labview图像分割

1、基于LabVIEW的图像分割程序设计摘要 现在图像处理技术已经应用于多个领域当中，其中，纸币识别，车牌识别，文字识别和指纹识别已为大家所熟悉。图像分割是一种重要的图像技术,它不仅得到了人们的广泛重视和研究,也在实际中得到了大量的应用。它是处理图像的基本问题之一，是图像处理图像分析的关键步骤。图像识别的基础是图像分割，其作用是把反映物体真实情况的，占据不同区域的，具有不同性质的目标区分开来，并形成数字特性。关于图像分割的方法已有上千种，本文将介绍几种主流的方法，并分析各自的特性，利用LabVIEW平台实现两种阈值方法分割图像，展现实验现象，比较两种方法的处理结果。关键词 图像分割 阈值法 大津法

2、 双峰法 LabVIEWThe program designing of image segmentation based on LabVIEWAbstract Image processing technology has been used in many fields, the banknote recognition, license plate recognition, character recognition and fingerprint recognition has been familiar to everyone. Image segmentation is an im

3、portant image technology, people not only attach importance to it and research it，but also use it in many place. It is one of the basic problems of the image processing, and it is a key step of the image processing image analysis. The image recognition based on image segmentation, the function of wh

4、ich is making a distinction between the area of object's real situation,the area in different places and the area with different characteristic and forming a digital characteristic. There are thousands of methods of image segmentation, this article will introduce several mainstream method, and a

5、nalyze their respective characteristics, use this two ways to make image segmentation with LabVIEW，and show the phenomenon of experiment，campare the treatment result of the two methods.Keyword Image segmentation Threshold OTSU bimoda LabVIEW 目录引言11 图像分割论述21.1 图像分割的定义21.2 图像分割方法综述31.2.1 边缘检测法31.2.2 阈

6、值分割法51.2.3 基于区域的分割52 图像阈值分割算法62.1 阈值分割算法简述62.2 全局阈值算法72.3 自适应阈值算法92.4 最小误差阈值102.5 最大类间方差算法113 图像分割实验结果及实现平台介绍123.1 LabVIEW简述123.2 LabVIEW的应用123.3 VI设计143.3.1 双峰法选取阈值163.3.2大津法选取阈值173.4实验结果比较总结18结论20致谢21参考文献23引言图像技术在广义上是各种与图像有关技术的总称。图像技术种类很多，跨度很大，但可以将它们归在一个整体框架图像工程之下。图像工程是一个对整个图像领域进行研究应用的新学科，它的内容非常丰富

7、，根据抽象程度和研究方法的不同可以分为3个各种特点的层次：图像处理，图像分析和图像理解。在一幅图像中，人们往往只对其中的某些目标感兴趣，这些目标通常占据一定的区域，并且在某些特性（如灰度、轮廓、颜色和纹理等）上和周围的图像有差别。图像识别的基础是图像分割，其作用是把反映物体真实情况的，占据不同区域的，具有不同特性的目标区分开来，并形成数字特性。图像分割是图像识别和图像理解的基本前提步骤，图像分割质量的好坏直接影响后续图像处理的效果，甚至决定其成败，因此，图像分割的作用是至关重要的。虚拟仪器技术是基于计算机的仪器及测量技术。与传统仪器技术不同，虚拟仪器技术指在包含数据采集设备的通用计算机平台上，

8、根据需求可以高效率地构建起形形色色的测量系统。对大多数用户而言，主要的工作变成了软件设计。虚拟仪器技术突破了传统仪器的局限，可以将许多信号处理的方法方便地应用于测量中，并且为自动测量和网络化测量创造条件。早期的虚拟仪器技术主要用于军事、航空、航天等领域和科研院所，现在已经越来越多地出现在工厂及其他民用场合。LabVIEW则是美国国家仪器公司（National Instruments）所提供的虚拟仪器开发平台。与大多数程序语言不同，LabVIEW是一个图形化的编程环境，编程的过程不是写代码，而是“流程图”。LabVIEW的使用者是各个领域的工程技术人员，而非计算机专业人员。LabVIEW将使用者

9、从烦琐的程序设计中解放出来，而将注意力集中在测量等物理问题本身。LabVIEW除了在工业领域作为测量仪器外，还拥有强大的图像处理功能，它可以外挂专有的“图像处理包”，或者调用Matlab来实现图像处理的功能，但前者需要单独购买，且不方便修改，后者则需要安装Matlab，而直接通过LabVIEW设计VI实现则方面修改。本课题将介绍主要几种图像分割的方法，仔细研究其中两种阈值分割的算法，通过直接设计VI来实现阈值图像分割的功能，令LabVIEW也能够进行一些图像处理的任务，使得LabVIEW更加强大。 1 图像分割论述1.1 图像分割的定义图像分割是指将一幅图像分解为若干互不交叠的,有意义的，具有

10、相同性质的区域。好的图像分割应具备以下特征：（1） 分割出来的各区域对某种特性（如灰度和纹理）而言具有相似性，区域内部是连通的且没有过多小孔。（2） 相邻区域对分割所依据的性质有明显的性质。（3） 区域边界是明确的。大多数图像分割方法只是部分满足上述特征。如果强调分割区域的同性质约束，则分割区域很容易产生大量小孔和不规整边缘；若强调不同区域间性质差异的显著性，则容易造成不同区域的合并。具体处理时，不同的图像分割方法总是在各种约束条件之间寻找一种合理的平衡。图像分割更形式化的定义如下：假设一幅图像中所有像素的集合为F，有关一致性的假设为P(·)。把F划分为n个满足下述4项条件的子集S1

11、，S2，Sn（Si是连通区域）的过程定义为图像分割：（1），分割是完全的，图像中的每一像素必须归属于一个区域。（2），分割出的不同区域是不相交的。（3）P(Si)=true，j，分割出的每个区域的像素具有一致的特性。（4）P()=false，分割出的不同区域的像素不具有一致的特性。1实际的图像处理和分析都是面向某种应用的，所以上述条件中的各种关系也要视具体情况而定。目前，还没有一种通用的方法可以很好地兼顾这些约束条件，也没有一种通用的方法可以完成不同的图像分割任务。原因在于实际的图像是千差万别的，还有一个重要原因在于图像数据的下降，包括图像在获取和传输过程引入的各种噪声以及光照不均匀等因素。到

12、目前为止，对图像分割的好坏和评价还有统一的标准。因此，图像分割是图像分析和计算机视觉中的经典难题。至今，提出的分割算法已有上千种，每年还有不少新算法出现。这些算法的实现方式各不相同，然而大都基于图像在像素级的两个性质：不连续性和相似性。属于统一目标的额区域一般具有相似性，而不同的区域在边界出现不连续性。1.2 图像分割方法综述图像分割是把图像分割成若干个特定的、具有独特性质的区域并提取出感兴趣目标的技术和过程，这些特性可以是像素的灰度、颜色、纹理等，提取的目标可以是对应的单个区域，也可以是对应的多个区域。人们在多年的研究中积累了很多图像分割的方法。但亦今为止，仍然没有一种图像算法适合所有的图像

13、，也没有一种图像可以用所有方法来分割。近几年来,研究人员不断改进原有方法并将其它学科的新理论和新方法引入图像分割,提出了不少新的分割方法。典型的图像分割方法有阈值法，边缘检测法，区域法。分析各种图像分割方法可以发现，它们分割图像的基本依据和条件有以下4方面：(l)分割的图像区域应具有同质性，如灰度级别相近、纹理相似等；(2)区域内部平整，不存在很小的小空洞；(3)相邻区域之间对选定的某种同质判据而言，应存在显著差异性；(4)每个分割区域边界应具有齐整性和空间位置的准确性。现有的大多数图像分割方法只是部分满足上述判据。如果加强分割区域的同性质约束，分割区域很容易产生大量小空洞和不规整边缘:若强调

14、不同区域间性质差异的显著性，则极易造成非同质区域的合并和有意义的边界丢失。不同的图像分割方法总有在各种约束条件之间找到适当的平衡点。2 1.2.1 边缘检测法边缘检测技术对于处理数学图像非常重要，因为边缘是所要提取目标和背景的边界线，提取出边缘才能将目标和背景区分开来。在图像中，边界表明一个特征区域的终结和另一个特征区域的开始，边界所分开区域的内部特征或属性是一致，而不同区域内部的特征或属性是不同的，边缘的检测正是利用物体和背景在某种图像特性上的差异来实现的，这些差异包括灰度，颜色和纹理特征。边缘检测实际上就是检测图像特性发生变化的位置。由于噪声和模糊的存在，检测到的边缘可能会变宽或在某些点处

15、发生间断，因此，边界检测包括两个基本内容:首先抽取出反映灰度变化的边缘点，然后剔除某些边界点或填补边界间断点，并将这些边缘连接成完整的线。边缘检测技术可以按照处理的技术分为串行边缘检测和并行边缘检测。所谓串行边缘检测技术，是指要想确定当前像素点是否属于欲检测边缘上的一点，取决于先前像素的验证结果；而在并行边缘检测技术中，一个像素点是否属于检测边缘上的一点，取决于当前正在检测的像素点以及该像素点的一些相邻像素点，这样该模型可以同时用于图像中的所有像素点，因而称之为并行边缘检测技术。最简单的边缘检测方法是边缘检测算子，它利用相邻区域的像素值不连续的性质，采用一阶或二阶导数来检测边缘点。近年来还提出

16、了基于曲面拟合的方法，基于边界曲线拟合的方法。下面分别简单介绍一下这些方法。1. 边缘检测算子边缘检测算子对图像中灰度的变化进行检测，通过求一阶导数极值点或二阶导数过零点来检测边缘。常用的一阶导数算子有梯度算子，Prewitt算子和Sobel算子，二阶导数算子有Laplacian算子，还有Kirsch算子和Wallis算子等非线性算子。梯度算子不仅对边缘信息敏感，而且对像素点也很敏感。2. 基于曲面拟合的方法基于曲面拟合的方法的基本思想是将灰度看成高度，用一个曲面来拟合一个小窗口内的数据，然后根据该曲面来决定边缘点。基于边界曲线拟合的方法用平面曲线来表示不同区域之间的图像边界线，试图根据图像梯

17、度等信息找出能正确表示边界的曲线从而得到图像分割的目的，而且由于它直接给出的是边界曲线而不像一般的方法找出的是离线的，不相关的边缘点，因而对图像分割的后继处理，如物体识别等高层处理有很大的帮助。即使是用一般的方法找出的边缘点，用曲线来描述它们以便于高层处理也是经常被采纳的一种有效的方式。3 1.2.2 阈值分割法阈值分割法是一种简单有效的图像分割方法，其基本思想就是用一个或多个阈值将图像的灰度级分成几部分，灰度值在同一类的像素属于同一目标。阈值分割法的结果在很大程度上依赖于阈值的选择，因此该方法的关键就是如何选择合适的阈值。直方图阈值分割对物体与背景有较强对比的背景分割特别有用，这种方法计算简

18、单，而且总能用封闭而且连通的边界定义不交叠的区域。使用阈值规则进行图像分割时，所有灰度值不小于（或相反）某阈值的像素都被判属于目标物体。所有灰度值小于（或相反）该阈值的像素被排除在物体之外，属于背景。于是，边界就成为在物体中和背景有邻域关系这样一些内部点的集合。如果感兴趣的物体在其内部具有均匀一致的灰度值，并分布在具有另一灰度值的均匀背景上，使用全局阈值方法效果就很好。如果物体同背景的差别在图像中存在区域变化，那么可以采用自适应阈值的方法，使得用于划分的阈值随着物体和背景差别的变化而变化，尽量保持清楚的划分。还可以用概率统计，类间方差等优化方法对更为复杂的情况进行分割。下一章节将会对阈值分割法

19、进行详细的论述。1.2.3 基于区域的分割基于区域的图像分割是根据图像灰度、纹理、颜色和图像像素统计的均匀性等图像的空间局部特征,把图像中的像素划归到各个物体或区域中,进而将图像分割成若干个不同区域的一种分割方法。基于区域的分割方法主要有区域生长法、分裂合并法。区域生长法、分裂合并法：区域生长法的基本思想是根据一定的相似性准则，将图像中满足相似性准则的像素或子区域合成更大的区域；分裂合并法是从整个图像出发,根据图像和各区域的不均匀性,把图像或区域分割成新的子区域,根据毗邻区域的均匀性,把毗邻的子区域合并成新的较大的区域。这两种方法通常相结合,以便把相似的子区域合并成尽可能大的区域。区域生长的固

20、有缺点是分割效果依赖于种子的选择及生长顺序,区域分裂技术的缺点是可能破坏边界,所以它们常常与其他方法相结合,以期取得更好的分割效果。区域生长算法的研究重点:(l)特征度量和区域增长规则的设计;(2)算法的高效性和准确性。区域生长方式的优点是计算简单。与闭值分割类似，区域增长也很少单独使用，往往是与其它分割方法一起使用。区域生长的缺点是:（l）它需要人工交互以获得种子点，这样使用者必须在每个需要抽取出的区域中植入一个种子点;(2)区域增长方式也对噪声敏感，导致抽取出的区域有空洞或者在局部体效应的情况下将分开的区域连接起来。在区域合并方法中，输入图像往往分为多个相似的区域，然后类似的相邻区域根据某

21、种判断准则迭代进行合并。在区域分裂技术中，整个图像先被看成一个区域，然后区域不断被分裂为四个矩形区域，直到每个区域内部都是相似的，分裂合并方法中，区域先从整幅图像开始分裂，然后将相邻的区域进行合并。分裂合并方法不需要预先指定种子点，它的研究重点是分裂和合并规则的设计。但是，分裂合并技术可能会使分割区域的边界破坏。和阈值法一样，区域生长法一般不单独使用, 而是放在一系列处理过程中。它主要的缺陷是, 每一个需要提取的区域都必须人工给出一个种子点, 这样有多个区域就必须给出相应的种子个数。此法对噪声也很敏感, 会造成孔状甚至是根本不连续的区域, 相反的, 局部且大量的影响还会使本来分开的区域连接起来

22、。4 2 图像阈值分割算法2.1 阈值分割算法简述在许多图像处理技术中，属于目标的像素点的灰度值和属于背景的像素点的灰度值有明显的差别，对于这种情况阈值分割算法就是一种简单高效的从背景中提取目标的的方法。阈值法作为这样一种实现简单、计算量小、性能较稳定的图像分割算法，被应用在很多领域。例如在文本图像分析中，提取文字信息、场景处理中检测目标、产品的质量检测、细胞图像分割、无损检测等等。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，把图像像素点分为若干类。图像阈值化的目的就是按照灰度级，对像素集合进行划分，得到的子集形成一个与现实景物相对应的区域，各个区域的内部具有

23、一致的属性，可以通过一个或多个阈值实现。阈值分割法的关键就是如何找到合适的阈值。设原始图像为f（x，y），首先以一定准则在f（x，y）中找出一个灰度值t作为阈值，将图像分割为两部分，即把大于等于该阈值的像素点的值设置成l，小于该阈值的像素点的值设置成0。阈值运算后的图像为二值图像g（x，y）如下式表示 gx,y=0, &f(x,y)<t1, &f(x,y)t （2-1）阈值分割的优点是实现简单，当不同类的物体灰度值或者其它特征值相差很大时，它能有效地对图像进行分割。缺点是对于图像中不存在明显灰度差异或灰度值范围有较大重叠的图像分割问题难以得到准确的结果，由于它只是考虑了图

24、像的灰度信息而不考虑图像的空间信息，对噪音和灰度不均匀很敏感，经常和其它的方法结合起来用。5 阈值分割法也被分为了好几种方法，主要有全局阈值算法，自适应阈值算法，统计最优阈值算法，最大类间方差算法，下面将对这几种方法做简单的介绍。2.2 全局阈值算法全局阈值图像分割的基本原理就是在一幅图像中选取一个或多个处于图像灰度取值范围之中的灰度阈值，然后将图像中各个像素的灰度值与阈值进行比较，并根据比较的结果将图像中的对应像素分成两类或多类，从而把图像划分为互不交叉重叠区域的重合，达到图像分割的目的。基于阈值的图像分割中经常采用这样一种假设：目标或背景内的相邻像素间的灰度值是相似的，但不同目标或背景的像

25、素在灰度上存在差异。设原始图像为f（x，y），按照一定准则在f（x，y）中找到某一个灰度值，该灰度值便是进行分割时的阈值T，将图像分割为两个部分，分割后的图像为 gx,y=0, &f(x,y)<t1, &f(x,y)t (2-2)如取=0（黑），=255（白），即为通常所说的图像二值化分割。对于比较简单的图像，物体和背景本身的灰度较均匀，而且两者之间的灰度差别较大，因此比较容易分割清楚。对于一般的图像，情况比较复杂，阈值化图像分割通常存在两方面的困难：一个是在图像分割之前，难以确定图像分割区域的数目，或者说要把图像分割成几个部分；另一个是阈值的确定，因为阈值选择的准确性直

26、接影响分割的精度及图像描述分析的正确性。如对于只有暗背景和亮目标两类对象的灰度图像来说，阈值选取过高，容易把大量的目标误判为背景；阈值过低，又容易把大量的背景误判为目标。为此，下面介绍两种简单的全局阈值的选择方法。“峰谷”法选取阈值，这是一种利用图像直方图特性来确定灰度阈值的方法，如果图像所含的目标区域和背景区域大小可比，而且目标区域和背景区域在灰度上有明显的区别，那么该图像的直方图会呈现“双峰”和“一谷”状：其中一个峰值对应于目标的中心灰度，另一个峰值对应于背景的中心灰度。也就是说，理想图像的直方图，目标和背景对应不同的峰值，选取位于两个峰值之间的谷值作为阈值，就很容易将目标和背景分开，从而

27、得到分割后的图像。如图2.1所示，对于还有细胞的医学图像，细胞的灰度通常比背景的灰度低得多，见图2.2；根据经验可以明显地看出直方图具有两个峰值，则谷值被认为是分割的阈值，见图2.2；由此阈值划分后得到的结果图像如3.3所示，可以将原图像中的目标（细胞）基本分割出来。 (a) 原始图像 (b) 分割后的图像 (c) 原始图像直方图图2.1 双峰法阈值分割峰-谷阈值分割的优点是实现简单，对于不同类别的物体灰度值相差较大时，它能有效地对图像进行分割。但对于图像中不存在明显灰度峰谷，或目标和背景的灰度值范围有较大重叠的图像，这种分割方法难以获得较好的结果，而且谷值的选取对噪声和灰度的不均匀很敏感。所

28、以，在实际中常常加以其他方法协助进行谷值的选取，如下述的微分方法。在较简单的情况下，如果将直方图的包络看成一条曲线，则选取直方图阈值（谷值）可采用求极小值的方法。设用h（x）表示图像直方图，x为图像灰度变量就，那么极小值应满足下式 h（x）x=0和h2（x）x20。 （2-3） 与这些极小值点对应的灰度值就可以用作图像分割阈值。由于实际图像受噪声的影响，其直方图经常出现很多起伏，使得公式（2.3）计算出来的极小值点有可能并非是正确的图像分割阈值，而是对应虚假的谷值。一种有效的解决方法是先对直方图进行平滑处理，如用高斯函数g（x，）和直方图函数进行卷积运算得到相对平滑直方图，然后再用（2.3）式

29、求得阈值。2.3 自适应阈值算法在许多情况下，图像背景的灰度值并不是 常数，物体和背景的对比度在图像中也有变化。例如，在光亮背景中的暗物体，由于光照不均匀，虽然物体与背景始终有反差，但在图像的某一部分能把物体和背景准确区分出的阈值，对另一部分来说，可能把太多的背景也作为物体分割下来了。在这种情况下，可以采用自适应阈值分割方法，把灰度阈值取成一个随图像中位置缓缓慢变化的函数，保持一种局部的，相对的背景和物体之间的差异。实现自适应阈值分割的方法有多种，其中常用的是一种子图像分割法。这种方法首先将图像细分为若干个子图像，计算每个子图像的直方图，方差；而后，对不同的子图像使用单独的阈值进行分割处理，对

30、那些直方图为单峰或方差值较小的图像，只需判断它到底属于哪一类，对于那些双峰或方差较大的子图像，需要选择一个适当的阈值进行划分，简单的选择方法为两个峰值之间的谷值。最后，将各个分割后的子图像拼合成一个完整分割图像。显然，各个子图像的阈值只不相同的，随着图像的部位而自适应变化的，需要解决的关键问题是如何将图像进行细分和如何确定子图像的阈值。2.4 最小误差阈值这是一种利用统计判决确定阈值方法，使得目标和背景被误分割的概率达到最小的阈值分割方法。因为在实际图像分割中，总有可能存在把背景误分为目标区域，或者把目标误分为背景区域。如何使得上述误分割出现的概率最小，便是一种统计最优阈值分割方法。图2.2

31、最小阈值误差概率 Eb(T)是目标类错分到背景类的概率， E0(T)是背景类错分到目标类的概率，总的概率误差E(T)= Eb(T)+ E0(T),使得E(T)最小，即为最优分类方法。 在最小误差法中，直方图被视为目标与背景混合集概率密度p(i)的估计： pi=j=0lpjp(i|j) i=0,1,l-1；j=0,1. （2-4）其中p（j）为先验概率，pijN(µJ,J2)，求解下列方程可得到最小误差阈值： (i-0)202+ln02-2lnp0=(i-µ1)212+ln12-2lnp1. (2-5) 2.5 最大类间方差算法在不知道图像分布的情况下，还可以采用模式识别中最

32、大类间方差准则确定分割的最佳门限。其基本思想是对像素进行划分，通过使划分得到的各类之间的距离达到最大，来确定合适的门限。这种算法是由Otsu于1978年首先提出的一种比较典型的图像分割算法，也称为Otsu分割法或大津阈值分割法。从模式识别的角度看，最佳阈值应当产生最佳的目标类与背景类的分离性能，此性能用类间方差来表征，最大类间方法可以描述如下：设图像的灰度级为0K-1，每个灰度级的概率为Pi，若某一个阈值T将图像各像素按灰度分成两类C0和C1，C0类包含灰度级为0,1，z的像素，其概率和，灰度均值分别为 0=i=0zPi， µ0=10i=0zixPi (2-6) C1类包含灰度级z+

33、1，z+2，K-1的像素，其概率和，灰度均值分别为 1=i=z+1K-1Pi， 1=11i=z+1K-1ixPi (2-7)图像的总平均灰度为µ=0µ0+1µ1 (2-8)则定义类间方差为 2=0 X 0-2+1 X (1-)2 (2-9) 从最小灰度值0到最大灰度值K-1，遍历所有灰度值，使得式（3.9）中最大时的灰度z即为分割的最佳阈值T。因为方差是灰度分布均匀性的一种度量，方差越大，说明构成图像的两部分差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。在实际应用中，直接应用式（2-9）计算

34、量太大，因此一般在实现时采用等价式（2-10），则最佳阈值T为使得式（2-10）为最小时的z，即Max01(µ0-µ1) (2-10)63 图像分割实验结果及实现平台介绍3.1 LabVIEW简述LabVIEW是美国国家仪器公司开发的基于图形编译语言的实验室虚拟仪器集成环境, 把复杂、烦琐、费时的语言编程简化成用菜单或图标提示的方法选择功能（图形），并用线条把各种功能（图形）连接起来的简单图形编程方式。LabVIEW本身是一种功能比较完善的软件开发环境，它可替代常规的BASIC,C语言编程，可以编写应用程序。LabVIEW具有如下特点：1)它提供了“所见即所得”的可视化图形

35、编程技术建立人机界面，提供了大量的仪器面板中的控制对象，如按钮、开关、指示器、图表等；2)它使用图标表示功能模块，连线表示模块间的数据传递，并且用线型和颜色区别数据类型，用数据流程图式的语言书写程序代码，这样使得编程过程与人的思维过程非常接近；3)它提供了程序调试的功能，可以在源代码中设置断点，单步执行源代码，可在连线上设置探针，观察程序执行过程的数据流变化，大大简化了调试工作量；4)它采用了编译方式运行32位应用程序，使得它的执行速度可与VC等开发程序相媲美。因此，即使没有丰富的编程经验也能很容易利用LabVIEW进行程序设计，在其平台上完成各种功能。 7 3.2 LabVIEW的应用1.应

36、用于生产检测LabVIEW 已经成为用于测试测量领域的工业标准化开发工具。LabVIEW 结合NITestStand 测试执行环境和该领域中最大的仪器驱动程序库，为整个系统建立稳固完整的检测管理平台。2.应用于研究与分析运用LabVIEW，可在汽车、能源研究和其它众多工业领域的应用系统中进行实时数据的分析和计算; 对于要求声音、振动、图像处理、时频分析、小波和数字滤波的应用系统，LabVIEW 特别提供各种附加工具包以加速系统开发。3. 应用于过程控制和工厂自动化可利用LabVIEW 来建立众多的过程控制和工业自动化应用系统。在LabVIEW 平台下，可以实现高速、多通道的测量和控制。对于大型

37、复杂的工业自动化和控制系统，有专门的LabVIEW 数据记录和监控模块，用于监控多通道I /O、与工业控制器和网络进行通信，以及提供基于PC 机的控制。4. 应用于机器监控对于要求有实时控制、振动分析、视觉和图像分析或运动控制的机器监视和预先维护的应用系统，LabVIEW 是理想的选择。LabVIEW 系列产品，包括用于可靠、确定性控制的实时LabVIEW( LabVIEW RT) 软件，就可以快速、准确地建立起功能强大的机器监视和自动控制应用程序。8在这么多的应用当中，LabVIEW作为机器视觉与图像处理系统发挥了巨大的作用。这几年，激光仪器视觉系统已经被广泛研究和开发在不同的制造工艺。激光

38、仪器视觉系统的功能可以使制造工序自动化和大大提高质量和生产率，并且使学术界和工业都产生了很大的兴趣。金工业正在使用的焊接工艺，连接两个或更多的含金或非含金部分也急需焊接工艺的质量和生产率。作为焊接工艺的重要事项之一，焊缝追踪对质量和生产力至关重要。首先，焊缝追踪需要满足焊接工艺的完全自动化。基于LabVIEW的激光仪器视觉系统作为焊缝追踪脱颖而出，同时也解决了传统模式低效率、低适应力的缺点。9用机器视觉来替代人工视觉；同时在大批量工业生产过程中，用人工视觉检查产品质量效率低且精度不高，用机器视觉检测方法可以大大提高生产效率和生产的自动化程度。而且机器视觉易于实现信息集成，是实现计算机集成制造的

39、基础技术。因此，在现代自动化生产过程中，人们将机器视觉系统广泛地用于工况监视、成品检验和质量控制等领域。机器视觉技术是一门包含诸多科学领域的综合技术，它不仅涉及到人工智能、光电学、物理学、计算机科学，而且还与图像处理、模式识别等学科息息相关。在国外，机器视觉的应用普及主要体现在半导体及电子行业，其中大概40%-50%都集中在半导体行业。具体如PCB印刷电路：各类生产印刷电路板组装技 术、设备；单、双面、多层线路板，覆铜板及所需的材料及辅料；辅助设施以及耗材、油墨、药水药剂、配件；电子封装技术与设备；丝网印刷设备及丝网周边材料等。SMT表面贴装：SMT工艺与设备、焊接设备、测试仪器、返修设备及各

40、种辅助工具及配件、SMT材料、贴片剂、胶粘剂、焊剂、焊料及防氧化油、焊膏、 清洗剂等；再流焊机、波峰焊机及自动化生产线设备。电子生产加工设备：电子元件制造设备、半导体及集成电路制造设备、元器件成型设备、电子工模具。机器视觉系统还在质量检测的各个方面已经得到了广泛的应用，并且其产品在应用中占据着举足轻重的地位。 10实现LabVIEW的图像处理功能有三种途径，一是外挂VISION模块，也就是视觉模块；二是调用Matlab实现；三是直接设计VI实现功能；三种途径各有优缺点，VISION模块需要另外购买，借助Matlab还需要安装，且不方面修改，但是这两种方法的功能会更强大。如果直接通过LabVIE

41、W平台完成，则方便修改，但是较前两种方法，所能实现的功能有限。3.3 VI设计作为实现图像处理的第一步，首先要读取图像，并将其转换为可以处理的数据，如图3.1，图3.1 图片数据转换程序首先用while循环判断读取的图像文件是否为BMP文件，如果是，进入分支程序。分支1，首先用绘制平化像素图控件将读取的图像文件显示出来；分支2用还原像素图控件将图像数据转换为二维数组，并计算显示出图像像素点的行数与列数。灰度使用黑色调表示物体,即用黑色为基准色，用不同的饱和度的黑色来显示图像。 每个灰度对象都具有从 0%（白色）到100%（黑色）的亮度值。将图像数据转换为像素点的二维数组后，接下来的步骤就是将图

42、像转换为灰度图像，并绘制出灰度直方图。图3.2 绘制灰度直方图程序如图3.2，首先将像素点的RGB三色分解开，再利用公式（3-1）将彩色转为灰度。Gray = R*0.299 + G*0.587 + B*0.114  （3-1） (a) 原始图片 (b) 原始图片灰度图(c) 灰度直方图 图3.3 绘制灰度直方图将图像转换为灰度图像后，建立一维256个元素的数组，并将其初始化为0。然后调用“替换数组子集”和“索引数组”控件，以图像像素的灰度值为索引，绘制灰度直方图。图3.3为原始图片，原始的图片的灰度图片，以及图像的灰度直方

43、图。3.3.1 双峰法选取阈值可以利用双峰法的图像分割的图像，其灰度直方图必须是呈现“双峰”和“一谷”状，如图3.3（c），两个峰值灰度分别对应目标和背景，则两峰之间的谷点就是我们要找的阈值。所以图像必须满足是目标和背景色差比较大，找到阈值后，就可以将图像二值化，灰度值小于阈值的像素点则灰度值取0（黑），灰度值大于阈值的像素点则灰度值取255（白）。但是双峰法必须手动确定阈值。具体程序设计如图3.7所示，图3.4 灰度直方图 图3.5 图像二值化程序利用条件结构，根据选取的阈值，将像素点逐一进行二值化，然后将二值化后的像素点重新绘制成图像，就实现了图像的二值化分割。3.3.2大津法选取阈值大津

44、法的算法上一章已经介绍过，从模式的识别的角度看，最佳阈值应当产生最佳的目标类与背景类的分离性能，此性能用类间方差来表征。并且阈值选取是自动的。图3.8为大津法选取阈值的程序设计图。下文将综合比较双峰法和大津法。 图3.6 大津法程序设计3.4实验结果比较总结从程序设计的角度看，双峰法非常简单，只需观察灰度直方图，然后选取合适的阈值即可，但是阈值必须人工输入；大津法程序设计上会稍微复杂一些，但是阈值是自动产生的，因为对灰度直方图没有太多的要求，所以适用的范围会比双峰法广。以下是具体实验成果。 (a) 原始图的灰度图 (b) 图像的灰度直方图 (c) 双峰法分割T=90 (d) 大津法分割T=10

45、4图 3.7 双峰法与大津法分割比较图3.7(b)为原始图像的灰度直方图，图3.7(c)为双峰法分割的图像，而图3.7(d)为大津法分割的图像，从分割的结果上来看，大津法分割的图像，其目标与背景的分离度会较好，细节保留的比较多,像这种图灰度分布双峰不明显的图像，不适合用双峰法来选取阈值，但是双峰法因为可以手动输入阈值，其阈值还可以自行调整，能够调整到更好的结果。下面在以不同的图像进行比较。 (a) 原始图的灰度图 (b) 图像的灰度直方图 (c) 双峰法 阈值T=95 (d) 大津法 阈值T=94图 3.8 双峰法与大津法分割比较图3.8(b)的灰度直方图算是比较典型的“两峰一谷”状，可以使用

46、双峰法来分割图像，并且可以达到比较良好的结果，但从结果上来看，大津法选取的阈值和双峰法选取的阈值差不多，效果基本一致。但实际中，图像分割要复杂得多，双峰法往往要和其他的方法配合一起使用，如分割前先平滑处理图像等。下面再展示大津法分割的几张图片结果： (a) 示例图原始图片 (b) 分割后的图片 (c) 示例图原始图片 (d) 分割后的图片 (e) 示例图原始图片 (f) 分割后的图片图3.9 大津法分割效果实例以上三组图，左边的图片均为原始图像的灰度图，右边为用大津法分割的图片，且这三张图片的灰度直方图都不是同一类型的，有双峰型，有单峰型的，有各个灰度值分布平坦的，但从分割的结果上来看，大津法都能较好的分割图片，达到不错的结果。所以，如果不结合其他方法或进行后续处理使用单一阈值分割图像的话，综合程序设计和分割结果的角度上看，双峰法人工输入阈值，程序设计简单，但应用的范围有限，大津法可以自动产生阈值，但是程序设计稍微复杂些，但应用的范围比双峰法大得多，且分割的效果不错。结论本课题基于LabVIEW的图像处理功能，实现了图像分割的功能。本课题起步于图像分割的算法，对其中几种算法进行