電子信息工程畢業(yè)設計圖像分割和特征提取技術研究

1、<p><b>　　本科畢業(yè)論文</b></p><p><b>　?。?0 屆）</b></p><p>　　圖像分割和特征提取技術研究</p><p>　　所在學院 </p><p>　　專業(yè)班級 電子信息工程

2、 </p><p>　　學生姓名 學號 </p><p>　　指導教師 職稱 </p><p>　　完成日期 年 月 </p><p>　　本科畢業(yè)論文（設計）</p><p&

3、gt;<b>　　誠信責任書</b></p><p>　　本人鄭重聲明：本人所呈交的畢業(yè)論文（設計），是在導師的指導下獨立進行研究所完成。畢業(yè)論文（設計）中凡引用他人已經發(fā)表或未發(fā)表的成果、數(shù)據、觀點等，均已明確注明出處。</p><p><b>　　特此聲明。</b></p><p>　　論文（設計）作者簽名：

4、 </p><p>　　日 期： </p><p>　　圖像分割和特征提取技術研究</p><p><b>　　摘 要</b></p><p>　　圖像分割是處理和分析圖像的第一步，是一項重要的圖像分析技術，在處理圖像的有關領域中占據很重要的地位，因此，圖像分割一直受到人們的高度重視，對

5、其研究有重要的意義，至今為此，人們已提出成百上千種圖像分割的方法，大都在不同的程度上取得了一定的成功，但還不足以解決圖像分割問題，對于圖像分割，還面臨著很多挑戰(zhàn)。</p><p>　　本文主要介紹了數(shù)字圖像處理技術中圖像分割的相關理論的幾種分割技術，即基于邊緣檢測的圖像分割技術、基于區(qū)域圖像分割技術和基于閾值圖像分割技術。主要研究了圖像分割中的邊緣檢測法，區(qū)域特征提取法和圖像閾值分割法，講述了大量的理論并用MAT

6、LAB對圖像進行了仿真，得到分割圖像并進行分析，驗證了幾種圖像分割算子的效果，并進行了分析，對于一幅圖像，要用多種分割方法對其進行驗證，最后得出一種最好的方法，研究符合具體情況的圖像分割模型，才是提高圖像分割的重要手段。</p><p>　　關鍵詞：圖像分割,邊緣法,區(qū)域法,閾值法,MATLAB</p><p>　　Image segmentation and feature extrac

7、tion technology research</p><p><b>　　Abstract</b></p><p>　　Image segmentation is the first step to deal with and analyze the image, Is an important image analysis technology, Process

8、ing images in the relevant areas occupy a very important position,Therefore, image segmentation has been highly valued, and its research is of great significance,So far, people have raised hundreds of thousands of image

9、segmentation methods, mostly to different extent, has achieved certain success, But not enough to solve the problem of image segmentation, image segmentation</p><p>　　This paper mainly introduces the related

10、 theories of image segmentation in digital image processing technology,Image segmentation technology based on edge detection, image segmentation based on region and threshold image segmentation technology,In the image se

11、gmentation, the edge detection method, the region feature extraction method and the image threshold segmentation method are studied, A lot of theory is described and the image is simulated by MATLAB, the image is segment

12、ed and analyzed, and</p><p>　　Key words: image segmentation,edge method, region method, threshold method,</p><p><b>　　Matlab</b></p><p><b>　　第一章 緒論</b></

13、p><p>　　1.1 研究背景及意義 </p><p>　　在信息飛速發(fā)展的今天，圖像是我們獲取信息的主要來源之一，圖像是表達信息很強的一種直觀形式，同時也是我們最難獲取信息、處理信息和實現(xiàn)信息的一種信息形式，并且圖像的這種信息形式很難被其他形式代替。圖像的技術應用很廣，如在國防科技、人臉識別、航空航天、工業(yè)生產、醫(yī)療衛(wèi)生及交通管理等方面都有很廣泛的應用。</p><p

14、>　　然而我們就這樣直接獲得的圖像并不能滿足我們的需求，我們需要對圖像進行一系列的處理及分類，簡稱數(shù)字圖像處理。數(shù)字圖像處理就是用計算機對數(shù)字圖像進行處理。而在計算機飛速發(fā)展的今天，我們對圖像的獲取及處理就相對簡單了很多，對海量圖片的處理和分類尤為重要，同時也有重要的研究價值和意義。</p><p>　　對圖像進行處理的過程中，首先我們要對圖像進行分析，而對圖像進行分析的第一步是對圖像進行分割，然后進行特征

15、提取、目標識別，而特征提取、目標識別的好壞如何，取決于圖像分割的質量如何，自20世紀70年代，圖像分割技術受到了人們的高度重視，導致研究人員提出了很多不同的方法，到如今都沒有一種普遍適用理論及方法，也沒有選擇分割算法的標準，而到如今，研究人員對各種方法作了概述，將圖像分割分為4種方法，分別為圖像閾值分割算法、圖像邊緣檢測算法、圖像區(qū)域提取算法和結合特定理論工具的分割算法。</p><p>　　圖像的特征提取是圖像

16、進行標識和分類的最主要的方法，對圖像的識別過程中，要對圖像的固有的本質進行量測，同時將所測結果數(shù)值化，圖像的特征包括自然特征和人為特征，自然特征是本身具有的特點，如亮度、色彩等，而人為特征是人們定義的特點，如頻譜。特征提取就是指對圖像所包含的信息進行分析和處理，將不易受干擾的信息提取出來的過程。有提高識別精度、運算速度等作用。一般情況下，特征提取有區(qū)別性、可靠性、獨立性、數(shù)目小等4個特點。區(qū)別性是指不同類別的對象他們是有差別的，如兵乒球

17、和籃球的大小之分。可靠性是指同一類別的對象他們有相似值，如不同顏色的蘋果。獨立性指各種特征的對象是互不相關的。數(shù)目小就是要使圖像目標識別系統(tǒng)的復雜度降低，提供特征提取的質量。</p><p>　　我們生活在21世紀，這是一個信息時代，圖像是人們感知世界、獲取信息和傳遞信息的視覺基礎，因此，視覺圖像是許多研究人員的研究視覺的有效工具，其次，視覺圖像在軍事、醫(yī)療、工農業(yè)、氣象等領域有廣泛的需求，所以，基于本次運用Ma

18、tlab對圖像進行分割研究對社會有重要的意義。</p><p>　　1.2 國內外發(fā)展現(xiàn)狀</p><p>　　圖像分割從20世紀70年代發(fā)展至今，研究人員提出了上千種的分割方法，但是并沒有一種通用的分割理論，對此，研究人員對一些經典理論作了概述，將圖像分割分為4種方法，分別為圖像閾值分割算法、圖像邊緣檢測算法、圖像區(qū)域提取算法和結合特定理論工具的分割算法。但是當要建一個機器視覺系統(tǒng)時，

19、我們將有一個龐大的圖像庫，那么要怎么去處理這些圖像并能實用的分割算法將是我們一大難題，因為沒有一個統(tǒng)一的理論為基礎，對人類視覺系統(tǒng)認識不夠深刻，那么要構造一個統(tǒng)一的圖像分割算法，是很難實現(xiàn)的，這也是到目前為此沒有一種通用的分割理論的原因。那么我們能否研究出一種對不同的圖像使用不同的分割方法，最終能達到我們需要的分割效果呢？目前為此，還是沒有一個完善的理論作為指導選擇適合的方法，這也是現(xiàn)在分割技術值得去研究的方向之一。</p>

20、<p>　　那么現(xiàn)實生活中，我們需要分割一副圖像時，我們是怎么去實現(xiàn)的呢？其實我們大多是根據自己的經驗和直覺去選擇方法，通過不斷的實驗找出最好的一種方法，與計算機技術的準確性對比，經驗豐富的人更容易找出適當?shù)姆指罘椒?，使需要分割的圖像達到最好的效果。</p><p>　　圖像分割是計算機視覺圖像處理的難點和熱點之一，圖像分割引起廣大科學愛好者的重視，對其進行極深入的研究。導致圖像分割的方法眾多，而無

21、一種通用的方法，這眾多的分割算法都只是針對某一類圖像分割的算法，要研究出一種通用的方法，我們還面臨著巨大的困難和挑戰(zhàn)，我們要分割一副圖像，方法眾多，這就給我們分割圖像時帶來了許多的實際問題。</p><p>　　圖像的特征提取的分類也有很多種，一般情況下，我們把圖像的特征分成4種，分別為視覺特征、統(tǒng)計特征、變換系數(shù)特征、代數(shù)特征。目標圖像的特征提取有多種描述，如顏色、灰度、輪廓、點、線等?？傊?，盡可能的反應出圖像

22、的本質特征，圖像的本質特征就是對圖像特征提取時，在任何環(huán)境條件下，圖像不會受到很大的影響。</p><p>　　目前很多國內外研究者對圖像特征提取提出了很多描述方法，如特征輪廓、區(qū)域的描述方法；圖像紋理特征的描述等。近年來很多研究者引入了數(shù)學，對特征提取進行分析，提出了分形特征、直方圖特征等的描述方法。這些方法在圖像處理、特征提取中有廣泛的應用。</p><p>　　目前國內外計算機視覺、

23、人工智能等對特征提取及其應用進行了深入的研究，并取得了很好的成績，近年來國內外還研究了圖像圖形軟件，對處理圖像有很大的幫助。特征提取與圖像分割算法相適應，它們彼此結合，選特定的分割方法和特定的提取方法，可達到最好的圖像識別效果。</p><p>　　1.3 本文的主要內容及工作安排</p><p>　　因圖像信息的豐富性，在科學研究和實際應用中應用廣泛,在圖像信息的很多應用中，我們用圖像

24、分割技術從原始圖像中提取出需要的圖像信息，為圖像數(shù)據庫管理、信息檢索提供了一定的技術保障，本文將以Matlab作為應用開發(fā)平臺，研究分割技術的不同方法，應用不同的算法進行圖像分割和特征提取的方法研究并把它們的效果進行比較，本文主要用MATLAB軟件來實現(xiàn)圖像分割技術的處理。</p><p>　　本文共分為五章，第一章緒論，主要介紹了圖像分割和特征提取的一些理論基礎知識和發(fā)展狀況。</p><p

25、>　　第二章到第四章分別介紹了圖像分割和特征提取的算法并用Matlab軟件實現(xiàn)仿真效果，并進行了分析。第五章對本論文作了總結。</p><p><b>　　第二章 概述</b></p><p>　　2.1 圖像和數(shù)字圖像</p><p>　　圖像是能為人們視覺所感知的一種形式和心中的一種有形想象，在人類接收的所有信息中，圖像信息約占

26、五分之四，所謂“百聞不如一見”就是這個道理，我們都很容易相信自己看到的的。目前，圖像技術發(fā)展迅猛，在各個領域幾乎都有應用，主要是圖像能很真切的讓我們看到實物的運轉，以便于我們研究項目各個項目。對于圖像的存在形式多種多樣，有靜止不變的、有千變萬化的、有平面的、有立體的。而就其本質而言，圖像可以分為連續(xù)圖像和離散圖像。連續(xù)圖像就是指在空間中所有的點都是相連的，沒有間斷點的函數(shù)圖像。否則就是離散圖像。數(shù)字圖像是指以二維數(shù)字組形式表示的圖像，數(shù)

27、字單元為像元，由模擬圖像數(shù)字化得到。</p><p>　　數(shù)字圖像與模擬圖像相比，它有精度高、處理方便、重復性好等優(yōu)點。即我們可以對數(shù)字圖像作任意方式的修改，我們保存的數(shù)字圖像不會隨時間流逝而發(fā)生改變。</p><p>　　2.2 數(shù)字圖像處理技術</p><p>　　數(shù)字圖像處理技術(Digital Image Processing)一般分為模擬圖像和數(shù)字圖像處

28、理兩大類，數(shù)字圖像是指以數(shù)字格式存放的圖像，而數(shù)字圖像處理是指把圖像信號轉化為數(shù)字信號的過程，即用計算機對圖像進行去除噪音、增強、分割、復原、特征提取等的技術。隨著計算機的迅猛發(fā)展，數(shù)字圖像得到了更快的發(fā)展，使其在通訊、醫(yī)療、地理等各個領域的應用愈來愈廣，對我們社會的發(fā)展有很大作用，對人們的生活水平有很大的提高,如電影中的特效，醫(yī)療中的X射線CT，人臉識別技術等都是應用了圖像處理技術。</p><p>　　數(shù)字圖

29、像處理技術的產生和發(fā)展受到3個因素的影響：分別為計算機的發(fā)展、數(shù)學的發(fā)展、軍事和工業(yè)等方面應用的不斷需求。數(shù)學的發(fā)展為數(shù)字圖像的發(fā)展奠定了理論基礎，計算機的發(fā)展為圖像的處理作了重大的貢獻，為處理圖像帶來了極大的效率。數(shù)字圖像處理有精度高，再現(xiàn)性好、圖像數(shù)據量龐大、處理費時、綜合性強等特點。</p><p>　　對一副圖像進行處理和分析，就要用數(shù)字圖像處理技術，而我們處理一副圖像要達到怎樣的目的呢？首先，要提高圖像

30、的視感質量，使人們看上去有很舒服的感覺。其次，要提前圖像中包含的一些要用的特征和信息，使計算機能更好的分析。最后，為了方便存儲和傳輸，要對圖像進行變換和壓縮。</p><p>　　無論我們出于任何目的的處理一副圖像，都要用到計算機圖像處理的軟件，對圖像進行輸入和輸出，并進行特定的加工，以達到我們所要的目的，所以，數(shù)字圖像處理技術的研究主要有以下幾方面的內容。</p><p>　?。?）圖像

31、獲取、表示及表現(xiàn) </p><p>　　即把模擬圖像轉化為數(shù)字圖像，并表示和表現(xiàn)出來的過程，如我們打印一副圖像，首先獲取這副圖像，而把這副圖像打印出來就是一種表示和表現(xiàn)。 </p><p><b>　?。?）圖像分割 </b></p><p>　　即把一副完整的圖像分成若干個區(qū)域的過程，要使圖像能被理解和容易分析，我們通常要把圖像分割成若干

32、個區(qū)域以便于我們分析，圖像分割是圖像處理技術中研究熱點之一，特別是圖像自動分割技術，幾乎需要人們提供一定的信息才能達到分割的效果，目前，如指紋識別已經開始使用。雖然圖像分割的算法很多，研究人員在各種算法中也取得了很大的成功，但是我們能不能把這些方法融入進來提高圖像的可靠性也是圖像分割技術的一大難題，這也是圖像分割研究的熱點之一。 </p><p><b>　?。?）圖像復原</b><

33、/p><p>　　即對品質下降的圖像，恢復成原圖像或將降質圖像恢復成接近完全不退化的原始圖像的過程。引起圖像退化的原因很多，如：大氣的影響、噪音干擾、產生高速的運動等。其程序代碼及圖像為：</p><p><b>　　圖2-1 圖像復原</b></p><p>　　>> clear all;</p><p>　　

34、>> k=imread('C:\Users\Administrator\Desktop\112.png');</p><p>　　>> a=rgb2gray(k);</p><p>　　>> subplot(3,2,1);</p><p>　　>> imshow(a);</p><p

35、>　　>> title('黑白圖像');</p><p>　　>> psf=fspecial('gaussian',5,5);</p><p>　　>> blurred=imfilter(a,psf,'symmetric','conv');</p><p>　　

36、>> v=.003;</p><p>　　>> bn=imnoise(blurred,'gaussian',0,v);</p><p>　　>> luc=deconvlucy(bn,psf,5);</p><p><b>　　>> figure</b></p><

37、;p>　　>> subplot(3,2,2);</p><p>　　>> imshow(blurred);</p><p>　　>> title('模糊后的圖像');</p><p>　　>> subplot(3,2,3);</p><p>　　>> imsho

38、w(bn);</p><p>　　>> title('加噪聲后的圖像');</p><p>　　>> subplot(3,2,4);</p><p>　　>> imshow(luc);</p><p>　　>> title('恢復后的圖像');</p>

39、<p><b>　?。?）圖像重建 </b></p><p>　　即我們測得的數(shù)據，經過數(shù)字處理獲得所需的圖像的技術，就是把二維圖像變成了三維圖像，經過一些處理得到高質量的圖像的過程。在圖像重建中，計算機斷層攝影技術即CT技術是圖像重建的經典實例。 </p><p><b>　　（5）圖像分析 </b></p>&

40、lt;p>　　在圖像處理中，我們幾乎都會進行圖像分析，這是必不可少的，即圖像分割、特征提取等都必須要進行圖像分析，這樣能使計算機更容易處理圖片。圖像分析就是對圖像的像素進行轉化，判斷是否合格的過程。 </p><p><b>　?。?）圖像增強 </b></p><p>　　即改善圖像的視覺效果，增強圖像的有用信息，將原來模糊的圖像變得更清晰明了，豐富其信息

41、量，加強圖像的識別效果，滿足圖像分析的需要，增強圖像的方法很多，而我們要找出一種非常好的方法，能改變圖像的視覺效果，我們也可以理解為增強我們感興趣的特征，如電影里的特效，電視的片頭片尾顏色的變換等，主要的目的是使其達到一種特殊的效果，增強感染力。下面是一個假彩色彩色圖像增強的程序代碼及圖像：</p><p>　　>> clear all;</p><p>　　>>

42、rgb=imread('C:\Users\Administrator\Desktop\112.png');</p><p>　　>> imshow(rgb);</p><p>　　>> rgbn(:,:,1)=rgb(:,:,3);</p><p>　　>> rgbn(:,:,2)=rgb(:,:,1);</

43、p><p>　　>> rgbn(:,:,3)=rgb(:,:,2);</p><p>　　>> firure;</p><p>　　>> subplot(2,1,1);</p><p>　　>> imshow(rgb);</p><p>　　>> subplot(

44、2,1,2);</p><p>　　>> imshow(rgbn);</p><p>　　圖2-2 假彩色圖像增強</p><p>　　（7）圖像壓縮編碼 </p><p>　　圖像壓縮編碼分為無損壓縮編碼和有損壓縮編碼，無損壓縮編碼指圖像被壓縮后能恢復成原來圖像，無任何信息流失的編碼。而有損壓縮編碼指圖像被壓縮后無法完全恢復

45、成原來的圖像的編碼。</p><p>　　數(shù)字圖像處理的這些內容在方法上各有不同，技術上互相滲透，跟不同的學科互相結合而導致難以區(qū)分，有相對的獨立性，數(shù)字圖像應用領域很廣，如：航天和航空方面的衛(wèi)星遙感技術，醫(yī)學方面的CT技術，電子商務方面的身份認證、水印技術，文化藝術方面的動畫制作、服裝設計與制作，通信方面的各種編碼等。</p><p>　　自20世紀60年代數(shù)字計算機問世以來，數(shù)字圖像處

46、理技術的研究問題主體現(xiàn)在以下幾方面：</p><p>　?。?）如何提高精度的同時解決速度的問題；</p><p>　?。?）加強軟件的研究，開發(fā)出新的處理方法，將其他學科的知識融入進來；</p><p>　?。?）加強理論研究，注意圖像處理領域的標準，形成圖像處理科學自己的理論；</p><p>　?。?）加強與其相近學科的學習，增進數(shù)字圖

47、像處理技術的發(fā)展。</p><p>　　2.3 圖像分割的研究和結果</p><p>　　我們在對圖像進行特征提取之前，為了達到更高的效果，更方便進行特征提取，我們先要對圖像進行一個重要的步驟，那就是對圖像進行分割及圖像預處理，這就要選擇適合的分割算法，而選擇適合的算法就需要我們對圖像分割的各種算法進行研究和探索，最終找出最好的一種算法，達到圖像預處理和圖像分割的最終效果，使我們接下來的

48、特征提取更為方便、快捷。</p><p>　　我們對輸入圖像進行特征提取、分割、分類的處理過程叫圖像的預處理，而進行預處理的目的就是提取出我們需要從圖像中得到的信息，去掉圖像中沒有用的信息，使圖像的檢測性得到提高、數(shù)據更簡化，以便于我們對圖像進行分析，對接下來的圖像分割和特征提取作出一個更好的基礎。例如對于一副光照不均勻、噪音大的圖像，我們要對其進行預處理，那么可以得出一個簡要的步驟，針對光照不均勻，就要對圖像進

49、行灰度化和進行光照補償，而噪音大，就要對圖像進行背景去除，在實際應用中，我們針對不同的圖像，有不同的方法，只要能使圖像達到自己想要的效果，那么就是好方法。</p><p>　　圖像分割就是把圖像分割成若干個部分，并且每個部分都有自己的特性，互相不重疊，然后我們提取出自己感興趣的目標圖像的技術和過程，關于圖像分割的幾種方法，在后面章節(jié)一一介紹。在這里要說明的是我們對圖像進行預處理之后，要對圖像的各種特征進行圖像分割

50、，將有用的特征點分割出來，完成圖像分割。</p><p>　　在以上研究完圖像的各種特性后，我們還要研究各種分割方法，找出適合自己所研究的圖像的分割方法和效果，經過應用對比，確定方法，作出自己想要圖像達到的一種效果。</p><p>　　2.4 特征提取內容和方法的建立</p><p>　　圖像的特征提取是建立在圖像分割和圖像預處理之后進行的一項重大的任務，我們用

51、計算機提取出一個圖像的一些重要信息，在決定圖像中的一些點是否屬于這個圖像，他是圖像處理中的一個初級運算，就因為這樣，導致了圖像的特征提取具有一定的區(qū)別性和獨立性的特點。</p><p>　　那么對于一副圖像，我們如何去尋找他們的特征呢？首先我們拿到一副圖像，要看這幅圖像的邊緣，邊緣是每張圖像的區(qū)域邊界，接著看角，角是圖像的點的特征，接著看區(qū)域，它可能又多個像素組成的區(qū)域，也可能又一個像素組成，最后看脊，脊就是指長

52、方形的物體，可看著是代表對稱軸的一些曲線，找出圖像的這些特征，便于進行特征提取。特征提取方法眾多，如區(qū)域特征提取、紋理特征提取、灰度特征提取、輪廓特征提取和矩特征提取等，而我們需要處理的圖片的提取方法視情況而定，選擇一個好的方法提取出的效果是完全不同的，所以，要得到一副好的圖像，跟我們選擇的方法正確與否是有關聯(lián)的，下面簡要介紹下圖像特征提取的幾種方法。</p><p><b>　?。?）輪廓特征提取&l

53、t;/b></p><p>　　對于一副圖像的輪廓特征，我們需要注意它的長度、直徑、斜率和角點等參數(shù)，下面我們對這些參數(shù)作下方法講解。</p><p>　　輪廓的長度簡單地說就是一個區(qū)域的周長，而一個區(qū)域由很多個內部點和輪廓點組成，區(qū)域的輪廓組成有兩種，一種是4方向連接組成，另一種是8方向連接組成，這兩種區(qū)域的其他點叫內部點，4方向的模型就像我們說的東、南、西、北4個方向，而8方向就

54、多了東南、西南、西北、東北4個方向。</p><p>　　圖2-3 4方向和8方向示意圖</p><p>　　輪廓的直徑是指在一副圖像中，距離最遠的兩個點的直線線段長度，它對圖像的特征描述有很重要的作用。</p><p>　　輪廓的斜率是指在一副圖像中，各個點所指的方向，而曲率則是圖像中各點方向變化的情況，多數(shù)描述的都是圖像的凹凸性，隨曲率的正負來判斷是凹或是凸，

55、在特征提取中，應用不是很多。</p><p>　　輪廓的角點指在一副圖像輪廓中，它的曲率有一個極值點，而這個點就是輪廓的角點，由定義可以知道，在離散圖像中，圖像的輪廓分散不均勻，即圖像的輪廓并不平滑，所以使得圖像的曲率變得不可靠。 </p><p><b>　?。?）區(qū)域特征提取</b></p><p>　　區(qū)域特征提取包括圖像的重心、面積、形

56、狀等特點，通常是用圖像的像素來作為計算依據，下面簡要介紹區(qū)域特征提取的這幾種特點。</p><p>　　我們把一副圖像看作是一個區(qū)域，而這個區(qū)域的大小就叫區(qū)域的面積，假如我們用R表示一個區(qū)域，用S表示區(qū)域的面積，x和y表示區(qū)域的坐標，那么區(qū)域的面積表示為：</p><p>　　S= (2-1)</p><p>　　由這個

57、公式可以知道，我們統(tǒng)計出的像素個數(shù)就表示區(qū)域的面積。</p><p>　　在一個區(qū)域中，有一個中心點，而這個中心點是由各個點計算得到的，它表示這個區(qū)域的重心，這個點就叫區(qū)域的重心。由于一個區(qū)域的點過多而很難確定區(qū)域的重心，我們可以用區(qū)域中的一小個區(qū)域來表示區(qū)域的重心，具體知道區(qū)域重心的一個空間位置。</p><p>　　在一個區(qū)域中，我們經常描述它的形狀，而這種描述的方法就叫區(qū)域的形狀參數(shù)

58、。我們用C來表示區(qū)域的形狀參數(shù)，區(qū)域的形狀參數(shù)由區(qū)域的周長和面積來計算得：</p><p>　　C= (2-2)</p><p>　　由此公式可知，C描述了圖像的緊湊性，如果C=1，那么此區(qū)域為圓形。</p><p><b>　　紋理特征提取</b></p><p>

59、　　對于一副圖像，它表面有凹凸不平的溝紋或表面很光滑，但有一些花紋，而這些特征就叫圖像的紋理，花紋就是在一副圖像中，如果繪制圖案，只要產生紋理，那么這幅圖像表面并沒有改變，而溝紋則是在一副圖像中，如果繪制圖案，給人看上去有凹凸不平的感覺，就是這幅圖像是不規(guī)則的。</p><p>　　紋理的特征由以下幾種因素決定，分別為函數(shù)的周期、紋理的大小和規(guī)律等。我們通常用統(tǒng)計法、結構法、頻譜法來描述一副圖像的紋理特征，頻譜法

60、就是把圖像分成若干個部分，在進行數(shù)學變換而得。結構法就是在一副圖像中，紋理基元會重復出現(xiàn)，并體現(xiàn)出一種規(guī)律的方法。統(tǒng)計法則是統(tǒng)計出紋理特征的像素密度，反映圖像的信息。</p><p><b>　　灰度特征提取</b></p><p>　　圖像的灰度特征是我們分析一副圖像的重點，也是我們視覺上很容易區(qū)分的特性，圖像灰度特征描述方法很多，常見的描述方法有：透射率、光密度、

61、積分光密度等。</p><p>　　透射率指穿透目標的光跟入射光的比，而光密度則剛好相反，這兩種方法適合圖像的特征提取。積分光密度是對圖像“質量”的一種特征提取。</p><p>　　第三章 圖像分割方法綜述</p><p>　　3.1 圖像分割算法評價</p><p>　　通常我們看一副圖像的好壞，都是以視覺感官來決定好壞與否，簡單地

62、說就是靠我們的第一感覺，而這樣的判斷，易由人們的視覺差異而導致對一副圖像的評價好壞，所以我們要對不同的圖像要有一個定性的評價是很重要的，這樣能提高人們對圖像的理解。要對一副圖像有一個定性的評價，那就要引入圖像分割的算法評價，圖像分割的算法評價能提高和改進一副圖像的性能，我們對圖像分割的各種算法作對比評價，得出兩類圖像分割算法，分別為直接法和間接法，直接法就是對圖像的性能及各種原理進行評價，不用考慮其他任何因素，只跟算法本身有關，而間接法

63、則是對圖像的評價作對比，進行各種測試得出的評價。</p><p>　　我們要對一副圖像的結果進行評價，那么就要先分析圖像的算法有效性，判斷其性能，那么我們對一副圖像如何做一個全面的比較，并得出能滿足大多數(shù)人的評價，這是目前比較困難的工作。目前，研究人員對各種方法作了一定的研究，通過分析和實驗來進行圖像分割的評價，分析法就是直接法，很少應用，而實驗法要通過對圖像的比較，得出的一種方法。實驗法又可以分為偏差法和優(yōu)度法

64、兩種，偏差法要有一個標準的的比較過程，從而找出圖像的差別的一個過程。優(yōu)度法是以人們的視覺感知作為基礎，以圖像的特征為依據，從而得出的一種評價方法。對于圖像分割的評價方法很多，而最有說服力的還是實驗法，而實驗法得出的準則也很多，其中最主要的有：區(qū)域對比度、區(qū)域一致性、區(qū)域形狀參數(shù)、區(qū)域內部均勻性等。</p><p><b>　　區(qū)域一致性</b></p><p>　　區(qū)

65、域一致性反映了圖像分割的好壞與否，一個好的分割算法，其內部結構應該具有相似性的分割結果，這種一致性可以用特征方差計算得到，下面以灰度圖像為例，計算其一致性參數(shù)：</p><p><b>　?。?.1）</b></p><p><b>　　其中：</b></p><p>　　在上式中，是閾值t分割的一個區(qū)域，為這個區(qū)域的像素

66、個數(shù)，為像素點與目標的方差，為函數(shù)值，為一致性參數(shù)，C是歸一化因子，指圖像的像素數(shù)。</p><p><b>　　區(qū)域對比度</b></p><p>　　對于一副圖像的分割效果好壞的評價標準，研究人員用區(qū)域對比度來作為評判的度量，圖像分割得越好，其對比度越高。對于一副有目標和背景的圖像，其對比度為目標和背景區(qū)的平均灰度級差的絕對值比目標和背景區(qū)的平均灰度級的和。<

67、;/p><p><b>　　綜合評價函數(shù)</b></p><p>　　由于一副圖像的信息相當復雜，有時用一種測量參數(shù)無法確定圖像分割的質量，在這里就要綜合考慮，將幾種測量方法綜合一起來完成，得到最準確的評價結果的一種方法就叫綜合評價函數(shù)。我們可以用圖像分割算法的其他任何算法綜合評價圖像的質量。</p><p>　　3.2 基于邊緣檢測的圖像分割算

68、法</p><p>　　邊緣是指其周圍像素灰度有階躍變化或其它變化的像素的集合，是圖像分割要找的一個重要特征，由定義可知，邊緣的灰度值是不連續(xù)的，而這種不連續(xù)一般可以用一階導數(shù)和二階導數(shù)來檢測其結果，邊緣存在于物體和背景、物體和物體之間，因此，對于圖像分割，要找出這些特征是很重要的。邊緣檢測技術中，按照處理順序可以將其分為兩種，分別為并行邊緣檢測技術和串行邊緣檢測技術，并行邊緣檢測技術指被檢測圖像中的被檢測像素點

69、及相鄰像素點，檢測圖像中的所有像素點，從而決定其是否是我們要檢測的像素點。串行邊緣檢測技術中，判斷要檢測的像素點是否屬于邊緣，由先前像素的驗證結果決定。</p><p>　　3.2.1 并行邊緣檢測技術</p><p>　　關于并行邊緣檢測技術，我們從并行微分算子法、基于曲面擬合的方法、活動輪廓與水平集等幾個方面來研究。</p><p><b>　　并行

70、微分算子法</b></p><p>　　我們要研究一副圖像，首先要看其大體形狀、邊緣，特別是圖像的邊緣，其包含的信息很重要，這對處理和分析圖像有很大的幫助，所以對于一副復雜的圖像，幾乎都用邊緣檢測技術去處理。而邊緣檢測技術是通過微分算子進行計算的，微分算子有一般分為一階微分和二階微分兩種，這兩種是比較經典的邊緣檢測微分算子。一階邊緣檢測微分算子有很多種，分別為：Krisch邊緣檢測算子、Prewitt

71、邊緣檢測微分算子、Sobel邊緣檢測微分算子、Roberts邊緣檢測算子等。二階微分邊緣檢測算子包括：拉普拉斯算子、LOG邊緣檢測算子、Kirsh算子等。邊緣檢測的微分算子對圖像所包含的信息及其他影響圖片質量的一些因素非常的敏感，這對檢測和處理圖像有很大的幫助。</p><p>　　對于一副圖像，總會遇到其邊緣和噪聲的灰度不連續(xù)的地方，對于這種情況，如果直接用微分算子運算是很難完成的，那么就要對其進行平滑濾波，因

72、此，要找一種具有平滑濾波功能的微分算子，而在所有的微分算子中，只有LOG算子和Canny算子具有平滑濾波功能并且處理效果較好，LOG算子采用拉普拉斯算子求高斯函數(shù)，其為二階導數(shù)，而Canny算子直接用高斯函數(shù)運算，為一階導數(shù)，能定位導數(shù)最大值和方向，對于兩種算子，其對不連續(xù)灰度的地方能取得較好的抑制。下面是用MATLAB分別對一階微分算子和二階微分算子提取的程序跟結果圖：</p><p>　　>> c

73、lear all;</p><p>　　>> i=imread('C:\Users\Administrator\Desktop\112.png');</p><p>　　>> a=rgb2gray(i);</p><p>　　>> subplot(2,2,1);</p><p>　　>

74、> imshow(a),title('灰度圖像');</p><p>　　>> b=edge(a,'sobel');</p><p>　　>> subplot(2,2,2);</p><p>　　>> imshow(b),title('sobel算子提取');</p>

75、;<p>　　>> c=edge(a,'roberts');</p><p>　　>> subplot(2,2,3);</p><p>　　>> imshow(c),title('roberts算子提取');</p><p>　　>> d=edge(a,'prewi

76、tt');</p><p>　　>> subplot(2,2,4);</p><p>　　>> imshow(d),title('prewitt算子提取');</p><p>　　圖3-1 一階微分算子提取圖</p><p>　　>> clear all;</p>&l

77、t;p>　　>> i=imread('C:\Users\Administrator\Desktop\112.png');</p><p>　　>> a=rgb2gray(i);</p><p>　　>> subplot(2,2,1);</p><p>　　>> imshow(a),title(&#

78、39;灰度圖像');</p><p>　　>> b=edge(a,'log');</p><p>　　>> subplot(2,2,2);</p><p>　　>> imshow(b),title('log算子提取');</p><p>　　>> c=ed

79、ge(a,'canny');</p><p>　　>> subplot(2,2,3);</p><p>　　>> imshow(c),title('canny算子提取');</p><p>　　圖3-2 二階微分算子提取圖</p><p>　　（2）基于曲面擬合的方法</p>

80、<p>　　曲面擬合是將一個小區(qū)域內的數(shù)據用曲面來擬合，用這個曲面來決定邊緣點的方法，它的基本思想是將灰度看成高度，Prewitt算子先對圖像作最小二乘法，然后在曲面擬合上用梯度算子進行邊緣檢測。Haralick提出了二維三階多項式的方法來擬合圖像數(shù)據，先用線性組合來求其多項式，然后求其二階方向導數(shù)，最后，用零點來決定邊緣點。但是，多項式不易表達復雜的邊界的形狀，其結構過程過于復雜，研究人員在Haralick的方法的基礎上

81、用標號法找出邊緣點進行比較及判斷，最終得出最好的邊緣點。</p><p>　　曲面擬合的方法幾乎都是用函數(shù)來完成，并且是用低階多項式的函數(shù)，用此方法進行邊緣檢測時，需要曲面光滑，跟原圖像相比，要具有相似的凹凸性，所以函數(shù)的選擇至關重要，一般情況下，一維曲線擬合的函數(shù)為：</p><p>　　和 （3.2）</p><p><b&g

82、t;　　活動輪廓與水平集</b></p><p>　　綜合各種圖像分割的方法，從物理學、幾何學等方向分析圖像分割的形變模型，它從圖像的信息、位置、形狀等各方面分析圖像，對其進行分割、匹配和跟蹤。</p><p>　　從物理學的角度來分析，我們對一個物體施加力，那么此物體內部會產生反彈，這個過程可以看做是形變的一個模型，形變模型分為二維和三維兩種模型，在這討論活動輪廓模型，用活動

83、輪廓模型尋找邊界點主要有兩種方法：一種是尋找一個物體的平衡點。另一種是尋找能量點，能量最小的點就是邊界點。</p><p>　　目前，活動輪廓模型還面臨著兩大難題，分別為： 為了使結果更正確，必須將模型初始化于真實邊緣的附近。曲面的凹形區(qū)域邊緣存在很多問題。</p><p>　　近幾年來，幾何學在圖像分割中占了很高的地位，是目前研究的熱點和重點，其中，最主要的方法是水平集方法，用來求幾何曲

84、面的演化，將二維曲線跟三維曲面相集合，用隱含的方式表達閉合曲線，避免其曲面演化的跟蹤，最終轉化成求微分方程的過程。</p><p>　　水平集函數(shù)處理曲線演化遵循一定的規(guī)律，在二維坐標系中更新水平集函數(shù)，達到隱含閉合曲線的效果，它最大的特點就是使閉合曲線發(fā)生分離或合并，但水平集函數(shù)不變，仍然是一個有效的函數(shù)。</p><p>　　對于活動輪廓模型的研究是從snake模型開始的，設曲線的參數(shù)

85、方程為，，則snake模型函數(shù)為：</p><p><b>　　（3.3）</b></p><p>　　其中為內部能量項，為圖像能量項，為外部能量項。</p><p>　　對于水平集，我們從數(shù)學的角度分析，其定義為：設連續(xù)函數(shù)：是演化曲線，在t時刻的隱含條件，對應的零水平集為：</p><p><b>　?。?

86、.4）</b></p><p>　　3.2.2 串行邊緣檢測技術</p><p>　　對于串行邊緣檢測技術，我們從串行邊界技術、邊界跟蹤、基于邊界曲線擬合的方法等幾個方面來作簡要的分析。</p><p><b>　　串行邊界技術</b></p><p>　　我們用串行方法對目標邊界進行檢測的圖像分割的方法就

87、叫串行邊界技術。它的工作步驟是按順序搜索邊緣點來完成，具體如下：</p><p><b>　　先確定起始搜索點；</b></p><p>　　選擇一個好的搜索方法，使之依次檢測邊界點；</p><p>　　設置終止條件，使搜索結束便自動停止。</p><p>　　用并行方法檢測技術有一個缺點就是對受噪聲影響的邊界閉合效果

88、很差，原因是空間中同一個目標的邊緣點沒有被連接起來，而不同目標上的邊緣點卻互相連接了，而這個問題可以用串行邊界技術來解決，除去虛假的邊緣點直接可得連續(xù)的邊界，而邊界的位置正確與否，取決于起始點的選擇是否正確。</p><p><b>　?。?）邊界跟蹤</b></p><p>　　邊界跟蹤就是從梯度圖中的一個邊緣點出發(fā)，依次連接相鄰邊緣點，最終檢測出目標邊界的過程，也

89、叫邊緣點連接。邊界跟蹤一般由以下幾個步驟完成；</p><p>　　確定搜索起點的邊緣點是至關重要的，一定要選擇好；</p><p>　　確定并選擇一個好的搜索方法，找出新的邊界點，并注意對下面的檢測結果的影響；</p><p><b>　　設置終止條件。</b></p><p>　　圖像受到的影響越小，邊界跟蹤的圖像分

90、割效果就越好，如果圖像受到影響過大，那么就要對圖像進行平滑濾波，然后才開始搜索。</p><p>　　基于邊界曲線擬合的方法</p><p>　　在不同區(qū)域中，用平面曲線來表示圖像的邊界線，通過圖像梯度圖來找出邊界的曲線，從而達到圖像分割的方法叫基于邊界曲線擬合的方法，它對圖像分割的處理相當重要，只要用此方法找出的邊界點，在圖像分割中也經常被采用，在實際應用中，如果給定一條初始曲線，通常優(yōu)

91、化目標函數(shù)來改變曲線的參數(shù)，這種方法比較適合處理復雜的圖像分割。</p><p>　　3.3 幾種常見的邊緣檢測算子</p><p>　　Roberts算子 </p><p>　　Roberts(羅伯茨算子）是一種最簡單的算子，采用對角線方向相鄰像素之差檢測邊緣，利用局部差分法尋找邊緣的算子，在實際應用中，Roberts算子如下式所示：</p>&l

92、t;p><b>　?。?.5）</b></p><p><b>　?。?.6）</b></p><p>　　則： （3.7）</p><p>　　由上式可尋找一個閾值，大于閾值為1，否則為0，因此，Roberts算子模板可以表

93、示為：</p><p><b>　　和</b></p><p>　　圖3-3 Roberts算子模板</p><p><b>　　Sobel算子</b></p><p>　　Sobel算子主要用于邊緣檢測，用來獲得數(shù)字圖像的一階梯度，它是一個包含兩組3×3的矩陣，用表示橫向，表示縱向，將它

94、與圖像作平面卷積，那么可得公式為：</p><p>　　= 和 = （3.8）</p><p>　　其梯度大小可表示為；</p><p>　　U= （3.9）</p><p><b>　　梯度的方向為：</b></p><p&

95、gt;<b>　?。?.10）</b></p><p>　　如果等于0，那么此圖像處理有縱向邊緣，左方比右方暗。</p><p>　　Sobel算子在處理圖像之前，要先對圖像作加權平滑處理，再計算其微分。</p><p><b>　　Prewitt算子</b></p><p>　　Prewitt算子

96、跟Sobel算子一樣，都是一階微分算子，主要作邊緣檢測，在處理圖像之前，也要作平滑處理，其算子可定義為：</p><p>　　U= （3.11）</p><p><b>　　模板表示為：</b></p><p><b>　　和</b></p><p>　

97、　圖3-4 Prewitt算子模板</p><p>　　Laplacian算子</p><p>　　拉普拉斯算子（Laplacian）是一個獨立的二階微分算子，經常被用來提取圖像邊緣，其公式為： </p><p><b>　?。?.12）</b></p><p>　　它的數(shù)字圖像的表達式為：<

98、/p><p><b>　　（3.13）</b></p><p>　　拉普拉斯算子的鄰域是4鄰域和8鄰域的模板分別為：</p><p><b>　　和</b></p><p>　　圖3-5 Laplacian算子模板</p><p>　　一般情況下，都是把拉普拉斯算子和平滑算子結

99、合起來一起用，生產新的模板。</p><p><b>　　（5）Log算子</b></p><p>　　Log濾波算子又叫高斯拉普拉斯函數(shù)，用于邊緣提取和二值比，先對圖像作高斯濾波，再求其拉普拉斯二階導數(shù)，最后，檢測圖像的零交叉點，獲得圖像的邊緣。</p><p><b>　　Canny算子</b></p>

100、<p>　　Canny算子于1986年被John F. Canny開發(fā)出來，是一個多級的邊緣檢測算子，最主要就是用來檢測圖像的邊緣。Canny算子有很多種參數(shù)，如：高斯濾波器和閾值，高斯濾波器的大小檢測邊緣的模糊情況。閾值的高低決定信息的重要性，過高會發(fā)生信息落掉，過低又會把不重要的信息看得很重要，所以選擇適合的閾值是相當重要的一項任務，而我們對Canny算子的設計用幾個步驟來完成，分別為：</p><p&

101、gt;　　去除噪聲，對圖像的模糊數(shù)據作處理；</p><p>　　尋找圖像中的亮度梯度，即對圖像進行濾波并尋找圖像的方向；</p><p>　　在圖像中跟蹤邊緣，使用適當?shù)拈撝祦砀檲D像。</p><p>　　3.4 基于區(qū)域的圖像分割算法</p><p>　　3.4.1 閾值分割算法</p><p>　　閾值分割

102、算法是一種最常用的分割算法，是圖像分割算法中最基本和應用最廣的一種分割技術，它適用于目標和背景所占的不同灰度級的范圍，閾值分割算法最主要的特點是可以極大地壓縮數(shù)據量，簡化分析和處理的步驟，在進行圖像分析和特征提取之前，幾乎都用閾值分割算法來作必要的預處理過程。閾值分割算法最主要的目的是在灰度級的基礎上，把每個像素劃分成子集，形成與實際景物相對應的區(qū)域的過程。例如：設定一個閾值T，把閾值區(qū)域分為兩部分，設為輸入圖像，為輸出圖像，則：<

103、;/p><p>　　= （3.14）</p><p>　　閾值分割算法發(fā)展至今，已被整理出了很多種分割算法，一種是根據圖像的本身特點，可將閾值分割算法分為：單閾值分割算法、多閾值分割算法、基于區(qū)域性質的分割算法、基于坐標位置的分割算法等；根據分割算法的特征，可將閾值分割算法分為：直方圖峰谷算法、方差法、基于過渡區(qū)的閾值分割算法等。</p>

104、<p>　　目前，閾值分割算法被廣泛應用于很多領域，如：在紅外技術應用中的紅外成像跟蹤系統(tǒng)的目標分割；遙感應用中的合成孔徑雷達；醫(yī)學中的磁共振；農業(yè)中的產品檢測等。</p><p>　　3.4.2 區(qū)域分割算法</p><p>　　根據圖像的灰度、顏色和紋理等特征，把圖像中的各個像素規(guī)劃到各個區(qū)域中，然后分割成若干個區(qū)域的一種分割方法叫基于區(qū)域的圖像分割算法。區(qū)域的提取方法有

105、兩種形式：一種是從圖像的一個像素出發(fā)，合并成所需的分割圖像；另一種是從整幅圖像出發(fā)，分割成所需的分割區(qū)域。由此可以得到，區(qū)域提取法分為區(qū)域生長法和分裂合并法兩種。</p><p>　　區(qū)域生長法是根據相似性準則來完成的，簡單步驟就是選擇一幅圖像，將圖像中滿足這個相似性準則的區(qū)域合成更大的一個區(qū)域，就是將一個小區(qū)域合成一個大的區(qū)域的過程。</p><p>　　區(qū)域生長法的研究重點分別為：首先

106、要確定他的特征和區(qū)域增長的規(guī)則的設計；其次確定算法的準確性和高效性；最后確定區(qū)域生長終止的條件。最主要的還是選擇合適的生長準則。</p><p>　　分裂合并法就是把一幅圖像中不均勻的區(qū)域分割成新的子區(qū)域，然后又將子區(qū)域合并成一個大的區(qū)域的過程。分裂合并法最主要研究的是分裂和合并規(guī)則的設計。</p><p>　　區(qū)域生長法和區(qū)域合并法通常都是一起用，方便把相似區(qū)域合并成大的區(qū)域，它們的互相

107、結合使用，彌補了各自的缺點。</p><p>　　3.4.3 一種改進的局部自適應閾值分割算法</p><p>　　因為圖像邊緣檢測的圖像分割算法對噪聲是十分敏感，單獨使用了局部信息，使得區(qū)域內部顏色的一致性難以得到保證，在高細節(jié)區(qū)域，存在很多瑣細的邊緣，對形成一個大的區(qū)域是很難實現(xiàn)的，所以邊緣檢測算法一般要做后續(xù)處理。在實際應用中，由于傳統(tǒng)的邊緣算子對信息的敏感度高而很難處理復雜的圖像

108、，導致了傳統(tǒng)的邊緣算子不能得到很好的應用，而灰度直方圖法和方差法對灰度差別不大的圖像又不能處理，對噪聲敏感度也很大，此方法也不適用，分裂合并法對算法復雜、計算量大的圖像分裂又容易破壞圖像區(qū)域的邊界，導致其也不能用，分水嶺算法存在過分割現(xiàn)象，以上各種方法都過多過少的存在一些缺點，下面介紹一種新方法，局部自適應閾值分割算法。</p><p>　　局部自適應閾值分割算法是一種與坐標無關的算法，用分割目標圖像的形態(tài)學特點

109、來判斷圖像性質，對灰度小的圖像也有較好的分割效果，但是，此算法對噪聲的影響和適應性較差。因此，下面對此方法作進一步的改進，具體步驟為：</p><p>　　將原始圖像分割成若干個圖像，使其滿足閾值的選取與坐標相關的自適應的特點。</p><p>　?。?）計算每個子塊的梯度直方圖，使直方圖接近于容易被最大類間方差閾值法的理想狀態(tài)。</p><p>　　（3）對每幅子

110、圖像進行最大類間方差法分割。</p><p>　?。?）采用等間距插值法減輕塊狀效應的影響。</p><p>　?。?）采用數(shù)學形態(tài)學濾波器去除噪聲。</p><p>　　目前，閾值分割方法很多，而自適應閾值分割算法是一種對多數(shù)圖像分割都適用，它能針對圖像特征的不同產生適合的閾值，對圖像分割有很好的效果。</p><p>　　第四章 基于M

111、atlab的圖像分割仿真結果與討論</p><p>　　4.1 圖像閾值分割算法的研究 </p><p>　　圖像閾值分割算法利用圖像中要提取的目標和背景的灰度差異，把不同灰度級的目標和背景區(qū)域的組合，用一個閾值來確定圖像的每個像素的是屬于哪個區(qū)域，從而產生相應的二值圖像。閾值分割算法有計算簡單、效率高、速度快的特點，在實際應用中，閾值法通常是跟其他方法結合使用，下面是幾種閾值分割方

112、法的仿真效果：</p><p>　　4.1.1 Otsu閾值圖像分割算法</p><p>　　最大類間方差法根據圖像的灰度特征，將圖像分為背景和目標兩部分，用Matlab對圖像進行分割的程序代碼為：</p><p>　　圖4-1 Otsu 閾值分割算法分割圖像仿真圖</p><p><b>　　clc </b>&l

113、t;/p><p>　　clear all;</p><p>　　>> k=imread('C:\Users\Administrator\Desktop\112.png');</p><p>　　>> subplot(2,2,1);</p><p>　　>> imshow(k);title(

114、9;原始圖像');</p><p>　　>> grid on;網格線</p><p>　　>> axis on;坐標系</p><p>　　>> a=graythresh(k);確定灰度閾值</p><p>　　>> b=im2bw(k,a);</p><p>