labview圖像分割

1、基于LabVIEW的圖像分割程序設(shè)計(jì)摘要 現(xiàn)在圖像處理技術(shù)已經(jīng)應(yīng)用于多個(gè)領(lǐng)域當(dāng)中，其中，紙幣識(shí)別，車牌識(shí)別，文字識(shí)別和指紋識(shí)別已為大家所熟悉。圖像分割是一種重要的圖像技術(shù),它不僅得到了人們的廣泛重視和研究,也在實(shí)際中得到了大量的應(yīng)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(guān)鍵步驟。圖像識(shí)別的基礎(chǔ)是圖像分割，其作用是把反映物體真實(shí)情況的，占據(jù)不同區(qū)域的，具有不同性質(zhì)的目標(biāo)區(qū)分開來，并形成數(shù)字特性。關(guān)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(tái)實(shí)現(xiàn)兩種閾值方法分割圖像，展現(xiàn)實(shí)驗(yàn)現(xiàn)象，比較兩種方法的處理結(jié)果。關(guān)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(cè)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(jiǎn)述62.2 全局閾值算法72.3 自適應(yīng)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(shí)驗(yàn)結(jié)果及實(shí)現(xiàn)平臺(tái)介紹123.1 LabVIEW簡(jiǎn)述123.2 LabVIEW的應(yīng)用123.3 VI設(shè)計(jì)143.3.1 雙峰法選取閾值163.3.2大津法選取閾值173.4實(shí)驗(yàn)結(jié)果比較總結(jié)18結(jié)論20致謝21參考文獻(xiàn)23引言圖像技術(shù)在廣義上是各種與圖像有關(guān)技術(shù)的總稱。圖像技術(shù)種類很多，跨度很大，但可以將它們歸在一個(gè)整體框架圖像工程之下。圖像工程是一個(gè)對(duì)整個(gè)圖像領(lǐng)域進(jìn)行研究應(yīng)用的新學(xué)科，它的內(nèi)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(gè)各種特點(diǎn)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(duì)其中的某些目標(biāo)感興趣，這些目標(biāo)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(shí)別的基礎(chǔ)是圖像分割，其作用是把反映物體真實(shí)情況的，占據(jù)不同區(qū)域的，具有不同特性的目標(biāo)區(qū)分開來，并形成數(shù)字特性。圖像分割是圖像識(shí)別和圖像理解的基本前提步驟，圖像分割質(zhì)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(guān)重要的。虛擬儀器技術(shù)是基于計(jì)算機(jī)的儀器及測(cè)量技術(shù)。與傳統(tǒng)儀器技術(shù)不同，虛擬儀器技術(shù)指在包含數(shù)據(jù)采集設(shè)備的通用計(jì)算機(jī)平臺(tái)上，

8、根據(jù)需求可以高效率地構(gòu)建起形形色色的測(cè)量系統(tǒng)。對(duì)大多數(shù)用戶而言，主要的工作變成了軟件設(shè)計(jì)。虛擬儀器技術(shù)突破了傳統(tǒng)儀器的局限，可以將許多信號(hào)處理的方法方便地應(yīng)用于測(cè)量中，并且為自動(dòng)測(cè)量和網(wǎng)絡(luò)化測(cè)量創(chuàng)造條件。早期的虛擬儀器技術(shù)主要用于軍事、航空、航天等領(lǐng)域和科研院所，現(xiàn)在已經(jīng)越來越多地出現(xiàn)在工廠及其他民用場(chǎng)合。LabVIEW則是美國(guó)國(guó)家儀器公司（National Instruments）所提供的虛擬儀器開發(fā)平臺(tái)。與大多數(shù)程序語言不同，LabVIEW是一個(gè)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(gè)領(lǐng)域的工程技術(shù)人員，而非計(jì)算機(jī)專業(yè)人員。LabVIEW將使用者

9、從煩瑣的程序設(shè)計(jì)中解放出來，而將注意力集中在測(cè)量等物理問題本身。LabVIEW除了在工業(yè)領(lǐng)域作為測(cè)量?jī)x器外，還擁有強(qiáng)大的圖像處理功能，它可以外掛專有的“圖像處理包”，或者調(diào)用Matlab來實(shí)現(xiàn)圖像處理的功能，但前者需要單獨(dú)購(gòu)買，且不方便修改，后者則需要安裝Matlab，而直接通過LabVIEW設(shè)計(jì)VI實(shí)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(xì)研究其中兩種閾值分割的算法，通過直接設(shè)計(jì)VI來實(shí)現(xiàn)閾值圖像分割的功能，令LabVIEW也能夠進(jìn)行一些圖像處理的任務(wù)，使得LabVIEW更加強(qiáng)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(zhì)的區(qū)域。好的圖像分割應(yīng)具備以下特征：（1） 分割出來的各區(qū)域?qū)δ撤N特性（如灰度和紋理）而言具有相似性，區(qū)域內(nèi)部是連通的且沒有過多小孔。（2） 相鄰區(qū)域?qū)Ψ指钏罁?jù)的性質(zhì)有明顯的性質(zhì)。（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(qiáng)調(diào)分割區(qū)域的同性質(zhì)約束，則分割區(qū)域很容易產(chǎn)生大量小孔和不規(guī)整邊緣；若強(qiáng)調(diào)不同區(qū)域間性質(zhì)差異的顯著性，則容易造成不同區(qū)域的合并。具體處理時(shí)，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(shè)一幅圖像中所有像素的集合為F，有關(guān)一致性的假設(shè)為P(·)。把F劃分為n個(gè)滿足下述4項(xiàng)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(gè)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(gè)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(shí)際的圖像處理和分析都是面向某種應(yīng)用的，所以上述條件中的各種關(guān)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(wù)。原因在于實(shí)際的圖像是千差萬別的，還有一個(gè)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(duì)圖像分割的好壞和評(píng)價(jià)還有統(tǒng)一的標(biāo)準(zhǔn)。因此，圖像分割是圖像分析和計(jì)算機(jī)視覺中的經(jīng)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(shí)現(xiàn)方式各不相同，然而大都基于圖像在像素級(jí)的兩個(gè)性質(zhì)：不連續(xù)性和相似性。屬于統(tǒng)一目標(biāo)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(gè)特定的、具有獨(dú)特性質(zhì)的區(qū)域并提取出感興趣目標(biāo)的技術(shù)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(biāo)可以是對(duì)應(yīng)的單個(gè)區(qū)域，也可以是對(duì)應(yīng)的多個(gè)區(qū)域。人們?cè)诙嗄甑难芯恐蟹e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(jìn)原有方法并將其它學(xué)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(cè)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(yīng)具有同質(zhì)性，如灰度級(jí)別相近、紋理相似等；(2)區(qū)域內(nèi)部平整，不存在很小的小空洞；(3)相鄰區(qū)域之間對(duì)選定的某種同質(zhì)判據(jù)而言，應(yīng)存在顯著差異性；(4)每個(gè)分割區(qū)域邊界應(yīng)具有齊整性和空間位置的準(zhǔn)確性。現(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(qiáng)分割區(qū)域的同性質(zhì)約束，分割區(qū)域很容易產(chǎn)生大量小空洞和不規(guī)整邊緣:若強(qiáng)調(diào)

14、不同區(qū)域間性質(zhì)差異的顯著性，則極易造成非同質(zhì)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(dāng)?shù)钠胶恻c(diǎn)。2 1.2.1 邊緣檢測(cè)法邊緣檢測(cè)技術(shù)對(duì)于處理數(shù)學(xué)圖像非常重要，因?yàn)檫吘壥撬崛∧繕?biāo)和背景的邊界線，提取出邊緣才能將目標(biāo)和背景區(qū)分開來。在圖像中，邊界表明一個(gè)特征區(qū)域的終結(jié)和另一個(gè)特征區(qū)域的開始，邊界所分開區(qū)域的內(nèi)部特征或?qū)傩允且恢?，而不同區(qū)域內(nèi)部的特征或?qū)傩允遣煌模吘壍臋z測(cè)正是利用物體和背景在某種圖像特性上的差異來實(shí)現(xiàn)的，這些差異包括灰度，顏色和紋理特征。邊緣檢測(cè)實(shí)際上就是檢測(cè)圖像特性發(fā)生變化的位置。由于噪聲和模糊的存在，檢測(cè)到的邊緣可能會(huì)變寬或在某些點(diǎn)處

15、發(fā)生間斷，因此，邊界檢測(cè)包括兩個(gè)基本內(nèi)容:首先抽取出反映灰度變化的邊緣點(diǎn)，然后剔除某些邊界點(diǎn)或填補(bǔ)邊界間斷點(diǎn)，并將這些邊緣連接成完整的線。邊緣檢測(cè)技術(shù)可以按照處理的技術(shù)分為串行邊緣檢測(cè)和并行邊緣檢測(cè)。所謂串行邊緣檢測(cè)技術(shù)，是指要想確定當(dāng)前像素點(diǎn)是否屬于欲檢測(cè)邊緣上的一點(diǎn)，取決于先前像素的驗(yàn)證結(jié)果；而在并行邊緣檢測(cè)技術(shù)中，一個(gè)像素點(diǎn)是否屬于檢測(cè)邊緣上的一點(diǎn)，取決于當(dāng)前正在檢測(cè)的像素點(diǎn)以及該像素點(diǎn)的一些相鄰像素點(diǎn)，這樣該模型可以同時(shí)用于圖像中的所有像素點(diǎn)，因而稱之為并行邊緣檢測(cè)技術(shù)。最簡(jiǎn)單的邊緣檢測(cè)方法是邊緣檢測(cè)算子，它利用相鄰區(qū)域的像素值不連續(xù)的性質(zhì)，采用一階或二階導(dǎo)數(shù)來檢測(cè)邊緣點(diǎn)。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(jiǎn)單介紹一下這些方法。1. 邊緣檢測(cè)算子邊緣檢測(cè)算子對(duì)圖像中灰度的變化進(jìn)行檢測(cè)，通過求一階導(dǎo)數(shù)極值點(diǎn)或二階導(dǎo)數(shù)過零點(diǎn)來檢測(cè)邊緣。常用的一階導(dǎo)數(shù)算子有梯度算子，Prewitt算子和Sobel算子，二階導(dǎo)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(duì)邊緣信息敏感，而且對(duì)像素點(diǎn)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(gè)曲面來擬合一個(gè)小窗口內(nèi)的數(shù)據(jù)，然后根據(jù)該曲面來決定邊緣點(diǎn)?；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(guān)的邊緣點(diǎn)，因而對(duì)圖像分割的后繼處理，如物體識(shí)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(diǎn)，用曲線來描述它們以便于高層處理也是經(jīng)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(jiǎn)單有效的圖像分割方法，其基本思想就是用一個(gè)或多個(gè)閾值將圖像的灰度級(jí)分成幾部分，灰度值在同一類的像素屬于同一目標(biāo)。閾值分割法的結(jié)果在很大程度上依賴于閾值的選擇，因此該方法的關(guān)鍵就是如何選擇合適的閾值。直方圖閾值分割對(duì)物體與背景有較強(qiáng)對(duì)比的背景分割特別有用，這種方法計(jì)算簡(jiǎn)

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(jìn)行圖像分割時(shí)，所有灰度值不小于（或相反）某閾值的像素都被判屬于目標(biāo)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(guān)系這樣一些內(nèi)部點(diǎn)的集合。如果感興趣的物體在其內(nèi)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(yīng)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(jì)，類間方差等優(yōu)化方法對(duì)更為復(fù)雜的情況進(jìn)行分割。下一章節(jié)將會(huì)對(duì)閾值分割法

19、進(jìn)行詳細(xì)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(jì)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(gè)物體或區(qū)域中,進(jìn)而將圖像分割成若干個(gè)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(zhǎng)法、分裂合并法。區(qū)域生長(zhǎng)法、分裂合并法：區(qū)域生長(zhǎng)法的基本思想是根據(jù)一定的相似性準(zhǔn)則，將圖像中滿足相似性準(zhǔn)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(gè)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(jié)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(zhǎng)的固

20、有缺點(diǎn)是分割效果依賴于種子的選擇及生長(zhǎng)順序,區(qū)域分裂技術(shù)的缺點(diǎn)是可能破壞邊界,所以它們常常與其他方法相結(jié)合,以期取得更好的分割效果。區(qū)域生長(zhǎng)算法的研究重點(diǎn):(l)特征度量和區(qū)域增長(zhǎng)規(guī)則的設(shè)計(jì);(2)算法的高效性和準(zhǔn)確性。區(qū)域生長(zhǎng)方式的優(yōu)點(diǎn)是計(jì)算簡(jiǎn)單。與閉值分割類似，區(qū)域增長(zhǎng)也很少單獨(dú)使用，往往是與其它分割方法一起使用。區(qū)域生長(zhǎng)的缺點(diǎn)是:（l）它需要人工交互以獲得種子點(diǎn)，這樣使用者必須在每個(gè)需要抽取出的區(qū)域中植入一個(gè)種子點(diǎn);(2)區(qū)域增長(zhǎng)方式也對(duì)噪聲敏感，導(dǎo)致抽取出的區(qū)域有空洞或者在局部體效應(yīng)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(gè)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(zhǔn)則迭代進(jìn)行合并。在區(qū)域分裂技術(shù)中，整個(gè)圖像先被看成一個(gè)區(qū)域，然后區(qū)域不斷被分裂為四個(gè)矩形區(qū)域，直到每個(gè)區(qū)域內(nèi)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(jìn)行合并。分裂合并方法不需要預(yù)先指定種子點(diǎn)，它的研究重點(diǎn)是分裂和合并規(guī)則的設(shè)計(jì)。但是，分裂合并技術(shù)可能會(huì)使分割區(qū)域的邊界破壞。和閾值法一樣，區(qū)域生長(zhǎng)法一般不單獨(dú)使用, 而是放在一系列處理過程中。它主要的缺陷是, 每一個(gè)需要提取的區(qū)域都必須人工給出一個(gè)種子點(diǎn), 這樣有多個(gè)區(qū)域就必須給出相應(yīng)的種子個(gè)數(shù)。此法對(duì)噪聲也很敏感, 會(huì)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(huì)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(jiǎn)述在許多圖像處理技術(shù)中，屬于目標(biāo)的像素點(diǎn)的灰度值和屬于背景的像素點(diǎn)的灰度值有明顯的差別，對(duì)于這種情況閾值分割算法就是一種簡(jiǎn)單高效的從背景中提取目標(biāo)的的方法。閾值法作為這樣一種實(shí)現(xiàn)簡(jiǎn)單、計(jì)算量小、性能較穩(wěn)定的圖像分割算法，被應(yīng)用在很多領(lǐng)域。例如在文本圖像分析中，提取文字信息、場(chǎng)景處理中檢測(cè)目標(biāo)、產(chǎn)品的質(zhì)量檢測(cè)、細(xì)胞圖像分割、無損檢測(cè)等等。閾值分割法是一種基于區(qū)域的圖像分割技術(shù)，其基本原理是：通過設(shè)定不同的特征閾值，把圖像像素點(diǎn)分為若干類。圖像閾值化的目的就是按照灰度級(jí)，對(duì)像素集合進(jìn)行劃分，得到的子集形成一個(gè)與現(xiàn)實(shí)景物相對(duì)應(yīng)的區(qū)域，各個(gè)區(qū)域的內(nèi)部具有

23、一致的屬性，可以通過一個(gè)或多個(gè)閾值實(shí)現(xiàn)。閾值分割法的關(guān)鍵就是如何找到合適的閾值。設(shè)原始圖像為f（x，y），首先以一定準(zhǔn)則在f（x，y）中找出一個(gè)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(diǎn)的值設(shè)置成l，小于該閾值的像素點(diǎn)的值設(shè)置成0。閾值運(yùn)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(diǎn)是實(shí)現(xiàn)簡(jiǎn)單，當(dāng)不同類的物體灰度值或者其它特征值相差很大時(shí)，它能有效地對(duì)圖像進(jìn)行分割。缺點(diǎn)是對(duì)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(zhǔn)確的結(jié)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(duì)噪音和灰度不均勻很敏感，經(jīng)常和其它的方法結(jié)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(yīng)閾值算法，統(tǒng)計(jì)最優(yōu)閾值算法，最大類間方差算法，下面將對(duì)這幾種方法做簡(jiǎn)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(gè)或多個(gè)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(gè)像素的灰度值與閾值進(jìn)行比較，并根據(jù)比較的結(jié)果將圖像中的對(duì)應(yīng)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(dá)到圖像分割的目的。基于閾值的圖像分割中經(jīng)常采用這樣一種假設(shè)：目標(biāo)或背景內(nèi)的相鄰像素間的灰度值是相似的，但不同目標(biāo)或背景的像

25、素在灰度上存在差異。設(shè)原始圖像為f（x，y），按照一定準(zhǔn)則在f（x，y）中找到某一個(gè)灰度值，該灰度值便是進(jìn)行分割時(shí)的閾值T，將圖像分割為兩個(gè)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(duì)于比較簡(jiǎn)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(duì)于一般的圖像，情況比較復(fù)雜，閾值化圖像分割通常存在兩方面的困難：一個(gè)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(gè)部分；另一個(gè)是閾值的確定，因?yàn)殚撝颠x擇的準(zhǔn)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(duì)于只有暗背景和亮目標(biāo)兩類對(duì)象的灰度圖像來說，閾值選取過高，容易把大量的目標(biāo)誤判為背景；閾值過低，又容易把大量的背景誤判為目標(biāo)。為此，下面介紹兩種簡(jiǎn)單的全局閾值的選擇方法?！胺骞取狈ㄟx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(biāo)區(qū)域和背景區(qū)域大小可比，而且目標(biāo)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(huì)呈現(xiàn)“雙峰”和“一谷”狀：其中一個(gè)峰值對(duì)應(yīng)于目標(biāo)的中心灰度，另一個(gè)峰值對(duì)應(yīng)于背景的中心灰度。也就是說，理想圖像的直方圖，目標(biāo)和背景對(duì)應(yīng)不同的峰值，選取位于兩個(gè)峰值之間的谷值作為閾值，就很容易將目標(biāo)和背景分開，從而

27、得到分割后的圖像。如圖2.1所示，對(duì)于還有細(xì)胞的醫(yī)學(xué)圖像，細(xì)胞的灰度通常比背景的灰度低得多，見圖2.2；根據(jù)經(jīng)驗(yàn)可以明顯地看出直方圖具有兩個(gè)峰值，則谷值被認(rèn)為是分割的閾值，見圖2.2；由此閾值劃分后得到的結(jié)果圖像如3.3所示，可以將原圖像中的目標(biāo)（細(xì)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(diǎn)是實(shí)現(xiàn)簡(jiǎn)單，對(duì)于不同類別的物體灰度值相差較大時(shí)，它能有效地對(duì)圖像進(jìn)行分割。但對(duì)于圖像中不存在明顯灰度峰谷，或目標(biāo)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(jié)果，而且谷值的選取對(duì)噪聲和灰度的不均勻很敏感。所

28、以，在實(shí)際中常常加以其他方法協(xié)助進(jìn)行谷值的選取，如下述的微分方法。在較簡(jiǎn)單的情況下，如果將直方圖的包絡(luò)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(shè)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(yīng)滿足下式 h（x）x=0和h2（x）x20。 （2-3） 與這些極小值點(diǎn)對(duì)應(yīng)的灰度值就可以用作圖像分割閾值。由于實(shí)際圖像受噪聲的影響，其直方圖經(jīng)常出現(xiàn)很多起伏，使得公式（2.3）計(jì)算出來的極小值點(diǎn)有可能并非是正確的圖像分割閾值，而是對(duì)應(yīng)虛假的谷值。一種有效的解決方法是先對(duì)直方圖進(jìn)行平滑處理，如用高斯函數(shù)g（x，）和直方圖函數(shù)進(jìn)行卷積運(yùn)算得到相對(duì)平滑直方圖，然后再用（2.3）式

29、求得閾值。2.3 自適應(yīng)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(duì)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(zhǔn)確區(qū)分出的閾值，對(duì)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(yīng)閾值分割方法，把灰度閾值取成一個(gè)隨圖像中位置緩緩慢變化的函數(shù)，保持一種局部的，相對(duì)的背景和物體之間的差異。實(shí)現(xiàn)自適應(yīng)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(xì)分為若干個(gè)子圖像，計(jì)算每個(gè)子圖像的直方圖，方差；而后，對(duì)不同的子圖像使用單獨(dú)的閾值進(jìn)行分割處理，對(duì)

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(duì)于那些雙峰或方差較大的子圖像，需要選擇一個(gè)適當(dāng)?shù)拈撝颠M(jìn)行劃分，簡(jiǎn)單的選擇方法為兩個(gè)峰值之間的谷值。最后，將各個(gè)分割后的子圖像拼合成一個(gè)完整分割圖像。顯然，各個(gè)子圖像的閾值只不相同的，隨著圖像的部位而自適應(yīng)變化的，需要解決的關(guān)鍵問題是如何將圖像進(jìn)行細(xì)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(jì)判決確定閾值方法，使得目標(biāo)和背景被誤分割的概率達(dá)到最小的閾值分割方法。因?yàn)樵趯?shí)際圖像分割中，總有可能存在把背景誤分為目標(biāo)區(qū)域，或者把目標(biāo)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(jì)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(biāo)類錯(cuò)分到背景類的概率， E0(T)是背景類錯(cuò)分到目標(biāo)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(biāo)與背景混合集概率密度p(i)的估計(jì)： pi=j=0lpjp(i|j) i=0,1,l-1；j=0,1. （2-4）其中p（j）為先驗(yàn)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(shí)別中最

32、大類間方差準(zhǔn)則確定分割的最佳門限。其基本思想是對(duì)像素進(jìn)行劃分，通過使劃分得到的各類之間的距離達(dá)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(shí)別的角度看，最佳閾值應(yīng)當(dāng)產(chǎn)生最佳的目標(biāo)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(shè)圖像的灰度級(jí)為0K-1，每個(gè)灰度級(jí)的概率為Pi，若某一個(gè)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(jí)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(jí)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(shí)的灰度z即為分割的最佳閾值T。因?yàn)榉讲钍腔叶确植季鶆蛐缘囊环N度量，方差越大，說明構(gòu)成圖像的兩部分差別越大，當(dāng)部分目標(biāo)錯(cuò)分為背景或部分背景錯(cuò)分為目標(biāo)都會(huì)導(dǎo)致兩部分差別變小。因此，使類間方差最大的分割意味著錯(cuò)分概率最小。在實(shí)際應(yīng)用中，直接應(yīng)用式（2-9）計(jì)算

34、量太大，因此一般在實(shí)現(xiàn)時(shí)采用等價(jià)式（2-10），則最佳閾值T為使得式（2-10）為最小時(shí)的z，即Max01(µ0-µ1) (2-10)63 圖像分割實(shí)驗(yàn)結(jié)果及實(shí)現(xiàn)平臺(tái)介紹3.1 LabVIEW簡(jiǎn)述LabVIEW是美國(guó)國(guó)家儀器公司開發(fā)的基于圖形編譯語言的實(shí)驗(yàn)室虛擬儀器集成環(huán)境, 把復(fù)雜、煩瑣、費(fèi)時(shí)的語言編程簡(jiǎn)化成用菜單或圖標(biāo)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(jiǎn)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(yīng)用程序。LabVIEW具有如下特點(diǎn)：1)它提供了“所見即所得”的可視化圖形

35、編程技術(shù)建立人機(jī)界面，提供了大量的儀器面板中的控制對(duì)象，如按鈕、開關(guān)、指示器、圖表等；2)它使用圖標(biāo)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(diào)試的功能，可以在源代碼中設(shè)置斷點(diǎn)，單步執(zhí)行源代碼，可在連線上設(shè)置探針，觀察程序執(zhí)行過程的數(shù)據(jù)流變化，大大簡(jiǎn)化了調(diào)試工作量；4)它采用了編譯方式運(yùn)行32位應(yīng)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(jīng)驗(yàn)也能很容易利用LabVIEW進(jìn)行程序設(shè)計(jì)，在其平臺(tái)上完成各種功能。 7 3.2 LabVIEW的應(yīng)用1.應(yīng)

36、用于生產(chǎn)檢測(cè)LabVIEW 已經(jīng)成為用于測(cè)試測(cè)量領(lǐng)域的工業(yè)標(biāo)準(zhǔn)化開發(fā)工具。LabVIEW 結(jié)合NITestStand 測(cè)試執(zhí)行環(huán)境和該領(lǐng)域中最大的儀器驅(qū)動(dòng)程序庫，為整個(gè)系統(tǒng)建立穩(wěn)固完整的檢測(cè)管理平臺(tái)。2.應(yīng)用于研究與分析運(yùn)用LabVIEW，可在汽車、能源研究和其它眾多工業(yè)領(lǐng)域的應(yīng)用系統(tǒng)中進(jìn)行實(shí)時(shí)數(shù)據(jù)的分析和計(jì)算; 對(duì)于要求聲音、振動(dòng)、圖像處理、時(shí)頻分析、小波和數(shù)字濾波的應(yīng)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(yīng)用于過程控制和工廠自動(dòng)化可利用LabVIEW 來建立眾多的過程控制和工業(yè)自動(dòng)化應(yīng)用系統(tǒng)。在LabVIEW 平臺(tái)下，可以實(shí)現(xiàn)高速、多通道的測(cè)量和控制。對(duì)于大型

37、復(fù)雜的工業(yè)自動(dòng)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(luò)進(jìn)行通信，以及提供基于PC 機(jī)的控制。4. 應(yīng)用于機(jī)器監(jiān)控對(duì)于要求有實(shí)時(shí)控制、振動(dòng)分析、視覺和圖像分析或運(yùn)動(dòng)控制的機(jī)器監(jiān)視和預(yù)先維護(hù)的應(yīng)用系統(tǒng)，LabVIEW 是理想的選擇。LabVIEW 系列產(chǎn)品，包括用于可靠、確定性控制的實(shí)時(shí)LabVIEW( LabVIEW RT) 軟件，就可以快速、準(zhǔn)確地建立起功能強(qiáng)大的機(jī)器監(jiān)視和自動(dòng)控制應(yīng)用程序。8在這么多的應(yīng)用當(dāng)中，LabVIEW作為機(jī)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(jīng)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(dòng)化和大大提高質(zhì)量和生產(chǎn)率，并且使學(xué)術(shù)界和工業(yè)都產(chǎn)生了很大的興趣。金工業(yè)正在使用的焊接工藝，連接兩個(gè)或更多的含金或非含金部分也急需焊接工藝的質(zhì)量和生產(chǎn)率。作為焊接工藝的重要事項(xiàng)之一，焊縫追蹤對(duì)質(zhì)量和生產(chǎn)力至關(guān)重要。首先，焊縫追蹤需要滿足焊接工藝的完全自動(dòng)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(shí)也解決了傳統(tǒng)模式低效率、低適應(yīng)力的缺點(diǎn)。9用機(jī)器視覺來替代人工視覺；同時(shí)在大批量工業(yè)生產(chǎn)過程中，用人工視覺檢查產(chǎn)品質(zhì)量效率低且精度不高，用機(jī)器視覺檢測(cè)方法可以大大提高生產(chǎn)效率和生產(chǎn)的自動(dòng)化程度。而且機(jī)器視覺易于實(shí)現(xiàn)信息集成，是實(shí)現(xiàn)計(jì)算機(jī)集成制造的

39、基礎(chǔ)技術(shù)。因此，在現(xiàn)代自動(dòng)化生產(chǎn)過程中，人們將機(jī)器視覺系統(tǒng)廣泛地用于工況監(jiān)視、成品檢驗(yàn)和質(zhì)量控制等領(lǐng)域。機(jī)器視覺技術(shù)是一門包含諸多科學(xué)領(lǐng)域的綜合技術(shù)，它不僅涉及到人工智能、光電學(xué)、物理學(xué)、計(jì)算機(jī)科學(xué)，而且還與圖像處理、模式識(shí)別等學(xué)科息息相關(guān)。在國(guó)外，機(jī)器視覺的應(yīng)用普及主要體現(xiàn)在半導(dǎo)體及電子行業(yè)，其中大概40%-50%都集中在半導(dǎo)體行業(yè)。具體如PCB印刷電路：各類生產(chǎn)印刷電路板組裝技 術(shù)、設(shè)備；單、雙面、多層線路板，覆銅板及所需的材料及輔料；輔助設(shè)施以及耗材、油墨、藥水藥劑、配件；電子封裝技術(shù)與設(shè)備；絲網(wǎng)印刷設(shè)備及絲網(wǎng)周邊材料等。SMT表面貼裝：SMT工藝與設(shè)備、焊接設(shè)備、測(cè)試儀器、返修設(shè)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(jī)、波峰焊機(jī)及自動(dòng)化生產(chǎn)線設(shè)備。電子生產(chǎn)加工設(shè)備：電子元件制造設(shè)備、半導(dǎo)體及集成電路制造設(shè)備、元器件成型設(shè)備、電子工模具。機(jī)器視覺系統(tǒng)還在質(zhì)量檢測(cè)的各個(gè)方面已經(jīng)得到了廣泛的應(yīng)用，并且其產(chǎn)品在應(yīng)用中占據(jù)著舉足輕重的地位。 10實(shí)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(diào)用Matlab實(shí)現(xiàn)；三是直接設(shè)計(jì)VI實(shí)現(xiàn)功能；三種途徑各有優(yōu)缺點(diǎn)，VISION模塊需要另外購(gòu)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(huì)更強(qiáng)大。如果直接通過LabVIE

41、W平臺(tái)完成，則方便修改，但是較前兩種方法，所能實(shí)現(xiàn)的功能有限。3.3 VI設(shè)計(jì)作為實(shí)現(xiàn)圖像處理的第一步，首先要讀取圖像，并將其轉(zhuǎn)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(zhuǎn)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(jìn)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(zhuǎn)換為二維數(shù)組，并計(jì)算顯示出圖像像素點(diǎn)的行數(shù)與列數(shù)。灰度使用黑色調(diào)表示物體,即用黑色為基準(zhǔn)色，用不同的飽和度的黑色來顯示圖像。 每個(gè)灰度對(duì)象都具有從 0%（白色）到100%（黑色）的亮度值。將圖像數(shù)據(jù)轉(zhuǎn)換為像素點(diǎn)的二維數(shù)組后，接下來的步驟就是將圖

42、像轉(zhuǎn)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(diǎn)的RGB三色分解開，再利用公式（3-1）將彩色轉(zhuǎn)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(zhuǎn)換為灰度圖像后，建立一維256個(gè)元素的數(shù)組，并將其初始化為0。然后調(diào)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(gè)峰值灰度分別對(duì)應(yīng)目標(biāo)和背景，則兩峰之間的谷點(diǎn)就是我們要找的閾值。所以圖像必須滿足是目標(biāo)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(diǎn)則灰度值取0（黑），灰度值大于閾值的像素點(diǎn)則灰度值取255（白）。但是雙峰法必須手動(dòng)確定閾值。具體程序設(shè)計(jì)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(jié)構(gòu)，根據(jù)選取的閾值，將像素點(diǎn)逐一進(jìn)行二值化，然后將二值化后的像素點(diǎn)重新繪制成圖像，就實(shí)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(jīng)介紹過，從模式的識(shí)別的角度看，最佳閾值應(yīng)當(dāng)產(chǎn)生最佳的目標(biāo)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(dòng)的。圖3.8為大津法選取閾值的程序設(shè)計(jì)圖。下文將綜合比較雙峰法和大津法。 圖3.6 大津法程序設(shè)計(jì)3.4實(shí)驗(yàn)結(jié)果比較總結(jié)從程序設(shè)計(jì)的角度看，雙峰法非常簡(jiǎn)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(shè)計(jì)上會(huì)稍微復(fù)雜一些，但是閾值是自動(dòng)產(chǎn)生的，因?yàn)閷?duì)灰度直方圖沒有太多的要求，所以適用的范圍會(huì)比雙峰法廣。以下是具體實(shí)驗(yàn)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(jié)果上來看，大津法分割的圖像，其目標(biāo)與背景的分離度會(huì)較好，細(xì)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?yàn)榭梢允謩?dòng)輸入閾值，其閾值還可以自行調(diào)整，能夠調(diào)整到更好的結(jié)果。下面在以不同的圖像進(jìn)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(dá)到比較良好的結(jié)果，但從結(jié)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(shí)際中，圖像分割要復(fù)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(jié)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(shí)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(gè)灰度值分布平坦的，但從分割的結(jié)果上來看，大津法都能較好的分割圖片，達(dá)到不錯(cuò)的結(jié)果。所以，如果不結(jié)合其他方法或進(jìn)行后續(xù)處理使用單一閾值分割圖像的話，綜合程序設(shè)計(jì)和分割結(jié)果的角度上看，雙峰法人工輸入閾值，程序設(shè)計(jì)簡(jiǎn)單，但應(yīng)用的范圍有限，大津法可以自動(dòng)產(chǎn)生閾值，但是程序設(shè)計(jì)稍微復(fù)雜些，但應(yīng)用的范圍比雙峰法大得多，且分割的效果不錯(cuò)。結(jié)論本課題基于LabVIEW的圖像處理功能，實(shí)現(xiàn)了圖像分割的功能。本課題起步于圖像分割的算法，對(duì)其中幾種算法進(jìn)行