图像分割算法的研究与实现学士学位毕业论文(编辑修改稿)

图像分割算法的研究与实现学士学位毕业论文(编辑修改稿)内容摘要：

能完全排除检测结果中出现的虚假边缘。 虽然这两个算子边缘定位效果不错 , 但检测出的边缘容易出现多像素宽度。 Log 算子 : 该算子克服了 拉普拉斯算子抗噪声能力比较差的缺点 , 但是在抑制噪声的同时也可能将原有的比较尖锐的边缘也平滑掉了 , 造成这些尖锐边缘无法被检测到。 Canny 算子 : 该算子同样采用高斯函数对图像做平滑处理 , 因此具有较强的抑制噪声能力 , 同样该算子也会将一些高频边缘平滑掉 ,造成边缘丢失。 综上所述 , 前面所介绍的各个算子各有各的特点和应用领域 , 每个算子只能反映出边缘算法性能的一个方面 , 在许多情况下需要综合考虑 [12]。 该类方法对边缘灰度值过渡比较尖锐且噪声较小等不太复杂的图像 ,大都可以取得较好的效果。 但对于边缘复杂 、采光不均匀的图像来说 ,则效果不太理想 ,主要表现在边缘模糊、弱边缘丢失和整体边缘不连续等方面。 在噪声较大的情况下常用的边缘检测算法 ,如 Marr 算子 ,递归滤波器和Canny 算子等都是先对图像进行适当的平滑 ,抑制噪声 ,然后求导数 ,或者先对图像进行局部拟合 ,然后再用拟合的光滑函数的导数来代替直接的数值导数。 Canny 算子较为简单 ,而且考虑了梯度方向 ,效果比较好 [13]。 要做好边缘检测 , 首先要清楚待检测的图像特性变化的形式从而使用适应这种变化的检测方法。 其次要知道特性变化总是发生在一定的空间范围内 ,不能期 望用一种检测算子就能最佳检测出发生在图像上的所有特性变化。 当需要提取多空间范围内的变化特性时 ,要考虑多算子的综合应用。 第三 , 要考虑噪声的影响其中一个办法就是滤除噪声 , 这有一定的局限性再就是考虑信号加噪声的条件检测利用统计信号分析或通过对图像区域的建模而进一步使检测参数化。 第四 ,可以考虑各种方法的组合 , 如先找出边缘然后在其局部利用函数近似通过内插等获得高精度定位。 第五 ,在正确检 测边缘的基础上要考虑精确定位的问题 [14]。 基于区域的分割方法 基于区域的图像分割是根据图像灰度、纹理、颜色和图像像素统 计的均匀性等图像的空间局部特征 ,把图像中的像素划归到各个物体或区域中 ,进而将图像分割成若干个不同区域的一种分割方法。 基于区域的分割方法主要有区域生长法、分裂合并法。 区域生长法、 分裂合并法： 区域生长法的基本思想是根据一定的相似性准则 ,将图像中满足相似性准则的像素或子区域合成更大的区域。 分裂合并法是从整个图像出发 ,根据图像和各区域的不均匀性 ,把图像或区域分割成新的子区域 ,根据毗邻区域的均匀性 ,把毗邻的子区域合并成新的较大的区域。 这两种方法通常相结合 ,以便把相似的子区域合并成尽可能大的区域。 区域生长的固有缺点 是分割效果依赖于种子的选择及生长顺序 ,区域分裂技术的缺点是可能破坏边界 ,所以它们常常与其他方法相结合 ,以期取得更好的分割效果 [15]。 区域生长算法的研究重点 :(l)特征度量和区域增长规则的设计。 (2)算法的高效性和准确性。 区域生长方式的优点是计算简单。 与闭值分割类似，区域增长也很少单独使用，往往是与其它分割方法一起使用。 区域生长的缺点是 :（ l）它需要人工交互以获得种子点，这样使用者必须在每个需要抽取出的区域中植入一个种子点。 (2)区域增长方式也对噪声敏感，导致抽取出的区域有空洞或者在局部体效应的情况下将 分开的区域连接起来。 在区域合并方法中，输入图像往往分为多个相似的区域，然后类似的相邻区域根据某种判断准则迭代进行合并。 在区域分裂技术中，整个图像先被看成一个区域，然后区域不断被分裂为四个矩形区域，直到每个区域内部都是相似的，分裂合并方法中，区域先从整幅图像开始分裂，然后将相邻的区域进行合并。 分裂合并方法不需要预先指定种子点，它的研究重点是分裂和合并规则的设计。 但是，分裂合并技术可能会使分割区域的边界破坏 [2]。 和阈值法一样，区域生长法一般不单独使用 , 而是放在一系列处理过程中。 它主要的缺陷是 , 每一个需 要提取的区域都必须人工给出一个种子 点 , 这样有多个区域就必须给出相应的种子个数。 此法对噪声也很敏感 , 会造成孔状甚至是根本不连续的区域 , 相反的 , 局部且大量的影响还会使本来分开的区域连接起来 [4]。 3．图像分割方 法 详述 图像分割方 法 本次毕业设计采用的是彩色图像作为分割图像，采用的分割方法总的来说是阈值法与边缘检测法的结合使用，在整个图象分割的过程中， 最主要的方法是边缘检测法，而 阈值法起到是对图象进行预处理和后处理 的作用。 考虑到既要具有良好的切割效果 ,又要保留图像的重要边缘特征 ,具体的实现步骤如 下： (1)输入待分割图像 f(x,y), f(x,y)为 彩色图像； (2)将待分割图像 f(x,y)转化为灰度图像 g(x,y)； (3)利用 MATLAB 显示 灰度图像 g(x,y)的 灰度直方图 ,用迭代法进行阈值选取，以 达到 区分背景和目标 的目的 ； (4)采用边缘检测算子检测图像的边界特征 ,确定图象的边界位置 ，得到图像 G(x,y)； (5)根据图象分割的实际效果， 将经过边缘检测后的图像 G(x,y)进行局部阈值分割，以达到消除图像中某些存在阴影、照度不均匀 ,各处的对比度不同 ,背景灰度变化等问题。 图像 分割方 法实现 对彩色图像 进行灰度处理 用 全局 阈值法对图像进行预处理 ： 阈值法是一种简单有效的图像分割方法 ,它用一个或几个阈值将图像的灰度级分为几个部分 ,认为属于同一个部分的像素是同一个物体。 运用 这种思想，我打算首先将 全局 阈值法用来区分图片中的背景和目标。 阈值分割法的结果很大程度上依赖于对阈值的选择 , 因此该方法的关键是如何选择合适的阈值。 合适的阈值必须具备的条件是在使用选取的阈值对图片进行分割后，必须使图像中的背景和目标的分割错误达到最小。 这种方法是先确定一个处于图像灰度取值范围之中的灰度阈值，然后将图像 中各个像素的灰度值都与这个阈值相比较，并根据比较结果将对应的像素划分为两类 :像素的灰度值大于阈值的为一类，像素的灰度值小于阈值的为另一类 .这两类像素一般分属于图像中的两类区域，所以对像素根据阈值分类达到了区域分割的目的 .阈值分割可以分为全局阈值和局部阈值两种情况。 在图像内容不太复杂、灰度分布较集中的情况下，往往采用最简单的全局阈值，并不考虑图像中点的位置和其邻域性质 . 我采用的是迭代法来求取阈值，迭代法是 基于 逼近思想 ： （ 1）求出图像的最大灰度值和最小灰度值，分别记为 Max和 Min，令初始阈值为： 2/)(0 M inM a xT  ，根据阈值 kT 将图像分割为前景和背景，分别求出两者的平均灰度值 0Z 和 bZ ； （ 2）求出阈值 2/)( 01 bk ZZT  ； （ 3）如果 1kk TT ；则所得即为阈值；否则转（ 2）迭代计算。 迭代所得的阈值分割效果良好 ,基于迭代的阈值能区分图像的前景和背景的主要区域所在。 用边缘检测法对图像进行分 割：边缘是图像的最基本的特征 , 边缘中包含着有价值的目标边界信息 , 这些信息可以用作图像分析、目标识别。 边缘检测分割法是通过检测出不同区域边界来进行分割的 .边缘总是以强度突变的形式出现，可以定义为图像局部特性的不连续性，如灰度的突变、纹理结构的突变等 .边缘常常意味着一个区域的终结和另一个区域的开始 .图像的边缘包含了物体形状的重要信息，两个具有不同灰度值的相邻区域之间总存在灰度边缘 .灰度边缘是灰度值不连续 (或突变 )的结果，这种不连续常可利用求一阶和二阶导数方便的检测到 . 在对图像进行分割时，采用了多种算子对 图像进行分割，最后根据分割的现象采用效果最好的一种算子作为本次毕业设计的边缘检测算子。 用局部阈值法对图像进行后处理：经过全局阈值分割和边缘检测分割后 ,有的地方存在灰度不连续，边缘不清晰的情况，如果只用一个固定的全局阈值对整幅图像进行后 ,则由于不能兼顾图像各处的情况而使分割效 果受到影响。 这时采用局部阈值法 ,即用与像素位置相关的一组阈值对图像各部分分别进行分割。 最简单的方法是将图像划分为若干小图像 ,先对各子图像阈值法进行分割 ,再将分割后的小区域合并在一起 ,得到整幅图像的完整分割结果。 其实局部阈值法是全局阈 值法的一个拓展。 4． 实验 结果 及分析 实验结果 图 4 灰度直方图 图 5 灰度图像 图 6 全局阈值化后的图片 图 7 prewitt算子分割后的图片 图 8 Canny算子分割后的图片 图 9 log算子分割后的图片 将 Canny算子分割后的图片作为边缘检测后的图片，再将这个图片分割为四 个小图片，每一个图片的直方图如下 : 图 10 第一块的直方图 图 11 第二块的直方图 图 12 第三块的直方图 图 13 第四块的直方图 图 13 局部阈值化后的图像 实验 结果 分析 由灰度图片的直方图可以看出，这个直方图有多个峰值， 不满足双峰法的两个波峰一个波谷的条件，所以 不适合采用双峰法， 我采用的是迭代法，迭代法得到的阈值分割效果良好， 基于迭代的阈值能区分图象的前景和背景的主要区域所在， 迭代法作用于整幅图像每个像素，因此，对于直方图 波峰 明显 或目标和背景的灰度差异悬殊的图像，得到的效果很好。 由灰度图和灰度直方图可以看出，该图像的目标和背景的灰度差异悬殊，并且该灰度直方图的波峰明显，满足迭代法的使用条件。 由效果图可以看出，用迭代法得到的阈值分割图失真度很低，基本上保持了原图的轮廓。 在采用边缘算子时，本次毕业设计测试了 3 种算子，分别是 Prewitt 算子 ， Log 算子 和 Canny 算子。 对于三种算子的实验现象， 从 视觉上 来看，以 Canny 算子最好， 边缘信息丰富，几乎保留了边缘所有的边缘点，而且边缘清晰，连续性好。 Log 算子，其分割图像中所含非边缘点较少，而且主要边缘大部分被保留，但是还是去掉了很多真边缘点。 Prewitt 算子的分割的图像中虽然几乎没有非边缘点，但是边缘的连续性较差，从视觉上来看图像显得很杂乱。 我们对图像分割的结果通常以人的主观判决作为评价准则。 尽管对大多数图像处理问题而言，最后的信宿是人的视觉 ， 但对不同分割方法的处理结果作一定量的比较、评价也是必需的。 这是一个有意义但比较困难的问题。 从目前的文献来看，已有学者在这方面做了一些工 作。 一般认为对分割方法的评价可以通过分析和实验两种方式来进行。 因此，分割评价方法可以分为分析法和实验法两大类。 分析法是直接分析分割算法本身的原理及性能，而实验法是通过对测试图像的分割结果来评价算法的。 通过对实际分割结果的分析来评估分割算法是具有实际意义的。 定量试验准则： 区域间的对比度 图像分割要把一幅原始图像分为若干个区域。 直观的考虑，这些区域的特性之间应该有比较大的差距，或者说有明显的对比，根据区域间的特性对比度的大小可以判别分割图的质量，也可由此反推出所用分割算法的 优劣来，对于图像中相邻接的两个区域 来说，如果他们各自的平均灰度为f1 和 f2，则它们之间的区域对比度可以按下式来计算 ： 21 |21| ff ffGC  (1) 事实上式 (1)中的 f也可代表除灰度外的其他特征量，这样就得到其他区域间的对比度，当一幅图像有多个区域时，可利用式 (1)分别计算两两间的区域间的对比度再求和 [16]。 将图像分为左右两个大的区域， 下表是各个算子分割图像后的区域间的对比度： 图像 平均灰度 1 平均灰度 2 区域间对比度 Canny 算子 Prewitt 算子 Log 算子 表 1 区域间的对比度 所以，区域间的对比度越高代表分割效果越好，由上表可以看出， Canny算子分割的效果最好， Prewitt 分割效果其次， Log 算子的分割效果最差。 接下来的局部阈值法，采用的就是 Canny 算子分割的图像。 在将边缘分割后的图像进行分割后，分成四块小图像，在实验现象中可以看出，这四块小图像的灰度 直方图都有很明显的双峰， 但是由于波谷宽阔平坦， 不满足双峰法的使用条件， 所以不能使用双峰法， 所以在对不同的图像进行阈值化的时候，采用的是 全局 阈值法里面的 迭代法，总的来说，就是将 Canny 算子分割后的图片继续分割成四小块，对四块不同的图片用迭代法求取阈值，再将阈值化后的图片合并起来。 局部阈值化后，由现象可以看出，并没有对原图进行多大的改善，只是在一些很细微的地方有了一些。