及一些国际组织发射了资源遥感卫星（如 LANDSAT系列）和天空实验室（如 SKYLAB），由于成像条件受飞行器位置、姿态、环境条件等影响，图像质量总不是很高。 因此，以如此昂贵的代价进行简单直观的判读来获取图像是不合算的，而必须采用数字图像处理技术。 如 LANDSAT 系列陆地卫星，采用多波段扫描器（ MSS），在 900km 高空对地球每一个地区以 18 天 为一周期进行扫描成像，其图像分辨率大致相当于地面上十几米或 100米左右（如 1983 年发射的 LANDSAT4，分辨率为 30m）。 这些图像在空中先处理（数字化，编码）成数字信号存入磁带中，在 7 卫星经过地面站上空时，再高速传送下来，然后由处理中心分析判读。 这些图像无论是在成像、存储、传输过程中，还是在判读分析中，都必须采用很多数字图像处理方法。 现在世界各国都在利用陆地卫星所获取的图像进行资源调查（如森林调查、海洋泥沙和渔业调查、水资源调查等），灾害检测（如病虫害检测、水火检测、环境污染检测等），资源勘察（如石油勘 查、矿产量探测、大型工程地理位置勘探分析等），农业规划（如土壤营养、水 分 和农作物生长、产量的估算等），城市规划（如地质结构、水源及环境分析等）。 我国也陆续开展了以上诸方面的一些实际应用，并获得了良好的效果。 在气象预报和对太空其它星球研究方面，数字图像处理技术也发挥了相当大的作用。 生物医学工程方面的应用 数字图像处理在生物医学工程方面的应用十分广泛，而且很有成效。 除了上面介绍的 CT 技术之外，还有一类是对医用显微图像的处理分析，如红细胞、白细胞分类，染色体分析，癌细胞识别等。 此外，在 X 光肺部图像 增析、超声波图像处理、心电图分析、立体定向放射治疗等医学诊断方面都广泛地应用图像处理技术。 通信工程方面的应用 当前通信的主要发展方向是声音、文字、图像和数据结合的多媒体通信。 具体地讲是将电话、电视和计算机以三网合一的方式在数字通信网上传输。 其中以图像通信最为复杂和困难，因图像的数据量十分巨大，如传送彩色电视信号的速率达 100Mbit/s以上。 要将这样高速率的数据实时传送出去，必须采用编码技术来压缩信息的比特量。 在一定意义上讲，编码压缩是这些技术成败的关键。 除了已应用较广泛的熵编码、 DPCM编 码、变换编码外，目前国内外正在大力开发研究新的编码方法，如分行编码、自适应网络编码、小波变换图像压缩编码等。 工业和工程方面的应用 在工业和工程领域中图像处理技术有着广泛的应用，如自动装配线中检测零件的质量、并对零件进行分类，印刷电路板疵病检查，弹性力学照片的应力分析，流体力基于 MATLAB的图像分割算法研究 8 学图片的阻力和升力分析，邮政信件的自动分拣，在一些有毒、放射性环境内识别工件及物体的形状和排列状态，先进的设计和制造技术中采用工业视觉等等。 其中值得一提的是研制具备视觉、听觉和触觉功能的智能机器人，将会给工农业生产带来新的激励，目前已在工业生产中的喷漆、焊接、装配中得到有效的利用。 军事公安方面的应用 在军事方面图像处理和识别主要用于导弹的精确末制导，各种侦察照片的判读，具有图像传输、存储和显示的军事自动化指挥系统，飞机、坦克和军舰模拟训练系统等；公安业务图片的判读分析，指纹识别，人脸鉴别，不完整图片的复原，以及交通监控、事故分析等。 目前已投入运行的高速公路不停车自动收费系统中的车辆和车牌的自动识别都是图像处理技术成功应用的例子。 文化艺术方面的应用 目前这类应用有电视画面的数字编辑，动画的制作， 电子图像游戏，纺织工艺品设计，服装设计与制作，发型设计，文物资料照片的复制和修复，运动员动作分析和评分等等，现在已逐渐形成一门新的艺术 —— 计算机美术。 利用计算机进行图像处理有两个目的：一是产生适合人观察和识别的图像，二是希望能由计算机自动识别和理解图像。 无论为了哪种目的，图像处理中关键的一步就是对包含有大量各式各样景物信息的图像进行分割。 分割的最终结果是图像被分解成一些具有某种特征的最小成分，称为图像的基元。 相对于整幅图像来说，这种图像基元更容易被快速处理。 图像特征是指图像中可用作标志的属性，它可以氛围图 像的统计特性和图像的视觉特征两类。 图像的统计特性是指一些人为定义的特征，通过变换才能得到，如图像的直方图、矩、频谱等；图像的视觉特征是指人的视觉可直接感受到的自然特征，如区域的亮度、纹理或轮廓等。 利用这两类特征把图像分解成一系列有意义的目标或区域的过程称为图像的分割。 数字图像分割技术的发展概况 基于分形的图像分割技术 9 基于特征的图像分割方法包括两个重要的部分：特征抽取与模式聚类。 特征提取是图像分割最重要的问题之一，能否抽取出有效的特征值对分割结果有很大的影响，如果没有好的特征值，分类方法 再好也无法获得理想的结果。 特征抽取大致可以分为三类，即基于特征、基于模型以及基于结构。 基于特征的方法就是寻找具有相同特性的区域或区域边界，基于模型的方法就是假设一个基本的随机过程并用过程参数作为特征。 由于模型参数也可用作纹理特征，基于模型的方法可看成是基于特征方法的一个子集。 结构特征基于假设图像中有可检测的基本结构元素并按一定的规则排列。 基于模型的方法最典型的模型主要有两种：分形几何模型与随机模型。 分形函数近年来受到越来越多的重视。 分形是 在总结了自然界中的非规整几何图形后，于 1975 年第一次提出了分形的概念。 Mandelbrot 给分形的定义为：设的豪斯道夫维数是 D，如果这个维数恒大于集合 A的拓扑维数 Dt，则称集合 A是分形集，简称分形。 上述定义没有其他任何条件要求。 1986 年， Mandelbrot 又给出了分形的第二个定义：组成部分与整体以某种相似的形叫做分形。 这个定义突出了相似性的作用，反映了自然界中很广泛一类物体的基本属性；局部与局部，局部与整体在形态、功能、信息、时间与空间等方面具有统计意义上的相似性。 简单地说分形就是一个维数大于拓扑维数的集合。 分形维数的一大特点是尺度变换不 变性。 分形几何学已经广泛应用于图像压缩和图像编码，并且取得了较好的效果。 同时也有一些研究者将分形特征用于自然纹理图像和自然景物的分割与识别中。 分形维数特征对图像尺度变换不敏感，与人对物体表面粗糙度的判断有很大的相关性，由于许多自然纹理都具有线形对数功率谱，而分形维数就对应于这种线形对数功率谱斜率的估计值，因而用分形维数描述自然纹理有一定的合理性。 基于神经网络的图像分割技术 使用神经网络模型可以实现图像分割算法。 Blanz and Gish 使用一个多层前向神经网络用于图像分割，输入层神经元的数目 取决于输入特征数，而输出层神经元的数目等同于分类的数目。 由于 BP 网络能完成 n 维空间（输入节点数为 n）到 m维空间（输出节点数 m）的复杂非线形映射，因此它具有 Laplacian 算子的能力，用神经网络可以获得良好的结果，而且用神经网络处理，一旦训练完毕，各节点间的互联权就完全确基于 MATLAB的图像分割算法研究 10 定，在识别时具有很快的速度。 Babaguchi 等使用多层 BP 神经网络，用于阈值分割图像，输入是统计直方图，输出是想要的阈值。 使用这种方法，在神经网络学习阶段需要大量的已知阈值的样本图像，以用于调节网络参数产生合适的输出。 但在实际应用中，要获 得大量的样本图像是十分困难的。 借助于松弛标记技术与人工神经网络的有关理论，提出了一种用 Kohonen 网络作从网络粗分的主从神经网络分割方法，从网络的分割结果用于确定主网络中各神经元的初始状态，然后主网络从这一初始状态出发进行状态的动态演变，直至收敛到主网络的某一吸引子，这时主网络的状态对应于分割后的图像。 这种方法能够分割低信噪比条件下图像，实验证明它比最佳鉴别门限准则门限分割法与矩阵保持门限分割法具有更好的效果，并且可以实现实时处理。 类似的用于从高度噪声破坏的景物中提取对象的方法还可以使用 Hopfield类型神经网络。 本文的主要流程图 图 11 主要流程图 原始图像 边 缘 检测方法 灰度阈值分割 区域分割方法 比较各种方法的分割效果 得出比较理想的分割效果 11 第二章 数字图像处理的处理方式 图像变换 由于图像阵列很大，直接在空间域中进行处理，涉及计算量很大。 因此，往往采用各种图像变换的方法，如傅立叶变换、沃尔什变换、离散余弦变换等间接处理技术，将空间域的处理转换为变换域处理，不仅可减少计算量，而且可获得更有效的处理（如傅立叶变换可在频域中进行数字滤波处理）。 目前新兴研究的小波变换在时域和频域中都具有良好的局部化特 性，它在图像处理中也有着广泛而有效的应用。 图像编码压缩 图像编码压缩技术可减少描述图像的数据量（即比特数），以便节省图像传输、处理时间和减少所占用的存储器容量。 压缩可以在不失真的前提下获得，也可以在允许的失真条件下进行。 编码是压缩技术中最重要的方法，它在图像处理技术中是发展最早且比较成熟的技术。 图像增强和复原 图像增强和复原的目的是为了提高图像的质量，如去除噪声，提高图像的清晰度等。 图像增强不考虑图像降质的原因，突出图像中所感兴趣的部分。 如强化图像高频分量，可使图像中物体轮廓清晰，细 节明显；如强化低频分量可减少图像中噪声影响。 图像复原要求对图像降质的原因有一定的了解，一般讲应根据降质过程建立 “ 降质模型 ” ，再采用某种滤波方法，恢复或重建原来的图像。 图像分割 图像分割是数字图像处理中的关键技术之一。 图像分割是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。 虽然目前已研究出不少边缘提取、区域分割的方法，但还没有一基于 MATLAB的图像分割算法研究 12 种普遍适用于各种图像的有效方法。 因此，对图像分割的研究还在不断深入之中，是目前图像处理中研究的热点之一。 图像描述 图像描述是图像识别和理解的必要前提。 作为最简单的二值图像可采用其几何特性描述物体的特性，一般图像的描述方法采用二维形状描述，它有边界描述和区域描述两类方法。 对于特殊的纹理图像可采用二维纹理特征描述。 随着图像处理研究的深入发展，已经开始进行三维物体描述的研究，提出了体积描述、表面描述、广义圆柱体描述等方法。 图像分类（识别） 图像分类（识别）属于模式识别的范畴，其主要内容是图像经过某些预处理（增强、复原、压缩）后，进行图像分割和特征提取，从而进行判决分类。 图像分类常采用经典的模 式识别方法，有统计模式分类和句法（结构）模式分类，近年来新发展起来的模糊模式识别和人工神经网络模式分类在图像识别中也越来越受到重视。 13 第三章 MATLAB 平台及其开发环境 MATLAB 自 1984 年由美国 Mathworks 公司推向市场以来，历经十几年的发展，现已成为国际公认的最优秀的科技应用软件。 MATL。