數(shù)字圖像處理-圖像分割

圖像分割1、實(shí)驗(yàn)?zāi)康?熟悉圖像的分割的概念、原理、方法。.應(yīng)用MATLAB工具箱對(duì)圖像進(jìn)行閾值分割、邊緣檢測(cè)、區(qū)域生長(zhǎng)處理，掌握?qǐng)D像分割的基本方法2、實(shí)驗(yàn)原理圖像分割就是將圖像分成互不重疊的區(qū)域，提取感興趣的目標(biāo).圖像分割的方法常用的有：閾值分割、邊緣檢測(cè)、區(qū)域生長(zhǎng)。1、閾值分割若圖像中目標(biāo)和背景具有不同的灰度集合，且兩個(gè)灰度集合可用一個(gè)灰度級(jí)閾值T進(jìn)行分割?？梢杂瞄撝捣指罨叶燃?jí)的方法在圖像中分割出目標(biāo)區(qū)域與背景區(qū)域。圖像分割方法可由下式描述；1f(x,J)>Tg(x,J)=<[0f(x,J)<T得到的是一幅二值圖像。當(dāng)圖像中含有多個(gè)目標(biāo)且灰度差別較大時(shí)，可以設(shè)置多個(gè)閾值，多閾值分割表示為：’0f(x,J)<tg(x,J)=(kT<f(x,J)<Tk k+]255f(x,j)>Tm m得到多個(gè)目標(biāo)圖像。閾值的選取，可以利用直方圖獲得，也可以采用自適應(yīng)閾值。2、邊緣檢測(cè)灰度漸變的圖像中無法區(qū)別其灰度變化的邊界，如果邊界灰度有突變，則可以區(qū)分兩個(gè)灰度不同的區(qū)域，這是基于灰度不連續(xù)性進(jìn)行的分割方法。用差分、梯度、拉普拉斯算子及各種高通濾波處理方法對(duì)圖像邊緣進(jìn)行增強(qiáng)，只要再進(jìn)行一次門限化的處理，便可以將邊緣增強(qiáng)的方法用于邊緣檢測(cè)。MATLAB邊緣檢測(cè)的函數(shù)：BW=edge(I,,edge-findingmethods’，thresh,direction)I：灰度圖像BW:返回的相同大小的二值圖像，若檢測(cè)到邊沿則返回1,否則返回0Edge函數(shù)：‘sobel’：sobel方法’，口^01仇sobel’：prewitt方法’，robert"：robert方法，Laplacian方法，LOG方法，canny算子。Thresh：指定分割方法的閾值Direction：指定分割方法的方向，可以指定'horizonal'(水平)邊緣；vertical,(垂直)邊緣“。仙'雙向邊緣邊緣跟蹤上述方法僅得到處在邊緣上的像素點(diǎn)。噪聲和不均勻的照明而產(chǎn)生的邊緣間斷的影響，使得經(jīng)過邊緣檢測(cè)后得到的邊緣像素點(diǎn)很少能完整地描繪實(shí)際的一條邊緣?？梢栽谑褂眠吘墮z測(cè)算法后，緊接著使用連接方法將邊緣像素組合成有意義的邊緣3、區(qū)域生長(zhǎng)法(regiongrowing)將具有相似性質(zhì)(如灰度級(jí)，紋理，顏色)的像素集合起來構(gòu)成區(qū)域。先對(duì)每個(gè)需要分割的區(qū)域找一個(gè)種子像素作為生長(zhǎng)的起點(diǎn)，然后將種子像素周圍鄰域中與種子像素具有相同或相似性質(zhì)的像素合并到這一區(qū)域中。將這些新像素當(dāng)做新的種子像素繼續(xù)進(jìn)行上面的過程，直到再?zèng)]有滿足條件的像素可被包括進(jìn)來。這樣一個(gè)區(qū)域就長(zhǎng)成了。3、實(shí)驗(yàn)內(nèi)容(包括實(shí)驗(yàn)程序、實(shí)驗(yàn)圖片、實(shí)驗(yàn)數(shù)據(jù)、實(shí)驗(yàn)結(jié)果分析)(1)%對(duì)已知圖像作閾值分割，選擇不同的閾值進(jìn)行分割，%分析不同閾值對(duì)同一圖像處理的結(jié)果，研究閾值選擇的方法。clc；clear；I=imread('C:\Users\Administrator\Desktop\sy5_1.jpg');I=rgb2gray(I);f0=I;f1=I;f2=I;f3=I;subplot(321),imshow(I),title('原圖')subplot(322),imhist(I),title('原圖直方圖')%%T=50;s=size(f0);[maxI,maxP]=max(I(:,:))[minI,minP]=min(I(:,:))fori=1:s(1)forj=1:s(2)iff0(i,j)>二Tf0(i,j)=255;elsef0(i,j)=0;endendendsubplot(323),imshow(f0),title('T=20')%%T=90;s=size(f1);[maxI,maxP]=max(I(:,:))[minI,minP]=min(I(:,:))fori=1:s(1)forj=1:s(2)iff1(i,j)>=Tf1(i,j)=255;elsef1(i,j)=0;endendendsubplot(324),imshow(f1),title('T=90')%%T=110;s=size(f2);[maxI,maxP]=max(I(:,:))[minI,minP]=min(I(:,:))fori=1:s(1)forj=1:s(2)iff2(i,j)>=Tf2(i,j)=255;elsef2(i,j)=0;endendendsubplot(325),imshow(f2),title('T=120')%%T=130;

s=size(f3);[maxI,maxP]=max(I(:,:))[minI,minP]=min(I(:,:))fori=1:s(1)forj=1：s(2)foriff3(i,j)＞二Tf3(i,j)=255;elsef3(i,j)=0;endendendsubplot(326),imshow(f3),title('T=130')原圖原圖(2)%對(duì)已知圖像利用不同算子進(jìn)行邊緣檢測(cè)，分析比較檢測(cè)結(jié)果。clc;clear;I=imread('C:\Users\Administrator\Desktop\sy5_1.jpg');I=rgb2gray(I)subplot(231)imshow(I)title(原圖像')%%f0=edge(I,'roberts',0.08)subplot(232),imshow(f0),title('roberts算子檢測(cè)')f1=edge(I,'prewitt',0.08)subplot(233),imshow(f1),title('prewitt算子檢測(cè)')f2=edge(I,'sobel',0.05)subplot(234),imshow(f2),title('sobel算子檢測(cè)')f3=edge(I,Tog',0.004)subplot(235),imshow(f3),title('log算子檢測(cè)')f4=edge(I,'canny',0.3)subplot(236),imshow(f4),title('canny算子檢測(cè)');原圖像 rDtertz算廣檢測(cè) 吐算「檢測(cè)(3)%設(shè)計(jì)區(qū)域生長(zhǎng)程序，利用區(qū)域生長(zhǎng)方法進(jìn)行圖像分割。clc;clear;A=imread('C:\Users\Administrator\Desktop\sy5_1.jpg');A=rgb2gray(A);I=double(A);%%s=130;t=60;ifnumel(s)==1si=I==s;s1=s;elsesi=bwmorph(s,'strink',Inf);j=find(si);s1=I(j);endti=false(size⑴)；fork=1:length(s1)sv=s1(k);s=abs(I-sv)<=t;ti=ti|s;end[gnr]=bwlabel(imreconstruct(si,ti));subplot(121),imshow(A),title(原圖');subplot(122),imshow(g),title('切割的圖像')原圖 切割的圖像算子的的不同，處理的結(jié)果也不完全相同，各