图像分割算法设计_本科毕业设计论文(编辑修改稿)

图像分割算法设计_本科毕业设计论文(编辑修改稿)内容摘要：

进行图像分割。 常用的特征包括：直接来自原始图像的灰度或彩色 特征；由原始灰度或彩色值变换得到的特征。 方法主要有区域生长法、区域分裂与合并法、聚类法、松弛法等。 区域生长方法从若干种子或种子区域出发，按照一定的生长准则，对邻域像素点进行判别并连接，直到完成所有像素点的连接。 这种方法的关键在于种子点的位置、生长准则和生长顺序等。 与之对应的区域分裂与合并法则刚好相反，将整幅图像分裂成小的区域，最后将分裂区域中性质相同的小区域合并进行图像分割处理。 聚类法在特征空间对像素点集进行聚类，包括硬聚类、概率聚类、模糊聚类等。 由于缺乏对像素空间拓扑关系的考虑，往往还需进行后处理才能 完成分割。 聚类准则是聚类分割的关键。 松弛法是一种动态调优的标号方法，包括概率松弛、模糊松弛等。 把对应于不同目标的标号分别赋给图像中每个像素，根据相邻像素之间的相容性，通过迭代调整标号，直到收敛。 其关键在于标号相容模型和迭代方法的收敛性。 这两种方法在实现上存在一定的困难。 结合特定理论工具的分割方法 近年来，随着各学科许多新理论和新方法的提出，人们也提出了许多与一些特定理论、方法和工具相结合的分割技术。 基于人工神经网络的分割方法的基本思想是用训练样本集对神经网络进行训练，以确定节点间的连接和权值，再用训练好的神经网络分割新的图像数据。 目前，由于这种方法较复杂，计算量较大，还有待进一步实用化。 基于小波分析和变换的分割方法是借助数学工具小波变换来分割图像的一种方法。 小波变换是一种多尺度、多通道的分析工具 它是空域和频域的局域变换，因而能有效地从信号中提取信息，通过伸缩和平移等运算功能对函数或信号进行多尺度分析，解决了傅立叶变换不能解决的许多问题。 基于数学形态学的分割技术的基本思想是用具有一定形态的结构元素 去量度和提取图像中的对应形状，以达到对图像分析和识别的目的。 由于形态学对图像分割具有优异的特性，使其在未来的图像分割中起主导作用。 但该方法还不能很好地解决耗时问题，将其与一些节约时间的方法结合起来，是图像分割的一种趋势。 遗传算法是基于进化论自然选择机制的、并行的、统计的、随机化搜索的方图像区域分割算法设计 6 法。 灰度直方图 灰度直方图是灰度级的函数，它表示图象中具有每种灰度级的象素的个数，反映图象中每种灰度出现的频率。 它是多种空间域处理技术的基础。 直方图操作能够有效用于图像增强；提供有用的图像统计资料，其在软件中易于计算，适用于商用硬件设备。 我们可以通过直方图的状态来评断图像的一些性质：明亮图像的直方图倾向于灰度级高的一侧；低对比度图像的直方图窄而集中于灰度级的中部，高对比度图像的直方图成分覆盖的灰度级很宽而且像素的分布没有不太均匀，只有少量的垂线比其他高许多。 直观上来说 ， 若一幅图像其像素占有全部可能的灰度级并且分布 均匀，则这样的图像有高对比度和多变的灰度色调。 从概率的观点来理解，灰度出现的频率可看作其出现的概率，这样直方图就对应于概率密度函数。 均值滤波 由于不可知处理前的图像是不是受到过噪声干扰，而噪声会影响到图像的质量，所以去除图像中的噪声对于改善图像分割效果非常重要。 本次设计使用三次均值滤波（取像素点及周围共九个点平均灰度作为新的灰度值）去掉这些噪声。 去噪过程同时还可实现图像的平滑。 均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素（以目标象素为中心的周 围 8 个象素，构成一个滤波模板，即去掉目标象素本身）。 再用模板中的全体像素的平均值来代替原来像素值。 （ a）有噪点的原始图像 （ b）滤波后的图像 图 三次均值滤波效果图 均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。 线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点 (x,y)，选择一个模板，该模板由其近邻的若干像素组成，求模板中所有像素的均值，再图像区域分割算法设计 7 把该均值赋予当前像素点 (x,y)，作为处理后图像在该点上的灰度个 g(x,y)，即 g(x,y) = 1 𝑚⁄ ∑𝑓(𝑥,𝑦) m为该模板中包含当前像素在内的像素总个数。 如图 所示， 均值滤波本身存在着固有的缺陷，即它不能很好地保护图像细节，在图像去噪的同时也破坏了图像的细节部分，从而使图像变得模糊，不能很好地去除噪声点。 GUI 简介 图形用户界面（ Graphical User Interface，简称 GUI，又称图形用户接口）是指采用图形方式显示的计算机操作用户界面。 它是由窗口、光标、按键、菜单、文字说明等对象构成的。 用户通过一定的方法（如鼠标或键盘）选择、激活这些图形对象，使计算机产生某种动作或变化，比如实现计算、绘图等。 假如读者所从事的数据分析、解方程、计算结果可视工作比较单一，那么一般不会考虑 GUI的制作。 但是如果读者想向别人提供应用程序，想进行某种技术、方法的演示，想制作一个供反复使用且操作简单的专用工具，那么图形用户界面也许是最好的选择之一。 一个好的 GUI 能够使程序更加容易的使用。 它提供用户一个常 见的界面，还提供一些控件，例如，按钮，列表框，滑块，菜单等。 用户图形界面应当是易理解且操作是可以预告的，所以当用户进行某一项操作，它知道如何去做。 例如，当鼠标在一个按钮上发生了单击事件，用户图形界面初始化它的操作，并在按钮的标签上对这个操作进行描述。 创建 MATLAB 用户图形界面必须由三个基本元素 :。 在 GUI 中的每一个项目 (按钮 ,标签 ,编辑框等 )都是一个图形化组件。 组件可分为三类 :图形化控件 (按钮 ,编辑框 ,列表 ,滚动条等 ),静态元素 (窗口和文本字符串 ),菜单和坐标系 . 图形化控件和静态元素由函数 uicontrol 创建 ,菜单由函数 uimenu 和 uicontextmenu 创建 ,坐标系经常用于显示图形化数据 ,由函数 axes 创建。 GUI 的每一个组件都必须安排图象窗口中。 以前，我们在画数据图象时，图象窗口会被自动创建。 但我们还可以用函数 figure 来创建空图象窗口，空图象窗口经常用于放置各种类型的组件。 最后，如果用户用鼠标单击或用键盘键入一些信息，那么程序就要有相应的动作。 鼠标单击或键入信息是一个事件，如果 MATLAB 程序运行相应的函数，那么 MATLAB 函数肯定会有所反应。 例如，如果用户单击一按钮，这个事件必然导致相应的 MATLAB 语句执行。 这些相应的语句被称为回应。 只要图像区域分割算法设计 8 执行 GUI 的单个图形组件，必须有一个回应。 本次设计 GUI 界面如图 所示： 图 图像分割 GUI 界面 本章小结 图像分割 有多种 分类方式 ，本文主要分为四类，阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法。 灰度直方图作为研究图像的一种手段十分重要，阈值分割法主要就是以灰度直方图为依据。 对图像滤波是对图片的预处理，对于噪点比较高的图片，通过滤波可以很好地改善图片的分割效果。 在 MATLAB 中 GUI 是面向对象的编程，可以使 MATLAB 程序的终端用户操作更加轻松，即使不懂 MATLAB 程序也能轻易操作。 图像区域分割算法设计 9 第 3 章 基于 阈值 的图像分割方法的仿真实现 引言 阈值分割是一种最常见的分割方法。 这种方法利用图像中要提取的目标和背景的灰度差异，把图像分成两种具有不同灰度级的区域。 分割的关键就是选取合适的阈值，以确定图像中每个像素点是属于目标还是属于背景。 阈值分割算法因其直观、实现简单等特点在图像分割的应用中一直得到广泛的使用，尤其是在分割精度要求不是很高的场合。 常用的方法是：设定某一阈值 T，用 T将图像分割成大于阈值 T的像素群 (目标 )和小于阈值 T的像素群 (背景 )两部分。 这两类像素一般属于图像中的两类区域，所以对像素根据阈值分类达到了区域分割的目的。 设输入图像是 F(x,y)，输出图像是 B(x,y)，如式 3∙1 所示 ： B(x,y) = {1, 𝐹(𝑥,𝑦) 𝑇0, 𝐹(𝑥,𝑦) 𝑇 （ 3∙ 1） 阈值分割实质上就是按照某个准则求出最佳阈值的过程。 现有的大部分算法都是集中在阈值确定的研究上。 阈值分割分为全局阈值分割和局部阈值方法两种。 若根据分割算法所具有的特征或准则，常用的分割方法可以分为直方图双峰法、最大类间方差法、迭代法等。 直方图双峰法 该阈值法的依据是图像的直方图，通过对直方图进行各种分析来实现对图像的分割。 图像的直方图可以看作是像素灰度值概率分布密度函数的一个近似，设一幅图像仅包含目标和背景，那么它的直方图所代表的像素灰度值概率密度分布函数实际上就是对应目标和背景的两个单峰分布密度函数的和。 图像二值化过程就是在直方图上寻找两个峰、一个谷来对一个图像进行分割，也可以通过两级函数来近似直方图。 若灰度图像的直方图，其灰度级范围 i = 0,1,⋯,L−1， 当灰度级为 k时的像素数为 𝑛𝑘，则一幅图像的总像素数 N如式 3∙2 所示： N = ∑𝑛𝑖𝐿−1𝑖=0= 𝑛0 + 𝑛1 + ⋯+ 𝑛𝐿−1 （ 3∙ 2） 灰度级 i出现的概率如 3∙3 所示： 𝑃𝑖 = 𝑛𝑖𝑁 = 𝑛𝑖𝑛0+𝑛1+⋯+𝑛𝐿−1 （ 3∙ 3） 图像区域分割算法设计 10 当图像的灰度直方图为双峰分布的时候，图像的内容大致为两部分，分别为灰度分布的两个山峰的附近。 因此直方图左侧山峰为亮度较低的部分，这部分恰好对应于画面中较暗的背景部分；直方图右侧山峰为亮度较高的部分，对应于画面中需要分割的目标。 选择的阈值为两峰之间的谷底点时，即可将目标分割出来。 双峰法在当被分割图像的灰度直方图中呈现出明显、清晰的两个波峰时，使用该方法可以达到较好的分割精度。 但是，阈值分割算法的交互性比较差。 尽管可以通过人工参与、交互设定阈值，但设定阈值后分割效果如何，也需要通过人工观察图像分割结果来判断。 此外，该方法的抗噪性较差，当被分割对象存在较强噪声时，分割效果会受到很大的影响。 (a) 灰度直方图 (b) 原始图像 (c) 分割结果 图 31 直方图双峰法分割图像 结果分析：从图 31 的仿真结果可以发现，这是一种有效且简单的阈值分割方法，只需要将图 31(a)直方图上两个波峰之间的谷底选择为分割阈值，即选择阈值为 80，就可以将对象从背景中分割出来了，得到图 31(c)所示的分割结果。 图像区域分割算法设计 11 但是在图中也可以看出，这种方法有局限性，就是要求图像的灰度直方图必须具有双峰性，也就是说，图像的目标和背景必须形成较大的反差，如该图中，人物和背景灰度差距很大，才能得到比较理想的仿真结果。 最大类间方差法 从统计意义上讲，方差是表征数据分布不均衡的统计量， 可 通过阈值对 这 类问题进行分割。 最大类间方差法以图像的灰度直方图为依据，以目标和背景的类间方差最大为阈值选取准则，综合考虑了像素邻域以及图像整体灰度分布等特征关系，以经过灰度分类的像素类群之间产生最大方差时候的灰度数值作为图像的整体分割阈值。 显然，适 当的阈值使得两类数据间的方差越大越好，表明该阈值的确将两类不同的问题区分开了，同时希望属于同一类问题的数据之间的方差越小越好，表明同一类问题具有一定的相似性。 这种方法首先初步选定特定图像分割阈值，把待处理图像直方图分割成 𝐶0，𝐶1 (目标和背景 ) 两组 ，在分别记录两组像素值的各自的有关参数后，通过建立类间方差数学模型来确定两组像素点群体的方差，如此将分割阈值按照一定顺序进行变化，直至当分割的两组数据的类间方差与类内方差比值最大时候，便认为此阈值分割所得到的图像分组结果之间差别最大，即获得最优的图像分割阈值。 在分割阈值确定过程中，以 𝜎𝐵2(T)代表阈值为 k时的类间方差， 𝜔𝑖， 𝜇𝑖分别为𝐶𝑖组中像素 i产生的概率和组内 所有像素点灰度值的均值 ， μ为整体图像所有像素点灰度的均值。 两组间的类间方差如式 3∙4 所示： 𝜎𝐵2 = 𝜔0(𝜇0 − 𝜇)2 + 𝜔1(𝜇1 − 𝜇)2 = 𝜔0𝜔1(𝜇0 − 𝜇)2 (3∙4) 运行结果： graythresh 计算灰度阈值： 88 (a) 原始图像 (b) 分割结果 图 32 最大类间方差法分割图像 结果分析：。