labview圖像分割

1、基于LabVIEW的圖像分割程序設計摘要 現(xiàn)在圖像處理技術已經應用于多個領域當中，其中，紙幣識別，車牌識別，文字識別和指紋識別已為大家所熟悉。圖像分割是一種重要的圖像技術,它不僅得到了人們的廣泛重視和研究,也在實際中得到了大量的應用。它是處理圖像的基本問題之一，是圖像處理圖像分析的關鍵步驟。圖像識別的基礎是圖像分割，其作用是把反映物體真實情況的，占據(jù)不同區(qū)域的，具有不同性質的目標區(qū)分開來，并形成數(shù)字特性。關于圖像分割的方法已有上千種，本文將介紹幾種主流的方法，并分析各自的特性，利用LabVIEW平臺實現(xiàn)兩種閾值方法分割圖像，展現(xiàn)實驗現(xiàn)象，比較兩種方法的處理結果。關鍵詞 圖像分割 閾值法 大津法

2、 雙峰法 LabVIEWThe program designing of image segmentation based on LabVIEWAbstract Image processing technology has been used in many fields, the banknote recognition, license plate recognition, character recognition and fingerprint recognition has been familiar to everyone. Image segmentation is an im

3、portant image technology, people not only attach importance to it and research it，but also use it in many place. It is one of the basic problems of the image processing, and it is a key step of the image processing image analysis. The image recognition based on image segmentation, the function of wh

4、ich is making a distinction between the area of object's real situation,the area in different places and the area with different characteristic and forming a digital characteristic. There are thousands of methods of image segmentation, this article will introduce several mainstream method, and a

5、nalyze their respective characteristics, use this two ways to make image segmentation with LabVIEW，and show the phenomenon of experiment，campare the treatment result of the two methods.Keyword Image segmentation Threshold OTSU bimoda LabVIEW 目錄引言11 圖像分割論述21.1 圖像分割的定義21.2 圖像分割方法綜述31.2.1 邊緣檢測法31.2.2 閾

6、值分割法51.2.3 基于區(qū)域的分割52 圖像閾值分割算法62.1 閾值分割算法簡述62.2 全局閾值算法72.3 自適應閾值算法92.4 最小誤差閾值102.5 最大類間方差算法113 圖像分割實驗結果及實現(xiàn)平臺介紹123.1 LabVIEW簡述123.2 LabVIEW的應用123.3 VI設計143.3.1 雙峰法選取閾值163.3.2大津法選取閾值173.4實驗結果比較總結18結論20致謝21參考文獻23引言圖像技術在廣義上是各種與圖像有關技術的總稱。圖像技術種類很多，跨度很大，但可以將它們歸在一個整體框架圖像工程之下。圖像工程是一個對整個圖像領域進行研究應用的新學科，它的內容非常豐富

7、，根據(jù)抽象程度和研究方法的不同可以分為3個各種特點的層次：圖像處理，圖像分析和圖像理解。在一幅圖像中，人們往往只對其中的某些目標感興趣，這些目標通常占據(jù)一定的區(qū)域，并且在某些特性（如灰度、輪廓、顏色和紋理等）上和周圍的圖像有差別。圖像識別的基礎是圖像分割，其作用是把反映物體真實情況的，占據(jù)不同區(qū)域的，具有不同特性的目標區(qū)分開來，并形成數(shù)字特性。圖像分割是圖像識別和圖像理解的基本前提步驟，圖像分割質量的好壞直接影響后續(xù)圖像處理的效果，甚至決定其成敗，因此，圖像分割的作用是至關重要的。虛擬儀器技術是基于計算機的儀器及測量技術。與傳統(tǒng)儀器技術不同，虛擬儀器技術指在包含數(shù)據(jù)采集設備的通用計算機平臺上，

8、根據(jù)需求可以高效率地構建起形形色色的測量系統(tǒng)。對大多數(shù)用戶而言，主要的工作變成了軟件設計。虛擬儀器技術突破了傳統(tǒng)儀器的局限，可以將許多信號處理的方法方便地應用于測量中，并且為自動測量和網(wǎng)絡化測量創(chuàng)造條件。早期的虛擬儀器技術主要用于軍事、航空、航天等領域和科研院所，現(xiàn)在已經越來越多地出現(xiàn)在工廠及其他民用場合。LabVIEW則是美國國家儀器公司（National Instruments）所提供的虛擬儀器開發(fā)平臺。與大多數(shù)程序語言不同，LabVIEW是一個圖形化的編程環(huán)境，編程的過程不是寫代碼，而是“流程圖”。LabVIEW的使用者是各個領域的工程技術人員，而非計算機專業(yè)人員。LabVIEW將使用者

9、從煩瑣的程序設計中解放出來，而將注意力集中在測量等物理問題本身。LabVIEW除了在工業(yè)領域作為測量儀器外，還擁有強大的圖像處理功能，它可以外掛專有的“圖像處理包”，或者調用Matlab來實現(xiàn)圖像處理的功能，但前者需要單獨購買，且不方便修改，后者則需要安裝Matlab，而直接通過LabVIEW設計VI實現(xiàn)則方面修改。本課題將介紹主要幾種圖像分割的方法，仔細研究其中兩種閾值分割的算法，通過直接設計VI來實現(xiàn)閾值圖像分割的功能，令LabVIEW也能夠進行一些圖像處理的任務，使得LabVIEW更加強大。 1 圖像分割論述1.1 圖像分割的定義圖像分割是指將一幅圖像分解為若干互不交疊的,有意義的，具有

10、相同性質的區(qū)域。好的圖像分割應具備以下特征：（1） 分割出來的各區(qū)域對某種特性（如灰度和紋理）而言具有相似性，區(qū)域內部是連通的且沒有過多小孔。（2） 相鄰區(qū)域對分割所依據(jù)的性質有明顯的性質。（3） 區(qū)域邊界是明確的。大多數(shù)圖像分割方法只是部分滿足上述特征。如果強調分割區(qū)域的同性質約束，則分割區(qū)域很容易產生大量小孔和不規(guī)整邊緣；若強調不同區(qū)域間性質差異的顯著性，則容易造成不同區(qū)域的合并。具體處理時，不同的圖像分割方法總是在各種約束條件之間尋找一種合理的平衡。圖像分割更形式化的定義如下：假設一幅圖像中所有像素的集合為F，有關一致性的假設為P(·)。把F劃分為n個滿足下述4項條件的子集S1

11、，S2，Sn（Si是連通區(qū)域）的過程定義為圖像分割：（1），分割是完全的，圖像中的每一像素必須歸屬于一個區(qū)域。（2），分割出的不同區(qū)域是不相交的。（3）P(Si)=true，j，分割出的每個區(qū)域的像素具有一致的特性。（4）P()=false，分割出的不同區(qū)域的像素不具有一致的特性。1實際的圖像處理和分析都是面向某種應用的，所以上述條件中的各種關系也要視具體情況而定。目前，還沒有一種通用的方法可以很好地兼顧這些約束條件，也沒有一種通用的方法可以完成不同的圖像分割任務。原因在于實際的圖像是千差萬別的，還有一個重要原因在于圖像數(shù)據(jù)的下降，包括圖像在獲取和傳輸過程引入的各種噪聲以及光照不均勻等因素。到

12、目前為止，對圖像分割的好壞和評價還有統(tǒng)一的標準。因此，圖像分割是圖像分析和計算機視覺中的經典難題。至今，提出的分割算法已有上千種，每年還有不少新算法出現(xiàn)。這些算法的實現(xiàn)方式各不相同，然而大都基于圖像在像素級的兩個性質：不連續(xù)性和相似性。屬于統(tǒng)一目標的額區(qū)域一般具有相似性，而不同的區(qū)域在邊界出現(xiàn)不連續(xù)性。1.2 圖像分割方法綜述圖像分割是把圖像分割成若干個特定的、具有獨特性質的區(qū)域并提取出感興趣目標的技術和過程，這些特性可以是像素的灰度、顏色、紋理等，提取的目標可以是對應的單個區(qū)域，也可以是對應的多個區(qū)域。人們在多年的研究中積累了很多圖像分割的方法。但亦今為止，仍然沒有一種圖像算法適合所有的圖像

13、，也沒有一種圖像可以用所有方法來分割。近幾年來,研究人員不斷改進原有方法并將其它學科的新理論和新方法引入圖像分割,提出了不少新的分割方法。典型的圖像分割方法有閾值法，邊緣檢測法，區(qū)域法。分析各種圖像分割方法可以發(fā)現(xiàn)，它們分割圖像的基本依據(jù)和條件有以下4方面：(l)分割的圖像區(qū)域應具有同質性，如灰度級別相近、紋理相似等；(2)區(qū)域內部平整，不存在很小的小空洞；(3)相鄰區(qū)域之間對選定的某種同質判據(jù)而言，應存在顯著差異性；(4)每個分割區(qū)域邊界應具有齊整性和空間位置的準確性?，F(xiàn)有的大多數(shù)圖像分割方法只是部分滿足上述判據(jù)。如果加強分割區(qū)域的同性質約束，分割區(qū)域很容易產生大量小空洞和不規(guī)整邊緣:若強調

14、不同區(qū)域間性質差異的顯著性，則極易造成非同質區(qū)域的合并和有意義的邊界丟失。不同的圖像分割方法總有在各種約束條件之間找到適當?shù)钠胶恻c。2 1.2.1 邊緣檢測法邊緣檢測技術對于處理數(shù)學圖像非常重要，因為邊緣是所要提取目標和背景的邊界線，提取出邊緣才能將目標和背景區(qū)分開來。在圖像中，邊界表明一個特征區(qū)域的終結和另一個特征區(qū)域的開始，邊界所分開區(qū)域的內部特征或屬性是一致，而不同區(qū)域內部的特征或屬性是不同的，邊緣的檢測正是利用物體和背景在某種圖像特性上的差異來實現(xiàn)的，這些差異包括灰度，顏色和紋理特征。邊緣檢測實際上就是檢測圖像特性發(fā)生變化的位置。由于噪聲和模糊的存在，檢測到的邊緣可能會變寬或在某些點處

15、發(fā)生間斷，因此，邊界檢測包括兩個基本內容:首先抽取出反映灰度變化的邊緣點，然后剔除某些邊界點或填補邊界間斷點，并將這些邊緣連接成完整的線。邊緣檢測技術可以按照處理的技術分為串行邊緣檢測和并行邊緣檢測。所謂串行邊緣檢測技術，是指要想確定當前像素點是否屬于欲檢測邊緣上的一點，取決于先前像素的驗證結果；而在并行邊緣檢測技術中，一個像素點是否屬于檢測邊緣上的一點，取決于當前正在檢測的像素點以及該像素點的一些相鄰像素點，這樣該模型可以同時用于圖像中的所有像素點，因而稱之為并行邊緣檢測技術。最簡單的邊緣檢測方法是邊緣檢測算子，它利用相鄰區(qū)域的像素值不連續(xù)的性質，采用一階或二階導數(shù)來檢測邊緣點。近年來還提出

16、了基于曲面擬合的方法，基于邊界曲線擬合的方法。下面分別簡單介紹一下這些方法。1. 邊緣檢測算子邊緣檢測算子對圖像中灰度的變化進行檢測，通過求一階導數(shù)極值點或二階導數(shù)過零點來檢測邊緣。常用的一階導數(shù)算子有梯度算子，Prewitt算子和Sobel算子，二階導數(shù)算子有Laplacian算子，還有Kirsch算子和Wallis算子等非線性算子。梯度算子不僅對邊緣信息敏感，而且對像素點也很敏感。2. 基于曲面擬合的方法基于曲面擬合的方法的基本思想是將灰度看成高度，用一個曲面來擬合一個小窗口內的數(shù)據(jù)，然后根據(jù)該曲面來決定邊緣點?；谶吔缜€擬合的方法用平面曲線來表示不同區(qū)域之間的圖像邊界線，試圖根據(jù)圖像梯

17、度等信息找出能正確表示邊界的曲線從而得到圖像分割的目的，而且由于它直接給出的是邊界曲線而不像一般的方法找出的是離線的，不相關的邊緣點，因而對圖像分割的后繼處理，如物體識別等高層處理有很大的幫助。即使是用一般的方法找出的邊緣點，用曲線來描述它們以便于高層處理也是經常被采納的一種有效的方式。3 1.2.2 閾值分割法閾值分割法是一種簡單有效的圖像分割方法，其基本思想就是用一個或多個閾值將圖像的灰度級分成幾部分，灰度值在同一類的像素屬于同一目標。閾值分割法的結果在很大程度上依賴于閾值的選擇，因此該方法的關鍵就是如何選擇合適的閾值。直方圖閾值分割對物體與背景有較強對比的背景分割特別有用，這種方法計算簡

18、單，而且總能用封閉而且連通的邊界定義不交疊的區(qū)域。使用閾值規(guī)則進行圖像分割時，所有灰度值不小于（或相反）某閾值的像素都被判屬于目標物體。所有灰度值小于（或相反）該閾值的像素被排除在物體之外，屬于背景。于是，邊界就成為在物體中和背景有鄰域關系這樣一些內部點的集合。如果感興趣的物體在其內部具有均勻一致的灰度值，并分布在具有另一灰度值的均勻背景上，使用全局閾值方法效果就很好。如果物體同背景的差別在圖像中存在區(qū)域變化，那么可以采用自適應閾值的方法，使得用于劃分的閾值隨著物體和背景差別的變化而變化，盡量保持清楚的劃分。還可以用概率統(tǒng)計，類間方差等優(yōu)化方法對更為復雜的情況進行分割。下一章節(jié)將會對閾值分割法

19、進行詳細的論述。1.2.3 基于區(qū)域的分割基于區(qū)域的圖像分割是根據(jù)圖像灰度、紋理、顏色和圖像像素統(tǒng)計的均勻性等圖像的空間局部特征,把圖像中的像素劃歸到各個物體或區(qū)域中,進而將圖像分割成若干個不同區(qū)域的一種分割方法。基于區(qū)域的分割方法主要有區(qū)域生長法、分裂合并法。區(qū)域生長法、分裂合并法：區(qū)域生長法的基本思想是根據(jù)一定的相似性準則，將圖像中滿足相似性準則的像素或子區(qū)域合成更大的區(qū)域；分裂合并法是從整個圖像出發(fā),根據(jù)圖像和各區(qū)域的不均勻性,把圖像或區(qū)域分割成新的子區(qū)域,根據(jù)毗鄰區(qū)域的均勻性,把毗鄰的子區(qū)域合并成新的較大的區(qū)域。這兩種方法通常相結合,以便把相似的子區(qū)域合并成盡可能大的區(qū)域。區(qū)域生長的固

20、有缺點是分割效果依賴于種子的選擇及生長順序,區(qū)域分裂技術的缺點是可能破壞邊界,所以它們常常與其他方法相結合,以期取得更好的分割效果。區(qū)域生長算法的研究重點:(l)特征度量和區(qū)域增長規(guī)則的設計;(2)算法的高效性和準確性。區(qū)域生長方式的優(yōu)點是計算簡單。與閉值分割類似，區(qū)域增長也很少單獨使用，往往是與其它分割方法一起使用。區(qū)域生長的缺點是:（l）它需要人工交互以獲得種子點，這樣使用者必須在每個需要抽取出的區(qū)域中植入一個種子點;(2)區(qū)域增長方式也對噪聲敏感，導致抽取出的區(qū)域有空洞或者在局部體效應的情況下將分開的區(qū)域連接起來。在區(qū)域合并方法中，輸入圖像往往分為多個相似的區(qū)域，然后類似的相鄰區(qū)域根據(jù)某

21、種判斷準則迭代進行合并。在區(qū)域分裂技術中，整個圖像先被看成一個區(qū)域，然后區(qū)域不斷被分裂為四個矩形區(qū)域，直到每個區(qū)域內部都是相似的，分裂合并方法中，區(qū)域先從整幅圖像開始分裂，然后將相鄰的區(qū)域進行合并。分裂合并方法不需要預先指定種子點，它的研究重點是分裂和合并規(guī)則的設計。但是，分裂合并技術可能會使分割區(qū)域的邊界破壞。和閾值法一樣，區(qū)域生長法一般不單獨使用, 而是放在一系列處理過程中。它主要的缺陷是, 每一個需要提取的區(qū)域都必須人工給出一個種子點, 這樣有多個區(qū)域就必須給出相應的種子個數(shù)。此法對噪聲也很敏感, 會造成孔狀甚至是根本不連續(xù)的區(qū)域, 相反的, 局部且大量的影響還會使本來分開的區(qū)域連接起來

22、。4 2 圖像閾值分割算法2.1 閾值分割算法簡述在許多圖像處理技術中，屬于目標的像素點的灰度值和屬于背景的像素點的灰度值有明顯的差別，對于這種情況閾值分割算法就是一種簡單高效的從背景中提取目標的的方法。閾值法作為這樣一種實現(xiàn)簡單、計算量小、性能較穩(wěn)定的圖像分割算法，被應用在很多領域。例如在文本圖像分析中，提取文字信息、場景處理中檢測目標、產品的質量檢測、細胞圖像分割、無損檢測等等。閾值分割法是一種基于區(qū)域的圖像分割技術，其基本原理是：通過設定不同的特征閾值，把圖像像素點分為若干類。圖像閾值化的目的就是按照灰度級，對像素集合進行劃分，得到的子集形成一個與現(xiàn)實景物相對應的區(qū)域，各個區(qū)域的內部具有

23、一致的屬性，可以通過一個或多個閾值實現(xiàn)。閾值分割法的關鍵就是如何找到合適的閾值。設原始圖像為f（x，y），首先以一定準則在f（x，y）中找出一個灰度值t作為閾值，將圖像分割為兩部分，即把大于等于該閾值的像素點的值設置成l，小于該閾值的像素點的值設置成0。閾值運算后的圖像為二值圖像g（x，y）如下式表示 gx,y=0, &f(x,y)<t1, &f(x,y)t （2-1）閾值分割的優(yōu)點是實現(xiàn)簡單，當不同類的物體灰度值或者其它特征值相差很大時，它能有效地對圖像進行分割。缺點是對于圖像中不存在明顯灰度差異或灰度值范圍有較大重疊的圖像分割問題難以得到準確的結果，由于它只是考慮了圖

24、像的灰度信息而不考慮圖像的空間信息，對噪音和灰度不均勻很敏感，經常和其它的方法結合起來用。5 閾值分割法也被分為了好幾種方法，主要有全局閾值算法，自適應閾值算法，統(tǒng)計最優(yōu)閾值算法，最大類間方差算法，下面將對這幾種方法做簡單的介紹。2.2 全局閾值算法全局閾值圖像分割的基本原理就是在一幅圖像中選取一個或多個處于圖像灰度取值范圍之中的灰度閾值，然后將圖像中各個像素的灰度值與閾值進行比較，并根據(jù)比較的結果將圖像中的對應像素分成兩類或多類，從而把圖像劃分為互不交叉重疊區(qū)域的重合，達到圖像分割的目的?；陂撝档膱D像分割中經常采用這樣一種假設：目標或背景內的相鄰像素間的灰度值是相似的，但不同目標或背景的像

25、素在灰度上存在差異。設原始圖像為f（x，y），按照一定準則在f（x，y）中找到某一個灰度值，該灰度值便是進行分割時的閾值T，將圖像分割為兩個部分，分割后的圖像為 gx,y=0, &f(x,y)<t1, &f(x,y)t (2-2)如取=0（黑），=255（白），即為通常所說的圖像二值化分割。對于比較簡單的圖像，物體和背景本身的灰度較均勻，而且兩者之間的灰度差別較大，因此比較容易分割清楚。對于一般的圖像，情況比較復雜，閾值化圖像分割通常存在兩方面的困難：一個是在圖像分割之前，難以確定圖像分割區(qū)域的數(shù)目，或者說要把圖像分割成幾個部分；另一個是閾值的確定，因為閾值選擇的準確性直

26、接影響分割的精度及圖像描述分析的正確性。如對于只有暗背景和亮目標兩類對象的灰度圖像來說，閾值選取過高，容易把大量的目標誤判為背景；閾值過低，又容易把大量的背景誤判為目標。為此，下面介紹兩種簡單的全局閾值的選擇方法。“峰谷”法選取閾值，這是一種利用圖像直方圖特性來確定灰度閾值的方法，如果圖像所含的目標區(qū)域和背景區(qū)域大小可比，而且目標區(qū)域和背景區(qū)域在灰度上有明顯的區(qū)別，那么該圖像的直方圖會呈現(xiàn)“雙峰”和“一谷”狀：其中一個峰值對應于目標的中心灰度，另一個峰值對應于背景的中心灰度。也就是說，理想圖像的直方圖，目標和背景對應不同的峰值，選取位于兩個峰值之間的谷值作為閾值，就很容易將目標和背景分開，從而

27、得到分割后的圖像。如圖2.1所示，對于還有細胞的醫(yī)學圖像，細胞的灰度通常比背景的灰度低得多，見圖2.2；根據(jù)經驗可以明顯地看出直方圖具有兩個峰值，則谷值被認為是分割的閾值，見圖2.2；由此閾值劃分后得到的結果圖像如3.3所示，可以將原圖像中的目標（細胞）基本分割出來。 (a) 原始圖像 (b) 分割后的圖像 (c) 原始圖像直方圖圖2.1 雙峰法閾值分割峰-谷閾值分割的優(yōu)點是實現(xiàn)簡單，對于不同類別的物體灰度值相差較大時，它能有效地對圖像進行分割。但對于圖像中不存在明顯灰度峰谷，或目標和背景的灰度值范圍有較大重疊的圖像，這種分割方法難以獲得較好的結果，而且谷值的選取對噪聲和灰度的不均勻很敏感。所

28、以，在實際中常常加以其他方法協(xié)助進行谷值的選取，如下述的微分方法。在較簡單的情況下，如果將直方圖的包絡看成一條曲線，則選取直方圖閾值（谷值）可采用求極小值的方法。設用h（x）表示圖像直方圖，x為圖像灰度變量就，那么極小值應滿足下式 h（x）x=0和h2（x）x20。 （2-3） 與這些極小值點對應的灰度值就可以用作圖像分割閾值。由于實際圖像受噪聲的影響，其直方圖經常出現(xiàn)很多起伏，使得公式（2.3）計算出來的極小值點有可能并非是正確的圖像分割閾值，而是對應虛假的谷值。一種有效的解決方法是先對直方圖進行平滑處理，如用高斯函數(shù)g（x，）和直方圖函數(shù)進行卷積運算得到相對平滑直方圖，然后再用（2.3）式

29、求得閾值。2.3 自適應閾值算法在許多情況下，圖像背景的灰度值并不是 常數(shù)，物體和背景的對比度在圖像中也有變化。例如，在光亮背景中的暗物體，由于光照不均勻，雖然物體與背景始終有反差，但在圖像的某一部分能把物體和背景準確區(qū)分出的閾值，對另一部分來說，可能把太多的背景也作為物體分割下來了。在這種情況下，可以采用自適應閾值分割方法，把灰度閾值取成一個隨圖像中位置緩緩慢變化的函數(shù)，保持一種局部的，相對的背景和物體之間的差異。實現(xiàn)自適應閾值分割的方法有多種，其中常用的是一種子圖像分割法。這種方法首先將圖像細分為若干個子圖像，計算每個子圖像的直方圖，方差；而后，對不同的子圖像使用單獨的閾值進行分割處理，對

30、那些直方圖為單峰或方差值較小的圖像，只需判斷它到底屬于哪一類，對于那些雙峰或方差較大的子圖像，需要選擇一個適當?shù)拈撝颠M行劃分，簡單的選擇方法為兩個峰值之間的谷值。最后，將各個分割后的子圖像拼合成一個完整分割圖像。顯然，各個子圖像的閾值只不相同的，隨著圖像的部位而自適應變化的，需要解決的關鍵問題是如何將圖像進行細分和如何確定子圖像的閾值。2.4 最小誤差閾值這是一種利用統(tǒng)計判決確定閾值方法，使得目標和背景被誤分割的概率達到最小的閾值分割方法。因為在實際圖像分割中，總有可能存在把背景誤分為目標區(qū)域，或者把目標誤分為背景區(qū)域。如何使得上述誤分割出現(xiàn)的概率最小，便是一種統(tǒng)計最優(yōu)閾值分割方法。圖2.2

31、最小閾值誤差概率 Eb(T)是目標類錯分到背景類的概率， E0(T)是背景類錯分到目標類的概率，總的概率誤差E(T)= Eb(T)+ E0(T),使得E(T)最小，即為最優(yōu)分類方法。 在最小誤差法中，直方圖被視為目標與背景混合集概率密度p(i)的估計： pi=j=0lpjp(i|j) i=0,1,l-1；j=0,1. （2-4）其中p（j）為先驗概率，pijN(µJ,J2)，求解下列方程可得到最小誤差閾值： (i-0)202+ln02-2lnp0=(i-µ1)212+ln12-2lnp1. (2-5) 2.5 最大類間方差算法在不知道圖像分布的情況下，還可以采用模式識別中最

32、大類間方差準則確定分割的最佳門限。其基本思想是對像素進行劃分，通過使劃分得到的各類之間的距離達到最大，來確定合適的門限。這種算法是由Otsu于1978年首先提出的一種比較典型的圖像分割算法，也稱為Otsu分割法或大津閾值分割法。從模式識別的角度看，最佳閾值應當產生最佳的目標類與背景類的分離性能，此性能用類間方差來表征，最大類間方法可以描述如下：設圖像的灰度級為0K-1，每個灰度級的概率為Pi，若某一個閾值T將圖像各像素按灰度分成兩類C0和C1，C0類包含灰度級為0,1，z的像素，其概率和，灰度均值分別為 0=i=0zPi， µ0=10i=0zixPi (2-6) C1類包含灰度級z+

33、1，z+2，K-1的像素，其概率和，灰度均值分別為 1=i=z+1K-1Pi， 1=11i=z+1K-1ixPi (2-7)圖像的總平均灰度為µ=0µ0+1µ1 (2-8)則定義類間方差為 2=0 X 0-2+1 X (1-)2 (2-9) 從最小灰度值0到最大灰度值K-1，遍歷所有灰度值，使得式（3.9）中最大時的灰度z即為分割的最佳閾值T。因為方差是灰度分布均勻性的一種度量，方差越大，說明構成圖像的兩部分差別越大，當部分目標錯分為背景或部分背景錯分為目標都會導致兩部分差別變小。因此，使類間方差最大的分割意味著錯分概率最小。在實際應用中，直接應用式（2-9）計算

34、量太大，因此一般在實現(xiàn)時采用等價式（2-10），則最佳閾值T為使得式（2-10）為最小時的z，即Max01(µ0-µ1) (2-10)63 圖像分割實驗結果及實現(xiàn)平臺介紹3.1 LabVIEW簡述LabVIEW是美國國家儀器公司開發(fā)的基于圖形編譯語言的實驗室虛擬儀器集成環(huán)境, 把復雜、煩瑣、費時的語言編程簡化成用菜單或圖標提示的方法選擇功能（圖形），并用線條把各種功能（圖形）連接起來的簡單圖形編程方式。LabVIEW本身是一種功能比較完善的軟件開發(fā)環(huán)境，它可替代常規(guī)的BASIC,C語言編程，可以編寫應用程序。LabVIEW具有如下特點：1)它提供了“所見即所得”的可視化圖形

35、編程技術建立人機界面，提供了大量的儀器面板中的控制對象，如按鈕、開關、指示器、圖表等；2)它使用圖標表示功能模塊，連線表示模塊間的數(shù)據(jù)傳遞，并且用線型和顏色區(qū)別數(shù)據(jù)類型，用數(shù)據(jù)流程圖式的語言書寫程序代碼，這樣使得編程過程與人的思維過程非常接近；3)它提供了程序調試的功能，可以在源代碼中設置斷點，單步執(zhí)行源代碼，可在連線上設置探針，觀察程序執(zhí)行過程的數(shù)據(jù)流變化，大大簡化了調試工作量；4)它采用了編譯方式運行32位應用程序，使得它的執(zhí)行速度可與VC等開發(fā)程序相媲美。因此，即使沒有豐富的編程經驗也能很容易利用LabVIEW進行程序設計，在其平臺上完成各種功能。 7 3.2 LabVIEW的應用1.應

36、用于生產檢測LabVIEW 已經成為用于測試測量領域的工業(yè)標準化開發(fā)工具。LabVIEW 結合NITestStand 測試執(zhí)行環(huán)境和該領域中最大的儀器驅動程序庫，為整個系統(tǒng)建立穩(wěn)固完整的檢測管理平臺。2.應用于研究與分析運用LabVIEW，可在汽車、能源研究和其它眾多工業(yè)領域的應用系統(tǒng)中進行實時數(shù)據(jù)的分析和計算; 對于要求聲音、振動、圖像處理、時頻分析、小波和數(shù)字濾波的應用系統(tǒng)，LabVIEW 特別提供各種附加工具包以加速系統(tǒng)開發(fā)。3. 應用于過程控制和工廠自動化可利用LabVIEW 來建立眾多的過程控制和工業(yè)自動化應用系統(tǒng)。在LabVIEW 平臺下，可以實現(xiàn)高速、多通道的測量和控制。對于大型

37、復雜的工業(yè)自動化和控制系統(tǒng)，有專門的LabVIEW 數(shù)據(jù)記錄和監(jiān)控模塊，用于監(jiān)控多通道I /O、與工業(yè)控制器和網(wǎng)絡進行通信，以及提供基于PC 機的控制。4. 應用于機器監(jiān)控對于要求有實時控制、振動分析、視覺和圖像分析或運動控制的機器監(jiān)視和預先維護的應用系統(tǒng)，LabVIEW 是理想的選擇。LabVIEW 系列產品，包括用于可靠、確定性控制的實時LabVIEW( LabVIEW RT) 軟件，就可以快速、準確地建立起功能強大的機器監(jiān)視和自動控制應用程序。8在這么多的應用當中，LabVIEW作為機器視覺與圖像處理系統(tǒng)發(fā)揮了巨大的作用。這幾年，激光儀器視覺系統(tǒng)已經被廣泛研究和開發(fā)在不同的制造工藝。激光

38、儀器視覺系統(tǒng)的功能可以使制造工序自動化和大大提高質量和生產率，并且使學術界和工業(yè)都產生了很大的興趣。金工業(yè)正在使用的焊接工藝，連接兩個或更多的含金或非含金部分也急需焊接工藝的質量和生產率。作為焊接工藝的重要事項之一，焊縫追蹤對質量和生產力至關重要。首先，焊縫追蹤需要滿足焊接工藝的完全自動化?；贚abVIEW的激光儀器視覺系統(tǒng)作為焊縫追蹤脫穎而出，同時也解決了傳統(tǒng)模式低效率、低適應力的缺點。9用機器視覺來替代人工視覺；同時在大批量工業(yè)生產過程中，用人工視覺檢查產品質量效率低且精度不高，用機器視覺檢測方法可以大大提高生產效率和生產的自動化程度。而且機器視覺易于實現(xiàn)信息集成，是實現(xiàn)計算機集成制造的

39、基礎技術。因此，在現(xiàn)代自動化生產過程中，人們將機器視覺系統(tǒng)廣泛地用于工況監(jiān)視、成品檢驗和質量控制等領域。機器視覺技術是一門包含諸多科學領域的綜合技術，它不僅涉及到人工智能、光電學、物理學、計算機科學，而且還與圖像處理、模式識別等學科息息相關。在國外，機器視覺的應用普及主要體現(xiàn)在半導體及電子行業(yè)，其中大概40%-50%都集中在半導體行業(yè)。具體如PCB印刷電路：各類生產印刷電路板組裝技 術、設備；單、雙面、多層線路板，覆銅板及所需的材料及輔料；輔助設施以及耗材、油墨、藥水藥劑、配件；電子封裝技術與設備；絲網(wǎng)印刷設備及絲網(wǎng)周邊材料等。SMT表面貼裝：SMT工藝與設備、焊接設備、測試儀器、返修設備及各

40、種輔助工具及配件、SMT材料、貼片劑、膠粘劑、焊劑、焊料及防氧化油、焊膏、 清洗劑等；再流焊機、波峰焊機及自動化生產線設備。電子生產加工設備：電子元件制造設備、半導體及集成電路制造設備、元器件成型設備、電子工模具。機器視覺系統(tǒng)還在質量檢測的各個方面已經得到了廣泛的應用，并且其產品在應用中占據(jù)著舉足輕重的地位。 10實現(xiàn)LabVIEW的圖像處理功能有三種途徑，一是外掛VISION模塊，也就是視覺模塊；二是調用Matlab實現(xiàn)；三是直接設計VI實現(xiàn)功能；三種途徑各有優(yōu)缺點，VISION模塊需要另外購買，借助Matlab還需要安裝，且不方面修改，但是這兩種方法的功能會更強大。如果直接通過LabVIE

41、W平臺完成，則方便修改，但是較前兩種方法，所能實現(xiàn)的功能有限。3.3 VI設計作為實現(xiàn)圖像處理的第一步，首先要讀取圖像，并將其轉換為可以處理的數(shù)據(jù)，如圖3.1，圖3.1 圖片數(shù)據(jù)轉換程序首先用while循環(huán)判斷讀取的圖像文件是否為BMP文件，如果是，進入分支程序。分支1，首先用繪制平化像素圖控件將讀取的圖像文件顯示出來；分支2用還原像素圖控件將圖像數(shù)據(jù)轉換為二維數(shù)組，并計算顯示出圖像像素點的行數(shù)與列數(shù)?；叶仁褂煤谏{表示物體,即用黑色為基準色，用不同的飽和度的黑色來顯示圖像。 每個灰度對象都具有從 0%（白色）到100%（黑色）的亮度值。將圖像數(shù)據(jù)轉換為像素點的二維數(shù)組后，接下來的步驟就是將圖

42、像轉換為灰度圖像，并繪制出灰度直方圖。圖3.2 繪制灰度直方圖程序如圖3.2，首先將像素點的RGB三色分解開，再利用公式（3-1）將彩色轉為灰度。Gray = R*0.299 + G*0.587 + B*0.114  （3-1） (a) 原始圖片 (b) 原始圖片灰度圖(c) 灰度直方圖 圖3.3 繪制灰度直方圖將圖像轉換為灰度圖像后，建立一維256個元素的數(shù)組，并將其初始化為0。然后調用“替換數(shù)組子集”和“索引數(shù)組”控件，以圖像像素的灰度值為索引，繪制灰度直方圖。圖3.3為原始圖片，原始的圖片的灰度圖片，以及圖像的灰度直方

43、圖。3.3.1 雙峰法選取閾值可以利用雙峰法的圖像分割的圖像，其灰度直方圖必須是呈現(xiàn)“雙峰”和“一谷”狀，如圖3.3（c），兩個峰值灰度分別對應目標和背景，則兩峰之間的谷點就是我們要找的閾值。所以圖像必須滿足是目標和背景色差比較大，找到閾值后，就可以將圖像二值化，灰度值小于閾值的像素點則灰度值取0（黑），灰度值大于閾值的像素點則灰度值取255（白）。但是雙峰法必須手動確定閾值。具體程序設計如圖3.7所示，圖3.4 灰度直方圖 圖3.5 圖像二值化程序利用條件結構，根據(jù)選取的閾值，將像素點逐一進行二值化，然后將二值化后的像素點重新繪制成圖像，就實現(xiàn)了圖像的二值化分割。3.3.2大津法選取閾值大津

44、法的算法上一章已經介紹過，從模式的識別的角度看，最佳閾值應當產生最佳的目標類與背景類的分離性能，此性能用類間方差來表征。并且閾值選取是自動的。圖3.8為大津法選取閾值的程序設計圖。下文將綜合比較雙峰法和大津法。 圖3.6 大津法程序設計3.4實驗結果比較總結從程序設計的角度看，雙峰法非常簡單，只需觀察灰度直方圖，然后選取合適的閾值即可，但是閾值必須人工輸入；大津法程序設計上會稍微復雜一些，但是閾值是自動產生的，因為對灰度直方圖沒有太多的要求，所以適用的范圍會比雙峰法廣。以下是具體實驗成果。 (a) 原始圖的灰度圖 (b) 圖像的灰度直方圖 (c) 雙峰法分割T=90 (d) 大津法分割T=10

45、4圖 3.7 雙峰法與大津法分割比較圖3.7(b)為原始圖像的灰度直方圖，圖3.7(c)為雙峰法分割的圖像，而圖3.7(d)為大津法分割的圖像，從分割的結果上來看，大津法分割的圖像，其目標與背景的分離度會較好，細節(jié)保留的比較多,像這種圖灰度分布雙峰不明顯的圖像，不適合用雙峰法來選取閾值，但是雙峰法因為可以手動輸入閾值，其閾值還可以自行調整，能夠調整到更好的結果。下面在以不同的圖像進行比較。 (a) 原始圖的灰度圖 (b) 圖像的灰度直方圖 (c) 雙峰法 閾值T=95 (d) 大津法 閾值T=94圖 3.8 雙峰法與大津法分割比較圖3.8(b)的灰度直方圖算是比較典型的“兩峰一谷”狀，可以使用

46、雙峰法來分割圖像，并且可以達到比較良好的結果，但從結果上來看，大津法選取的閾值和雙峰法選取的閾值差不多，效果基本一致。但實際中，圖像分割要復雜得多，雙峰法往往要和其他的方法配合一起使用，如分割前先平滑處理圖像等。下面再展示大津法分割的幾張圖片結果： (a) 示例圖原始圖片 (b) 分割后的圖片 (c) 示例圖原始圖片 (d) 分割后的圖片 (e) 示例圖原始圖片 (f) 分割后的圖片圖3.9 大津法分割效果實例以上三組圖，左邊的圖片均為原始圖像的灰度圖，右邊為用大津法分割的圖片，且這三張圖片的灰度直方圖都不是同一類型的，有雙峰型，有單峰型的，有各個灰度值分布平坦的，但從分割的結果上來看，大津法都能較好的分割圖片，達到不錯的結果。所以，如果不結合其他方法或進行后續(xù)處理使用單一閾值分割圖像的話，綜合程序設計和分割結果的角度上看，雙峰法人工輸入閾值，程序設計簡單，但應用的范圍有限，大津法可以自動產生閾值，但是程序設計稍微復雜些，但應用的范圍比雙峰法大得多，且分割的效果不錯。結論本課題基于LabVIEW的圖像處理功能，實現(xiàn)了圖像分割的功能。本課題起步于圖像分割的算法，對其中幾種算法進行