數(shù)字圖像處理大作業(yè)-昆明理工大學(xué)-尚振宏

1、 數(shù)字圖像基礎(chǔ)課程名稱(chēng)： 數(shù)字圖像基礎(chǔ) 學(xué) 院： 信息工程與自動(dòng)化學(xué)院 專(zhuān)業(yè)年級(jí)： 2010級(jí)計(jì)算機(jī)系 班 學(xué) 號(hào)： 2010104052 學(xué)生姓名： 指導(dǎo)教師： 尚振宏 日 期： 2013-6-11 目錄目錄11前言22圖像分割的方法簡(jiǎn)介3 2.1迭代法3 2.2類(lèi)間最大距離法3 2.3最大熵法4 2.4最大類(lèi)內(nèi)類(lèi)間方差比法4 2.5局部閾值法5 2.6均勻性度量法63簡(jiǎn)單算法及其實(shí)現(xiàn)6 3.1最優(yōu)閾值算法6 3.2 Canny算法84、試驗(yàn)對(duì)比10 4.1迭代法試驗(yàn)對(duì)比10 4.2類(lèi)間最大距離法試驗(yàn)對(duì)比10 4.3最大熵法試驗(yàn)對(duì)比11 4.4最大類(lèi)內(nèi)類(lèi)間方差比法試驗(yàn)對(duì)比11 4.5局部閾值

2、法試驗(yàn)對(duì)比12 4.6均勻性度量法試驗(yàn)對(duì)比125、總結(jié)體會(huì)136、參考文獻(xiàn)137、附錄14 7.1迭代法代碼14 7.2類(lèi)間最大距離法代碼14 7.3最大熵法代碼15 7.4最大類(lèi)內(nèi)類(lèi)間方差比法代碼16 7.5局部閾值法代碼18 7.6均勻性度量法代碼181、前言圖像分割是圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，自20世紀(jì)70年代起一直受到人們的高度重視，至今已提出上千種分割算法，但因尚無(wú)通用的分割理論，現(xiàn)提出的分割算法大都是針對(duì)具體問(wèn)題的，并沒(méi)有一種適合所有圖像的通用分割算法。另外，還沒(méi)有制定出選擇適用分割算法的標(biāo)準(zhǔn)，這給圖像分割技術(shù)的應(yīng)用帶來(lái)許多實(shí)際問(wèn)題。最近幾年又出現(xiàn)了許多新思路、新方法或改進(jìn)算法?？?/p>

3、的來(lái)說(shuō)，圖像分割是圖像識(shí)別和圖像分析的基本前提步驟，圖像分割的質(zhì)量好壞直接影響后續(xù)圖像處理的效果，甚至決定成敗。因此，圖像分割在數(shù)字圖像處理技術(shù)中占有非常重要的地位。圖像分割時(shí)指將一副圖像分解為若干互不交疊的、有意義的、具有相同性質(zhì)的區(qū)域。好的圖像分割應(yīng)具備以下特征： 分割出來(lái)的各個(gè)區(qū)域?qū)δ撤N特性（例如灰度和紋理）而言具有相似性，區(qū)域內(nèi)部是連通的且沒(méi)有過(guò)多小孔。 相似區(qū)域?qū)Ψ指钏罁?jù)的性質(zhì)有明顯的差異。 區(qū)域邊界是明確的。圖像分割是一個(gè)很關(guān)鍵的圖像分析技術(shù)，是由圖像處理進(jìn)到圖像分析的關(guān)鍵步驟.它的目的就是把圖像中感興趣的那部分分割出來(lái)供大家研究、處理和分析，一直都是圖像技術(shù)研究中的熱點(diǎn)。但是由

4、于地域的差別，圖像分割一直都沒(méi)有一個(gè)比較通用的算法。在實(shí)際圖像處理中，一般情況下我們只是注意到圖像中那些我們感興趣的目標(biāo)，因?yàn)橹挥羞@部分也就是我們注意到的有用的目標(biāo)物才能為我們提供高效、有用的信息。而這些目標(biāo)一般又都對(duì)應(yīng)著圖像中某些特定的、具有獨(dú)特性質(zhì)的區(qū)域。為了把這些有用的區(qū)域提取出來(lái)供我們?nèi)祟?lèi)使用，圖像分割這門(mén)技術(shù)也就應(yīng)運(yùn)而生了。我們通常情況下所說(shuō)的圖像分割就是指把圖像劃分成若干個(gè)有意義的區(qū)域的過(guò)程，每個(gè)區(qū)域都是具有相近特性的像素的連通集合，一般情況下我們所關(guān)注到的那些有用的目標(biāo)物就存在與這些區(qū)域中。研究者們?yōu)榱俗R(shí)別和分析圖像中的那部分我們感興趣的目標(biāo)，例如進(jìn)行特征提取或者測(cè)量，就需要將這

5、些相關(guān)的區(qū)域從圖像背景中提取出來(lái)。圖像分割就能夠把圖像中的這些有用的區(qū)域分割出來(lái)，從而把一幅圖像分成一系列的有意義的、各具特征的目標(biāo)或者區(qū)域。圖像分割技術(shù)主要分為四大類(lèi)：區(qū)域分割，閾值分割，邊緣檢測(cè)和差分法運(yùn)動(dòng)分割（主要針對(duì)運(yùn)動(dòng)圖像的分割）。閾值分割是近年來(lái)國(guó)際領(lǐng)域上的一個(gè)新的研究熱點(diǎn)，它是一種最簡(jiǎn)單的圖像分割技術(shù)，其基本原理就是：通過(guò)設(shè)定不同的特征閾值點(diǎn)，從而把圖像的象素點(diǎn)分為若干類(lèi)，然后通過(guò)閾值點(diǎn)來(lái)分割圖像，最終把圖像中的有用的部分提取出來(lái)。本文將對(duì)matlab用于圖像分割的基本理論進(jìn)行簡(jiǎn)要研究，并對(duì)當(dāng)前matlab用于圖像分割的最新研究進(jìn)展進(jìn)行綜述，最終著重于研究matlab用于閾值分割

6、的圖像分割方法。綜上所述，圖像處理中的圖像分割研究不論是在我們的生活中還是以后的學(xué)習(xí)中都是非常有意義的，對(duì)其作深層次的研究不僅能夠解決我們自身的問(wèn)題，也一定能夠在一定程度上推動(dòng)計(jì)算機(jī)各個(gè)分支的發(fā)展。2、圖像分割的方法簡(jiǎn)介圖像分割方法依照分割時(shí)所依據(jù)的圖像特性不同，大致可以分為四大類(lèi)。第一類(lèi)是閾值方法，這種方法是根據(jù)圖像灰度值得分布特性確定某個(gè)閾值來(lái)進(jìn)行圖像分割的。第二類(lèi)為邊緣檢測(cè)方法，這類(lèi)方法是通過(guò)檢測(cè)出封閉某個(gè)區(qū)域的邊界來(lái)進(jìn)行圖像分割的。通俗地講，這類(lèi)方法實(shí)際上是沿著閉合的邊緣線(xiàn)將其包圍的區(qū)域剪切出來(lái)。第三類(lèi)方法是區(qū)域提取方法，這類(lèi)方法的特點(diǎn)是根據(jù)特定區(qū)域與其他背景區(qū)域特性上的不同來(lái)進(jìn)行圖像

7、分割的。另外，還有一種基于形態(tài)學(xué)的分水嶺算法。2.1 迭代法迭代法的的設(shè)計(jì)思想是，開(kāi)始時(shí)選擇一個(gè)閾值作為初始估計(jì)值，然后按某種策略不斷的改進(jìn)這一估計(jì)值，直到滿(mǎn)足給定的準(zhǔn)則為止。在迭代過(guò)程中，關(guān)鍵之處在于選擇什么樣的閾值改進(jìn)策略。好的改進(jìn)策略應(yīng)該具備兩個(gè)特征：一是能夠快速收斂，二是在每一個(gè)迭代過(guò)程中，新產(chǎn)生的閾值優(yōu)于上一次的閾值。下面介紹一種迭代法： 選擇圖像灰度的中值作為初始閾值 利用閾值把圖像分割為兩個(gè)區(qū)域和，用下式計(jì)算區(qū)域和的灰度均值和 ，為第類(lèi)中的像素個(gè)數(shù) 計(jì)算出和后，用下式計(jì)算出新的閾值 重復(fù)和，直到和的差小于某個(gè)特定的值2.2類(lèi)間最大距離法類(lèi)間最大距離法德設(shè)計(jì)思想是，在某個(gè)適當(dāng)?shù)拈撝?/p>

8、下，圖像分割后的前景目標(biāo)與背景兩個(gè)類(lèi)之間的差異最大為最佳閾值。在這里兩個(gè)類(lèi)別（目標(biāo)與背景）的差異，用兩個(gè)類(lèi)別中心與閾值之間的距離差來(lái)度量。具體步驟如下： 給定一個(gè)初始閾值，將圖像分為和兩類(lèi) 計(jì)算兩類(lèi)的灰度均值和 計(jì)算兩類(lèi)的相對(duì)距離值 選擇最佳的閾值，使得圖像按照該閾值分為和兩類(lèi)后，滿(mǎn)足2.3 最大熵法熵是信息論中對(duì)不確定性的度量，是對(duì)數(shù)據(jù)中所包含信息量大小的度量。熵取最大值時(shí)，就表明獲得的信息量為最大。最大熵法的設(shè)計(jì)思想是，選擇適當(dāng)?shù)拈撝祵D像分為兩類(lèi)，兩類(lèi)的平均熵之和為最大時(shí)，可以從圖像中獲得最大信息量，以此來(lái)確定最佳閾值。具體步驟如下： 求出圖像中的所有像素的分布概率，圖像灰度的分布范圍為

9、 給定一個(gè)初始閾值，將圖像分為和兩類(lèi) 分別計(jì)算兩個(gè)類(lèi)的平均相對(duì)熵 選擇最佳的閾值，使得圖像按照該閾值分為和兩類(lèi)后，滿(mǎn)足2.4最大類(lèi)內(nèi)類(lèi)間方差比法從統(tǒng)計(jì)意義上講，方差是表征數(shù)據(jù)分布不均衡性的統(tǒng)計(jì)量，要通過(guò)閾值對(duì)兩類(lèi)問(wèn)題進(jìn)行分割，顯然，適當(dāng)?shù)拈撝凳沟脙深?lèi)數(shù)據(jù)間的方差越大越好，表明該閾值的確將兩類(lèi)不同的區(qū)域分開(kāi)了，同時(shí)希望屬于同一類(lèi)的方差越小越好，表明同一類(lèi)區(qū)域有一定的相似性。因此可以采用類(lèi)內(nèi)，類(lèi)間方差比作為選擇閾值的評(píng)價(jià)參數(shù)。具體步驟如下： 求出圖像中的所有像素的分布概率，圖像灰度的分布范圍為 給定一個(gè)初始閾值，將圖像分為和兩類(lèi) 計(jì)算兩類(lèi)的方差和，和灰度均值和，以及圖像的總體灰度均值 計(jì)算兩類(lèi)的概

10、率和， 計(jì)算類(lèi)間方差和類(lèi)內(nèi)方差 選擇最佳的閾值，使得圖像按照該閾值分為和兩類(lèi)后，滿(mǎn)足2.5局部閾值法前面給出的閾值算法，對(duì)于較為簡(jiǎn)單的圖像（即目標(biāo)與背景比較容易區(qū)分），上面的方法簡(jiǎn)單有效。但是對(duì)于較為復(fù)雜的圖像，則往往會(huì)產(chǎn)生一些問(wèn)題。圖2.4給出了國(guó)際標(biāo)準(zhǔn)測(cè)試圖像（圖2.1）的局部閾值分割結(jié)果。閾值分割最簡(jiǎn)單的方法就是人工選擇法?；诨叶乳撝档姆指罘椒?，其關(guān)鍵是如何合理的選擇閾值。人工選擇方法是通過(guò)人眼的觀察，應(yīng)用人對(duì)圖像的知識(shí)，在分析圖像直方圖的基礎(chǔ)上，人工選擇出合理的閾值。也可以在人工選擇出閾值后，根據(jù)分割的效果，不斷地進(jìn)行交互操作，從而選擇出最佳的閾值。例如，分析圖2.1，做出其灰度直方

11、圖（見(jiàn)圖2.2），這里選擇0.3為閾值，則可得到較為理想的分割結(jié)果（見(jiàn)圖2.3）。 圖2.1 國(guó)際標(biāo)準(zhǔn)測(cè)試圖片 圖2.3 閾值分割后的圖片 圖2.2 圖2.1的灰度直方圖 圖2.3 局部閾值分割后的圖片顯然，灰度直方圖的峰谷閾值方法是一種有效且非常簡(jiǎn)單的閾值方法，但是該方法有一個(gè)局限性，就是要求圖像的灰度直方圖必須具有雙峰型。2.6均勻性度量法均勻性度量法的設(shè)計(jì)思想是，假設(shè)當(dāng)圖像被分為目標(biāo)物和背景兩個(gè)類(lèi)別時(shí)，屬于同一類(lèi)別內(nèi)的像素值分布應(yīng)該具有均勻性。在這里采用方差來(lái)度量像素間的均勻性。設(shè)原圖像為，結(jié)果圖像為。通過(guò)圖像分割將原圖像分為和（即背景與目標(biāo)）兩類(lèi)，則算法步驟如下： 給定一個(gè)初始閾值 分

12、別計(jì)算兩類(lèi)中的方差和 其中，為第類(lèi)中的像素個(gè)數(shù) 分別計(jì)算兩類(lèi)在圖像中的分布概率和選擇最佳的閾值，使得圖像按照該閾值分為和兩類(lèi)后，滿(mǎn)足3、簡(jiǎn)單算法及其實(shí)現(xiàn)3.1 最優(yōu)閾值算法 3.1.1最優(yōu)閾值算法原理若圖像中目標(biāo)和背景具有不同的灰度集合：目標(biāo)灰度集合和背景灰度集合，且兩個(gè)灰度集合可用一個(gè)灰度級(jí)閾值T進(jìn)行分割。這樣就可以用閾值分割灰度級(jí)的方法在圖像中分割出目標(biāo)區(qū)域與背景區(qū)域，這種方法稱(chēng)為灰度閾值分割法。在物體與背景有較強(qiáng)的對(duì)比度的圖像中此方法應(yīng)用特別有效。閾值的計(jì)算方法如下：利用圖像的先驗(yàn)知識(shí)，即圖像中對(duì)象和背景的灰度分布規(guī)律，在誤差率最小的原則下計(jì)算合理閾值。 設(shè)圖像由兩類(lèi)對(duì)象w1、 w2組成

13、，它們的條件概率分別為：P(x/ w1)、P(x/ w2 ),其中x是灰度級(jí)，T是閾值二值化判斷： "x>T,x wÎ2； "x<T,x Î w1最優(yōu)條件w2誤為w1的誤差概率：w1誤為w2的誤差概率：先驗(yàn)概率P(w2 ), P(w1 ), P(w2 )+ P(w1 )=1總誤判概率： E(T)= P(w1 )E1(T)+ P(w2 ) E2(T)let ¶ E(T)/ ¶T=0, then ¶ E1(T)/ ¶T= P(x/ w2 ), ¶ E2(T)/ ¶T= -P(x/ w1

14、), 總誤差最小時(shí)有 P(w2 ) P(x/ w2 )x=T=P(w1 ) P(x/ w1 ) x=T3.1.2 最優(yōu)閾值算法的實(shí)現(xiàn)代碼：運(yùn)行結(jié)果：3.2 Canny算法3.2.1 Canny算法原理Canny 邊緣檢測(cè)算子是John F. Canny于 1986 年開(kāi)發(fā)出來(lái)的一個(gè)多級(jí)邊緣檢測(cè)算法。更為重要的是 Canny 創(chuàng)立了邊緣檢測(cè)計(jì)算理論（Computational theory of edge detection）解釋這項(xiàng)技術(shù)如何工作。 Canny 的目標(biāo)是找到一個(gè)最優(yōu)的邊緣檢測(cè)算法，最優(yōu)邊緣檢測(cè)的含義是： 好的檢測(cè) - 算法能夠盡可能多地標(biāo)識(shí)出圖像中的實(shí)際邊緣。 好的定位 - 標(biāo)識(shí)

15、出的邊緣要盡可能與實(shí)際圖像中的實(shí)際邊緣盡可能接近。 最小響應(yīng) - 圖像中的邊緣只能標(biāo)識(shí)一次，并且可能存在的圖像噪聲不應(yīng)標(biāo)識(shí)為邊緣。 為了滿(mǎn)足這些要求 Canny 使用了變分法，這是一種尋找滿(mǎn)足特定功能的函數(shù)的方法。最優(yōu)檢測(cè)使用四個(gè)指數(shù)函數(shù)項(xiàng)的和表示，但是它非常近似于高斯函數(shù)的一階導(dǎo)數(shù)。Canny 算法的步驟：1. 去噪聲2. 尋找圖像中的亮度梯度3. 在圖像中跟蹤邊緣一個(gè)獲得亞像素精度邊緣的改進(jìn)實(shí)現(xiàn)是在梯度方向檢測(cè)二階方向?qū)?shù)的過(guò)零點(diǎn)它在梯度方向的三階方向?qū)?shù)滿(mǎn)足符號(hào)條件邊緣算子必須滿(mǎn)足三個(gè)準(zhǔn)則 1）低錯(cuò)誤率 邊緣算子應(yīng)該只對(duì)邊緣響應(yīng)，并能找到所有的邊，而對(duì)于非邊緣應(yīng)能舍棄。 2）定位精度 被

16、邊緣算子找到的邊緣象素與真正的邊緣象素間的距離應(yīng)盡可能的小。 3）單邊響應(yīng) 在單邊存在的地方，檢測(cè)結(jié)果不應(yīng)出現(xiàn)多邊。在Canny的假設(shè)下，對(duì)于帶有Gaussian白噪聲的階躍邊緣，邊緣檢測(cè)算子是一個(gè)與圖像函數(shù)g(x,y) 進(jìn)行卷積的濾波器f，這個(gè)卷積濾波器應(yīng)該平滑掉白噪聲并找到邊緣位置。3.2.2 Canny算法的實(shí)現(xiàn)代碼：運(yùn)行結(jié)果：4、試驗(yàn)對(duì)比4.1迭代法試驗(yàn)對(duì)比4.2類(lèi)間最大距離法試驗(yàn)對(duì)比4.3最大熵法試驗(yàn)對(duì)比4.4最大類(lèi)內(nèi)類(lèi)間方差比法試驗(yàn)對(duì)比4.5局部閾值法試驗(yàn)對(duì)比4.6均勻性度量法試驗(yàn)對(duì)比5、總結(jié)體會(huì) 在這次試驗(yàn)中我通過(guò)查閱很多資料才解決了這個(gè)課題研究所遇到的問(wèn)題，通過(guò)這次試驗(yàn)我對(duì)數(shù)字

17、圖像處理的很多知識(shí)有了進(jìn)一步的了解和熟悉。把課堂上學(xué)到的知識(shí)運(yùn)用于這次試驗(yàn)。閾值法分為全局閾值法和局部閾值法兩種。全局閾值法指利用全局信息(例如整幅圖像的灰度直方圖)對(duì)整幅圖像求出最優(yōu)分割閾值 ,可以是單閾值 ,也可以是多閾值;局部閾值法是把原始的整幅圖像分為幾個(gè)小的子圖像 ,再對(duì)每個(gè)子圖像應(yīng)用全局閾值法分別求出最優(yōu)分割閾值。其中全局閾值法又可分為基于點(diǎn)的閾值法和基于區(qū)域的閾值法。閾值分割法的結(jié)果很大程度上依賴(lài)于對(duì)閾值的選擇 ,因此該方法的關(guān)鍵是如何選擇合適的閾值。圖像分割是圖像處理中的重要問(wèn)題 ,也是計(jì)算機(jī)視覺(jué)研究中的一個(gè)經(jīng)典難題。閾值法是一種簡(jiǎn)單有效的圖像分割方法 ,它用一個(gè)或幾個(gè)閾值將圖

18、像的灰度級(jí)分為幾個(gè)部分 ,認(rèn)為屬于同一個(gè)部分的像素是同一個(gè)物體。閾值法的最大特點(diǎn)是計(jì)算簡(jiǎn)單 ,在重視運(yùn)算效率的應(yīng)用場(chǎng)合,它得到了廣泛的應(yīng)用。通過(guò)這次的課程報(bào)告，我對(duì)數(shù)字圖象處理有了更深層次的認(rèn)識(shí)，對(duì)數(shù)字圖象處理這門(mén)課程也越來(lái)越感興趣了，在做報(bào)告的過(guò)程中我也遇到了很多困難，但是在同學(xué)和老師的幫助下一一解決，對(duì)我今后學(xué)習(xí)數(shù)字圖象處理肯定會(huì)有很大的幫助作業(yè)。同時(shí)通過(guò)這次試驗(yàn)我還得到了很多學(xué)習(xí)的方法。比如要多和同學(xué)老師討論，在討論中學(xué)習(xí)能加深記憶。遇到困難是我們還可以查閱資料和閱讀前輩的論文。通過(guò)這些途徑才可以提高學(xué)習(xí)的效率?？傊鄬W(xué)習(xí)、多思考、學(xué)用結(jié)合。6、參考文獻(xiàn)1阮秋琦 等譯.數(shù)字圖像處理 電

19、子工業(yè)出版社，20092岳海萍.利用Matlab進(jìn)行數(shù)字圖像的邊緣檢測(cè)J.遼陽(yáng)石油化工高等專(zhuān)科學(xué)校報(bào)，2002 3趙榮椿，遲耀斌，朱重光.圖像分割技術(shù)進(jìn)展J.中國(guó)體視學(xué)與圖像分析. 1998 4鄒益民.MATLAB與C語(yǔ)言的混合編程.計(jì)算機(jī)應(yīng)用，20005朱虹.數(shù)字圖像處理基礎(chǔ)M.北京：科學(xué)出版社，2009.125146.6秦襄培.MATLAB圖像處理與界面編程寶典M.北京：電子工業(yè)出版社，2009.441477.7、附錄7.1迭代法代碼%迭代法clc;clear all;f=imread('dcs01.jpg');f=rgb2gray(f); f=im2double(f);

20、T=0.5*(min(f(:)+max(f(:);done=false;while done g=f>=T; Tn=0.5*(mean(f(g)+mean(f(g); done=abs(T-Tn)<0.1 T=Tn;end Tr=im2bw(f,T); figure,imshow(f),title('原圖'); figure,imshow(r),title('迭代法'); 7.2類(lèi)間最大距離法代碼%類(lèi)間最大距離法clc;clear all;I=imread('dcs01.jpg');%I=rgb2gray(I);I=double(I)

21、;m,n=size(I);Smax=0;for T=0:255 sum1=0; num1=0; sum2=0; num2=0; for i=1:m for j=1:n if I(i,j)>=T sum2=sum2+I(i,j); num2=num2+1; else sum1=sum1+I(i,j); num1=num1+1; end end end ave1=sum1/num1; ave2=sum2/num2; S=(ave2-T)*(T-ave1)/(ave2-ave1)2; if(S>Smax) Smax=S; Th=T; endendThfigure,imshow(uint8

22、(I),title('原圖');for i=1:m for j=1:n if I(i,j)>=Th I(i,j)=255; else I(i,j)=0; end endendfigure,imshow(I),title('類(lèi)間最大距離法'); 7.3最大熵法代碼%最大熵法clc;clear all;I=imread('dcs01.jpg');I=rgb2gray(I);figure,imshow(I);title('原始圖像');h=imhist(I); h1=h;len=length(h); m,n=size(I); h1

23、=h1/(m*n); for i=1:(len-1) if h(i)=0 P1=sum(h1(1:i); P2=sum(h1(i+1):len); else continue; end H1(i)=-(sum(P1.*log(P1); H2(i)=-(sum(P2.*log(P2); H(i)=H1(i)+H2(i);endm1=max(H);Th=find(H=m1);Thfor i=1:m for j=1:n if I(i,j)>=Th I(i,j)=255; else I(i,j)=0; end endendfigure,imshow(I);title('最大熵法'

24、);7.4最大類(lèi)內(nèi)類(lèi)間方差比法代碼%最大類(lèi)內(nèi)類(lèi)間方差比法clc;clear all;I=imread('dcs01.jpg');I=rgb2gray(I);I=double(I);m,n=size(I);Smax=-1;for T=0:255 sum1=0; num1=0; sum2=0; num2=0; for i=1:m for j=1:n if I(i,j)>=T sum2=sum2+I(i,j); num2=num2+1; else sum1=sum1+I(i,j); num1=num1+1; end end end ave1=sum1/num1; ave2=su

25、m2/num2; ave=(sum1+sum2)/(m*n); d1=-1; d2=-1; for i=1:m for j=1:n if I(i,j)>=T d=(I(i,j)-ave2)2; if d2=-1 d2=d; else d2=d2+d; end else d=(I(i,j)-ave1)2; if d1=-1 d1=d; else d1=d1+d; end end end end p1=num1/(m*n); p2=num2/(m*n); S1=p1*(ave1-ave)2+p2*(ave2-ave)2; S2=p1*d1+p2*d2; S=S1/S2; if S>Sm

26、ax Smax=S; Th=T; end end Thfigure,imshow(uint8(I),title('原圖');for i=1:m for j=1:n if I(i,j)>= Th I(i,j)=255; else I(i,j)=0; end endendfigure,imshow(I),title('最大類(lèi)內(nèi)類(lèi)間方差比法');7.5局部閾值法代碼%局部閾值clc;clear all;I=imread('dcs01.jpg');I=rgb2gray(I);I=im2double(I);figure,imshow(I),title('原圖