图像分割技术研究与实现终极版VIP

学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。作者签名： _ 年 月 日学位论文版权使用授权书本学位论文作者完全了解学校有关保障、使用学位论文的规定，同意学校保留并向有关学位论文管理部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权省级优秀学士学位论文评选机构将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于1、保密 ，在_年解密后适用本授权书。2、不保密 。（请在以上相应方框内打“” ）作者签名：_年 月 日 导师签名：_年 月 日 目 录摘要1前言21 绪论31.1 图像分割技术的国内外现状31.2 图像分割技术的发展趋势41.3 本文研究内容42 图像分割的主要方法概述52.1 基于阈值的图像分割方法及其改进52.2 基于边缘检测的图像分割方法62.3 基于小波变换的图像分割方法92.3.1 小波变换概述92.3.2 对小波变换的理解92.3.3 小波变换在图像处理中的应用123 图像分割的算法实现163.1 基于阈值的图像分割的算法实现163.2 基于边缘检测的图像分割的算法实现173.3 基于小波变换的图像边缘检测的算法实现234 图像分割的仿真与结果分析244.1 基于阈值的图像分割仿真与分析244.2 基于边缘检测的图像分割仿真与分析274.3 基于小波变换的图像边缘检测仿真与分析295 结论与展望.305.1 本文完成的主要工作315.2 未来研究展望31致谢33参考文献34附录 程序清单351图像分割技术研究与实现摘 要：图像分割是图像特征提取和识别等图像理解的基础，对图像分割的研究一直是数字图像处理技术研究中的热点和焦点。本文介绍了数字图像处理技术中图像分割技术的基本原理和主要方法，对经典的图像分割算法进行了较全面的叙述，分别研究了基于阈值、边缘检测和小波变换的图像分割方法，并使用 MATLAB 软件对各种分割算法进行了仿真，对仿真结果进行了分析。关键词：图像分割；阈值；边缘检测；小波变换；Abstract：Image segmentation is the foundation of the understanding in image feature extraction and recognition, and the reseach on it is usually the hotspot and focus in the study of digital image processing technology. This paper introduces the basic principles of techniques and the main methods in image segmentation, which is always used in digital image processing techniques, were investigated by the law of threshold, marginaland wavelet transform, then use the MATLAB software simulating a variety of segmentation methods and the simulation results are analyzed. In this paper, the classic image segmentation algorithm has been comprehensively narratived.Key words: image Segmentation；threshold；marginal detecting；wavelet transform ；2前言图像处理中，常常只对其中的某些目标感兴趣，对于这些感兴趣的目标，它们通常在要分割的图像中占据一定的区域，而且在某些特性上与周围的图像存在一定的差别。这些差别可能非常明显，也可能十分细微，以至于人眼无法觉察。而图像分割就是将图像分割成目标区域和背景，以便进行进一步处理。在进行图像分割时，首先要根据目标和背景的先验知识来对图像中的目标、背景进行标记、定位，然后将等待识别的目标从背景中分离出来。图像分割的结果是图像特征提取和识别等图像理解的基础，对图像分割的研究一直是数字图像处理技术的焦点和热点。图像分割把图像空间分成一些有意义的区域，与图像中各种物体目标相对应。它使得其后的图像分析和识别等处理过程中所要处理的数据量大大减少了，同时又保留了有关图像结构特征的信息。通过对分割结果的描述，能够理解图像中包含的有关信息。图像分割质量直接影响后续图像处理的效果，甚至决定其成败，因此，分割的方法和精确程度至关重要。数字图像目标分割是数字图像处理和计算机视觉领域中一个备受关注的研究分支。因为在目标分割可以利用大量的数字图像处理的方法，加上其在计算机视觉、模式识别等领域中的广泛应用，都吸引了众多研究者的注意。相信对这一问题的深入研究不仅会不断完善对这一问题的解决，而且必将推动模式识别、计算机视觉、人工智能等计算机科学分支的发展。图象分割在实际中已得到广泛的应用，例如在工业自动化，在线产品检验，生产过程控制，文档图象处理，遥感和生物医学图象分析，保安监视，以及军事，体育，农业工程等方面。概括来说，在各种图象应中，只要需对图象目标进行提取，测量等都离不开图象分割。近年来，图象分割在对图象的编码中也起到越来越重要的作用，例如国际标准 MPEG 一 4 中模型基/目标基编码等都需要基于分割的结果。可见，图象分割在图象工程中有重要的地位和影响，正因为如此，国内外很多研究人士提出了很多方法，在不同的领域取得了一定的成果。但是对于寻找一种能够普遍适用于各种复杂情况的准确率很高的分割和检测算法，还有很大的探索空间。边缘提取和分割是图像分析的经典研究课题之一，目前的理论和方法仍存在许多不足之处，仍在不断改进和发展。由于图像的多义性和复杂性，许多分割的工作无法依靠计算机自动完成，而手工分割又存在工作量大，定位不准确的难题，因此，人们提出了一些人工交互和计算机自动定位相结合的方法，利用各自的 优势，实现目标轮廓的快速定位。相信这些交互式方法的应用，必将推动图像目标分割与提取这3一既具有广阔的应用前景又具有重要的学术价值的课题的进一步研究，也必将成为一个更为独立和活跃的研究领域。1 绪论1.1 图像分割技术的国内外现状图像分割算法的研究已经有几十年的历史，一直都受到人们的高度重视。关于图像分割的原理和方法国内外已有不少的研究成果。单图像分割一直是数字图像处理和计算机视觉技术中最困难的问题之一，尽管针对某一特定的应用场合或者特定种类的图像，出现过这样或者那样的较为有效的分割方法，但迄今为止还没有一种通用的、可靠的自动分割算法。由此可见，图像分割仍然是数字图像处理技术研究的热点。图像分割在图像工程中起着承上启下的作用，是介于低层次处理和高层次处理的中间层次。早在 1965 年就有人提出了检测边缘算子边缘检测方法，边缘检测已产生了不少经典算法 。目前越来越多的学者开始将数学形态学、模糊理论、遗传1算法理论、分形理论和小波变换理论等研究成果运用到图像分割中，产生了结合特定数学方法和针对特殊图像分割的先进图像分割技术。目前已经在教学中经常使用的图像分割技术有阀值分割法，基于边缘的分割方法，基于区域的分割方法。阈值分割法是一种基于区域的图像分割技术,其基本原理是:通过设定不同的特征阈值,把图像象素点分为若干类。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。设原始图像为 f(x,y),按照一定的准则在 f(x,y)中找到特征值 T,将图像分割为两个部分,分割后的图像为: b0 f(x,y)tg(x,y)= b1 f(x,y)t 若取:b0=0(黑),b1=1(白), 即为通常所说的图像二值化基于边缘检测的图像分割是模仿人类视觉的过程而进行图像处理的。对于人类视觉系统认识目标的过程分为两步 首先 把图象边缘与背景分离出来 然后 才能知觉到图象的细节 辨认出图象的轮廓。因此在检测物体边缘时 先对其轮廓点进行粗略检测 然后通过链接规则把原来检测到的轮廓点连接起来 同时也检测和连接遗漏的边界点及去除虚假的边界点。图象的边缘是图象的重要特征 是计算机4视觉、模式识别等的基础 因此边缘检测是图象处理中一个重要的环节。然而 边缘检测又是图象处理中的一个难题 由于实际景物图象的边缘往往是各种类型的边缘及它们模糊化后结果的组合 且实际图象信号存在着噪声。噪声和边缘都属于高频信号 很难用频带做取舍。区域生长是一种串行区域分割的图像分割方法。区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止。区域生长的好坏决定于 1.初始点（种子点）的选取。2.生长准则。3.终止条件。区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标的提取。1.2 图像分割的发展趋势由于图像分割技术在当今图像工程的发展过程中起着十分重要的作用，得到了广泛应用，促使人们致力于寻找新的理论和方法来提高图像分割的质量，以满足各方面的需求。由于遗传算法、统计学理论、神经网络、分形理论以及小波理论等理论在图像分割中广泛应用，图像分割技术呈现出新的发展趋势：(1)多种特征融合的分割方法。除利用图像的原始灰度特征外，还可以利用图像的梯度特征、几何特征(形态、坐标、距离、方向、曲率等)、变换特征(傅立叶谱、小波特征、分形特征等)及统计学特征(纹理、不变矩、灰度均值等)等高层次特征，对于每个待分割的像素，将所提取的特征值组成一个多维特征矢量，再进行多维特征分析。通过多种特征的融合，图像像素能被全面描述，从而获得更好的分割结果。2(2)多种分割方法结合的分割方法。由于目标成像的不确定性以及目标的多样性，单一的分割方法很难对含复杂目标的图像取得理想的分割结果。此时，除需要利用多种特征融合外，还需将多种分割方法结合，使这些方法充分发挥各自的优势，并避免各自的缺点。采用哪种方式结合以获得良好的分割效果是这种方法研究的重点。1.3 本文研究内容本文首先介绍了数字图像处理技术中图像分割技术的基本原理和主要方法，然后分别研究了基于阈值、传统边缘检测算子的图像分割方法和基于小波变换的图像边缘检测及其算法流程，最后用 matlab 对上述算法进行了仿真实现，并对结果进行5了分析。2 图像分割的主要方法概述2.1 基于阈值的图像分割方法及其改进 阈值分割法是一种简单有效图像分割技术,，它对物体与背景有较强对比的图像分割特别有效，所有灰度大于或等于阈值的像素被判决属于物体，灰度值用 255 表示前景，否则这些像素点将被排除在物体区域以外，用灰度值为 0 来表示背景，当然有时候也可以采取相反的表示方法，其中主要的图像工具就是灰度直方图。最基本的方法是双峰法，双峰之间的波谷处就是图像的阈值所在，如图 1 所示。图 1 灰灰度直方图很容易理解波谷的两侧分别对应着差异明显的两个区域：前景和背景。这种方法一般适用于差异对比很明显的图像。 但是在很多情况下，图像的背景由多部分构成，其中的一些部分在目标阈值灰度的左侧，一些在目标灰度值的右侧，假如进行单阈值分割的话，必然会造成其中的一部分背景在分割时被当做背景处理了。这时就需要设置多个阈值即使用多阈值分割。比如使用两个阈值，一个阈值表示目标灰度的最大值，另外一个表示目标灰度的最小值。具体方法就是将这两个阈值范围内的像素点的灰度值设置为 255，而在这两个之外的设置为 0，使用这种方法的灰度图如图 2 所示，没有明显的双峰，一般有多峰或者较为均匀的分布。6图 2 灰度直方图该方法是对双峰法的改进，并能自动的选择合适的阈值。它首先选择一个近似阈值 T ，将图像分割成 R1 和 R2，计算区域 R1 和 R2 的均值 u1 和 u2，选择新的分割阈值 T = (u1+u2) / 2 重复上述方法直到 u1 和 u2 不再变化为止。2.2 基于边缘检测的图像分割方法数字图像的边缘检测是图像分割、目标区域识别、区域形状提取等图像分析领域十分重要的基础，也是图像识别中提取图像特征的一个重要属性。在进行图像理解和分析时，第一步往往就是边缘检测，目前它已成为机器视觉研究领域最活跃的课题之一，在工程应用中占有十分重要的地位。7图 3 常见边缘的一阶差分与二阶差分如图 3 所示，物体边缘是常常以图像局部灰度值，颜色或纹理结构发生显著变化为特征的，同时这些边缘又是不同区域的分界处。利用边缘检测来分割图像，其基本思想就是先检测图像的边缘点，再按照某种策略将边缘点连接成轮廓，从而构成分割区域。由于边缘时索要提取目标和背景的分界线，提取出边缘才能将目标和背景分开，因此，边缘检测技术对于图像处理十分重要。图像中某些物体边缘上的像素点，其领域将是一个灰度级变化带。衡量这种变化最有效的两个特征就是灰度的变化率和变化方向，他们分别以梯度向量的幅值和方向来表示。对于连续图像 f(x,y)，其方向导数在边缘方向上有局部最大值。因此边缘检测就是求 f(x,y)梯度局部最大值和方向。已知 f(x,y)在 方向沿 r 的梯度定义如下：sincosf yxffryfrxfr 达到最大值的条件是0/f）（ r在实际应用中，为了简便，一般将算子以微分算子的形式表示，然后采用快速卷积函数来实现，这种实现方法可以得到快速而有效的处理。特征提取作为图像边缘检测的一个重要内容，发展了众多的方法。这些方法经过实践的检验，成为了经典的内容。经典的边缘检测算子包括:Roberts 算子，Prewitt 算子，Sobel 算子，Log (Laplacian of Gaussian)算子，canny 算子等。这些经典的边缘提取算子在使用时都是使用预定义好的边缘模型去匹配。Roberts 边缘算子是一种斜向偏差分的梯度计算方法，梯度的大小代表边缘的强度，梯度的方向与边缘走向垂直。Sobel 算子是一组方向算子，从不同的方向检测边缘。Sobel 算子不是简单求平均再差分，而是加强了中心像素上、下、左、右四个方向像素的权重，运算结果是一幅边缘图像。Prewitt 算子是一种边缘样板算子，利用像素点上下、左右邻点灰度差，在边缘处达到极值检测边缘，对噪声具有平滑作用。由于边缘点像素的灰度值与其邻域8点像素的灰度值有显著不同，在实际应用中常采用微分算子和模板匹配方法检测图像的边缘。现在介绍一种利用图像强度二阶导数的零交叉点来求边缘点的算法对噪声十分敏感，所以在边缘增强前滤除噪声。为此，马尔（Marr）和希尔得勒斯（Hildreth）根据人类视觉特性提出了一种边缘检测的方法，该方法将高斯滤波和拉普拉斯检测算子结合在一起进行边缘检测的方法，故称为 LOG（Laplacian of Gassian ）算法。也称之为拉普拉斯高斯算法。这种方法的特点是图像首先与高斯滤波器进行卷积，这样既平滑了图像又降低了噪声，孤立的噪声点和较小的结构组织将被滤除。但是由于平滑会造成图像边缘的延伸，因此边缘检测器只考虑那些具有局部梯度最大值的点为边缘点。这一点可以用二阶导数的零交叉