圖像分割技術(shù)

1、圖像分割技術(shù)圖像分割就是將一副數(shù)字圖像分割成不同的區(qū)域，在同一區(qū)域內(nèi)具有在一定的準(zhǔn)則下可認(rèn)為是相同的性質(zhì)，如灰度、顏色、紋理等，而任何相鄰區(qū)域之間器性質(zhì)具有明顯的區(qū)別。主要包括：邊緣分割技術(shù)、閾值分割技術(shù)和區(qū)域分割技術(shù)。邊緣分割技術(shù)邊緣檢測(cè)是檢測(cè)圖像特性發(fā)生變化的位置，是利用物體和背景在某種圖像特性上的差異來(lái)實(shí)現(xiàn)的。不同的圖像灰度不同，邊界處會(huì)有明顯的邊緣， 利用此特征可以分割圖像。邊緣檢測(cè)分割法是通過(guò)檢測(cè)出不同區(qū)域邊界來(lái)進(jìn)行分割的。常見(jiàn)的邊緣檢測(cè)方法：微分算子、CannyLOGSobelRobertsPrewit圖像中的線段-1 -1 -1 8 -1 -1 -對(duì)于圖像中的線段，常用的檢測(cè)模板

2、：-1 -1 2 2 -1 -1 -1 -1 -1 2 2 -1 -1 2 -1 2 -1 2 2 -1 -1 2 -1 -1 檢測(cè)圖像中的線段：close all;clear all;clc; I=imread(gantrycrane.png); I=rgb2gray(I);h1=-1,-1,-1;222;-1 -1-1;%模板h2=-1 -1 2;-12-1;2 -1-1;h3=-1 2 -1;-12-1;-1 2-1;h4=2 -1 -1;-1 2 -1;-1 -1 2;J1=imfilter(I,h1);%線段檢測(cè)J2=imfilter(I,h2); J3=imfilter(I,h3)

3、; J4=imfilter(I,h4); J=J1+J2+J3+J4;%4 種線段相加figure, subplot(121),imshow(I); subplot(122),imshow(J);微分算子1 Roberts f (i, j) f (i, j) f (i 1, j f (i, j 1) f (i 1, j)2edge()Roberts%Roberts 算法進(jìn)行邊緣檢測(cè)J,thresh=edge(I,roberts,35/255); figure,subplot(121),imshow(I); subplot(122),imshow(J);2 Prewitt對(duì)于復(fù)雜的圖像，Robe

4、rts3*3梯度和垂直梯度。close all; clear all;clc;-1 -1 0 0 0-1-1-1 0-1 0-1 0-I=imread(cameraman.tif); I=im2double(I);%Prewitt 算子進(jìn)行邊緣檢測(cè)J,thresh=edge(I,prewitt, ,both); figure,subplot(121),imshow(I); subplot(122),imshow(J); Sobel-1 0 -2 0 -1 0 -1 -2 0 0 0 1 2 1Sobelclose all; clear all;clc; I=imread(gantrycrane

5、.png); I=rgb2gray(I);I=im2double(I);%Sobel 算子進(jìn)行邊緣檢測(cè)J,thresh=edge(I,sobel, ,horizontal); figure,subplot(121),imshow(I); subplot(122),imshow(J);CannyCannyclose all; clear all;clc;I=imread(rice.png); I=im2double(I);J=imnoise(I,gaussian,0,0.01);%添加高斯噪聲K,thresh=edge(J,canny);%Cannyfigure,subplot(121),ims

6、how(J);subplot(122),imshow(K);LOG拉普拉斯（Laplacian）算子是一種不依賴于邊緣方向的二階微經(jīng)常被用來(lái)提取圖像的邊緣，表達(dá)式為：2 22 2 x2y2GaussianLaplacianLOG優(yōu)點(diǎn)：邊界定位精度高，抗干擾能力強(qiáng)，連續(xù)性好等。close all; clear all;clc; I=imread(cameraman.tif);I=im2double(I);J=imnoise(I,gaussian,0,0.005);%添加高斯噪聲K,thresh=edge(J,log, ,2.3);%LOGfigure,subplot(121),imshow(J)

7、; subplot(122),imshow(K);閾值分割技術(shù)閾值分割技術(shù)關(guān)鍵在于尋找合適的閾值，通常根據(jù)圖像的直方圖來(lái)選取。全局閾值整個(gè)圖像中只使用一個(gè)閾值，圖像分為兩個(gè)區(qū)域，目標(biāo)對(duì)象（黑色（白色對(duì)于物體和北京比較明顯的圖像，其灰度值直方圖為雙峰形狀，可以選擇良峰之間的波谷對(duì)應(yīng)的像素值作為全局閾值，將圖像分割為目標(biāo)對(duì)象和背景，公式為： g(x, y) 0,f (x, y) Tf (x, y) Tf (x, y) 為點(diǎn)（x,y）的像素值， g( x, y) 為分割后的圖像，T 為全局閾值。采用全局閾值對(duì)圖像進(jìn)行分割：close all;clear all; clc; I=imread(rice

8、.png);J=I120;%width,height=size(I);for i=1:widthfor j=1:heightif (I(i,j)130)%K(i,j)=1;elseK(i,j)=0;endendendfigure, subplot(121),imshow(J); subplot(122),imshow(K);im2bw()close all;clear all;clc; X,map=imread(trees.tif); J=ind2gray(X,map); K=im2bw(X,map,0.4);%圖像分割figure,subplot(121),imshow(J);subplot

9、(122),imshow(K);Otsu基本原理：以最佳閾值將圖像的灰度值分割為兩部分，使兩部分之間的方差，即具有最大的分離性。采用 Ostu 算法進(jìn)行圖像分割， T=graythresh(I) 獲取閾值， im2bw(I,T)完成分割：close all;clear all;clc; I=imread(coins.png); I=im2double(I); T=graythresh(I);%獲取閾值J=im2bw(I,T);%圖像分割figure, subplot(121),imshow(I); subplot(122),imshow(J);迭代式閾值分割通過(guò)迭代的方法求出分割的最佳閾值，具

10、有一定的適應(yīng)性，比較有效：T0,T1;T1：G1T1 的像素組成，G2 是由灰度值小于或等于 T1 的像素組成。G1G2u1u2T2=(u1+u2)/2。如果|T2-T1|T1);r2=find(I=T1); T2=(mean(I(r1)+mean(I(r2)/2; while abs(T2-T1)T1); r2=find(I=T1);T2=(mean(I(r1)+mean(I(r2)/2;end;J=im2bw(I,T2);%圖像分割figure, subplot(121),imshow(I); subplot(122),imshow(J);區(qū)域分割技術(shù)區(qū)域生長(zhǎng)法基本思想：將具有相似性質(zhì)的像素集合起來(lái)構(gòu)成區(qū)域。 決定區(qū)域生長(zhǎng)好壞的因素：12 生長(zhǎng)規(guī)則3 終止條件缺點(diǎn)：時(shí)間空間開(kāi)銷(xiāo)大、易造成過(guò)度分割將圖像分割為很多