基于Matlab的數(shù)字圖像分割

1、基于基于Matlab的數(shù)字圖像分割的數(shù)字圖像分割黃山黃山自動化工程學(xué)院自動化工程學(xué)院引言引言圖像處理的一個重要任務(wù)是對圖像中的景物進行分析和理解，包括： 圖像分割：把圖像分割成不同的區(qū)域 特征抽?。赫页龇珠_的各區(qū)域的特征 圖像識別與分類：識別圖像中要找的東西，或?qū)D像中不同的特征進行分類 圖像分析或理解：對于不同區(qū)域進行描述，或?qū)ふ也煌瑓^(qū)域之間的相互聯(lián)系，或把相關(guān)區(qū)域連接起來組成一個有意義的結(jié)構(gòu)引言引言圖像處理、識別與理解的含義： 圖像處理包括圖像增強與恢復(fù)，可看作是預(yù)處理。其輸入、輸出均為圖像 圖像識別對圖像的分割、特征提取、分類及結(jié)構(gòu)分析可稱為圖像識別。輸入是圖像，輸出是分類及結(jié)構(gòu)分析 圖

2、像理解對圖像的描述與解釋。輸入是圖像，輸出是描述和解釋引言引言 圖像分割根據(jù)某種均勻性的原則將圖像分成若干個有意義的部分，使每部分都符合某種一致性的要求。而任意兩個相鄰部分的合并都會破壞這種一致性 圖像的邊緣邊緣指的是包圍著連通區(qū)域的一條封閉的邊緣曲線。邊緣兩側(cè)分屬于兩個區(qū)域，每個區(qū)域內(nèi)部特性相對一致，而兩個區(qū)域之間特性有差異，存在著灰度的突變，引言引言圖像分割的原則： 基于點相關(guān)的分割依據(jù)各個像素點的灰度不連續(xù)性進行分割。如基于邊界的分割方法 基于區(qū)域相關(guān)的分割依據(jù)同一區(qū)域具有相似的灰度這一特性，尋求不同區(qū)域之邊界。如基于區(qū)域的分割方法一一 尋找圖像邊界的分割尋找圖像邊界的分割 1 確定作為

3、搜索起點的邊緣點（通常采用梯度值最大的點） 2 采取一種合適的數(shù)據(jù)結(jié)構(gòu)和搜索機理，在已經(jīng)發(fā)現(xiàn)的邊界點基礎(chǔ)上確定新的邊界點。 3 確定搜索終結(jié)的準(zhǔn)則或終止條件一一 尋找圖像邊界的分割尋找圖像邊界的分割針對銳化后圖像邊緣間隔大或邊緣點稀疏的情況，采用直線段或曲線函數(shù)來擬合這些邊緣點，以形成部分邊界，從而得到整個完整邊界二二 基于區(qū)域灰度的圖像分割基于區(qū)域灰度的圖像分割1、灰度級的門限化法（1）門限化法：適用于對象與背景占據(jù)不同灰度級范圍 原理：選取一個適當(dāng)?shù)幕叶燃夐T限，然后將每個像素灰度和它進行比較，超過門限的重新分配以最大灰度，低于門限的分配以最小灰度。這樣可組成一幅新的二值圖像，并將對象從背景

4、中分離出來通過對圖像的直方圖進行分析，發(fā)現(xiàn)圖像分割的閾值，通過該閾值完成對圖像不同區(qū)域的分割二二 基于區(qū)域灰度的圖像分割基于區(qū)域灰度的圖像分割（2）半門限化法 原理：對圖像中的背景表示成最大或最小的灰度，而把圖像中的對象保留下來。TT1111二二 基于區(qū)域灰度的圖像分割基于區(qū)域灰度的圖像分割（3）用門限化法檢測對象邊緣 原理：使用門限化法時，令灰度和所取門限值相同的像素點具有新的灰度值為1，而其余的各點的灰度值為0，即可檢測出邊緣。 實用的方法：令原圖像灰度值在門限值近旁一個小區(qū)域內(nèi)的像素點的灰度為1，其余為0。2、閾值的選擇 極小點閾值通過尋找直方圖的極小點確定分割閾值，在確定極小點過程中可

5、能需要對直方圖進行平滑。 最優(yōu)閾值通常，圖像中目標(biāo)和背景的灰度值有部分交錯，再分割時總希望減少分割誤差。為此，需要研究最優(yōu)閾值問題。通過背景和目標(biāo) 的灰度概率分布函數(shù)可以在一定條件下確定最佳閾值3、邊緣檢測基于灰度不連續(xù)性進行分割的方法 差分邊緣檢測 處在邊緣兩側(cè)的點，圖像灰度將發(fā)生急劇的變化，因此具有較大的差分值，當(dāng)差分方向與邊界方向垂直時，具有最大的差分值。差分是灰度變化的有方向性的運算 梯度邊緣檢測 梯度是各向同性的運算，它既可以檢測出邊緣，又和施加運算的方向無關(guān)可采用四鄰域和八鄰域的運算3、邊緣檢測 拉普拉斯邊緣檢測 各向同性的運算，對灰度突變敏感 用于邊緣檢測時，為避免出現(xiàn)負(fù)值，常取

6、其絕對值 方向模板邊緣檢測 類似于銳化模板，采用方向模板進行邊緣檢測 各種邊緣檢測算子：Sobel、Prewitt、Krisch、Wallis等算子既可以用于圖像銳化，又可以用于圖像邊緣檢測3、邊緣檢測Roberts梯度交叉邊緣檢測 普通梯度算子檢測水平或垂直方向上的變化； Roberts梯度交叉算子檢測的是沿與圖像坐標(biāo)軸45度或135度角方向上的灰度梯度；-10010-110Roberts交叉邊緣檢測效果3、邊緣檢測Sobel模板101202101xd121000121yd垂直檢測模板水平檢測模板Sobel模板邊緣檢測效果3、邊緣檢測Kirsch算子對八鄰域進行計算，用3個相鄰點的加權(quán)和減去

7、5個相鄰點的加權(quán)和；33-53-533-53-5-53-5333-5-5-533333-5-53-53333-533-53-533333-53-5-5333333-5-5-53333-53-5-53、邊緣檢測Laplace算子無方向性的二階微分算子，可用二階差分代替；經(jīng)常表示成模板形式用于邊緣檢測時，為避免出現(xiàn)負(fù)值，常取其絕對值對圖像中的噪聲非常敏感，另外還會產(chǎn)生雙象素寬的邊緣，很少直接用于邊緣提取0-10-14-10-10-10-1040-10-1-1-1-1-18-1-1-1-13、邊緣檢測LoG算子（Laplacian of Gaussian）對Laplace算子的改進，為減少噪聲的影響

8、，對圖像進行平滑，平滑函數(shù)采用高斯函數(shù)對平滑后的圖像再用Laplace算子LoG算子是軸對稱的各向同性算子Laplacian of GaussianCanny算子邊緣檢測效果三三 區(qū)域擴張的圖像分割區(qū)域擴張的圖像分割基本思路： 將圖像劃分為逐級分解的小區(qū)，利用一定的合并和分裂準(zhǔn)則對小區(qū)進行檢驗，確定小區(qū)是否需要分裂或相鄰小區(qū)是否需要合并。通常特征準(zhǔn)則是以圖像某些特征 (灰度、色彩、統(tǒng)計特征) 的均勻性為依據(jù)的。三三 區(qū)域擴張的圖像分割區(qū)域擴張的圖像分割1、區(qū)域生長法 從生長點開始，搜索其鄰域，把符合接收規(guī)則的點或子區(qū)歸并進來，形成新的生長點，直到當(dāng)前區(qū)域不能再合并為止三三 區(qū)域擴張的圖像分割區(qū)

9、域擴張的圖像分割2、子區(qū)域合并法 以小區(qū)域內(nèi)的灰度分布的相似性來進行區(qū)域合并將圖像分成若干個子區(qū)從第一個子區(qū)開始，分別計算子區(qū)與相鄰子區(qū)的灰度統(tǒng)計量，然后做相似性判別。若滿足則合并；若不滿足，則進行標(biāo)記繼續(xù)新一輪判定，直到?jīng)]有可歸并的子區(qū)為止，對整幅圖像中有標(biāo)記的子區(qū)重復(fù)上述操作四四 實驗實驗1.分別用Sobel、Laplacian of Gaussian方法對一幅灰度圖像進行邊緣提取。2. 給出對比結(jié)果3.對一幅灰度圖像進行灰度分割處理實驗結(jié)果： 比較提取邊緣的效果可以看出，Sober算子是一種微分算子，對邊緣的定位較精確，但是會漏去一些邊緣細(xì)節(jié)。而Laplacian of Gaussian算子是一種二階邊緣檢測方法，它通過尋找圖象灰度值中二階過零點來檢測邊緣并將邊緣提取出來,邊緣