基于MATLAB的图像分割及其应用毕业设计论文.docx

西安石油大学本科毕业设计（论文） 基于MATLAB的图像分割及其应用摘要: 近年来，由于科技的迅猛发展，计算机性能越来越好，图像处理系统的价格的日益下降，图像处理在众多科学领域与工程领域得到广泛的利用。从图像处理过渡到图像分析的关键步骤就是图像分割，所以说图像分割在图像工程中占据着重要的位置。在图像分析中，图像分割的任务就是把分成互不重叠的有意义的区域，以便进一步的对图像进行处理、分析和应用。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。本文主要对图像分割算法进行了分析、分类、归纳和总结。并应用Matlab进行了仿真实验，在基于L*a*b的空间彩色分割主要用到的函数是色彩空间转换函数makecform和applyccform，通过计算图像中像素点与样本像素点的距离来判断这个像素点的颜色进行分割。基于纹理滤波器的图像分割主要使用entropyfilt函数创建纹理图像，使用bwareaopen函数显示图像的纹理底部纹理。由于纹理特征的复杂性，每一种算法在对纹理特征处理分析的时候都会有它的缺陷和局限性。利用边缘检测方法对细胞图像进行了分割实验，结果与传统方法相比，轮廓提取更为精确，且最大程度的保留了内部细胞核的轮廓。同时指出了基于阀值的分割方法、基于边缘的分割方法、基于区域的分割方法等各类方法的特点，为不同的应用场合及不同的图像数据条件下选择不同的分割算法提供了一些依据。关键词：Matlab 图像分割 分割算法 Image Segmentation Based on MATLAB and Its ApplicationAbstract: In recent years, the rapid development of science and technology, computer performance is getting better, declining prices image processing system, image processing is widely utilized in many fields of science and engineering fields. The transition from image processing to image analysis, image segmentation is the key step,so that the image segmentation occupies an important position in the image project. In the image analysis, image segmentation task is to put into meaningful nonoverlapping region, in order to further the image processing, analysis and application. Image segmentation is the basis of the image feature extraction and recognition, image understanding, image segmentation research has been the digital image processing technology research hot spots and focus. This paper focuses on image segmentation algorithms are analyzed, classified and summarized. Application of Matlab simulation and experiments, based on L * a * b color space is divided main functions used color space conversion functions makecform and applyccform, by calculating the distance between the image pixels and pixel sample to determine the pixel color segmentation. Image segmentation based on texture filter mainly use entropyfilt function to create a texture image using bwareaopen function displays an image texture bottom texture. Because of the complexity of the texture features of each algorithm when processing analysis of texture features will have its flaws and limitations. Using edge detection method for cell image segmentation experimental results compared with the traditional method, contour extraction more accurate, and the greatest degree of retention of the internal contours of the nucleus. Also pointed out that the threshold-based segmentation method, based on the edge of the segmentation method, based on the characteristics of various types of region segmentation method method, choose different segmentation algorithms for the different applications and different conditions of image data provides some basis.Keywords: Matlab Image segmentation Segmentation algorithm 目录目录1 前言11.1 图像分割概述11.2 研究背景及目的11.3 论文内容及结构22 MATLAB简介32.1 MATLAB软件介绍32.1 MATLAB概况32.1 MATLAB技术特点33 图像分割技术概述63.1 图像分割的定义63.2 图像分割的几种方法6 3.2.1 阈值分割63.2.2 区域分割73.2.3 边缘分割83.2.4 直方图法93.3 图像分割算法的分析比较93.4 本章小结134 图像分割仿真实验144.1 L*a*b空间的彩色分割144.1.1 Lab颜色空间144.1.2 颜色空间转换154.1.3 图像的空间彩色分割154.2 基于图像纹理的图像分割194.2.1 图像纹理的定义194.2.2 图像纹理的分类 194.2.3 图像纹理提取方法 194.2.4 使用MATLAB中的纹理滤波器分割图像 194.3 其他图像分割算法的简单实例234.3.1 阈值分割254.3.2 最大信息熵算法 274.3.3 门限分割284.4 图像分割检测细胞图像304.5 本章小结355 总结与展望36参考文献37致谢38附录39II1 前言1.1 图像分割概述图像的研究和应用中，人们往往对图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域（可以对应单一区域，也可以对应多个 区域），称之为目标或前景；而其他部分称为图像的背景。为了辨识和分析目标，需要把目标从一幅图像中孤立出来，这就是图像分割要研究的问题。1.2 研究背景及目的21世纪是一个充满信息的时代，图像作为人类感知世界的视觉基础，是人类为获取信息、表达信息和传递信息的重要手段。首先，视觉是人类最重要的感知手段，图像又是视觉的基础，因此，数字图像成为心理学、生理学、计算机科学等诸多领域内的学者们研究视觉感知的有效工具。其次，图像处理在军事、遥感、气象等大型应用中不断增长的需求。图像分割是图像处理中最为基础和重要的领域之一，它是指把图像分成各具特性的区域并提取出感兴趣目标的技术过程。它是图像处理、模式识别和人工智能等多个领域中重要的课题，也是计算机视觉技术中的关键步骤。多年来，已经提出了许多不同类型的图像分割方法。经典的方法由灰度值阈值分割法、边缘检测法和区域跟踪以及基于分水岭算法的分割方法等。有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。有些算法需要先对图像进行粗分割，因为他们需要从图像中提取出来信息。例如，可以对图像的灰度级设置门限的方法分割。需要提出的是，到目前为止还没有唯一的标准的分割方法。许多不同种类的图像或景物都可以作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其进行分割，同时，某些分割方法也只是适合于某些特殊类型的图像分割。分割结果的好坏需要根据具体的场合及要求来进行衡量。然而，对图像分割的效果好坏或正确与否，还没有一个统一的评价标准。不同的分割方法对同一幅图像的分割效果是不同的，而且同一种分割方法对同一幅图像在不同空间下的分割效果也是不同的。图像分割的研究最早可以追溯到20世纪60年代，经过近四十年的研究，国内外学者已经提出了各种算法上千种，但目前还没有一种适合于所有图像的通用的分割算法，绝大多数算法都是针对具体问题而提出的。另一方面，给定一个实际应用要选择合用的分割算法仍是一个很麻烦的问题，由于缺少通用的理论指导，常常需要反复的进行实验。在已提出的这些算法中，较为经典的算法有灰度阈值分割法、边缘检测法和区域跟踪以及基于分水岭算法的分割方法。近年来，对图像分割的研究一直是图像技术研究中的热点和焦点，人们对其的关注和投入不断提高。它是一种重要的图像分析技术，是从图像处理到图像分析的关键步骤，也是计算机视觉领域低层次视觉中的主要问题，图像分割结果是图像特征提取和识别等图像理解的基础，对图像的加工主要处于图像处理的层次，图像分割后，对图像的分析才成为可能。另外，图像分割在实际中也得到了广泛的应用，在计算机视觉和图像识别的各种应用系统中占有相当重要的地位，也是研制和研发计算机视觉系统、字符识别和目标自动获取等图像识别和理解系统首先要解决的问题。只要需对图像目标进行提取，测量等都离不开图像分割。1.2 论文内容及结构 本文主要介绍一些常用的图像分割算法，以及这些算法的特点。本文主要结构为在第二章中介绍的图像分割所使用的软件Matlab以及Matlab语言的特点。第三章主要对图像分割算法的概述以及简述了几种分割算法及特点。第四章为主要为仿真实验部分。第五章则为本次毕业设计做出了总结。2 MATLAB简介2.1 MATLAB软件介绍 MATLAB是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。MATLAB应用非常之广泛！ MATLAB和Mathematica、Maple并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。MATLAB 的基本数据单位是矩阵，它的指令表达式与数学、工程中常用的形式十分相似，故用MATLAB来解算问题要比用C，FORTRAN等语言完成相同的事情简捷 得多，并且MATLAB也吸收了像Maple等软件的优点，使MATLAB成为一个强大的数学软件。在新的版本中也加入了对C，FORTRAN，C+，JAVA的支持。可以直接调用,用户也可以将自己编写的实用程序导入到MATLAB函数库中方便自己以后调用，此外许多的MATLAB爱好者都编写了一些经典的程序，用户可以直接进行下载就可以用。2.2 MATLAB概况 MATLAB是矩阵实验室（Matrix Laboratory）之意。除具备超强的计算能力之外，它还提供了专业水平的符号计算，文字处理，可视化建模仿真和实时控制等功能。MATLAB的基本数据单位是矩阵，它的指令表达式与数学，工程中常用的形式十分相似，故用MATLAB来解算问题要比用C,FORTRAN等语言完成相同的事情来的简单的多。 当前流行的MATLAB包括拥有数百个内部函数的主包和三十几种工具包。工具包又可以分为功能性工具包和学科工具包。功能工具包用来扩充MATLAB的符号计算，可视化建模仿真，文字处理及实时控制等功能。学科工具包是专业性比较强的工具包，控制工具包，信号处理工具包，通信工具包等都属于此类。开发性使MATLAB广受用户喜爱。除内部函数外，所有MATLAB主包文件和各种工具包都是可读可修改的文件，用户通过对源程序的修改或加入自己编写程序构造新的专用工具包。2.3 MATLAB技术特点一种语言之所以能如此迅速的普及，显示出如此旺盛的生命力，是由于它有着不同于其他语言优点。MATLAB具有以下几个特点: 语言简洁紧凑，语法限制不严，程序设计自由度大，可移植性好、运算符、库函数丰富 、强大的数值（矩阵）运算功能、界面友好、编程效率高、图形功能强大。 语言简洁紧凑，语法限制不严，程序设计自由度大，可移植性好。Matlab是一个高级的矩阵阵列语言，它包含控制语句、函数、数据结构、输入输出和面向对象编程特点。Matlab以矩阵为基础，不需要预先定义变量和矩阵(包括数组)的维数，可以方便地进行矩阵的算术运算、关系运算和逻辑运算等。而且Matlab有特殊矩阵专门的库函数，可以高效地求解诸如信号处理、图像处理、控制等问题。 运算符、库函数丰富。Matlab的一个重要特色就是具有一套程序扩展系统和一组称之为工具箱的特殊应用子程序，每一个工具箱都是为某一类学科专业和应用而定制的。Matlab包含两个部分：核心部分和各种可选的工具箱。核心部分中有数百个核心内部函数。其工具箱又分为两类：功能性工具箱和学科性工具箱。功能性工具箱主要用来扩充其符号计算功能，图示建模仿真功能，文字处理功能以及与硬件实时交互功能；而学科性工具箱是专业性比较强的，如control，toolbox，signlproceessingtoolbox，commumnicationtoolbox等。这些工具箱都是由该领域内学术水平很高的专家编写的，所以用户无需编写自己学科范围内的基础程序就可直接进行高、精、尖的研究。 强大的数值（矩阵）运算功能。Matlab是一个包含大量计算算法的集合。其拥有600多个工程中要用到的数学运算函数，可以方便的实现用户所需的各种计算功能。函数中所使用的算法都是科研和工程计算中的最新研究成果，而前经过了各种优化和容错处理。在通常情况下，可以用它来代替底层编程语言，如C和C+。在计算要求相同的情况下，使用Matlab的编程工作量会大大减少。Matlab的这些函数集包括从最简单最基本的函数到诸如矩阵、特征向量、快速傅立叶变换的复杂函数。函数所能解决的问题其大致包括矩阵运算和线性方程组的求解、微分方程及偏微分方程组的求解、符号运算、傅立叶变换和数据的统计分析、工程中的优化问题、稀疏矩阵运算、复数的各种运算、三角函数和其他初等数学运算、多维数组操作以及建模动态仿真等。界面友好、编程效率高。Matlab程序书写形式自由，被称为“草稿式”语言，这是因为其函数名和表达更接近我们书写计算公式的思维表达方式，编写Matlab程序犹如在草稿纸上排列公式与求解问题，因此可以快速地验证工程技术人员的算法。此外Matlab还是一种解释性语言，不需要专门的编译器。具体地说，Matlab运行时，可直接在命令行输入Matlab语句，系统立即进行处理，完成编译、链接和运行的全过程。利用丰富的库函数避开繁杂的子程序编程任务，压缩了一切不必要的编程工作图形功能强大。Matlab具有非常强大的以图形化显示矩阵和数组的能力，同时它能给这些图形增加注释并且可以对图形进行标注和打印。Matlab的图形技术包括二维和三维的可视化、图象处理、动画等高层次的专业图形的高级绘图函数（例如图形的光照处理、色度处理以及四维数据的表现等），又包括一些可以让用户灵活控制图形特点的低级绘图命令，可以利用Matlab的句柄图形技术创建图形用户界面。同时对一些特殊的可视化要求，例如图形对话等，Matlab也有相应的功能函数，保证了用户不同层次的要求。另外新版本的Matlab还着重在图形用户界面（GUI）的制作上作了很大的改善，对这方面有特殊要求的用户也可以得到满足。3 图像分割技术概述图像分割是一种重要的图像处理技术，它不仅得到人们的广泛重视和研究，也在实际中得到大量的应用。图像分割在不同领域中有时也用其他名称，如目标轮廓技术、阈值化技术、图像区分或求差技术、目标检测技术、目标识别技术、目标眼跟踪技术等，这些技术的核心实际上就是图像分割技术。本章主要介绍了图像分割的定义以及阈值分割，门限分割边缘分割等常用的图像分割方法的介绍以及分析。3.1 图像分割的定义图像分割就是指把图像分成各具特性的区域并提取出自己感兴趣区域的技术过程。这里所说的特性可以是灰度、颜色、纹理等，而目标可以对应单个区域，当然也可以是多个区域。多年来人们对图像分割提出了不同的解释和阐述，借助集合的概念对图像分割可以给出以下定义：令集合R代表整个图像区域，对R的图像分割可以看做是将R分成N个满足以下条件的非空子集R1，R2，.，RN 。(1) UI=1NRt=R；(2) 对于所有的i和j，ij;有RiRj=;(3) 对于i=1,2,N,有P(Rt)=TRUE;(4) 对于ij，有P(RiRj)=FASLE；(5) 对于i=1,2,N, Rt是连通的区域。其中P(Rt)是对所有在集合Rt中元素的逻辑谓词，表示空集。UI=1NRt=R代表分割的所有子区域的并集即为原来的图像，它是图像处理中的每个像素都被处明在分割理的保证。RiRj=指出分割结果中的各个区域是互不重叠的。P(Rt)=TRUE表结果中，每个区域都有其独特的特性。P(RiRj)=FASLE表明在分割结果中同一个子区域的像素应当是连通的，也就是说同一个子区域的任意的两个像素在该子区域内饰互相连通的。这些条件对分割具有一定的指导作用。但是，实际中的图像分析和处理都是针对某种特定的应用，所以条件中的各种关系也需要同实际需求相结合来设定。人们在多年的研究中积累了很多图像分割方法。图像分割是一个将像素分类的过程，分类的依据可建立在像素间的相似性、灰度的不连续性的基础上的。对于相似性的检测方法（即基于区域的分割方法）主要有：双峰法，区域分裂与合并和自适应阈值分割等；对于灰度不连续性检测方法（即基于边缘的分割方法）主要有：边缘检测、边缘跟踪和霍夫变换等。此外，还有综合特定理论工具的分割方法，这些方法包括基于形态学分水岭的分割、基于统计模式识别的分割、基于神经网络的分割、基于小波变换的分割。3.2 图像分割的几种方法3.2.1 阈值分割灰度阈值分割法是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。阈值分割方法实际上是输入图像f到输出图像g的如下变换：g,j=1 fi,jt0 fi,jt 其中，T为阈值，对于物体的图像元素g(i,j)=1，对于背景的图像元素g(i,j)=0。由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接给出图像区域。阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算效率的应用场合(如用于硬件实现)，它得到了广泛应用。人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。全局阈值是指整幅图像使用同一个阈值做分割处理，适用于背景和前景有明显对比的图像。它是根据整幅图像确定的：T=T(f)。但是这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差法、最大熵自动阈值法以及其它一些方法。在许多情况下，物体和背景的对比度在图像中的各处不是一样的，这时很难用 一个统一的阈值将物体与背景分开。这时可以根据图像的局部特征分别采用不同的阈值进行分割。实际处理时，需要按照具体问题将图像分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图像分割。这时的阈值为自适应阈值。阈值的选择需要根据具体问题来确定，一般通过实验来确定。对于给定的图像，可以通过分析直方图的方法确定最佳的阈值，例如当直方图明显呈现双峰情况时，可以选择两个峰值的中点作为最佳阈值。3.2.2 区域分割区域生长和分裂合并法是两种典型的串行区域技术，其分割过程后续步骤的处理要根据前面步骤的结果进行判断而确定。区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每 个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定) 合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。这样一个区域就长成了。区域生长需要选择一组能正确代表所需区域的种子像素，确定在生长过程中的相似性准则，制定让生长停止的条件或准则。相似性准则可以是灰度级、彩色、纹理、梯度等特性。选取的种子像素可以是单个像素，也可以是包含若干个像素的小区域。大部分区域生长准则使用图像的局部性质。生长准则可根据不同原则制定，而使用不同的生长准则会影响区域生长的过程。区域生长法的优点是计算简单，对于较均匀的连通目标有较好的分割效果。它的缺点是需要人为确定种子点，对噪声敏感，可能导致区域内有空洞。另外，它是一种串行算法，当目标较大时，分割速度较慢，因此在设计算法时，要尽量提高效率。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，进而实现目标提取。分裂合并差不多是区域生长的逆过程：从整个图像出发，不断分裂得到各个子区域，然后再把前景区域合并，实现目标提取。分裂合并的假设是对于一幅图像，前景区域由一些相互连通的像素组成的，因此，如果把一幅图像分裂到像素级，那么就可以判定该像素是否为前景像素。当所有像素点或者子区域完成判断以后，把前景区域或者像素合并就可得到前景目标。在这类方法中，最常用的方法是四叉树分解法(如图3.1所示)。设R代表整个正方形图像区域，P代表逻辑谓词。基本分裂合并算法步骤如下： (1)对任一个区域，如果H(Ri)=FALSE就将其分裂成不重叠的四等份；(2)对相邻的两个区域Ri和Rj，它们也可以大小不同（即不在同一层），如果条件H(RiRj)=TRUE满足，就将它们合并起来。(3)如果进一步的分裂或合并都不可能，则结束。分裂合并法的关键是分裂合并准则的设计。这种方法对复杂图像的分割效果较好，但算法较复杂，计算量大，分裂还可能破坏区域的边界。图3-1 四叉树分割后的图像3.2.3 边缘分割图像分割的一种重要途径是通过边缘检测，即检测灰度级或者结构具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方。这种不连续性称为边缘。不同的图像灰度不同，边界处一般有明显的边缘，利用此特征可以分割图像。图像中边缘处像素的灰度值不连续，这种不连续性可通过求导数来检测到。对于阶跃状边缘，其位置对应一阶导数的极值点，对应二阶导数的过零点(零交叉点)。因此常用微分算子进行边缘检测。常用的一阶微分算子有Roberts算子、Prewitt算子和Sobel算子，二阶微分算子有Laplace算子和Kirsh算子等。在实际中各种微分算子常用小区域模板来表示，微分运算是利用模板和图像卷积来实现。这些算子对噪声敏感，只适合于噪声较小不太复杂的图像。由于边缘和噪声都是灰度不连续点，在频域均为高频分量，直接采用微分运算难以克服噪声的影响。因此用微分算子检测边缘前要对图像进行平滑滤波。Log算子和Canny算子是具有平滑功能的二阶和一阶微分算子，边缘检测效果较好，如图3.2所示。其中log算子是采用Laplacian算子求高斯函数的二阶导数，Canny算子是高斯函数的一阶导数，它在噪声抑制和边缘检测之间取得了较好的平衡。图3-2 边缘检测结果 (a)Log算子 (b)Canny算子3.2.4 直方图法与其他图像分割方法相比，基于直方图的方法是非常有效的图像分割方法，因为他们通常只需要一个通过像素。在这种方法中，直方图是从图像中的像素的计算，并在直方图的波峰和波谷是用于定位图像中的簇。颜色和强度可以作为衡量。这种技术的一种改进是递归应用直方图求法的集群中的形象以分成更小的簇。重复此操作，使用更小的簇直到没有更多的集群的形成。基于直方图的方法也能很快适应于多个帧，同时保持他们的单通效率。直方图 可以在多个帧被同时考虑的时候采取多种方式。同样的方法是采取一个框架可以应用到多个，和之后的结果合并，山峰和山谷在以前很难识别，但现在更容易区分。直方 图也可以应用于每一个像素的基础上，将得到的信息被用来确定的像素点的位置最常见的颜色。这种方法部分基于主动对象和一个静态的环境，导致在不同类型的视 频分割提供跟踪。3.3 图像分割函数及算法的分析比较数字图像处理常用的图像分割算法有：基于阀值的分割方法、基于边缘的分割方法、基于区域的分割方法、基于聚类分析的图像分割方法、基于小波变换的分割方法、基于数学形态学方法、基于人工神经网络的方法、基于遗传算法的方法。 阈值分割方法作为一种常见的区域并行技术，就是用一个或几个阈值将图像的灰度直方图分成几个类，认为图像中灰度值在同一类中的像素属于同一物体。由于是直接利用图像的灰度特性，因此计算方便简明、实用性强。显然，阈值分割方法的关键和难点是如何取得一个合适的阈值。而实际应用中，阈值设定易受噪声和光亮度影响。近年来的方法有：用最大相关性原则选择阈值的方法、基于图像拓扑稳定状态的方法、Yager测度极小化方法、灰度共生矩阵方法、方差法、熵法、峰值和谷值分析法等，其中，自适应阈值法、最大熵法、模糊阈值法、类间阈值法是对传统阈值法改进较成功的几种算法。更多的情况下，阈值的选择会综合运用2种或2种以上的方法，这也是图像分割发展的一个趋势。 阈值分割的优点是计算简单、运算效率较高、速度快。全局阈值对于灰度相差很大的不同目标和背景能进行有效的分割。当图像的灰度差异不明显或不同目标的灰度值范围有重叠时，应采用局部阈值或动态阈值分割法。另一方面，这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。在实际应用中，阈值法通常与其他方法结合使用。基于基于边缘检测的分割方法试图通过检测包含不同区域的边缘来解决分割问题，它可以说是人们研究的最多的方法之一。通常不同的区域之间的边缘上像素灰度值的变化往往比较剧烈，这是边缘检测方法得以实现的主要假设之一。 常用灰度的一阶或二阶微分算子进行边缘检测。常用的微分算子有一次微分(Sobel算子、Roberts算子等)、二次微分(拉普拉斯算子等)和模板操作(Prewit算子、Kirsch算子等)，它是一种并行边界技术。而串行边界查找法是先检测到边缘再串行连接成闭合边界的方法，这种方法在很大程度上受起始点的影响。基于边缘检测的图像分割方法可分成两大类，即串行边缘分割技术和并行边缘分割技术。串行边缘分割方法，首先要确定边缘的起始点，然后根据某种相似性搜索准则寻找下一个边缘点，这种确定后续相似点的方法称为边缘跟踪。根据跟踪方法不同又可分为轮廓跟踪、光棚跟踪和全向跟踪三种方法。并行边缘检测方法，对图像上每一点的处理不依赖其他点的处理结果，算法可以并行处理，大大加快搜索检测的速度。当分割的图像含有强噪声干扰或者区域之间的性质差别很小时，分割出来的边缘可能是不连续的，此时可考虑用边缘连接技术把断开处连接起来。常用的边缘连接方法有曲线拟合技术经典的曲线拟合技术有贝叶斯曲线拟合技术和样条曲线拟合技术;基于Hough变换的边缘连接技术;启发式边缘连接技术。基于边缘的分割方法其难点就在于边缘检测时抗噪性和检测精度之间的矛盾。若提高检测精度，则噪声产生的伪边缘会导致不合理的轮廓；若提高抗噪性，则会产生轮廓漏检和位置偏差。为此，人们提出各种多尺度边缘检测方法，根据实际问题设计多尺度边缘信息的结合方案，以较好地兼顾抗噪性和检测精度。区域分割的实质就是把具有某种相似性质的像索连通，从而构成最终的分割区域。它利用了图像的局部空间信息，可有效地克服其他方法存在的图像分割空间小连续的缺点。在此类方法中，如果从全图出发，按区域属性特征一致的准则决定每个像元的区域归属，形成区域图，常称之为区域生长的分割方法。如果从像元出发，按区域属性特征一致的准则，将属性接近的连通像元聚集为区域，则是区域增长的分割方法。若综合利用上述两种方法，就是分裂合并的方法。它是先将图像分割成很多的一致性较强的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的。 基于区域的分割方法往往会造成图像的过度分割，而单纯的基于边缘检测方法有时不能提供较好的区域结构，为此可将基于区域的方法和边缘检测的方法结合起来，发挥各自的优势以获得更好的分割效果。 特征空间聚类法进行图像分割是将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚集对特征空间进行分割，然后将它们映射回原图像空间，得到分割结果。 其中，K均值、模糊C均值聚类(FCM)算法是最常用的聚类算法。K均值算法先选K个初始类均值，然后将每个像素归入均值离它最近的类并计算新的类均值。迭代执行前面的步骤直到新旧类均值之差小于某一阈值。模糊C均值算法是在模糊数学基础上对K均值算法的推广，是通过最优化一个模糊目标函数实现聚类，它不像K均值聚类那样认为每个点只能属于某一类，而是赋予每个点一个对各类的隶属度，用隶属度更好地描述边缘像素亦此亦彼的特点，适合处理事物内在的不确定性。利用模糊C均值(FCM)非监督模糊聚类标定的特点进行图像分割，可以减少人为的干预，且较适合图像中存在不确定性和模糊性的特点。聚类方法应注意几个问题：(1)聚类的类数如何确定。(2)怎样确定聚类的有效性准则。 (3)聚类中心的位置和特性事先不清楚时，如何设置初始值。(4)运算的开销。并且FCM算法对初始参数极为敏感，有时需要人工干预参数的初始化以接近全局最优解，提高分割速度。另外，传统FCM算法没有考虑空间信息，对噪声和灰度不均匀敏感。 基于小波变换的阈值图像分割方法的基本思想是，首先由二进小波变换将图像的直方图分解为不同层次的小波系数，然后依据给定的分割准则和小波系数选择阈值门限，最后利用阈值标出图像分割的区域。整个分割过程是从粗到细，有尺度变化来控制，即起始分割由粗略的L2(R)子空间上投影的直方图来实现，如果分割不理想，则利用直方图在精细的子空间上的小波系数逐步细化图像分割。分割算法的计算馈与图像尺寸大小呈线性变化。 小波变换为信号在不同尺度上的分析和表征提供了一个精确和统一的框架。从图像分割的角度来看，小波分解提供了一个数学上完备的描述；小波变换通过选取合适的滤波器，可以极大地减少或去除所提取的不同特征之间的相关性，不仅具有“变焦”特性，而且在实现上有快速算法。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。近年来多进制小波开始用于边缘检测。另外，利用正交小波基的小波变换也可提取多尺度边缘，并可通过对图像奇异度的计算和估计来区分一些边缘的类型。数学形态学是一种非线性滤波方法，可以用于抑制噪声、特性提取、边缘检测、图像分割等图像处理问题。数学形态学首先被用来处理二值图像，后来也被用来处理灰度图像，现在又有学者开始用软数学形态学和模糊形态学来解决计算机视觉方面的问题。数学形态学的特点是能将复杂的形状进行分解，并将有意义的形状分量从无用的信息中提取出来。它的基本思想是利用一个称为结构元素的探针来收集图像的信息，当探针在图像中不断的移动时，不仅可根据图像各个部分间的相互关系来了解图像的结构特征，而且利用数学形态学基本运算还可以构造出许多非常有效的图像处理与分析方法。其基本的形态运算是腐蚀与膨胀。腐蚀具有使目标缩小、目标内孔增大以及外部孤立噪声消除的效果;而膨胀是将图像中与目标物体接触的所有背景点合并到物体中的过程，结果是使目标增大、孔径缩小，可以增补目标中的空间，使其形成连通域。数学形态学中另一对基本运算方法是开运算和闭运算。开运算具有消除图像是细小物体，并在物体影响纤细处分离物体和平滑较大物体边界的作用闭运算具有填充物体影像内细小空间，连接邻近物体和平滑边界的作用。数学形态学应用于图像分割，具有定位效果好、分割精度高、抗噪声性能好的特点。同时这种方法也有着自身的局限性：由于在图像处理的前期工作中，采用数学形态学的开(闭)运算，进行图像处理后，依然存在大量与目标不符的短线和孤立点;由于预处理工作的不彻底，还需要进行一系列的基于点的开(闭)运算，因此运算速度明显下降。如何将数学形态学与其它方法综合运用以克服这些缺陷，将是数学形态学以后的工作方向。近年来，人工神经网络识别技术已经引起了广泛的关注，并应用于图像分割。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。用人工神经网络的方法分割图像，需要大量的训练数据。神经网络存在巨量的连接，容易引入空间信息，能较好地解决图像中的噪声和不均匀问题。选择何种网络结构是这种方法要解决的主要问题。遗传算法(GA)，是一种模拟自然选择和遗传机制的搜索和优化过程，它具有很强的全局优化搜索能力，是一种具有广泛适用性的自适应搜索方法。它在搜索空间中是在种群中而不是在单点上进行寻优，它在求解过程中使用遗传操作规则而不是确定性规则来工作。这些特点使得遗传算法很适于应用在图像分割中，尤其是阈值分割法以及区域生长法中。利用GA的全局寻优能力及对初始位置的不敏感特性，可以改进图像分割的性能。遗传算法应用于图像分割，其难点在于适应度函数的选择以及交叉概率和变异概率的确定。GA还有可能收敛于局部最优。可考虑使用能够自适应设置交叉概率和变异概率自适应遗传算法以及和模拟退火法相结合的混合遗传算法。 3.4 本章小结对图像分割算法的研究已有几十年的历史，借助各种理论至今已提出了上千种各种类型的分割算法。尽管人们在图像分割方面做了许多研究工作。但由于尚无通用分 割理论，因此现已提出的分割算法大都是针对具体问题的，并没有一种适合于所有图像的通用的分割算法。但是可以看出，图像分割方法正朝着更快速、更精确的方 向发展，通过各种新理论和新技术结合将不断取得突破和进展。4 图像分割仿真实验图像分割是把图像分成若干个有意义区域的处理技术。从本质上说是将各像素进行分类。分类所依据的特性可以是像素的灰度值、颜色或多普特性、空间特性和纹理特性等。在每个区域内部有相同或者相近的特性，而相邻区域的特性不相同。一般假设在同一区域内特性的变化是平缓，而在区域的边界上特性的变化是剧烈的。简单的讲，就是在一幅图像中，把目标从背景中分离出来，以便进行更深层次的处理。使用计算机分析和识别图像，必须分析图像特征，图像特征是指图像中可用做标志的属性，可以分为视觉特征和统计特征。图像的视觉特征是指人的视觉直接感受到的自然特征（如区域颜色、亮度、纹理或轮廓等）；统计特征则是需要通过变换或测量才能得到认为特征（如各种变换的频谱、直方图、各阶矩等）。本章主要讲了L*a*b空间的彩色分割，纹理滤波器，图像分割检测细胞图等图像的分割算法。4.1 L*a*b空间的彩色分割4.1.1 Lab颜色空间国际照明委员会（CIE）的RGB颜色表示系统选择红色、绿色、蓝色三种单色光作为三基色，利用红、绿、蓝三种基本颜色进行颜色加法，可以配制出绝大部分肉眼能看到的颜色。彩色电视机的显像管，以及计算机的显示器都是以这种方式来混合出各种不同颜色效果的。但是RGB空间是颜色空间，并不适合人的视觉特性，同时RGB三原色模型中两点间的欧几里德距离与颜色距离呈非线性关系，不便于进行图像的彩色分割。XYZ系统是在RGB系统的基础上用数学方法，选用三个理想的原色来代替实际的三原色。 Lab色彩空间是由CIE（国际照明委员会）于1976年公布的一种色彩模式，基于人类对光的视觉光谱敏感度的数学色彩模式。在Lab色彩空间中，颜色之间视觉上的距离与颜色坐标上的欧几里德距离成正比，因此具有一定距离的两点之间的色彩是均匀分布的。Lab色彩模型是目前所有模式中色彩范围（或称为色域）最广的颜色模式，自然界中任何一种颜色都可以在Lab空间中表达出来。这就意味着RGB等模式所能描述的色彩信息在Lab空间中都能得到映射。Lab中的数值描述正常视力的人能够看到所有颜色，人的肉眼能感知的色彩都能通过Lab模型表现出来。Lab色彩空间是由一个亮度分量L（lightness），以及两个色度分量a与b来表示颜色的。L的值域为0100，a和b的值域都是120+120，所有的颜色就以这三个值交互变化所组成。a分量代表由绿色到红色的光谱变化，a分量包括的颜色是从深绿色（120）到灰色（0）再到粉红色（+120）；而b分量代表由蓝色到黄色的光谱变化，b分量则是从亮蓝色（120）到灰色（0）再到黄色（+120）。因此，这种色彩混合后将产生明亮的色彩。4.1.2 颜色的空间转换为了实现图像从RGB空间到Lab空间的转换，首先必须把图像从RGB空间转换到XYZ空间后，在从XYZ空间转换到Lab空间。公式4-1为颜色三刺激值X、Y、Z与R、G、B之间的转换公式。其中R、G、B的取值为0100。 X=0.5146R+0.2789G+0.1792BY=0.2963R+0.6192G+0.0845BZ=0.0339+0.1426G+1.0166B （4-1）再根据CIE1976均匀颜色空间Lab的计算公式： L=116(Y/Y0)13-16 （4-2） a=500(X/X0)13-(Y/Y0)13 （4-3） b=200(Y/Y0)13-(Z/Z0)13 （4-4）求得Lab颜色空间的色度值。在公式（4-2）（4-4）中，X0、Y0、Z0为标准光源D65的三刺激值，其值为X0=95.045、Y0=100、Z0=108.255.由上述公式可知，只要给出颜色的RGB值，可求出Lab颜色空间的色度值。4.1.3 图像的空间彩色分割在L*a*b空间中L:亮度层，a：颜色在红绿轴的分量，b：颜色在蓝黄轴的分量。基于L*a*b空间的色彩分割的基本流程如图4-1所示：开始读取图像并选择合适的样本区域转换色彩空间根据样本区域的颜色对图像进行分割绘制散点图结束图4-1 基于L*a*b空间的色彩分割的基本流程第一步在读取图像时根据需要选择合适的样本区域，即为每种颜色的样本选择一个很小的样本区域，然后计算每个样本中这种颜色的平均值。实现代码如下：fabric = imread(fabric.png);%读取图像figure; subplot(121); imshow(fabric), %显示图像title(原始图像);load regioncoordinates;%下载颜色区域坐标到工作空间nColors = 6;sample_regions = false(size(fabric,1) size(fabric,2) nColors);for count = 1:nColorssample_regions(:,:,count) = roipoly(fabric,.region_coordinates(:,1,count), .region_coordinates(:,2,count); %选择每一小块颜色的样本区域endsubplot(122),imshow(sample_regions(:,:,2);%显示红色样本区域title(显示红色区域样本);实现效果如图4-2所示图4-2 红色区域样本第