圖像分割算法研究報告及實現(xiàn)

1、-. z.中北大學(xué)課 程 設(shè) 計 說 明 書學(xué)生：梁一才*：10050644*30學(xué)院：信息商務(wù)學(xué)院專業(yè)：電子信息工程題目：信息處理綜合實踐: 圖像分割算法研究與實現(xiàn)指導(dǎo)教師： 平 職稱: 副教授 2013 年 12 月 15 日中北大學(xué)課程設(shè)計任務(wù)書 13/14 學(xué)年第一學(xué)期學(xué)院：信息商務(wù)學(xué)院專業(yè)：電子信息工程學(xué)生*：焦晶晶*：10050644*07學(xué)生*：曉峰*：10050644*22學(xué)生*：梁一才*：10050644*30課程設(shè)計題目：信息處理綜合實踐: 圖像分割算法研究與實現(xiàn)起迄日期： 2013年12月16日2013年12月27日課程設(shè)計地點：電子信息科學(xué)與技術(shù)專業(yè)實驗室指導(dǎo)教師：平系

2、主任：王浩全下達(dá)任務(wù)書日期: 2013 年12月15 日課 程 設(shè) 計 任 務(wù) 書1設(shè)計目的：1、通過本課程設(shè)計的學(xué)習(xí)，學(xué)生將復(fù)習(xí)所學(xué)的專業(yè)知識，使課堂學(xué)習(xí)的理論知識應(yīng)用于實踐，通過本課程設(shè)計的實踐使學(xué)生具有一定的實踐操作能力；2、掌握Matlab使用方法，能熟練運(yùn)用該軟件設(shè)計并完成相應(yīng)的信息處理；3、通過圖像處理實踐的課程設(shè)計，掌握設(shè)計圖像處理軟件系統(tǒng)的思維方法和根本開發(fā)過程。2設(shè)計容和要求包括原始數(shù)據(jù)、技術(shù)參數(shù)、條件、設(shè)計要求等：(1)編程實現(xiàn)分水嶺算法的圖像分割；(2)編程實現(xiàn)區(qū)域分裂合并法；(3)比照分析兩種分割算法的分割效果；(4)要求每位學(xué)生進(jìn)展查閱相關(guān)資料，并寫出自己的報告。注意

3、每個學(xué)生的報告要有所側(cè)重，寫出自己所做的容。3設(shè)計工作任務(wù)及工作量的要求包括課程設(shè)計計算說明書(論文)、圖紙、實物樣品等：每個同學(xué)獨(dú)立完成自己的任務(wù)，每人寫一份設(shè)計報告，在課程設(shè)計論文中寫明自己設(shè)計的局部，給出設(shè)計結(jié)果。-. z.課 程 設(shè) 計 任 務(wù) 書4主要參考文獻(xiàn)：1 夏得深，傅德勝.現(xiàn)代圖像處理技術(shù)與應(yīng)用M：東南大學(xué)出版，2001：120-135.2 K.R.Castleman.數(shù)字圖像處理M：電子工業(yè)，1998：110，166，220.3 岡薩雷斯.數(shù)字圖像處理MATLAB版M：電子工業(yè)，2005;111-120，152.4 直芳，游勝志.基于多尺度彩色形態(tài)矢量算子的邊緣檢測J.中國

4、圖像圖形學(xué)報，2002，321：30-33.5 晨，顧峰基于3D直方圖的彩色圖像分割方法J.中國圖像圖形學(xué)報，2002，332：35-38.5設(shè)計成果形式及要求：畢業(yè)設(shè)計說明書仿真結(jié)果6工作方案及進(jìn)度：2013年12月16日 12月19日：查資料；12月19日 12月24日：在指導(dǎo)教師指導(dǎo)下設(shè)計方案；12月25日 12月27日：撰寫課程設(shè)計說明書；12月27日：辯論系主任審查意見：簽字：年月日-. z. TOC o 1-4 u 目 錄1 引言11.1 數(shù)字圖像分割的現(xiàn)狀11.2 數(shù)字圖像分割的意義12 基于MATLAB的圖像分割23 圖像分割的主要研究方法33.1 圖像分割定義33.2 圖像分

5、割方法綜述43.3 分水嶺算法43.3.1 分水嶺算法概念43.3.2 分水嶺算法原理53.4 區(qū)域分裂合并法63.4.1 區(qū)域分裂合并算法根本原理63.4.2 區(qū)域分裂合并算法算法過程74 MATLAB程序與結(jié)果84.1 分水嶺算法結(jié)果與分析84.2 分裂合并算法結(jié)果與分析105 兩種圖像分割方法的比擬116 結(jié)論137參考文獻(xiàn)14-. z.1 引言1.1 數(shù)字圖像分割的現(xiàn)狀圖像分割技術(shù)，是從圖像中將*個特定區(qū)域與其它局部進(jìn)展別離并提取出來的處理。圖像分割的方法有許多種，有閾值分割方法，邊界分割方法，區(qū)域提取方法，結(jié)合特定理論工具的分割方法等。早在1965年就有人提出檢測邊緣算子，邊緣檢測已

6、產(chǎn)生不少經(jīng)典算法。越來越多的學(xué)者開場將數(shù)學(xué)形態(tài)學(xué)、模糊理論、遺傳算法理論、分形理論和小波變換理論等研究成果運(yùn)用到圖像分割中，產(chǎn)生了結(jié)合特定數(shù)學(xué)方法和針對特殊圖像分割的先進(jìn)圖像分割技術(shù)。尤其是近年來迅速開展起來的小波理論為圖像處理帶來了新的理論和方法。小波變換具有良好局部特性，當(dāng)小波函數(shù)尺度較大時，抗噪聲的能力強(qiáng)，當(dāng)小波函數(shù)尺度較小時，提取圖像細(xì)節(jié)的能力強(qiáng)，這樣就可以很好地解決抑制噪聲和提取圖像邊緣細(xì)節(jié)之間的矛盾。圖像分割來說，如果不利用關(guān)于圖像或所研究目標(biāo)的先驗知識，任何基于數(shù)學(xué)工具的解析方法都很難得到很好的效果。因此，人們傾向于重新設(shè)計一個針對具體問題的新算法來解決所而臨的圖像分割問題。這在

7、只有少量圖像樣本的時候，利用各種先驗知識，設(shè)計一個具有針對性的算法進(jìn)展圖像分割是比擬容易的。但是當(dāng)需要構(gòu)建一些實用的機(jī)器視覺系統(tǒng)時，所面臨的將是具有一定差異性、數(shù)量龐大的圖像庫，此時如何很好的利用先驗知識，設(shè)計一個對所有待處理圖像都實用的分割算法將是一件非常困難的任務(wù)。其次，由于缺乏一個統(tǒng)一的理論作為根底，同時也缺乏對人類視覺系統(tǒng)(human vision system，HVS)機(jī)理的深刻認(rèn)識，構(gòu)造一種能夠成功應(yīng)用于所有圖像的統(tǒng)一的圖像分割算法，到目前為止還是難以實現(xiàn)的。1.2 數(shù)字圖像分割的意義現(xiàn)實生活中在分割一幅圖像時，多是依據(jù)經(jīng)歷和直覺去選擇方法，通過反復(fù)實踐來找到一種最正確的方法。與計

8、算機(jī)科學(xué)技術(shù)確實定性和準(zhǔn)確性相比，圖像分割更像是一種藝術(shù)行為，有經(jīng)歷的人能比擬容易的選用出適當(dāng)?shù)姆椒ǎ共煌膱D像都得到最正確的分割效果。但是，當(dāng)要處理的圖像十分龐大時，圖像分割就像是流水線上的一道簡單工序，這種藝術(shù)行為就顯得無能為力了。隨著圖像技術(shù)和多媒體技術(shù)的開展，包括圖像、音頻和視頻等信息的多媒體數(shù)據(jù)己經(jīng)廣泛用于Internet和企事業(yè)信息系統(tǒng)中，而且越來越多 的商業(yè)活動、信息表現(xiàn)和事務(wù)交易中都將包括多媒體數(shù)據(jù)，自然也就包含了大量的圖像，基于容的圖像檢索的廣泛應(yīng)用就是一個例子，這些常常都是以圖像分割作為根底的。由于圖像的多義性和復(fù)雜性，許多分割的工作無法依靠計算機(jī)自動完成，而手工分割又存

9、在工作量大，定位不準(zhǔn)確的難題，因此，人們提出了一些人工交互和計算機(jī)自動定位相結(jié)合的方法，利用各自的優(yōu)勢，實現(xiàn)目標(biāo)輪廓的快速定位。相信這些交互式方法的應(yīng)用，必將推動圖像目標(biāo)分割與提取這一既具有廣闊的應(yīng)用前景又具有重要的學(xué)術(shù)價值的課題的進(jìn)一步研究，也必將成為一個更為獨(dú)立和活潑的研究領(lǐng)域。邊緣提取是圖像邊緣檢測和計算機(jī)視覺等領(lǐng)域最根本的技術(shù)，如何準(zhǔn)確、快速的提取圖像中的邊緣信息一直是這些領(lǐng)域的研究熱點，隨著此項技術(shù)研究的深入和整個領(lǐng)域的不斷開展，邊緣提取技術(shù)已經(jīng)成為圖像分割、目標(biāo)識別、圖像壓縮等技術(shù)的根底。其理論意義深遠(yuǎn)，應(yīng)用背景廣泛，有相當(dāng)?shù)氖褂脙r值和理論難度。邊緣提取算法的提出通常是面向具體問題

10、的，普遍實用性較差。區(qū)域提取法有兩種根本形式：一種是從單個像素出發(fā)，逐漸合并以形成所需的分割區(qū)域；另一種是從全圖出發(fā)，逐漸分裂切割至所需的分割區(qū)域。在實際中使用的通常是這兩種根本形式的結(jié)合。根據(jù)以上兩種根本形式，區(qū)域提取法可以分為區(qū)域生長法和分裂合并法。區(qū)域生長法的根本思想是將具有相似性質(zhì)的像素合起來構(gòu)成區(qū)域，具體做法是先給定圖像中要分割的目標(biāo)物體的一個小塊或者說種子區(qū)域，再在種子區(qū)域的根底上不斷將其周圍的像素點以一定的規(guī)則參加其中，到達(dá)最終將代表該物體的所有像素點結(jié)合成一個區(qū)域的目的。該方法的關(guān)鍵是要選擇適宜的生長或相似準(zhǔn)則。生長準(zhǔn)則一般可分為三種：基于區(qū)域灰度差準(zhǔn)則、基于區(qū)域灰度分布統(tǒng)計性

11、質(zhì)準(zhǔn)則和基于區(qū)域形狀準(zhǔn)則。分裂合并法是先將圖像分割成很多的一致性較強(qiáng)的小區(qū)域，再按一定的規(guī)則將小區(qū)域融合成大區(qū)域，到達(dá)分割圖像的目的。區(qū)域提取法的缺點是往往會造成過度分割，即將圖像分割成過多的區(qū)域，因此近年來針對這種方法的研究較少。2 基于MATLAB的圖像分割MATLAB允許用戶以數(shù)學(xué)形式的語言編寫程序，用戶在命令窗口中輸入命令即可直接得出結(jié)果，這比C+、Fortran和Basic等等該機(jī)語言都要方便的多。而且它是用C語言開發(fā)的，其流程控制語句與C語言中的相應(yīng)語句幾乎一致。這給使用上帶來了方便，使我能較快的適應(yīng)與使用MATLAB這門語言，使用起來更加方便。另外，MATLAB的部函數(shù)提供了相當(dāng)

12、豐富的函數(shù)，這些函數(shù)解決許多根本問題，如矩陣的輸入。在其它語言中(比方C語言中)，要輸入一個矩陣，先要編寫一個矩陣的子函數(shù)，而MATLAB語言則提供了一個人機(jī)交互的數(shù)學(xué)系統(tǒng)環(huán)境，該系統(tǒng)的根本數(shù)據(jù)構(gòu)造是矩陣，在生成矩陣對象時，不要求做明確的維數(shù)說明。與利用C語言或 Fortran 等等高級語言編寫數(shù)值計算的程序相比，利用MATLAB可以節(jié)省大量的編程時間。這就給用戶節(jié)省了很多的時間，使用戶可以把自己的精力放到創(chuàng)造方面，而把繁瑣的問題交給部函數(shù)來解決。除了這些數(shù)量巨大的根本部函數(shù)外，MATLAB還有為數(shù)不少的工具箱。這些工具箱用于解決*些領(lǐng)域的復(fù)雜問題。3 圖像分割的主要研究方法3.1 圖像分割定

13、義圖像分割是圖像處理中的一項關(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，至今已提出了上千種各種類型的分割算法，現(xiàn)提出的分割算法大都是針對具體問題的，并沒有一種適合于所有圖像的通用分割算法，而且近年來每年都有上百篇相關(guān)研究報道發(fā)表。然而，還沒有制定出選擇適宜分割算法的標(biāo)準(zhǔn)，這給圖像分割技術(shù)的應(yīng)用帶來許多實際問題。因此，對圖像分割的研究還在不斷深入之中，是目前圖像處理中研究的熱點之一1。多年來人們對圖像分割提出了不同的解釋和表述，借助集合概念對圖像分割可給出如下定義：令集合R代表整個圖像區(qū)域，對R的圖像分割可以看做是將R分成N個滿足以下條件的非空子集R1，R2，R3，RN；1在分割結(jié)果中

14、，每個區(qū)域的像素有著一樣的特性；2在分割結(jié)果中，不同子區(qū)域具有不同的特性，并且它們沒有公共特性；3分割的所有子區(qū)域的并集就是原來的圖像；4各個子集是連通的區(qū)域；圖像分割是把圖像分割成假設(shè)干個特定的、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)可以是對應(yīng)的單個區(qū)域，也可以是對應(yīng)的多個區(qū)域。3.2 圖像分割方法綜述圖像分割是指將圖像劃分為與其中含有的真實世界的物體或區(qū)域有強(qiáng)相關(guān)性的組成局部的過程。圖像分割是圖像處理和分析中的重要問題,也是計算機(jī)視覺研究中的一個經(jīng)典難題。盡管它一直受到科研人員的重視,但是它的開展很慢,被認(rèn)為是計算機(jī)視覺的一個瓶

15、頸。迄今為止,還沒有一種圖像分割方法適用于所有的圖像,也沒有一類圖像所有的方法都適用于它。近幾年來,研究人員不斷改良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。本文對傳統(tǒng)的圖像分割方法進(jìn)展分析。 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)，它們分割圖像的根本依據(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，如灰度級別相近、紋理相似等; (2)區(qū)域部平整，不存在很小的小空洞; (3)相鄰區(qū)域之間對選定的*種同質(zhì)判據(jù)而言，應(yīng)存在顯著差異性; (4)每個分割區(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

16、局部滿足上述判據(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:假設(shè)強(qiáng)調(diào)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喪失。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。3.3 分水嶺算法3.3.1分水嶺算法的概念：分水嶺分割方法，是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法，其根本思想是把圖像看作是測地學(xué)上的拓?fù)涞孛?，圖像中每一點像素的灰度值表示該點的海拔高度，每一個局部極小值及其影響區(qū)域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺的概念和形成可以通過模擬浸入過程來說明。在每一個局部極小值外表，刺穿一個小孔，然后把整個模型慢慢浸入水中

17、，隨著浸入的加深，每一個局部極小值的影響域慢慢向外擴(kuò)展，在兩個集水盆集合處構(gòu)筑大壩，即形成分水嶺。3.3.2分水嶺算法的原理：分水嶺的計算過程是一個迭代標(biāo)注過程。分水嶺比擬經(jīng)典的計算方法是L. Vincent提出的。在該算法中，分水嶺計算分兩個步驟，一個是排序過程，一個是淹沒過程。首先對每個像素的灰度級進(jìn)展從低到高排序，然后在從低到高實現(xiàn)淹沒過程中，對每一個局部極小值在h階高度的影響域采用先進(jìn)先出(FIFO)構(gòu)造進(jìn)展判斷及標(biāo)注。分水嶺變換得到的是輸入圖像的集水盆圖像，集水盆之間的邊界點，即為分水嶺。顯然，分水嶺表示的是輸入圖像極大值點。因此，為得到圖像的邊緣信息，通常把梯度圖像作為輸入圖像，即

18、g(*,y)=grad(f(*,y)=f(*,y)-f(*-1,y)2f(*,y)-f(*,y-1)20.5式中，f(*,y)表示原始圖像，grad.表示梯度運(yùn)算。分水嶺算法對微弱邊緣具有良好的響應(yīng)，圖像中的噪聲、物體外表細(xì)微的灰度變化，都會產(chǎn)生過度分割的現(xiàn)象。但同時應(yīng)當(dāng)看出，分水嶺算法對微弱邊緣具有良好的響應(yīng)，是得到封閉連續(xù)邊緣的保證的。另外，分水嶺算法所得到的封閉的集水盆，為分析圖像的區(qū)域特征提供了可能。為消除分水嶺算法產(chǎn)生的過度分割，通?？梢圆捎脙煞N處理方法，一是利用先驗知識去除無關(guān)邊緣信息。二是修改梯度函數(shù)使得集水盆只響應(yīng)想要探測的目標(biāo)。為降低分水嶺算法產(chǎn)生的過度分割，通常要對梯度函數(shù)

19、進(jìn)展修改，一個簡單的方法是對梯度圖像進(jìn)展閾值處理，以消除灰度的微小變化產(chǎn)生的過度分割。即g(*,y)=ma*(grad(f(*,y),g)式中，g表示閾值。程序可采用方法：用閾值限制梯度圖像以到達(dá)消除灰度值的微小變化產(chǎn)生的過度分割，獲得適量的區(qū)域，再對這些區(qū)域的邊緣點的灰度級進(jìn)展從低到高排序，然后在從低到高實現(xiàn)淹沒的過程，梯度圖像用Sobel算子計算獲得。對梯度圖像進(jìn)展閾值處理時，選取適宜的閾值對最終分割的圖像有很大影響，因此閾值的選取是圖像分割效果好壞的一個關(guān)鍵。缺點：實際圖像中可能含有微弱的邊緣，灰度變化的數(shù)值差異不是特別明顯，選取閾值過大可能會消去這些微弱邊緣。 分水嶺算法是數(shù)學(xué)形態(tài)學(xué)分

20、割方法中的經(jīng)典算法，它將圖像看作是地形學(xué)上被水覆蓋的自然地貌，圖像中的每一像素的灰度值表示該點的海拔高度，其每一個局部極小值及其影響區(qū)域稱為集水盆，集水盆的邊界則是分水嶺，在各極小區(qū)域的外表打一個小孔，同時讓水從小孔中涌出，并慢慢淹沒極小區(qū)域周圍的區(qū)域，則各極小區(qū)域涉及的圍，即是相應(yīng)的集水盆，對應(yīng)圖像中的區(qū)域；不同區(qū)域的水流相遇時的界限，就是期望得到的分水嶺，對應(yīng)區(qū)域的邊緣。分水嶺變換可以保證分割區(qū)域的連續(xù)性和封閉性。分水嶺變換是從局部極小點開場，即只能是在梯度圖中用，原始圖是轉(zhuǎn)換后才能用于分水嶺變換的。一般圖像中存在多個極小值點，通常會存在過分割現(xiàn)象，可以采用梯度閾值分割改良或者采用標(biāo)記分水

21、嶺算法將多個極小值區(qū)域連在一起。3.4 區(qū)域分裂合并法3.4.1區(qū)域分裂合并法根本思想?yún)^(qū)域分裂合并法無需預(yù)先指定種子點,它按*種一致性準(zhǔn)則分裂或者合并區(qū)域.可以先進(jìn)展分裂運(yùn)算,然后再進(jìn)展合并運(yùn)算;也可以分裂和合并運(yùn)算同時進(jìn)展,經(jīng)過連續(xù)的分裂和合并,最后得到圖像的準(zhǔn)確分割效果。分裂合并法對分割復(fù)雜的場景圖像比擬有效。圖3.1 區(qū)域合并法示圖3.4.2區(qū)域分裂合并算法過程令R表示整幅圖像區(qū)域并選擇一個謂詞P。對R進(jìn)展分割的一種方法是反復(fù)將分割得到的結(jié)果圖像再次分為四個區(qū)域，直到對任何區(qū)域Ri，有P(Ri)=TRUE。這里是從整幅圖像開場。如果P(R)=FALSE，就將圖像分割為4個區(qū)域。對任何區(qū)域

22、如果P的值是FALSE就將這4個區(qū)域的每個區(qū)域再次分別分為4個區(qū)域，如此不斷繼續(xù)下去。這種特殊的分割技術(shù)用所謂的四叉樹形式表示最為方便(就是說，每個非葉子節(jié)點正好有4個子樹)，這正如圖10.42中說明的樹那樣。注意，樹的根對應(yīng)于整幅圖像，每個節(jié)點對應(yīng)于劃分的子局部。此時，只有R4進(jìn)展了進(jìn)一步的再細(xì)分。圖3.2 區(qū)域合并算法示圖如果只使用拆分，最后的分區(qū)可能會包含具有一樣性質(zhì)的相鄰區(qū)域。這種缺陷可以通過進(jìn)展拆分的同時也允許進(jìn)展區(qū)域聚合來得到矯正。就是說，只有在P(RjRk)=TRUE時，兩個相鄰的區(qū)域Rj和Rk才能聚合。前面的討論可以總結(jié)為如下過程。在反復(fù)操作的每一步，我們需要做： (l)對于任

23、何區(qū)域Ri，如果P(Ri)=FALSE，就將每個區(qū)域都拆分為4個相連的象限區(qū)域。(2)將P(RjRk)=TRUE的任意兩個相鄰區(qū)域Rj和Rk進(jìn)展聚合。(3)當(dāng)再無法進(jìn)展聚合或拆分時操作停頓。可以對前面講述的根本思想進(jìn)展幾種變化。例如，一種可能的變化是開場時將圖像拆分為一組圖象塊。然后對每個塊進(jìn)一步進(jìn)展上述拆分，但聚合操作開場時受只能將4個塊并為一組的限制。這4個塊是四叉樹表示法中節(jié)點的后代且都滿足謂詞P。當(dāng)不能再進(jìn)展此類聚合時，這個過程終止于滿足步驟2的最后的區(qū)域聚合。在這種情況下，聚合的區(qū)域可能會大小不同。這種方法的主要優(yōu)點是對于拆分和聚合都使用同樣的四叉樹，直到聚合的最后一步。4 MATL

24、AB程序與結(jié)果4.1分水嶺算法程序與結(jié)果I= imread(C:UsersWindowsDesktopdiandian.jpg); imshow(I); h=fspecial(sobel); %獲得縱方向的sobel算子 fd=double(I); g=sqrt(imfilter(fd,h,replicate).2+imfilter(fd,h,replicate).2); % 使用sobel算子進(jìn)展梯度運(yùn)算figure; imshow(g); g2=imclose(imopen(g,ones(3,3),ones(3,3);%進(jìn)展開閉運(yùn)算對圖像進(jìn)展平滑 figure; imshow(g2); i

25、m=ime*tendedmin(g2,10); %得到最小值附近的區(qū)域，此處的附近是相差10的區(qū)域 Lim=watershed(bwdist(im); % 再次分水嶺計算 em=Lim=0; g3=imimposemin(g2,im|em);% 在梯度圖上標(biāo)出im和em，im是積水盆地的中心，em是分水嶺 g4=watershed(g3); %第三次分水嶺計算 figure; imshow(g4); g5=I; g5(g4=0)=255;%從原圖對分水嶺進(jìn)展觀察 figure; imshow(g5); 運(yùn)行結(jié)果： 圖4.1.1 原圖 圖4.1.2 第一次分水嶺計算圖4.1.3 第二次分水嶺計算

26、 圖4.1.4 第三次分水嶺計算圖4.1.5 從原圖對分水嶺進(jìn)展觀察4.2 分裂合并算法程序與結(jié)果I1 = imread(peppers.png); I=rgb2gray(I1);S = qtdep(I,.27);%以閾值ceil(0.27*255)=69對圖像I進(jìn)展四叉分解blocks = repmat(uint8(0),size(S);%得到一個和I同尺寸的黑色背景blocksfor dim = 512 256 128 64 32 16 8 4 2 1; %分塊全是2的整數(shù)次冪， numblocks = length(find(S=dim); %有numblocks個尺寸為dim的分塊，

27、if (numblocks 0) values = repmat(uint8(1),dim dim numblocks);%產(chǎn)生一個dim * dim * numblocks的三維1值矩陣 % numblocks個尺寸為dim * dim的1值block values(2:dim,2:dim,:) = 0; blocks = qtsetblk(blocks,S,dim,values);%blocks保存了所有塊被替換后的結(jié)果。 endendblocks(end,1:end) = 1;blocks(1:end,end) = 1;imshow(I), figure, imshow(blocks,)

28、運(yùn)行結(jié)果：圖4.2.1 原圖 圖4.2.2 灰度圖像圖4.2.3 分裂后圖像5 兩種圖像分割方法的比擬(1)分水嶺：圖像分割的一種重要途徑是通過邊緣檢測，即檢測灰度級或者構(gòu)造具有突變的地方，說明一個區(qū)域的終結(jié)，也是另一個區(qū)域開場的地方。這種不連續(xù)性稱為邊緣。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特征可以分割圖像。圖像中邊緣處像素的灰度值不連續(xù)，這種不連續(xù)性可通過求導(dǎo)數(shù)來檢測到。對于階躍狀邊緣，其位置對應(yīng)一階導(dǎo)數(shù)的極值點，對應(yīng)二階導(dǎo)數(shù)的過零點(零穿插點)。因此常用微分算子進(jìn)展邊緣檢測。常用的一階微分算子有Roberts算子、Prewitt算子和Sobel算子，二階微分算子有Lapla

29、ce算子和Kirsh算子等。在實際中，各種微分算子常用小區(qū)域模板來表示，微分運(yùn)算是利用模板和圖像卷積來實現(xiàn)。這些算子對噪聲敏感，只適合于噪聲較小不太復(fù)雜的圖像。由于邊緣和噪聲都是灰度不連續(xù)點，在頻域均為高頻分量，直接采用微分運(yùn)算難以克制噪聲的影響。因此用微分算子檢測邊緣前要對圖像進(jìn)展平滑濾波。(2)區(qū)域分裂合并算法根本思想是先確定一個分裂合并的準(zhǔn)則,即區(qū)域特征一致性的測度,當(dāng)圖像中*個區(qū)域的特征不一致時就將該區(qū)域分裂成4 個相等的子區(qū)域,當(dāng)相鄰的子區(qū)域滿足一致性特征時則將它們合成一個大區(qū)域,直至所有區(qū)域不再滿足分裂合并的條件為止.當(dāng)分裂到不能再分的情況時，分裂完畢，然后它將查找相鄰區(qū)域有沒有相

30、似的特征，如果有就將相似區(qū)域進(jìn)展合并，最后到達(dá)分割的作用。在這類方法中，最常用的方法是四叉樹分解法(如圖3所示)。設(shè)R代表整個正方形圖像區(qū)域，P代表邏輯謂詞。根本分裂合并算法步驟如下：(1)對任一個區(qū)域，如果H(Ri)=FALSE就將其分裂成不重疊的四等份；(2)對相鄰的兩個區(qū)域Ri和Rj，它們也可以大小不同即不在同一層，如果條件H(RiRj)=TRUE滿足，就將它們合并起來。(3)如果進(jìn)一步的分裂或合并都不可能，則完畢。分裂合并法的關(guān)鍵是分裂合并準(zhǔn)則的設(shè)計。這種方法對復(fù)雜圖像的分割效果較好，但算法較復(fù)雜，計算量大，分裂還可能破壞區(qū)域的邊界。過程：含義：6 結(jié)論本設(shè)計對傳統(tǒng)的圖像分割技術(shù)進(jìn)展了簡要的介紹，隨著圖像分割技術(shù)的深入，其應(yīng)用日漸廣泛，但凡對圖像目標(biāo)盡興提取測量的工作都離不開圖像分割。目前，圖像分割已經(jīng)在交通，醫(yī)學(xué)，搖感，通信，軍事和工業(yè)自動化等領(lǐng)域得到廣泛的應(yīng)用。對圖像分割算法的研究已有幾十年的歷史，借助各種理論至今已提出了上千種各種類型的分割算法。盡管人們在圖像分割方面做了許多研究工作。但由于尚無通用分割理論，因此現(xiàn)已提出的分割算法大都是針對具體問題的，并