姓名 | 武易 |
repairing学号 | 1341901124 |
成绩 | |
| |
江苏科技大学
数字图像处理本科生课程论文
论文题目：__图像分割方法研究_______
完成时间：_______2016/6/5__________
所在专业：____计算机科学与技术_____
所在年级：___ _ _三年级______________
图像分割方法研究调研方法有哪些
2013级计算机专业1班 1341901124 武易
摘要： 图像分割是图像处理与机器视觉的基本问题之一，图像分割的应用非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像，数分割算法均基于灰度值的两个基本性质之一：不连续性和相似性。本文详述了阈值处理，边缘检测，区域分割，分水岭分割等经典算法，对人工智能基础上的分类算法只做简述。
关键词：图像分割；数字图像处理；边缘检测，分水岭算法
1 研究背景
图像分割是图像处理与机器视觉的基本问题之一，其要点是：把图像划分成若干互不交叠区域的集合，这些区域要么对当前的任务有意义，要么有助于说明它们与实际物体或物体的某些部分之间的对应关系。
一般的图像处理过程如图1-1所示。从图中可以看出，图像分割是从图像预处理到图像识别和分析理解的关键步骤，在图像处理中占据重要位置和起核心作用。一方面它是目标表达的基础，对特征测量有重要的影响。另一方面，图像分割以及基于分割的目标表达，特征提取和参数测量等将原始图像转化为更为紧凑的形式，使得更高层的图像识别，分析和理解成为可能。
图1.1 一般的图像处理过程
图像分割的应用非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。例如，在遥感应用中，合成孔径雷达图像中目标的分割，遥感云图中不同云系和背景分布的分割等。在医学应用中，脑部MR图像分割成灰质（GM），白质（WM），脑脊髓（CSF）等脑组织和其他非脑组织区域（NB）等。在面向对象的图像压缩和基于内容的图像数据库查询中，将图像分割成不同的对象区域。在这些应用中，分割通常是为了进一步对图像进行分析，识别，压缩编码等，分割的准确性直接影响后续任务的有效性，因此具有十分重要的意义。
按照通用的分割定义，分割出的区域需同时满足均匀性和连通性的条件。其中均匀性是指该区域中的所有像素点都满足基于灰度，纹理，彩色等特征的某种相似性准则；连通性是指在该区域内存在连接任意两点的路径。设F表示一幅图像中所有像素的集合，P(.)是有关均匀性的假设，分割定义为把F划分成若干子集（S1，S2，…,Sn），其中每一个子集都构成一个空间连通区域，即
且P(.)满足
和
P() = fal,转运珠手链编织若Si与Sj在空间相邻
符合上述定义的分割计算十分复杂和困难，图像处理和视觉界的研究者们为此付出了长期的努力。迄今为止，大部分研究成果都是针对某一类型图像，某一具体应用的分割，通用方法和策略仍面临者巨大的困难。本文我们将对图像分割的方法进行分析和对比。
2 主要理论概况
主要介绍课题相关理论基本方法
多数分割算法均基于灰度值的两个基本性质之一：不连续性和相似性。在第一类中，方法是以灰度突变为基础分割一幅图像，比如图像的边缘。在第二类中，主要方法是根据一组预定义的准则将一幅图像分割为相似的区域。阈值处理。区域生长，区域分裂和区域聚合都是这类方法的例子。
这些方法在一定程度上依赖人类判断来识别区域的存在，并通过勾画边界或选择某个亮度值范围来定义它们。还有一些方法从不完整的定义开始，不断细化分割，已达到更大的精度和一致性，完全自动的技术会确定有多少类物体出现，并将图像完全细分，并将图像完全细化，以将这些物体隔离出来。但它们在小型计算机系统中应用甚微，且效率通常要比人工输入的效率低。普通图像分割任务可视为分类问题的一个例子。就像多数涉及要素或人工智能的技术那样，它可能不会使用与人类采用的相同输入或决策方法，但会力求实现相同的结果（且有时是成功的）。卫星成像中一直使用了一种成功的一般分类方法，卫星图像中存在许多波段的数据。如果在高维空间中画出图像中的每个像素点，空间中的各
个坐标轴表示各个波段中的亮度，那么应用于土地利用，作物类型，土壤或岩性等的不同类型的点将会聚集在一起，且这些聚类彼此能很好地分开。
3牙龈肿痛怎么办吃什么药．图像分割算法
3.1 阈值处理
采用与阈值处理的方法，目标和背景像素会具有两种主要模式的灰度级。一种从背景上提取对象的明显方法是选取一个阈值T来分离这两种模式。任何满足f（x，y）>= T的点（x,y）称为对象点，其他点则称为背景点。换言之，阈值处理后的图像g（x，y）定义为
g（x，y）=
标注为1的像素对应于对象，而标注为0的像素则对应于背景。T为常数时，这种方法称为全局阈值处理；T在一幅图像上改变时，称为可变阈值处理。
补肾汤
3.1.1 全局阈值处理
当物体和背景像素的灰度分布十分明显时，可以用适用于整个图像的全局阈值。选取阈
短篇集合值的一种方法是目视检查直方图。如图3.1所示的直方图有两个不同的模式，我们可以很容易地选取一个阈值T来分开他们。
图3.1
在大多数应用中，通常图像之间有较大变化，即使全局阈值是一种合适的方法，对每一幅图像有能力自动估计阈值的算法也是需要的。下面的迭代算法可用于这一目的：
1.为全局阈值T选择一个初始估计值。
2.用T分割该图像。这将产生两组像素：G1由灰度值大于T的所有像素组成，G2由所有小于等于T的像素组成。
3.对G1和G2的像素分别计算平均灰度值（均值）m1和m2.
4.计算一个新的阈值：
T = 1/2（m1 + m2）
5.重复步骤2到步骤4，直到连续迭代中的T值间的差小于一个预定义的参数ΔT为止。
赛尔号精灵融合Matlab程序：
I = imread('E:/images/bear1.jpg');
祖树
f = rgb2gray(I);
T = 0.5*(double(min(f(:))))+double(max(f(:)));
done = fal;
while ~done
g = f >= T;
Tnext = 0.5*(mean(f(g))+mean(f(~g)));
done = abs(T-Tnext) < 0.5;
T = Tnext;
