基于matlab的图像分割及其应用毕业设计论文

基于matlab的图像分割及其应用毕业设计论文内容摘要：

的制作上作了很大的改善，对这方面有特殊要求的用户也可以得到满足。 3 图像分割 技术概述 西安石油大学 本科 毕业设计 （论文） 6 图像分割是一种重要的图像处理技术，它不仅得到人们的广泛重视和研究，也在实际中得到大量的应用。 图像分割在不同领域中有时也用其他名称，如目标轮廓技术、阈值化技术、图像 区分或求差技术、目标检测技术、目标识别技术、目标眼跟踪技术等，这些技术的核心实际上就是图像分割技术。 本章主要介绍了图像分割的定义以及阈值分割，门限分割边缘分割等常用的图像分割方法的介绍以及分析。 图像分割的定义 图像分割就是指把图像分成各具特性的区域并提取出自己感兴趣区域的技术过程。 这里所说的特性可以是灰度、颜色、纹理等，而目标可以对应 单个区域，当然也可以是多个区域。 多年来人们对图像分割提出了不同的解释和阐述，借助集合的概念对图像分割可以给出以下定义：令集合 R 代表整个图像区域，对 R 的图像分割可以看做是将 R 分成 N 个满足以下条件的非空子集 𝑅1， 𝑅2， ...， 𝑅𝑁。 (1) 𝑈𝐼=1𝑁 𝑅𝑡=R； (2) 对于所有的 i 和 j， i≠j。 有 𝑅𝑖 ⋂𝑅𝑗=ϕ。 (3) 对于 i=1,2,…,N, 有 P(𝑅𝑡)=TRUE。 (4) 对于 i≠j，有 P(𝑅𝑖 ⋃𝑅𝑗)=FASLE； (5) 对于 i=1,2,…,N, 𝑅𝑡是连通的区域。 其中 P(𝑅𝑡)是对所有在集合 𝑅𝑡中元素的逻辑谓词 ， ϕ表示空集。 𝑈𝐼=1𝑁 𝑅𝑡=R 代表分割的所有 子区域的并集即为原来的图像，它是图像处理中的每个像素都被处明在分割理的保证。 𝑅𝑖 ⋂𝑅𝑗=ϕ指出分割结果中的各个区域是互不重叠的。 P(𝑅𝑡)=TRUE 表 结果中，每个区域都有其独特的特性。 P(𝑅𝑖 ⋃𝑅𝑗)=FASLE 表明在分割结果中同一个子区域的像素应当是连通的，也就是说同一个子区域的任意的两个像素在该子区域内饰互相连通的。 这些条件对分割具有一定的指导作用。 但是，实际中的图像分析和处理 都是针对某种特定的应用，所以条 件中的各种关系也需要同实际需求相结合来设定。 人们在多年的研究中积累了很多图像分割方法。 图像分割是一个将像素分类的过程，分类的依据可建立在像素间的相似性、灰度的不连续性的基础上的。 对于相似性的检测方法（即基于区域的分割方法）主要有：双峰法，区域分裂与合并和自适应阈值分割等；对于灰度不连续性检测方法（即基于边缘的分割方法）主要有：边缘检测、边缘跟踪和霍夫变换等。 此外，还有综合特定理论工具的分割方法，这些方法包括基于形态学分水岭的分割、基于统计模式识别的分割、基于神经网络的分割、基于小波变换的分割。 图像分割的几种方法 阈值分割 西安石油大学 本科 毕业设计 （论文） 7 灰度 阈值分割 法是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。 阈值分割方法实际上是输入图像 f 到输出图像 g 的如下变换： g(ⅈ,j) = {1 𝑓(𝑖,𝑗) ≥ 𝑡0 𝑓(𝑖,𝑗) 𝑡 其中， T 为阈值，对于物体的图像元素 g(i,j)=1，对于背景的图像元素 g(i,j)=0。 由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。 阈值确定后，将阈值与像素点的灰度值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接给出图像区域。 阈值分割的优点是计算简单、运算效率较高、速度快。 在重视运算效率的应用场合 (如用于硬件实现 )，它得到了广泛应用。 人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。 全局阈值是指整幅图像使用同一个阈值做分割处理，适用于背景和前景有明显对比的图像。 它是根据整幅图像确定的： T=T(f)。 但是 这种方法只考虑像素本身的 灰度值 ，一般不考虑空间特征，因而对噪声很敏感。 常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、最小误差法、 最大类间方差法 、最大熵自动阈值法以及其它一些方法。 在许多情况下，物体和背景的对比度在图像中的各处不是一样 的，这时很难用 一个统一的阈值将物体与背景分开。 这时可以根据图像的局部特征分别采用不同的阈值进行分割。 实际处理时，需要按照具体问题将图像分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图像分割。 这时的阈值为自适应阈值。 阈值的选择需要根据具体问题来确定，一般通过实验来确定。 对于给定的图像，可以通过分析直方图的方法确定最佳的阈值，例如当直方图明显呈现双峰情况时，可以选择两个峰值的中点作为最佳阈值。 区域分割 区域生长和分裂合并法是两种典型的串行区域技术，其分割过程后续步骤的处理要根据前面步骤的结果进行判断而确定。 区域生长的基本思想是将具有相似性质的像素集合起来构成区域。 具体先对每 个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素 (根据某种事先确定的生长或相似准则来判定 ) 合并到种子像素所在的区域中。 将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。 这样一个区域就长成了。 区域生长需要选择一组能正确代表所需区域的种子像素， 确定在生长过程中的相似性准则，制定让生长停止的条件或准则。 相似性准则可以是灰度级、 彩色 、纹理、 西安石油大学 本科 毕业设计 （论文） 8 梯度等特性。 选取的种子像素可以是单个像素，也可以是包含若干个像素的小区域。 大部分 区域生长 准则使用图像的局部性质。 生长准则可根据不同原则制定，而使用不同的生长准则会影响 区域生长 的过程。 区域生长法的优点是计算简单，对于较均匀的连通目标有较好的分割效果。 它的缺点是需要人为确定种子点，对噪声敏感，可能导致区域内有空洞。 另外，它是一种串行 算法 ，当目标较大时，分割速度较慢，因此在设计算法时，要尽量提高 效率。 区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标提取。 分裂合并差不多是 区域生长 的逆过程：从整个图像出发，不断分裂得到各个子区域，然后再把前景区域合并，实现 目标提取。 分裂合并的假设是对于一幅图像，前景区域由一些相互连通的像素组成的，因此，如果把一幅图像分裂到像素级，那么就可以判定该像素是否为前景像素。 当所有像素点或者子区域完成判断以后，把前景区域或者像素合并就可得到前景目标。 在这类方法中，最常用的方法是四叉树分解法 (如图 所示 )。 设 R 代表整个正方形图像区域， P 代表逻辑谓词。 基本分裂合并算法步骤如下： (1)对任一个区域，如果 H(Ri)=FALSE 就将其分裂成不重叠的四等份； (2)对相邻的两个区域 Ri 和 Rj，它们也可以大小不同（即不在同一层），如果条件 H(Ri∪ Rj)=TRUE 满足，就将它们合并起来。 (3)如果进一步的分裂或合并都不可能，则结束。 分裂合并法的关键是分裂合并准则的设计。 这种方法对复杂图像的分割效果较好，但算法较复杂，计算量大，分裂还可能破坏区域的边界。 图 31 四叉树分割后的图像 边缘分割 图像分割的一种重要途径是通过 边缘检测 ，即检测灰度级或者结构具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方。 这种 不连续性 称为边缘。 不同的图像灰度不同，边界处一般有明显的边缘，利用此特征可以分割图像。 图像中边缘处像素的灰度值不连续，这种不连续性可通过求导数来检测到。 对 西安石油大学 本科 毕业设计 （论文） 9 于阶跃状边缘，其位置对应 一阶导数 的 极值点 ，对应 二阶导数 的过零点 (零交叉点 )。 因此常用 微分算子 进行边缘检测。 常用的一阶 微分算子 有 Roberts 算子、 Prewitt 算子和 Sobel 算子，二阶微分算子有 Laplace 算子和 Kirsh 算子等。 在实际中各种微分算子常用小区域模板来表示，微分运算是利用模板和图像 卷积 来实现。 这些算子对噪声敏感，只 适合于噪声较小不太复杂的图像。 由于边缘和噪声都是灰度不连续点，在频域均为高频分量，直接采用微分运算难以克服噪声的影响。 因此用 微分算子 检测边缘前要对图像进行 平滑滤波。 Log 算子和 Canny 算子是具有平滑功能的二阶和一阶微分算子， 边缘检测 效果较好，如图 所示。 其中 log 算子是采用 Laplacian 算子 求 高斯函数 的 二阶导数 ， Canny 算子是高斯函数的 一阶导数 ，它在噪声抑制和 边缘检测 之间取得了较好的平衡。 图 32 边缘检测结果 (a)Log 算子 (b)Canny 算子 直方图法 与其他图像分割方法相比，基于直方图的方法是非常有效的图像分割方法，因为他们通常只需要一个通过像素。 在这种方法中，直方图是从图像中的像素的计算，并在直方图的波峰和波谷是用于定位图像中的簇。 颜色和强度可以作为衡量。 这种技术的一种改进是递归应用直方图求法的集群中的形象以分成更小的簇。 重复此操作，使用更小的簇直到没有更多的集群的形成。 基于直方图的方法也能很快适应于多个帧，同时保持他们的单通效率。 直方图 可以在多个帧被 同时 考虑的时候采取多种方式。 同样的方法是采取一个框架可以应用到多个，和之后的结果合并，山峰和山谷在以前很难识别，但现在更容易区分。 直方 图也可以应用于每一个像素的基础上，将得到的信息被用来确定的像素点的位置最常见的颜色。 这种方法部分基于主动对象和一个静态的环境，导致在不同类型的视 频分割提供跟踪。 图像分割函数及算法的分析比较 数字图像处理常用的图像分割算法有：基于阀值的分割方法、基于边缘的分割方法、基于区域的分割方法、基于聚类分析的图像分割方法、基于小波变换的分割方法、基于数学形态学方法、基于人工神经网络的方法、基于遗传算法的方法。 阈值分割方法作为一种常见的区域并行技术，就是用一个或几个阈值将图像的灰度直方图分成几个类，认为图像中灰度值在同一类中的像素属于同一物体。 由于是 西安石油大学 本科 毕业设计 （论文） 10 直接利用图像的灰度特性，因此计算方便简明、实用性强。 显然， 阈值分割方法的关键和难点是如何取得一个合适的阈值。 而实际应用中，阈值设定易受噪声和光亮度影响。 近年来的方法有：用最大相关性原则选择阈值的方法、基于图像拓扑稳定状态的方法、 Yager 测度极小化方法、灰度共生矩阵方法、方差法、熵法、峰值和谷值分析法等， 其中，自适应阈值法、最大熵法、模糊阈值法、类间阈值法是对传统阈值法改进较成功的几种算法。 更多的情况下，阈值的选择会综合运用 2 种或 2 种以上的方法，这也是图像分割发展的一个趋势。 阈值分割的优点是计算简单、运算效率较高、速度快。 全局阈值对于灰度相差很大的不同目标和背景能进行有效的分割。 当图像的灰度差异不明显或不同目标的灰度值范围有重叠时，应采用局部 阈值或动态阈值分割法。 另一方面，这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。 在实际应用中，阈值法通常与其他方法结合使用。 基于基于边缘检测的分割方法试图通过检测包含不同区域的边缘来解决分割问题，它可以说是人们研究的最多的方法之一。 通常不同的区域之间的边缘上像素灰度值的变化往往比较剧烈，这是边缘检测方法得以实现的主要假设之一。 常用灰度的一阶或二阶微分算子进行边缘检测。 常用的微分算子有一次微分(Sobel 算子、 Roberts 算子等 )、二次微分 (拉普拉斯算子等 )和模板操作 (Prewit 算子、Kirsch 算子等 )，它是一种并行边界技术。 而串行边界查找法是先检测到边缘再串行连接成闭合边界的方法，这种方法在很大程度上受起始点的影响。 基于边缘检测的图像分割方法可分成两大类，即串行边缘分割技术和并行边缘分割技术。 串行边缘分割方法，首先要确定边缘的起始点，然后根据某种相似性搜索准则寻找下一个边缘点，这种确定后续相似点的方法称为边缘跟踪。 根据跟踪方法不同又可分为轮廓跟踪、光棚跟踪和全向跟踪三种方法。 并行边缘检测方法，对图像上每一点的处理不依赖 其他点的处理结果，算法可以并行处理，大大加快搜索检 测的速度。 当分割的图像含有强噪声干扰或者区域之间的性质差别很小时，分割出来的边缘可能是不连续的，此时可考虑用边缘连接技术把断开处连接起来。 常用的边缘连接方法有曲线拟合技术经典的曲线拟合技术有贝叶斯曲线拟合技术和样条曲线拟合技术。 基于 Hough变换的边缘连接技术。 启发式边缘连接技术。 基于边缘的分割方法其难点就在于边缘检测时抗噪性和检测精度之间的矛盾。 若提高检测精度，则噪声产生的伪边缘会导致不合理的轮廓；若提高抗噪性，则会产生轮廓漏检和位置偏差。 为此，人们提出各种多尺度边缘检测方法，根据实际问题设计多尺度 边缘信息的结合方案，以较好地兼顾抗噪性和检测精度。 西安石油大学 本科 毕业设计 （论文） 11 区域分割的实质就是把具有某种相似性质的像索连通，从而构成最终的分割区域。 它利用了图像的局部空间信息，可有效地克服其他方法存在的图像分割空间小连续的缺点。 在此类方法中，如果。