毕业设计论文图像背景分割技术研究

《毕业设计论文图像背景分割技术研究》由会员分享，可在线阅读，更多相关《毕业设计论文图像背景分割技术研究（42页珍藏版）》请在装配图网上搜索。

1、西北民族大学电气工程学院毕业论文图像背景分割技术研究 摘 要 图像分割是指把图像分解成各具属性和特点的区域并提取出感兴趣目标的技术和过程，它是计算机视觉领域扩展的一个重要而且基本的问题，分割结果的好坏将直接影响到视觉系统的性能。因此在应用上图像分割是图像处理到图像分析的关键步骤。本论文主要从边缘检测的思想和概念引出了图像分割技术的相关方法和各方法的几种算子，如基于边缘检测的图像分割、阈值法图像分割、区域分割方法。虽然图像分割的分割算子繁多，但此处主要介绍了prewitt算子、sobel算子、canny算子等。在分割方法上主要介绍基于EDGE函数、检测微小结构、四叉树分解和阈值分割的方法实现对图

2、像的边缘检测及提取。而基于区域的图像分割方法主要包括区域生长法和分裂-合并分割方法。通过多次的实验过后，总结出一般的图像分割处理可以用EDGE函数。而特定的图像应用阈值分割、检测微小结构和四叉树分解比较简单。尽管目前图像分割技术发展很成熟了，但鉴于其应用的广泛性和重要性，很多方面又不是很成熟，甚至刚起步，需要我们进一步研究。关键字 图像处理，图像分割，阈值法，边缘检测，区域检测ABSTRACT The image division is refers to image dissection Cheng Geju the attribute and the characteristic regi

3、on and withdraws feels the interest goal the technology and the process, it is one which the computer vision domain expands important and basic question, division result quality immediate influence to vision systems performance. Therefore in the application figure above division is likely the imager

4、y processing to the image analysis committed step.The present paper mainly has drawn out the image division technology related method and various methods several kind of operators from marginal checks thought and the concept, like based on marginal check image division, threshold value law image div

5、ision, region splitting method. Although the image divisions division operator is many, but here mainly introduced the prewitt operator, the sobel operator, the canny operator and so on. In the division method the main introduction based on the EDGE function, the examination small structure, four fo

6、rk tree decomposition and the threshold value divisions method realizes to the image marginal check and the extraction. But mainly includes the region growing law and the fission - merge division method based on the region image division method. But mainly includes the region growing law and the fis

7、sion - merge division method based on the region image division method. Through the multiple experiment from now on, will summarize general image division processing to be possible to use the EDGE function. But the specific image application threshold value division, the examination small structure

8、and four fork tree decomposes is quite simple. Although the present image division technological development has been very mature, but in view of the fact that its applications universality and the importance, many aspects are not very mature, even just started, needs us to further study.Key Words i

9、mage processing，image segmentation， threshoiding method ，edge detection ，region detection 目 录第一章 绪论11.1图像的定义21.2图像分割的定义3第二章 图像分割方法及实现52.1.基于边缘检测的分割方法52.1.1边缘检测的思想和简介52.1.2 基于边缘检测图像分割的几种算子62.2阈值法图像分割112.2.1阈值法思想及简介112.2.2阈值法的算法122.3基于区域的图像分割172.3.1区域分割的原理和思想172.3.2区域生长的原理和步骤182.3.3 区域生长准则和过程202.3.4 两

10、种方法的比较242.3.5 四叉树分解法24第三章 实验结果263.1基于边缘检测的图像分割263.2基于阈值法的图像分割283.3 基于区域的分割方法29第四章 实验结果分析304.1双峰法和迭代法比较304.2各种算子检测边缘情况304.3阈值法各方法比较31第五章 总结与展望32第六章 致 谢34参考文献35附录程序源码36第一章 绪论为了得到人们需要的信息，需对图像进行处理，图像处理技术应运而生。处理图像可以使人类视觉得到延续，从而使人们能看到任意波长的图像。在图像处理的研究应用过程中，人们往往仅对各幅图像中的某写部分感兴趣，这些部分常称为目标或前景，他们一般对应图像中特定的具有独特性

11、质的区域和分析目标，需要将这些区域分离或提取出来，在此基础上才有可能对目标进一步的利用。图像分割就是将图像分成各具特性的区域并提取出需要研究的目标的技术和过程。在进行图像分割时，首先要根据目标和背景特点和已有知识对图像中的目标 、背景进行标记和定位，然后将等待识别的目标从背景中提取出来，图形分割是图像到图像处理再到图像分析的关键步骤，也是一种基本的计算机视觉处理技术。这是因为参数的测量、特征的提取、目标的分离和图像的分割将原始的图像转化为更为抽象的形式，使得更上层的分析变为可能，所以，图像分割多年来一直得到人们的高度重视。图像分割是一种非常重要和应用广泛的图像处理技术，在不同的领域中有时也有其

12、它的名称：如阈值化技术（threshold technology），图像区分或求差技术（image discrimination technology），目标的轮廓技术（object delineation technology）,目标的检测技术（target detection technology），目标跟踪技术（target tracking technology），目标的识别技术（target recognition technology）等1。 图像分割的应用非常广泛，几乎出现在相关图像处理的所有领域，而且涉及各种形式的图像。图像分割在民生，军事，经济等（如生产线产品检查、工业自动化

13、、文件处理、生产监控、安保监视、遥感图像、以及军事、农业工程、体育等）方面都有广泛的应用，因此图像分割具有极其重要的意义，图像分割的准确性将直接影响后续任务的有效性，在各种图像应用的过程中，只要需对图像目标进行提取、测量等都离不开图像分割，所以图像处理需要人们去长期潜心分析和研究，不是一蹴而就的。 本文主要从图像分割的思想和定义，图像分割的方法和多种处理算法等几个方面来阐述相关图像分割的几个问题。1.1图像的定义图像就是运用各种观察手段和观察系统以不同的形式和手段观察客观世界而获得的，可以是直接的或间接的作用于人眼而产生视觉和知觉的实体。科学研究和实验结果表明，人类从外界获得信息的80%来源于

14、视觉系统和感知系统，也可以说，人类所视、所感、所得的大部分信息都是从图像中获得的。也就是说图像是人们出生以来所体验到的信息量获得最大、最丰富、最重要信息来源部分。图像能以各种各样的形式出现，例如，抽象的和具体的，可视和不可视的，适于计算机处理的和不适合的。就其本质来说，可以将图像分为两大类：一类时将连续的模拟图像经过离散化处理后变成计算机能够识别的点阵图像，称为数字图像。另一类是模拟图像，包括照相相片图像、电视图像和光学图像等。严格的数字图像是一个经过等距离矩形网格采样，对幅度量化的二维函数，因此，数字图像实际上就是被量化的二维采样数组。与模拟图像相比，数字图像具有精度高、处理方便、重复性好等

15、优点。模拟图像处理速度快，单精度和灵活性差，不容易查找和判断。1.2图像分割的定义 图像分割就是按照一定的原则和规则将一幅图像或景物分为若干个特定的、具有独特性质的区域部分或子集，并提取出感兴趣目标前景的技术和过程。在对各种图像的研究和应用中，人们往往只对一幅图形中的个别部分和景物感兴趣，这些感兴趣的部分一般对应图像中特定的、具体的、具有特殊性质的区域（单个区域和多个区域都行），称之为目标或前景，其他部分称为图像的背景。这里的独特性可以是像素的灰度值、物体的轮廓曲线、颜色、纹理等，也可以是空间频谱或直方图特征等。为了辨识和分析目标，需要把目标从一副图像的个别部分提取出来，这就是图像分割所要研究

16、的问题。所谓图像分割，从广义上讲，就是根据图像的某些特征或特征集合（灰度、颜色、纹理等）的相似性准则对图像像素进行分组聚类，把图像像素划分成若干个具有某些一致性和不一致性的不重叠区域。这使得同一区域中的像素特征是类似的，既具有一致性；而不同区域间像素的特征存在突变，也就是具有非一致性。从集合的角度出发，图像的分割定义如下：设R代表整个图像区域，对R的分割可看作将R分成若干个满足以下五个条件的非空子集（子区域）R1,R2Rn。R1R2Rn = R即分割后的所有区域的并集应能构成原来的区域R。也即子集中的所有像素总和应于并集R中的像素总和相等。对所有的i和j，都有RiRj（ij）即各子区域互不重叠

17、。对于i=1，2，n；有P（Ri）=TRUE。即分割得到的属于同一区域的像素应具有某些相同的特征。对于ij，有P（RiRj）=PALSE。即分割得到的属于不同区域的像素应具有不同的性质。对于i=1，2，n；Ri是连通的区域。即同一子区域的像素应当是连通的。上面的定义，不仅仅明确阐明了图像分割的含义，而且对图像进行分割也有相当的指导作用。条件1和条件2说明正确的分割准则应适用于所有区域和所有像素。条件3和条件4说明合理的分割准则应该能够帮助确定各区域像素有代表性的特征。而条件5说明完整的分割准则应直接或间接地对区域像素的连通性有一定的要求和限定。最后需要指出的是，在实际应用中图像分割不仅是要把一

18、幅图像分成满足以上五个条件的各具属性的区域，而且需要把其中感兴趣的目标区域分离出来、只有这样才算是真正完成了图像分割目的。第二章 图像分割方法及实现2.1.基于边缘检测的分割方法2.1.1边缘检测的思想和简介边缘检测是基于边界分割的方法的最基本的处理，在工程中占有十分重要的地位，数字图像的边缘检测是图像分割、目标区域识别、区域形状提取等图像分析领域十分重要的基础。图像的边缘是图像的最基本特征。图像的边缘部分集中了图像大部分的信息，例如灰度值的突变、纹理结构的突变、颜色的突变等，同时物体的边缘也是不同区域的分界处。图像边缘的确定和提取对于整个图像场景的识别与理解是很重要的。边缘是指其周围像素灰度

19、变化不连续的那些像素的集合，边缘广泛存在于物体与背景之间，因此它是图像分割所依赖的特征。常见的边缘可分为阶跃型、房屋型、和凸缘型，如图2-1所示(a)阶跃型 （b）房顶型 （c）凸缘型 图2-1边缘灰度变换的几种类型 边缘检测的主要原理是：两个不同灰度值的相邻区域之间总有边缘，边缘时灰度值不连续的结果，此种不连续可以利用求导的方法检测到。一般用一阶导数和二阶导数来进行检测边缘；首先是利用边缘增强算子，突出图像的局部边缘信息，然后突出“边缘强度”，通过设阈值的方法提取边缘点点集。 边缘检测包含两个内容：（1）用边缘算子提取边缘点集；（2）在边缘的点集中提取出某些边缘点，填充某些边缘点，再将得到的

20、边缘点集连接为线。 边缘检测的四个步骤2:滤波：边缘检测的计算对噪声的影响很敏感，因为边缘检测算法主要基于图像强度的一阶和二阶导数，但到素的运算对噪声很敏感，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能，需要指出，大多数滤波器在降低噪声的同时也导致了边缘强度的损失，因此增强边缘和降低噪声之间需要折中。增强：增强边缘的基础是确定图像各点领域增强的变化值。增强算法可以将领域强度值有显著变化的点突出出来。边缘增强一般是通过计算梯度幅值来完成。检测：在图像中有许多点的梯度值的比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定那些点是边缘点。最简单的边缘检测判据是梯度幅值的

21、阈值判据。定位：如果是某应用场合要求确定边缘位置，则边缘的位置可在子像素的分辨率上来估计。边缘的方位也可以被估计出来。2.1.2 基于边缘检测图像分割的几种算子 常用的边缘检测算子有prewitt算子、canny算子、sobel算子、log算子等等。Prewitt算子：prewitt从加大边缘检测算子的模板大小出发，有2*2扩大到3*3来计算差分算子，采用prewitt算子不仅能检测边缘点，而且能抑制噪声的影响。Prewitt算子有两个卷积计算核，如下图2-2所示作卷积的方法和Sobel算子的方法相似。Prewitt算子模板可表示：10-110010-1111000101 用模板表示为：， 图

22、2-2 Prewitt算子模板 Canny算子：canny算子边缘检测是运用高斯函数的一阶微分，在噪声和边缘检测之间寻求较好的平衡，其表达式近似于高斯函数的一阶导数，canny算子对噪声有最好的抑制作用。Canny算子把边缘检测问题转换为检测单元函数的极大值的问题。在高斯噪声中，一个典型的边缘表示着一个阶跃的强度变化。依据这个模型，一个好的边缘检测算子应该具备的以下3个指标: 低失误的概率，既要减少将真正的边缘丢失也要减少将非边缘判为边缘。 高位置的精度，检测出的边缘需要在真正的边界上。 对每个边缘都有惟一的响应，得到的边界为单像素。为此，Canny提出了判定边缘检测算子的3个准则: 信噪比准

23、则。 定义精度准则。 单边缘响应准则。根据第一个准则，滤波器函数f对边缘G影响由下面的卷积积分给出： （2-1） 假设区域外函数f的值为0，则数学上三个准则的表达式为： （2-2） （2-3） (2-4) 信噪比SNR是输入信号与噪声的比值，它的值越大说明信号越强；Lacalization是检测到的边缘真正边缘距离的倒数，这个值越大说明检测的边缘的距离越小，二者越接近；是一个约束 条件，它代表 零交叉点间的平均距离，说明滤波器f在校区域 内对同一个边不会有太多的响应。Canny把上面三个公式结合起来，并试图找到能够使之最大化的滤波器，但结果太复杂，最后Canny证明了Gaussian函数的一阶

24、导数是该优化的边缘检测滤波器的有效近似。下面是算法的基本步骤：用Gaussian滤波器对图像进行卷积；计算图像梯度的幅值和方向；对梯度图像应用非极大值抑制（置零）。Sobel算子：sobel在prewitt算子的基础上，对4-邻域采用带权的方法计算差分，该算子可更抑制噪声，但检测边缘较宽。Sobel算子定义为： (2-5) 图2-3 Sobel算子模板 （2-6） (2-7) Log算子：用log算子时，先用高斯函数对图像进行平滑，然后再用拉普拉斯算法进行运算。这种方法的特点是图像首先与高斯滤波器进行卷积，即平滑了图像又降低了噪声。和其他边缘检测算子一样，log算子也是先对边缘做出假设，然后在

25、这个假设下寻找边缘像素点。但log算子对边缘的假设条件最少，其应用范围更广。Kirsch算子：kirsch算子采用八个模板来确定梯度的幅值和方向，故又称为方向算子，通过一组模板分别计算不同方向上的差分值，取其中最大的值作为边缘强度，而与只对应的方向作为边缘的方向。 Roberts算子：根据计算梯度原理，采用对角线方向相邻两像素之差得Roberts算子为： (2-8) (2-9) 并可由以下2个的算子模板(卷积算子)共同实现01-10100-1 图2-4 Roberts算子模板两个模板为 在x方向和y方向的一阶差分。适当选取阈值T，并做如下判断：如果则为阶跃状边缘点，为边缘图像。 Roberts

26、算子采用对角线方向相邻两像素之差近似梯度幅值检测边缘。检测水平和垂直边缘效果好于倾斜边缘，定位精度高，但对噪声敏感。MATLAB图像处理工具箱提供了edge函数利用以上算子来检测灰度图像的边缘。edge函数的功能是利用各算子来做边缘检测。语法格式： BW=edge（I，method） BW=edge（I，method，thresh） BW=edge（I，method，thresh，direction）说明：I是输入图像。Method是使用算子的类型，“sobel”是默认值，表示用导数的sobel近似值检测边缘，那些梯度的最大点返回边缘；prewitt算子、log算子、canny算子、rober

27、ts算子以此类推。2.2阈值法图像分割2.2.1阈值法思想及简介 由于图像阈值处理额度直观性和易于实现等特点，以及阈值分割总能用封闭而且连同的边界定义不交叠的区域，使得与之分割成为图像分割中应用数量最多的一类，很具代表性。 阈值分割的原理：阈值分割算法是以一定的图像为依托的，最常用的图像模型是假设图像是由具有单峰灰度分布的目标和背景组成，对于目标和图像内部像素的灰度分布是高度相关的，而目标与背景之间灰度值存在较大差距的图像可以用阈值化进行分割，其基本处理方式是：首先在图像的灰度取值范围中选择一灰度阈值，然后将图像中各个像素的灰度值与这个阈值相比较，并根据比较的结果将图像中的像素划分到两个类中。

28、像素灰度值大于阈值的为一类，像素小于阈值的为另一类，灰度值等于阈值的像素可以归入这两类之一。 经由此阈值分割的两部分像素点集分别属于图像中的不同区域，这种仅适用一个阈值的分割方法叫单阈值分割方法。经阈值处理过的图像g（x，y）定义为： (2-10) 因此标记为1的像素对应于目标，标记为0的像素对应于背景，由此产生图像则为二值图像。 目前己提出的阈值化方法很多3，相应的分类也有很多种，阈值化分割方法根据图像本身的特点，可分为单阈值分割方法和多阈值分割方法;也可分为基于像素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位置的阈值分割方法。若根据分割算法所具有的特征或准则，还可以分为直方图峰

29、谷法、最大类空间方差法、最大墒法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。阈值分割实质上就是按照某个准则求出最佳阈值的过程。现有的大部分算法都是集中在阈值确定的研究上。2.2.2阈值法的算法（1）直方图阈值的双峰法 该阈值化方法的依据是图像的直方图，通过对直方图进行各种分析来实现对图像的分割。图像的直方图可以看作是像素灰度值概率分布密度函数的一个近似，设一幅图像仅包含目标和背景，那么它的直方图所代表的像素灰度值概率密度分布函数实际上就是对应目标和背景的两个单峰分布密度函数的和。图像二值化过程就是在直方图上寻找两个峰、一个谷来对一个图像进行分割，也可以通过用两级函数来近似直方图4。

30、若灰度图像的直方图，其灰度级范围为,当灰度级为k时的像素数为 ，则一幅图像的总像素数N为: (2-11) 灰度级i出现的概率为： (2-12) 当灰度图像中画面比较简单且对象物的灰度分布比较有规律时，背景和对物象在图像的灰度值方图上各自形成一个波峰，由于每两个波峰间形成一个低谷，因而选择双峰间低谷处所对应的灰度值为阈值，可将两个区域分离。把这种通过选取直方图阈值来分割目标和背景的方法称为直方图阈值双峰法。如图2-5所示，在灰度级和两处有明显的波峰，而在t处是一个谷点。图2-5 直方图的双峰与阈值具体实现的方法四先做出图像的灰度直方图，若出现背景目标物两区域部分所对应的直方图呈双峰且有明显的谷底

31、，则可以将谷底点所对应的灰度值作为阈值t，然后根据阈值进行分割就可以将目标从图像中分割出来。这种方法适用于适用于目标和对景的灰度差较大，直方图有明显谷底的情况。 直方图双峰法阈值分割图像程序： I=imread(flower.png); imhist(I); newI=im2bw(I,150/255); subplot(121),imshow(I) subplot(122),imshow(newI) (a) 原始图像 (b) 分割后图像图2-6 双峰法分割前后的图像（2） 大律法大津法可作如下理5：该式实际上就是类间方差值，阈值t 分割出的前景和背景两部分构成了整幅图像，而前景取值，概率为，背

32、景取值，概率为，总均值为u，根据方差的定义即得该式。因方差是灰度分布均匀性的一种度量,方差值越大,说明构成图像的两部分差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小，因此使类间方差最大的分割意味着错分概率最小。直接应用大津法计算量较大，因此在实现时采用了等价的公式 (2-13) 图像记t为前景与背景的分割阈值，前景点数占图像比例为，平均灰度为；背景点数占图像比例为，平均灰度为，则图像的总平均灰度为： (2-14) 从最小灰度值到最大灰度值遍历t，当t使得值 (2-15) 最大时t即为分割的最佳阈值。大津法可作如下理解6：该式实际上就是类间方差值，阈值t 分割出的前景和

33、背景两部分构成了整幅图像，而前景取值，概率为，背景取值，概率为，总均值为u，根据方差的定义即得该式。因方差是灰度分布均匀性的一种度量,方差值越大,说明构成图像的两部分差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小，因此使类间方差最大的分割意味着错分概率最小。直接应用大津法计算量较大，因此在实现时采用了等价的公式 (2-16) 在MATLAB中，graythresh函数实现用大津法计算全局图像的阈值。下面分别使用graythresh函数和前面所说的等价公式计算阈值。 大律法阈值分割图像程序和结果如下： I=imread(图书馆.png); subplot(131),im

34、show(I); title(原始图像) level=graythresh(I); BW=im2bw(I,level); subplot(132),imshow(BW) title(graythresh 计算阈值) disp(strcat(graythresh 计算灰度阈 值:,num2str(uint8(level*255) 原始图像 graythresh 计算阈值 图2-7 大律法分割前后的图像在测试中发现，大津法选取出来的阈值非常理想，表现较为良好。虽然它在很多情况下都不是最佳的分割，但分割质量通常都有一定的保障，可以说是最稳定的分割。(3)迭代阈值图像分割方法迭代式阈值选取的基本思路是

35、:首先根据图像中物体的灰度分布情况，选取一个近似阈值作为初始阈值，一个较好的方法就是将图像的灰度均值作为初始阈值；然后通过分割图像和修改阈值的迭代过程获得认可的最佳阈值5。迭代式阈值选取过程可描述如下。选取一个初始阈值T。利用阈值T把给定图像分割成两组图像，记为和 。计算和 均值和 。选取新的阈值T,且 (2-17) 重复第(2)(4)步，直至和均值和 不再变化为止。 具体实现时，首先根据初始开关函数将输入图逐个图像分为前景和背景，在第一遍对图像扫描结束后，平均两个积分器的值以确定一个阈值。用这个阈值控制开关再次将输入图分为前景和背景，并用做新的开关函数。如此反复迭带直到开关函数不在发生变化，

36、此时得到的前景和背景即为最终分割结果。迭代所得的阈值分割的图像效果良好。基于迭代的阈值能区分出图像的前景和背景的主要区域所在，但在图像的细微处还没有很好的区分度。对某些特定图像，微小数据的变化却会引起分割效果的巨大改变，两者的数据只是稍有变化，但分割效果却反差极大。对于直方图双峰明显，谷底较深的图像，迭代方法可以较快地获得满意结果，但是对于直方图双峰不明显，或图像目标和背景比例差异悬殊，迭代法所选取的阈值不如其它方法。2.3基于区域的图像分割2.3.1区域分割的原理和思想分割的目的是将图像划分为不同的区域。作为区域分割方法，最基本的方法就是区域生长的方法。区域生长的方法是一种受计算机视觉领域十

37、分关注的图像分割方法。图像灰度分割技术没有考虑图像像素之间的连通性，而区域生长则将考虑区域连通性的情况下,进行图像分割。图喜爱那个分割就是根据先前定义的5合并为止，最后形成特征不同的各区域。其基本思想是以一组生长点开始，搜索其邻域，把图喜爱那个分割成特征相似的若干小区域，比较相邻小区域的与生长点的相似性，若他们足够相似，则作为通同意区域合并，形成新的生长点。这种分割的方法也成为区域扩张法。生长点和相邻小区域的相似性判据可以是灰度、纹理，也可以是色彩等等多种图像要素特征的量化数据。实际应用中需解决3个问题7：确定区域的数目，也就是选择一组能正确代表所需区域的生长点像素；选择有意义的特征，也就是确

38、定在生长过程中将相邻区域像素包括进来的特征；确定相似性准则，即获取生长过程停止的准则。2.3.2区域生长的原理和步骤 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。图2-8给出已知种子点进行区域生长的一个示例。图2-8(a)给出需要分割的图像，设己知有两个种子像素(标为深浅不同的灰色方块)，现要进

39、行区域生长。这里采用的判断准则是:如果所考虑的像素与种子像素灰度值差的绝对值小于某个阈值T，则将该像素包括进种子像素所在区域。图2-8(b)给出了时的区域生长结果，整幅图被较好地分成2个区域;图2-8(c)给出了时的区域生长结果，有些像素无法判定;图2-8(d)给出了时的区域生长结果，整幅图都被分在一个区域中了。由此可见阈值的选择是很重要的。从示例可知，在实际应用区域生长方法时需要解决3个问题:如何选择一组能正确代表所需要区域的种子像素;如何确定在生长过程中能将相邻像素包括进来的准则;如何确定生长终止的条件或规则。第一个问题通常可以根据具体图像的特点来选取种子像素。例如，在红外图像检测技术中，

40、通常目标的辐射都是比较大，所以可以选择图像中最亮的像素作为种子像素。如果没有图像的先验知识，那么可以借助生长准则对像素进行相应的计算。如果计算结果可以看出聚类的情况，那么可以选择聚类中心作为种子像素。第二个问题的解决不但依赖具体问题的特征，还与图像的数据类型有关。如果图像是RGB彩色图像，那么如果使用单色准则就会影响分割结果。另外，还需要考虑像素间的连通性，否则有时会出现无意义的分割结果。 一般生长过程在进行到没有满足生长准的像素时停止。但常用的基于灰度、纹理、彩色的准则大都基于图像中的局部性质，并没有充分考虑生长的“历史”。为增加区域生长的能力需考虑一些于尺寸、形状等图像和目标的全局性质有关

41、的准则。在这种情况下常需对分割结果建立一定的模型或辅以一定的先验知识。 (a) (b) (c) (d) 图2-8 区域生长示例2.3.3 区域生长准则和过程 区域生长的一个关键是选择合适的生长或相似准则，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。下面介绍3种基本的生长准则和方法。(1) 灰度差准8 区域生长方法将图像的像素为基本单位来进行操作，基本的区域灰度差方法主要有如下步骤: 对图像进行逐步扫描，找出尚没有归属的像素； 以该像素为中心检查它的邻域像素，将邻域中的像素逐个与它比较，如果灰度差小于预先确定的值，将它们合并； 以新

42、合并的像素为中心，返回到步骤，检查新像素的邻域，直到区域能进一步扩张； 返回到步骤，继续扫描直到不能发现没有归属的像素，则结束整个生长过程。 采用上述方法得到的结果对区域生长起点的选择有较大依赖性。为克服这个问题可采用下面的改进方法: 设灰度差的阈值为零，用上述方法进行区域扩张，使灰度相同像素合并； 求出所有邻接区域之间的平均灰度差，并合并具有最小灰度差的邻接区域； 设定终止准则，通过反复进行上述步骤中的操作将区域依次合并直到终止准则满足为止。 另外，当图像中存在缓慢变化的区域时，上述方法有能会将不同区域逐步合并而产生错误。为克服这个问题，可不用新像素的灰度值去与邻域像素灰度值比较，而用新像素

43、所在区域的平均灰度值去与各邻域像素的灰度值进行比较。对一个含N个像素的图像区域R，其均值为: (2-18) 对像素是否合并的比较测试表示为: (2-19) 其中T为给定的阈值。区域生长的过程中，要求图像的同一区域的灰度值变化尽可能小，而不同的区域之间，灰度差尽可能大。下面分两种情况进行讨论:设区域为均匀的，各像素灰度值为m与一个零均值高斯噪音的叠加。当测试某个像素是否合并时，条件不成立的概率为: (2-20) 这就是误差概率函数，当T取3倍的方差时，误判概率为1-99.7%。这表明，当考虑灰度均值时，区域内的灰度变化应尽量小。设区域为非均匀，且由两部分不同目标的图像像素构成。这两部分像素在R中

44、所占比例分别为和,灰度值分别为和，则区域均值为。对灰度值为m的像素，它与区域均值的差为： (2-21) 可知正确的判决概率为: (2-22) 这说明，当考虑灰度均值时，不同部分像素间的灰度差距应尽量大。(2) 灰度分布统计准则 这里考虑以灰度分布相似性作为生长准则来决定区域的合并，具体步骤为: 把图像分成互不重叠的小区域； 比较邻接区域的累积灰度直方图根据灰度分布的相似性进行区域合并； 设定终止准则，通过反复进行步骤中的操作将各个区域依次合并直到终止准则满足。 这里对灰度分布的相似性常用两种方法检测(设，分别为两邻接区域的累积灰度直方图):Kolmogorov-Smirnov检测: (2-23

45、) Smoothed-Difference检测: (2-24) 如果检测结果小于给定的阈值，即将两区域合并。采用灰度分布相似合并法生成区域的效果与微区域的大小和阈值的选取关系密切，一般说来微区域太大，会造成因过渡合并而漏分区域:反之，则因合并不足而割断区域。而且，图像的复杂程度，原图像生成状况的不同，对上述参数的选择有很大影响。通常，微区域大小q和阈值T由特定条件下的区域生成效果确定。(3) 区域形状准则在决定对区域的合并时也可以利用对目标形状的检测结果，常用的方法有两种:把图像分割成灰度固定的区域，设两邻区域的周长分别为和，把两区域共同边界线两侧灰度差小于给定值的那部分长度设为L，如果(,为

46、预定阈值): (2-25) 则合并两区域;把图像分割成灰度固定的区域，设两邻接区域的共同边界长度为B，把两区域共同边界线两侧灰度差小于给定值的那部分长度设为L，如果(为预定阈值） (2-26) 则合并两区域。2.3.4 两种方法的比较上述两种方法的区别是:第一种方法是合并两邻区域的共同边界中对比度较低部分占整个区域边界份额较大的区域，而第二种方法则是合并两邻接区域的共同边界中对比度较低部分比较多的区域。 基于区域的图像分割方法主要有区域的生长法、和分裂合并法。区域生长法的主要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子像素合为一个大区域；区域分裂法是从图像的整体出发，根据图像的不均匀

47、性，把图像分割成不相同的子区域，或根据图像的或区域的均匀性把相似的子区域合并成较大的区域。 区域生长的缺点是分割效果依赖于种子生长的顺序和选择，他需要人工交互获取种子点，区域增长方式对噪声很敏感；区域分裂技术的缺点是可能破坏边缘，所以它们常常和其它方法相结合使用。和其它方法一样，区域分割法一般不单独使用，而是放在一系列的处理过程中。2.3.5 四叉树分解法上面介绍的区域生长方法是先从单个种子像素开始通过不断接纳新像素最后得到整个区域。另一种分割的想法可以是先从整幅图像开始通过不断分裂得到各个区域。实际中常先把图像分成任意大小不断重叠的区域，然后再合并或分裂这些区域以满足分割的要求。R11R12

48、R12R11R2R1R13RR14R3R4R2R13R14R3R 4 (a) 四叉树分裂 (b) 四叉树结构图2-8 图像的四叉树分解示意图在这类方法中，最常见的方法四叉树分解法。设R代表整个正方形图像区域图所示，P代表逻辑谓词。从最高层开始，把R连续地分裂成越来越小的1/4的正方形子区域，并且始终使。换句话说，如果那么就将图像分为4等分。如此类推，直到为单个像素。 如果仅仅允许使用分裂，最后有可能出现相邻的两个区域具有相同的性质但并没有合成一体的情况。为解决这个问题，在每次分裂后允许其后继续分裂或合并。这里合并只合并那些相邻且合并后组成的新区域满足逻辑谓词P的区域。 总结前面所述的基本分裂合

49、并算法步骤如下: 对任一个区域，如果就将其分裂成不重叠的4等分; 对相邻的两个区域和创门也可以大小不同，即不在同一层，如果条件满足，就将它们合并起来;如果进一步的分裂或合并都不可能了，则结束。第三章 实验结果3.1基于边缘检测的图像分割 原始图像 prewitt算子提取后图像图3-1 prewitt算子对图像花.png分割前后对比 原始图像 canny算子提取后图像 图3-2 canny算子对图像花.png分割前后对比 原始图像 sobel算子提取后结果图3-3 sobel对图像花.png分割前后对比 原始图像 log边缘检测后图3-4 log对图像花.png分割前后对比 原始图像 rober

50、ts算子提取图像 图3.5 Roberts对图像花.png分割后的对比 图3-6 各种算子检测对图像花.png边缘检测分割情况3.2基于阈值法的图像分割 原始图像 双峰法阈值分割以后图3-7 双峰法阈值图像花.png分割前后对比 原始图像 （大律法）graythresh 计算阈值 图3-8 大律法阈值图像图书馆.png分割前后对比 原始图像 迭代阈值分割后的图像图3-9 迭代法阈值图像图书馆.png分割前后对比3.3 基于区域的分割方法 原始图像 四叉树分割后图像 图3-10 四叉树法对图像花.png分割前后对比第四章 实验结果分析4.1双峰法和迭代法比较由原始图像和各算法提取后图像分析可以看

51、出，在对于有多个峰值的图像，不满足双峰法的两个波峰的一个波谷的条件，不便用双峰法，可以用迭代法，效果更好。4.2各种算子检测边缘情况对灰度图像分割算法的研究已经有几十年的历史，借助各种理论至今已经提出了上千种各种类型的分割算法，而且这方面的研究还在积极进行中。这个层次研究的重要性也己为人们广泛承认。尽管人们在灰度图像的分割方面做了许多研究工作，但是由于尚无通用的分割理论，因此现己提出的分割算法大都是针对具体问题的，并没有一个适合于所有灰度图像的通用的分割算法。本文针对当前主流的灰度图像分割算法进行了分析、分类、归纳和总结，指出了各类方法的优缺点，为人们在不同的应用场合及不同的图像数据条件下选择

52、不同的分割算法提供了一定的依据。当然本中的分类也不是绝对的，从不同的角度还应该有别的分类方法。实验结果分析与比较： Roberts算子：对具有陡峭的低噪声的图像处理效果较好。但是利用roberts算子提取边缘的结果边缘比较粗，因此边缘定位不是很准确。 Sobel算子：对灰度简便和噪声较多的图像处理较好。Sobel算子对边缘定位比较准确。 Prewitt算子：对灰度级渐变和噪声较多的图像处理较好。 Log算子：拉普拉斯高斯算子经常出现双像素边界，并且该检测方法对噪声比较敏感；所以，很少用拉普拉斯算子做边缘检测，而是用来判断边缘检测是位于图像的明区还是暗区。 Canny算子：此方法不容易受到噪声的

53、干扰，能够检测真正的边缘。在edge函数中，最有效的边缘检测方法是canny算子检测犯方法。该方法的优点在于，使用两种不同的阈值分别检测强边缘和弱边缘，并且仅当弱边缘和强边缘相连时，才将弱边缘包含在输出图像中。因此，这种方法不容易被噪声“填充”，更容易检测出真正的弱边缘。 4.3阈值法各方法比较阈值分割算法中，直方图阈值双峰法是通过变换直方图，使求谷值转换为极大值的方法；迭代法和大律法则是通过类间方差公式的不同变换来计算阈值。在边缘检测算法中，在比较复杂的图像中，用Roberts算子得不到较好的边缘检测，而相对较复杂的Prewitt和Sobel算子检测效果较好。拉普拉斯算子在边缘检测中很有用，

54、同梯度算子一样，拉普拉斯算子也增强了噪声，有时用拉普拉斯算子在进行边缘检测时，可将图像进行平滑处理。Canny算子是几种算子中最优的边缘检测算子，此方法不容易受噪声的干扰，能够检测到真正的弱边缘。区域生长法是根据事先定义的相似性准则，将图像中满足相似性准则的像素或子区域聚合成更大区域的过程，分裂合并法的基础是四叉树表示法。第五章 总结与展望对灰度图像分割算法的研究已经有几十年的历史，借助各种理论至今已经提出了上千种各种类型的分割算法，而且这方面的研究还在积极进行中。这个层次研究的重要性也己为人们广泛承认。尽管人们在灰度图像的分割方面做了许多研究工作，但是由于尚无通用的分割理论，因此现己提出的分

55、割算法大都是针对具体问题的，并没有一个适合于所有灰度图像的通用的分割算法。本文针对当前主流的灰度图像分割算法进行了分析、分类、归纳和总结，指出了各类方法的优缺点，为人们在不同的应用场合及不同的图像数据条件下选择不同的分割算法提供了一定的依据。当然本中的分类也不是绝对的，从不同的角度还应该有别的分类方法。 阈值分割算法中，直方图阈值双峰法是通过变换直方图，使求谷值转换为极大值的方法；迭代法和大律法则是通过类间方差公式的不同变换来计算阈值。在边缘检测算法中，在比较复杂的图像中，用Roberts算子得不到较好的边缘检测，而相对较复杂的Prewitt和Sobel算子检测效果较好。拉普拉斯算子在边缘检测

56、中很有用，同梯度算子一样，拉普拉斯算子也增强了噪声，有时用拉普拉斯算子在进行边缘检测时，可将图像进行平滑处理。Canny算子是几种算子中最优的边缘检测算子，此方法不容易受噪声的干扰，能够检测到真正的弱边缘。区域生长法是根据事先定义的相似性准则，将图像中满足相似性准则的像素或子区域聚合成更大区域的过程，分裂合并法的基础是四叉树表示法。最后详细介绍了图像分割算法在门牌号识别系统中的应用，本此方法的应用很简单、稳定有效，因而应用比较广泛。虽然近年来人们在图像分割方面做了大量的研究工作，但由于尚无通用的分割理论，因此现已提出的分割算法大都是针对具体问题的，并没有一种适合于所有图像的通用的分割算法。虽然

57、人们试图对分割建立模型并根据模型进行分割，但并不太成功。另外，给定一个实际图像如何选择合适的分割算法也还没有一定的标准。因此，下列问题需要进一步深入研究:(1)如何根据不同图像的特点，选择合适的分割方法。论文虽然对图像分割方法进行了研究，但这还远远不够，还需要进一步结合图像及其描述特征的特点进行深入的研究。(2)寻找运算速度快，精确率高的图像分割算法也是图像分割中的研究重点。伴随着数字图像处理的应用领域不断扩大，实时处理技术己成为研究的热点，在实时图像处理系统中，算法的运行时间成为一个新的问题。(3)新方法、新概念的引入和多种方法的综合运用。现有的任何一种单独的图像分割算法都难以对一般图像取得令人满意的分割效果，因而应重视把各种分割方法综合起来运用。第六章 致 谢时光飞逝，四年的本科生学习生活转眼就要结束，值此论文完成之际，我要向四年来支持、帮助、关心过我的老师、同学和亲友表示衷心感谢。 首先要感谢我的导师李向群老师，正因为有了李老师的悉心指导和关怀，这篇论文才得以顺利完成。从跟他学习以来，他就十分关心我的学习和生活，并给予了我无私的指导和帮