基于阈值的灰度图像分割

灰度阈值化方法的研究CPT算法主要内容：第一章：绪论第二章：图像预处理第三章：图像分割概述第四章：灰度阈值化图像的分割方法第五章： CPT算法及其改进第6章：基于编程环境和PhotoStar的改进CPT算法和其他算法的实现第七章：实验结果与分析第一章：绪论1.1数字图像处理技术的发展人传递信息的主要媒介是声音和图像。 据统计，人类接收的信息中，听觉信息只占20%，视觉占60%，其他味觉、触觉、嗅觉等合计只占20%。 因此，作为传递信息的重要媒体和手段的图像信息很重要。 图5的图像信息的处理，即图像处理当然对信息的传送产生很大影响。数字图像处理技术始于1960年代。 当时，用海底电缆将照片从伦敦传送到纽约，采用数字压缩技术。 1964年美国喷气式处理实验室处理了飞船“rainger 7号”发出的月亮照片，显示了第三代计算机出现后应用了数字图像处理的概念。 随后，数字图像处理技术迅速发展，现已成为工程、计算机科学、生物学、医学等领域各学科间学习与研究的对象。经过人们几十年的努力，数字图像处理这门学科逐渐成熟起来。 人们总是尝试将各种学科应用于数字图像处理，每当产生新的方法，就尝试将其应用于数字图像处理。 同时，数字图像处理在许多学科起着越来越大的作用。1.2图像分割概述和本文的主要工作图像分割的目的是将图像空间分成若干有意义的区域，是数字图像处理中的重要问题，也是计算机视觉区域的低级视觉问题中的重要问题和经典问题。 几十年来，提出了许多图像分割的方法，但迄今还没有统一的理论。图像分割的方法很多，有传统的阈值化方法、最新的形态学方法和神经网络方法。阈值化方法虽然是一种老方法，但确实是很简单有效的方法，近几十年来人们不断完善、探索、取得显着成果，阈值化方法在实际应用中占有重要地位。本文主要讨论图像分割的阈值化方法。 在阈值化方法的研究过程中，本人首先探讨高效阈值化方法，改善其存在的不足，集中于制作高性能计算机算法的当前，由于多种方法的特点，探讨用不同方法处理不同特征的图像。 论文正文部分也应用于实践，并对其进行评价。第二章：图像预处理2.1图像预处理的概要由于切片染色、输入照明条件和采集过程中的电信号的影响，采集的医学图像存在噪声和畸变。 图像分析和识别需要通过去除这种噪声和失真而使医生容易地看到图像所具有的信息、或者将图像转换为某种标准的形式而使特征提取和识别变得容易的处理，通常预处理对医疗图像的分割直接影响分割的质量，进而直接决定是否正确地得到分割结果2.2图像预处理的方法本文研究的预处理主要针对噪声进行，主要介绍两种去噪的预处理方法。2.2.1多图像平均法多图像平均法是对一系列图像进行相加平均的方法。 该方法经常用于医学图像处理，如瑞利散射所引起的噪声，可以获得较好的效果。如果图像包含噪声，那么这些噪声与各个标点符号(x，y )无关，并且在数学上可以假定期望为0。 设g(x，y )为有噪声的图像，将有噪声的图像e(x，y )与原始图像f(x，y )重叠。 即，即对采样m次的噪声图像gi(x，y ) (I=1，2，m )进行平均。 即，即预期成绩如下：考虑到新图像和噪声图像各自的平均方差的关系，如下所示可以看出，噪声在每个像素位置(x，y )处的影响随着平均图像的数量m增加而逐渐减小。2.2.2中值滤波器中值滤波器是非线性和非线性参数的图像预处理技术，其中中值滤波器是包括奇数像素的滑动窗口，每个窗口中像素的灰度级由每个像素的灰度级值的中值代替。中值滤波器解决了去除脉冲噪声和保留图像边缘的问题。 如果最大值是单调递增序列中的一个的噪声峰值，则中值滤波器可以提供有效的改进；然而，如果最大值是信号脉冲，则缺少图像的细线或锐角。本文通过在计算机上实现该算法观察分析其效果。第三章：图像分割概述3.1什么是图像分割所谓图像分割，是通过在图像中区分具有特别意义的不同区域，这些区域互不交叉，各个区域一致。在数学上可以表达如下将图像设为g(x，y )，其中，0xMax(x )、0yMax(y )。 分割图像时，将图像分割为满足以下条件的子区域g1、g2、g3。1 )即，所有子区域构成整个图像2)gk是连通的区域3)gk(x，y)222222卡卡卡卡西卡卡西6 kj )，即，在任意两个子区域中不存在公共元素4 )区域gk满足一定的均匀性条件。 均匀性(或类似性)一般是指同一区域内的像素点之间灰度值的差小或灰度的变化慢。3.2图像分割的方法随着图像分割在数字图像处理中的应用越来越多，不可或缺的作用越来越明显，图像分割的方法正在快速发展。 经典方法不断改进，新方法不断出现。 介绍目前常用的图像分割方法。3.2.1基于区域的划分方法：分割图像通常使用不同对象之间的属性不连续性以及同一对象中的属性相似性。 基于区域的算法侧重于利用区域内特性的相似性。 以区域为基础的主要做法包括：a ) :灰度阈值化方法这也是本研究的重点。 在下一章详细叙述。b ) :区域发展和分裂合并这些通常的串行区域划分方法的特征在于，所述划分过程按顺序分割成多个步骤，并且后续步骤必须根据以上步骤的结果来确定。区域成长的基本想法是，汇集具有相似性质的像素来构成区域。 在该方法中，必须首先选择籽数点，以将籽数像素周围的类似像素顺序地集成到籽数像素存在的区域中。 地区的生长也很少单独使用，通常与其他分割方法结合使用，特别适合于分割肿瘤、伤痕等小结构。区域合并方法中，大多将输入图像分成多个类似的区域，然后按照某个判断基准反复合并类似的邻接区域。 在区域划分技术中，整个图像首先被称为一个区域。然后，整个区域被连续划分为四个矩形区域，直到各个区域的内部保持相同。 另一种医学影像常用的基于区域的分割方法包括：分类器和聚类、基于随机场的方法、标记法等。3.2.2边缘检测方法：基于边缘的分割方法可以说是人们最早研究的方法，根据区域边缘上的像素灰度值的变化较大，检测不同区域间的边缘，从而解决图像分割问题。a )并行微分运算符并行微分运算符法检测图像中的灰度的变化，通过一次微分系数的极值点或二次微分系数的过零点检测边缘，通常使用的一次微分运算符是梯度运算符、Prewitt运算符、有索贝尔运算符的二次导数运算符是Laplacian运算符、Kirsch运算符、Walls运算符等梯度运算符不仅对边缘信息敏感，对图像噪声也敏感。 为此目的通常，在获得参考线之前，先减少噪波，然后过滤图像中的图像。b )基于曲面拟合和边界曲线拟合的方法曲面拟合法的基本思路是将灰度视为高度，用一个曲面拟合小窗口内的数据，根据该曲面决定边缘点。 在利用边界曲线拟合的方法中，用平面曲线表现不同区域间的图像边界线，根据图像梯度等的信息找出能够正确表现边界的曲线，来得到图像分割的目的。c )基于变形模型的方法基于变形模型的方法综合利用了区域和边界信息，将几何学、物理学和近似理论相结合。 它们通过使用从图像数据获得的诸如约束信息和目标位置、尺寸、形状等之类的先验知识，能够有效地划分、匹配和跟踪分析目标。 从物理学的角度来看，变形模型可以视为在外力和内约束条件下自然反应的弹性物体。3.2.3基于模糊集理论的方法图像分割问题是典型的结构缺陷问题，但由于模糊集理论具有描述缺陷问题的能力，模糊理论被引入图像处理和分析领域，包括用模糊集理论解决分割问题。 基于模糊理论的图像分割方法包括模糊阈值分割方法、模糊聚类分割方法、模糊连接度分割方法等。模糊阈值技术使用不同的s型隶属函数定义模糊目标，在优化过程中最后选择具有最小不确定性的s函数，用该函数表示目标与其目标像素的关系所得到的s型函数的交叉点是阈值分割所需的阈值这一方法的困难在于隶属函数的选择模糊c均值聚类(FCM，Fuzzy C-Means )方法通过优化表示图像像素点与c类中心的相似性的目标函数求出局部最大值，得到最佳的聚类。 这种方法的缺点是计算量大。 FCM法常用于医学图像的分割。3.2.4图像分割中的其它方法除了上述几种大分类的分割方法外，图像分割区域的方法和文献有很多，如图像引导法、数学形态学方法、基于神经网络的图像分割方法、将尺度空间理论应用于该区域的方法等。 特别是基于形态学的图像分割和基于神经网络的图像分割，由于分别符合人体的视觉和“智能分析”特征，近年来发展特别迅速。第四章：灰度阈值化图像的分割方法4.1灰度阈值化图像分割是指灰度阈值化方法为区分物体与背景而确定一个或多个灰度阈值，将像素的灰度值与阈值比较，将像素划分为背景区域或物体区域。 这种分割方法在物体与背景之间存在明显差异的情况下是有效的，但近年来，随着阈值化方法的不断探索，许多新方法在物体与背景之间没有太大差异的情况下的分割效果也相当好。 实际上，在任何实用的图像处理系统中，最终都使用阈值化技术。将给定的灰度图像设为f(x，y)t1，t2，并以一定的方法获得一个或多个阈值或子集tt1，t2。 现在将描述经阈值分割，因为向子集t表示使用一个或多个阈值的原理与其相同。 根据单个像素是否属于t进行分类(1)但是，axy、bxy分别是指定的灰度值或者原始的灰度值。 假设axy=1，bxy=0，则分割后的图像成为二值图像。 目标与背景对比度最高。 令axy=f(x，y )，bxy=0，则分割后的图像的背景为0，目标是保持原灰度，背景漂亮的目标图像。4.2阈值化方法的分类由于阈值化方法的难点是阈值的选择，因此阈值化方法的研究主要着眼于如何选择阈值。 然而，在此之前有必要知道一些原则不同的阈值化方法。4.2.1直接阈值法区域内部灰度大致一致，但区域间的灰度存在感染等较大差异的图像对于彩色立体图像、手写图像等，可以直接赋予阈值进行分割。4.2.2间接阈值法在许多情况下，首先对图像实施必要的预处理，然后使用阈值方法来有效地实现划分。 例如，包括孤立点噪声的图像在若干算法上执行邻域平均运算。 另外，有效的预处理算法可以显着降低阈值分割的难易度，并且可以提高分割精度。4.2.3多阈值法如果图像包含多种不同类型的目标区域和背景区域，则必须使用多种阈值方法将这些区域分开。 基本原则与单一门限法相同。4.2.4全局阈值和自适应阈值全局阈值针对整个图像使用相同阈值进行处理分割，并应用比较了背景与前景的图像。 在许多情况下，物体与背景的对比度在图像中不是均匀的，并且难以通过均匀的阈值来区分物体与图像。 对于这种图像，根据局部的特性，可以分别用不使用的阈值进行分割。 在实际的处理中，有必要针对具体的问题将图像分成几个子区域来选择阈值，或者根据一定的附近范围动态地选择各点的阈值，进行图像分割。4.3阈值化方法中阈值的决定阈值的确定是阈值化方法的核心内容，也是其中最难的部分。 从阈值化方法产生之日起，就一直在探索阈值的确定方法。 各种基于理论的新方法层出不穷，确定各种现有阈值的方法也不断得到改进。 本人改进了CPT算法，克服了时间复杂性等问题。确定阈值的方法很多，但主要分为三部分4.3.1边界灰度设置为阈值边界灰度级通常介于两个相邻区域的平均灰度级之间，并且可以是图像分割的阈值。 该方法可以简单实现，但若用微分运算符或梯度运算符强调边界，则该方法不合适。 检测边缘的算法也很多，使用梯度运算符是较好的方法。 看“1”，基于边缘检测的阈值化方法得到了很好的应用。4.3.2根据直方图的谷点决定阈值20世纪60年代中期，预维特提出了直方图双峰法。 即，如果灰度直方图为明显的双峰状，则选择与双峰间的谷底对应的灰度级作为阈值。 在目标区域和背景区域有很大差异的图像中，分割效果很好。 但是，该方法不适合直方图的双峰差较大或峰间谷较大的平坦图像。4.3.3基于统计学的方法这是近年来最受欢迎的图像阈值化分割的研究方向。 基于统计学的阈值量化分割的新方法不断提出，取得了显着成果。 另外，本论文的实现部分采用的阈值化手法以统计学手法为基础。一)首先介绍分类法； 首先要介绍的是，该方法在对今后的图像阈值化分割产生较大影响的同时，也是近年来流行的方法。这个方法是日本学者大津展提出的。 其原理是，利用类别方差作为判别的依据，选择类别间方差最大的阈值和类别内方差最小的阈值作为最佳阈值。令图像的灰度为0(L-1 )，灰度值I的像素数为ni，总像素数为n。 各像素的概率是Pi。Pi.=ni/N在某个灰度t下，图像的灰度大致分为C1、C2两类。C1= 0，1，t-1；C2=t，t 2，L-1；发生