數(shù)字圖像處理論文圖像分割

1、 數(shù)字圖像處理 論文題目： 圖像分割 學 院： 專業(yè)班級： 學 號： 姓 名： 日 期： 2014年 6 月 成 績： 任課教師： 目錄一.摘要2二.正文內(nèi)容22.1圖像和數(shù)字圖像2 2.2圖像分割的研究意義22.3圖像分割的發(fā)展現(xiàn)狀及趨勢32.4分割方法與比較4三.總結(jié)及展望10四.參考文獻10 圖像分割一.摘要： 圖像分割是進行圖像理解的基礎(chǔ)，是圖像工程技術(shù)中的一個重要問題。近年來，人們越來越重視圖像的分割算法，并期望尋求一種實時性、魯棒性較好的算法。圖像分割技術(shù)在當今信息社會中具有極其廣泛的用途，特別是在醫(yī)學圖像診斷、衛(wèi)星遙感圖像識別、交通車牌信息識別等等方面尤其有現(xiàn)實意義。目前機器學習

2、技術(shù)正越來越多地引領(lǐng)圖像分割領(lǐng)域的研究發(fā)展，支持向量機正是其中一種較為先進的研究方法。二.正文內(nèi)容： 2.1圖像和數(shù)字圖像： 圖像是能為人類視覺所感知的信息形式或人們心目中的有形想象。據(jù)統(tǒng)計，在人類接受的信息中，視覺信息約占80%，俗語“百聞不如一見”就反映了圖像在信息感知中的獨到之處。目前，圖像處理技術(shù)發(fā)展迅速，應用領(lǐng)域也越來越廣。 圖像可以通過各種各樣的形式存在，例如：靜止圖像于運動圖像；灰度圖像和彩色圖像；平面圖像與立體圖像等等，但是就其本質(zhì)而言，我們可將圖像分為連續(xù)圖像和離散圖像。對于圖像信號，為了描述的方便和不失一般性，假定圖像的指標空間為時間（）和幾何空間（，）構(gòu)成，其值空間為U，

3、其元素uR,uG,uB。如果指標空間D中的所有元素d=(d1,d2,.dn)=(x,y,z,t)均可取連續(xù)值，則稱此信號為連續(xù)圖像。相反的，如果d只能取離散值的圖像為離散圖像。習慣上，把空間連續(xù)（或離散）的圖像稱為連續(xù)（或離散）圖像。數(shù)字圖像指幅度和空間同時離散（或同時連續(xù)的圖像）。與模擬圖像相比，數(shù)字圖像具有以下顯著特點：1）精度高：目前的計算機技術(shù)可以將一幅模擬圖像化為任意的二維數(shù)組，即數(shù)字圖像可以由無限個像素組成，每個像素的亮度可以量化為12位（即4096個灰度級），這樣的精度使數(shù)字圖像與彩色圖像的效果相差無幾；2）處理方便：由于數(shù)字圖像本質(zhì)上是一組數(shù)據(jù)，所以可以使用計算機對它進行任意方

4、式的修改，例如，放大、縮小、改變顏色、幅值和刪除某一部分等；3）重復性好：模擬圖像（例如，照片）即便使用非常好的底片和相紙，也會隨著時間的流逝而褪色、發(fā)黃，而數(shù)字圖像可以儲存在光盤中，上百年后再用計算機重現(xiàn)也不會有絲毫的改變。2.2圖像分割的研究意義： 圖像分割是計算機圖像處理的一個基本問題，是進行許多后續(xù)圖像分析任務的先行步驟。圖像識別、圖像可視化和基于目標的圖像壓縮都高度依賴圖像分割的結(jié)果。因此，圖像分割一直得到人們的高度重視，提出了很多分割法。圖像分割時一種重要的圖像技術(shù)，在不同領(lǐng)域中也具有不同的名稱：如目標輪廓技術(shù)，閾值化技術(shù)，圖像差分技術(shù)，目標檢測技術(shù)，目標識別技術(shù)，標跟蹤技術(shù)等，這

5、些技術(shù)本身或其核心實際上也就是圖像分割技術(shù)，圖像分技術(shù)是圖像處理、分析的一項基本內(nèi)容。 圖像分割的應用非常廣泛，幾乎出現(xiàn)在有關(guān)圖像處理的所有領(lǐng)域，并涉及各種類型的圖像。圖像分割在工業(yè)自動化、在線產(chǎn)品檢驗、生產(chǎn)控制、文件圖像處理、保安監(jiān)視、以及軍事、體育、農(nóng)業(yè)工程方面都有廣泛的應用。例如在醫(yī)學中將核磁共振圖像中特定的器官分割出來，用于疾病的診斷；在遙感圖像中將農(nóng)田分割出來用于估計農(nóng)產(chǎn)品的產(chǎn)量；圖像分割在地質(zhì)、環(huán)保、氣象等一系列領(lǐng)域也有著廣泛的應用。MPEG-4的一個重要思想就是基于對象的編碼，在編碼之前首先將對象分割出來等。在各種圖像應用中，只要需對圖像目標進行提取、測量等都離不開圖像分割。特性

6、分割的準確性將直接影響后續(xù)任務的有性，因此圖像分割具有十分重要的意義。2.3圖像分割的發(fā)展現(xiàn)狀及趨勢： 對于圖像分割來說，如果不利用關(guān)于圖像或所研究目標的先驗知識，任何僅僅基于單純的數(shù)學工具的方法都很難取得很好的效果。因此，在很多時候，人們傾向于重新設計一個針對具體問題的新算法來解決自己所面臨的圖像分割問題。然而由于我們只能用圖像信息中的某些特征（如灰度差別、彩色差別、局部紋理差別/局部統(tǒng)計特征或局部區(qū)域的頻譜特征差別等）去分割區(qū)域，因此各種分割方法必然會帶有局限性；同時由于缺乏一個統(tǒng)一的理論作為基礎(chǔ)，同時也缺乏對人類視覺系統(tǒng)機理的深刻認識，我們到目前為止還無法構(gòu)造一種能夠成功應用于所有圖像的

7、統(tǒng)一的圖像分割算法。當我們現(xiàn)實中分割一幅圖像時，一般是通過經(jīng)驗和直覺去選擇方法，然后經(jīng)過多次實踐來找到一種最佳的方法。因此在圖像分割過程中，有經(jīng)驗的人比較容易選擇出適當?shù)姆椒?，使對不同圖像都能得到不錯的分割效果。但是當處理的圖像十分龐大時，這種方法就比較困難了。 縱觀最近幾年圖像分割技術(shù)的發(fā)展，我們不難看到以下的趨勢8： 第一，很多學者致力于將新的概念、新的方法引入圖像分割領(lǐng)域，如這幾年新興的模糊算法，神經(jīng)網(wǎng)絡與遺傳算法，小波算法，粗集理論，數(shù)學形態(tài)學等理論都先后被應用于圖像分割領(lǐng)域，有效的解決了原有方法的某些不足和缺陷，改善了分割效果，同時也拓寬了人們的思路。隨著基礎(chǔ)理論研究的不斷發(fā)展，這一

8、趨勢也會不斷發(fā)展下去。 第二，人們非常重視多種分割算法的結(jié)合。綜合使用兩種或兩種以上的方法，能夠在一定程度上克服單一算法在處理某些特定圖像的缺陷和不足。如何結(jié)合不同的算法，以及采取何種的結(jié)合方式來彌補各自的不足、取得良好的分割效果將是人們在今后的長時間里都將關(guān)注的問題之一。 第三，針對特定區(qū)域的特殊問題，利用這些領(lǐng)域的專業(yè)知識來輔助解決圖像分割問日，越來越多的吸引了研究人員的注意力。相應的，對圖像分割做為一個同一的對象的研究子啊逐漸弱化。醫(yī)學圖像處理中的病理圖像分割、工業(yè)圖像分割、安全圖像處理中的保密信息提取、軍事圖像處理中的雷達圖像分割及衛(wèi)星圖像分割、交通圖像處理中的車牌識別等都是近幾年來圖

9、像分割領(lǐng)域中討論較多的熱點問題。2.4分割方法與比較：1. 檢測圖像邊緣： 原理：圖像邊緣是圖像最基本的特征，邊緣在圖像分析中起著重要作用。所謂邊緣是指圖像局部特性的不連續(xù)性?；叶然蚪Y(jié)構(gòu)等信息的突變處為成為邊緣。邊緣是一個區(qū)域的結(jié)束，也是另一個區(qū)域的開始，利用此特征可以分割圖像。 邊緣檢測的實質(zhì)是采用某種算法來提取出圖像中對象與背景間的交界線。圖像灰度的變化情況可以用圖像灰度分布的梯度來反映，因此我們可以用局部圖像微分技術(shù)來獲得邊緣檢測算子。經(jīng)典的邊緣檢測方法是對原始圖像中像素的某小鄰域來構(gòu)造檢測算子。 拉普拉斯邊緣檢測算子是基于二階導數(shù)的邊緣檢測算子，對噪聲敏感。拉普拉斯算子的改進方式是先對

10、圖像進行平滑處理，然后再應用二階倒數(shù)的邊緣檢測算子，其代表是拉普拉斯高斯算子。2.圖像邊緣檢測的程序：I=imread(d.bmp); %讀入原始圖像I=rgb2gray(I); %將真彩色圖像轉(zhuǎn)化為灰度圖像m,n=size(I); %確定圖片的的長和寬r=m+2; %把圖片的長和寬各加2c=n+2;b=zeros(r,c); %定義二維數(shù)組b,長、寬比I各多2，成為鏡框的尺寸g=zeros(m,n); %定義濾波后的數(shù)組d=zeros(3); %定義三階方陣d,為臨時矩陣t=-1 -1 -1;-1 8 -1;-1 -1 -1; %定義拉普拉斯算子Result=zeros(3); %定義三階方

11、陣Result，為運算結(jié)果矩陣%原圖像矩陣處理，做一個像框b(2:m+1,2:n+1)=I; %把原圖的矩陣放到新的矩陣b中心，它的第一行、最后一行、第一列、最后一列都是0，即原圖矩陣周圍有一圈0的邊緣，好像給圖像加一個像框b(1,:)=b(2,:); %把第二行的值賦給第一行b(r,:)=b(r-1,:); %把倒數(shù)第二行的值賦給最后一行b(:,1)=b(:,2); %把第二列的值賦給第一列b(:,c)=b(:,c-1); %把倒數(shù)第二列的值賦給最后一列%用拉普拉斯算子進行濾波for i=1:m for j=1:n d=b(i:i+2,j:j+2); %從b矩陣中依次取出三階方陣，賦值給臨時

12、矩陣d Result=d.*t; %臨時矩陣與拉普拉斯算子點乘，賦值給結(jié)果矩陣d g(i,j)=sum(sum(Result); %結(jié)果矩陣中十字線上元素相加，賦值給輸出矩陣中相應的位置，即臨時矩陣中心元素所對應的位 endendthresh=2.6*mean2(abs(g); %設定閾值將圖像二值化使邊緣清晰J=repmat(logical(uint8(0),m,n); %創(chuàng)建數(shù)組J(find(gthresh)=1; %閾值判斷二值化 figure,subplot(2,2,1),imshow(I);title(原始圖像); %顯示原圖像subplot(2,2,2),imshow(J); ti

13、tle(拉普拉斯邊緣檢測后的圖像); %顯示拉普拉斯邊緣檢測后的圖像subplot(2,2,3),imshow(g); title (將拉普拉斯邊緣檢測二值化后的圖像) 圖像經(jīng)邊緣檢測后的MATLAB程序?qū)崿F(xiàn)效果圖如下：2. Hough變換檢測直線：原理：Hough變換用來在圖象中查找直線，把直線上點的坐標變換到過點的直線的系數(shù)域，通過利用共線和直線相交的關(guān)系，使直線的提取問題轉(zhuǎn)化為計數(shù)問題。對于任意兩點的直線方程：y=ax+b，由于垂直直線a為無窮大，我們改用極坐標形式： xcos+ysin=參數(shù)平面為，對應不是直線而是正弦曲線使用交點累加器，或交點統(tǒng)計直方圖，找出相交線段最多的參數(shù)空間的點

14、然后找出該點對應的xy平面的直線線段Hough變換的基本策略是：由圖像空間中的邊緣數(shù)據(jù)點去計算參數(shù)空間中的參數(shù)點的可能軌跡，并在一個累加器中給計算出的參考點計數(shù)，最后選出峰值。Hough變換法主要優(yōu)點是受共線點的間隙和噪聲影響較小。對于激光測距儀采集的一幀數(shù)據(jù)進行哈夫變換處理可將數(shù)據(jù)點集按線段分成若干簇。圖像邊緣檢測的程序：拉普拉斯邊緣檢測程序如上。 Hough檢測：I=imread(d,tif);g=rgb2gray(I); %圖像灰度化J=im2uint8(g);m,n=size(J);for i=1:m for j=1:n %圖像原點在(1,1)處，所以模版從(2,2)處開始計算，在(m

15、-1,n-1)處結(jié)束 if J(i,j)150; J(i,j)=0; else J(i,j)=255; end endenda=180; % Hough變換檢測直線，用參數(shù)（a，p）坐標空間；角度的值為0到180度d=round(sqrt(m2+n2); %圖像對角線長度為d的最大值s=zeros(a,2*d); %記錄(a,p)像應的點的個數(shù)z=cell(a,2*d); %記錄(a,p)像應的點的坐標for i=1:m for j=1:n %圖像中的每個點 if(J(i,j)=0) %只檢測圖像邊緣的黑點，白點不檢測 for k=1:a p = round(i*cos(pi*k/180)+j

16、*sin(pi*k/180);%對每個點從1到180度尋跡一遍，取得經(jīng)過該點的所有直線的p值 if(p 0) %若p大于0，則將點存儲在（d，2d）空間 s(k,d+p)=s(k,d+p)+1; %（a，p）相應的累加器單元加1 zk,d+p=zk,d+p,i,j; %存儲點的坐標 else ap=abs(p)+1; %若p小于0，則將點存儲在（0，d）空間 s(k,ap)=s(k,ap)+1; %（a，p）相應的累加器單元加1 zk,ap=zk,ap,i,j; %存儲點的坐標 end end end endendfor i=1:a for j=1:d*2 %檢查每個累加器單元中存儲數(shù)量 if

17、(s(i,j) 110) %設置適當?shù)拈撝狄员ＷC所檢測出的直線清晰，設閾值為110 lp=zi,j; %提取對應點坐標 for k=1:s(i,j) %對滿足閾值條件的累加器單元中(a，p)對應的所有點進行操作 I(lp(1,k),lp(2,k),1)=0; I(lp(1,k),lp(2,k),2)=0; I(lp(1,k),lp(2,k),3)=255; %對檢測出的點賦藍色凸顯直線 end end endendfigure(1),imshow(g);title(顯示原圖像);figure(2),imshow(J);title(二值反轉(zhuǎn)后的圖像)figure(3),imshow(I);tit

18、le(進行hough變換顯示直線);圖像經(jīng)邊緣檢測后的MATLAB程序?qū)崿F(xiàn)效果圖如下：由上述圖像可知，對于同一副圖像，各種處理方法所得的結(jié)果也是不相同的，一階微分算子可以得到邊緣，但是其邊緣不能夠連續(xù)，而且對某些地方處理的不夠到位。雙峰法對這幅圖像處理結(jié)果比較粗糙，主要是因為該方法對圖像要求較高。最小二值法和自適應閾值法處理結(jié)果都比較不錯，是圖像處理中應用較為廣泛和穩(wěn)定的方法。一般的分水嶺分割得到的處理結(jié)果由于方法的原因，產(chǎn)生過分割現(xiàn)象比較頻繁，但是經(jīng)過濾波和合并后，得到的效果也比較令人滿意。而區(qū)域生長法由于種子點選取的不同所得到的結(jié)果也各不相同，如上圖所選取的種子點所得到的結(jié)果就比較差。但是

19、，如本文上面所說，對于不同的圖像所得的處理結(jié)果也不同，所以這里的評價也不是絕對的，對于不同的對象，應當看情況而論。三.總結(jié)及展望： 這次數(shù)字圖像處理實驗總共分兩個模塊：一、圖像加強；二、圖像增強。完成這次實驗也差不多用了一個周的時間來完成它。因為之前很少接觸Matlab，其中的好多語句及函數(shù)用法都不是很熟悉。開始做圖像處理之前首先要熟練Matlab怎么運行，以及熟練掌握其中的一些語句格式及函數(shù)功能。在安裝KEIL軟件時出現(xiàn)了些小問題也在網(wǎng)上找到解決的方案。 之后開始做圖像處理實驗，開始的圖像反轉(zhuǎn)，對數(shù)變換，gamma變化相對比較容易一些。將實驗結(jié)果成功運行之后也真切的感受了一下數(shù)字圖像處理的用

20、處。在這過程中也遇到了些小的問題比如：要將彩色圖像轉(zhuǎn)化為灰度對象，如何在一個界面顯示多幅圖像以增加對比性，如何在圖像上加標題經(jīng)過查閱相關(guān)資料也順利解決了，也在后面的實驗中熟練運用了。在圖像均衡化處理的時候花費了很多的時間去學習算法，然后編寫自己的程序。直接調(diào)用KEIL已有的函數(shù)顯示的結(jié)果稍微會比自己編寫的程序運行出的結(jié)果要好一些。實驗二的圖像分割是整個實驗花費時間最多的尤其是在Hough變換上出現(xiàn)了很多問題，無論怎么修改Hough變換的程序只能顯示Hough變換圖，但是就是檢測不出所預想的直線來。然后和同學商量之后先用拉普拉斯邊緣檢測檢測出邊緣來，然后二值化是邊緣更加清晰些，因為Hough檢測黑線會比白線效果更好一點，所以對二值化后的拉普拉斯圖像進行反轉(zhuǎn)，再用Hough進行直線檢測