文档视界 最新最全的文档下载
当前位置:文档视界 › 图像分割方法综述

图像分割方法综述

图像分割方法综述
图像分割方法综述

图像分割方法综述

摘要:图像分割是计算计视觉研究中的经典难题,已成为图像理解领域关注的一个热点,

本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。

关键词:图像分割;区域生长;活动边缘;聚类分析;遗传算法

Abstract: Image segmentation is a classic problem in computer vision,and become a hot topic

in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation.

Key words: image segmentation; regional growing; active contour; clustering analysis

genetic algorithm

1 引言

图像分割是图像分析的第一步,是计算机视觉的基础,是图像理解的重要组成部分,同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,使得这些特征在同一区域内表现出一致性或相似性,而在不同区域间表现出明显的不同。简单的说就是在一副图像中,把目标从背景中分离出来。对于灰度图像来说,区域内部的像素一般具有灰度相似性,而在区域的边界上一般具有灰度不连续性。

关于图像分割技术,由于问题本身的重要性和困难性,从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止,还不存在一个通用的完美的图像分割的方法,但是对于图像分割的一般性规律则基本上已经达成的共识,已经产生了相当多的研究成果和方法。本文根据图像发展的历程,从传统的图像分割方法、结合特定工具的图像分割方法、基于人工智能的图像分割方法三个由低到高的阶段对图像分割进行全面的论述。

2 传统的图像分割方法

2.1 基于阀值的图像分割方法

阀值分割法是一种传统的图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。阀值分割法的基本原理是通过设定不同的特征阀值,把图像像素点分为具有不同灰度级的目标区域和背景区域的若干类。它特别适用于目标和背景占据不同灰度级范围的图,目前在图像处理领域被广泛应用,其中阀值的选取是图像阀值分割中的关键技术。

灰度阀值分割方法是一种最常用的并行区域技术,是图像分割中应用数量最多的一类。图像若只用目标和背景两大类,那么只需要选取一个阀值,此分割方法称为单阀值分割。单阀值分割实际上是输入图像f到输出图像g的如下变换:

在上述表达式中,T为阀值,对于目标物体的图像元素g(i,j)=1,对于背景的图像元素g(i,j)=0。但是如果图像中有多个目标需要提取,单一的阀值分割就会出错。就需要选取多个阀值将每个目标分割开,这种分割方法称为多阀值分割。

阀值分割的结果取决于阀值的选择。由此可见,阀值分割算法的关键是确定阀值。阀值确定后,将阀值与像素点的灰度值比较以及对各像素的分割并行地进行。常用的阀值选择方法有利用图像灰度直方图的峰谷法、最小误差法、基于过渡区法、利用像素点空间位置信息的变化阀值法、结合连通信息的阀值方法、最大相关性原则选择阀值和最大熵原则自动阀值法。

图1是利用单阀值方法和局部阀值方法对细胞图像分隔的结果,结果表明,在很多情况下,目标物体和背景的对比度在图像的不同位置并不是一样的,这是如果用一个统一的单阀值将目标与背景分开,效果是不理想的。如果根据图像的局部特征分别用不同的阀值对图像进行分割,即局部阀值分割,则效果要比单阀值分割要好得多。

阀值分割方法的优点是图像分割的速度快,计算简单,效率较高。但是这种方法只考虑像素点灰度值本身的特征,一般不考虑空间特征,因此对噪声比较敏感。虽然目前出现了各种基于阀值分割的改进算法,图像分割的效果有所改进,但在阀值的设置上还是没有很好的解决方法,若将智能遗传算法应用在阀值筛选上,选取能最优分割图像的阀值,这可能是基于阀值分割的图像分割法的发展趋势。

2.2 基于区域的图像分割方法

基于区域的分割方法是以直接寻找区域为基础的分割技术,具体算法有区域生长和区域分离与合并算法。基于区域提取方法有两种基本形式:一种是区域生长,从单个像素出发,逐步合并以形成所需要的分割区域;另一种是从全局出发,逐步切割至所需的分割区域。2.2.1 区域生长

区域生长是串行区域技术,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。常见的区域生长算法包括:同伦的区域生长方式、对称区域生长方式和模糊连接度方法与区域生长相结合等算法。

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。具体是先对每个需要分割的区域找一个种子像素点作为生长的起点,然后将种子像素周围领域中与种子像素有相同或相似性质的像素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的选取种子,对噪声较敏感,可能会导致区域内有空洞。另外它是一种串行算法,当目标较大时分割速度较慢,因此在算法设计时应尽量提高运行效率。

2.2.2 区域分裂合并

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。而分裂合并可以说是区域生长的逆过程。它是从整个图像出发,不断分裂得到各个子区域,然后再把前景区域合并,得到前景目标,继而实现目标的提取。分裂合并的假设是对于一幅图像,前景区域是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以得到前景目标。

四叉树分解法就是一种典型的区域分裂合并法。对Lena图的分割效果如图2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)对于任一区域,如果H(R i)=FALSE就将其分裂成不重叠的四等分;

(2)对相邻的两个区域R i和R j,它们也可以大小不同(即不在同一层),如果条件H(R i U R j)=TURE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。

在实际应用中,通常是将区域生长算法和区域分裂合并算法这两种基本形式结合使用。该类算法对某些复杂物体定义的复杂场景的分割或者对某些自然景物的分割等类似先验知识不足的图像分割,效果较为理想。

2.3 基于边缘检测的图像分割方法

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。边缘检测方法一般利用图像一阶导数的极大值或二阶导数的过零点信息来提供判断边缘点的基本依据。

边缘检测技术通常可以按照处理的技术分为串行边缘检测和并行边缘检测。串行边缘检测是要想确定当前像素点是否属于检测边缘上的一点,取决于先前像素的验证结果。并行边缘检测是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与该像素点的一些相邻像素点。

最简单的边缘检测方法是并行微分算子法,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。近年来还提出了基于曲面拟合的方法、基于边界曲线拟合的方法、基于反应-扩散方程的方法、串行边界查找、基于变形模型的方法。

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、Kirsch算子和Wallis算子。

图3是分别用Sobel、LoG和Canny算子对Lena图做的边缘检测。有图3可以看出,Canny

算子的分割效果比Sobel和LoG算子的好。

虽然边缘检测的优点是边缘定位准确、运算速度快,但它有两大难点限制了其在图像分割中的应用,即:a不能保证边缘的连续性和封闭性;b在高细节区存在大量的碎边缘,难以形成一个大区域,但是又不宜将高细节区分为小碎片。由于上述两个难点,因此无论采用什么方法,单独的边缘检测只能产生边缘点,而不是完整意义上的图像分割过程。这也就是说,边缘点信息需要后续处理或与其它相关算法相结合,才能完成分割任务。常用的方法是边缘生长技术最大程度的保证边缘的封闭性,或用有向势能函数(DPF)将有缺口的两边缘强制连接,得到封闭边缘图。

在未来的研究中,用于提取初始边缘点的自适应阀值选取、用于图像的层次分割的更大区域的选取以及如何确认重要边缘以去除假边缘将变得非常重要。

3 结合特定工具的图像分割算法

3.1 基于小波分析和小波变换的图像分割方法

小波变换是近年来得到广泛应用的数学工具,它在时域和频域都具有良好的局部化性质,能将时域和频域统一于一体来研究信号。而且小波变换具有多尺度特性,能够在不同尺度上对信号进行分析,因此在图像分割方面得到了应用。

二进小波变换具有检测二元函数的局部突变能力,因此可作为图像边缘检测工具。图像的边缘出现在图像局部灰度不连续处,对应于二进小波变换的模极大值点。通过检测小波变换模极大值点可以确定图像的边缘小波变换位于各个尺度上,而每个尺度上的小波变换都能提供一定的边缘信息,因此可进行多尺度边缘检测来得到比较理想的图像边缘。图4是运用小波变换方法对图像进行的有效分割。

另外,将小波方法与其他方法结合起来处理图像分割也得到广泛研究。文献[8]提出把Hilbert图像扫描方法和小波变换相结合,获得了连续光滑的阀值曲线,从而建立了一种局部自适应阀值法进行图像分割。

3.2 基于马儿可夫随机场模型的图像分割方法

马儿可夫随机场(Markov Random Field)方法建立在马尔可夫模型和Bayes理论基础上,根据统计决策和估计理论中的最优化准则确定分割问题的目标函数,求解满足这些约束条件下的最大可能分布,从而将分割问题转化为优化问题。MRF最重要的一个特点是,图像中每个点的取值由其领域像素决定,其本质上是一种基于局部区域的分割方法。

如果我们把图像理解为定义在矩形点阵上的随即过程,则Markov性很好的描述了各个像素之间的空间依赖性,即一个像素可以由它周围的像素确定。而事实表明,图像像素的这种空间相关性总是存在的。因此可以使用马尔可夫随机场对图像进行建模。文献[9]讨论了基于马尔可夫随机场的图像分割方法,建立了相应的基于马尔可夫随机场的图像分割模型,以实现复杂遥感图像的快速分割,并由此将图像分割问题转化为图像标记问题,进而转化成求解图像的最大后验概率估计的问题。利用此方法得到的效果图如图5、6所示:

3.3 基于遗传算法的图像分割方法

遗传算法(Genetic Algorithms,简称GA)是1973年由美国教授Holland提出的,是一种借鉴生物界自然选择和自然遗传机制的随机化搜索算法。是仿生学在数学领域的应用。其基本思想是,模拟由一些基因串控制的生物群体的进化过程,把该过程的原理应用到搜索算法中,以提高寻优的速度和质量。此算法的搜索过程不直接作用在变量上,而是在参数集进行了编码的个体,这使得遗传算法可直接对结构对象(图像)进行操作。整个搜索过程是从一组解迭代到另一组解,采用同时处理群体中多个个体的方法,降低了陷入局部最优解的可能性,并易于并行化。搜索过程采用概率的变迁规则来指导搜索方向,而不采用确定性搜索规则,而且对搜索空间没有任何特殊要求(如连通性、凸性等),只利用适应性信息,不需要导数等其他辅助信息,适应范围广。

遗传算法擅长于全局搜索,但局部搜索能力不足,所以常把遗传算法和其他算法结合起来应用。将遗传算法运用到图像处理主要是考虑到遗传算法具有与问题领域无关且快速随机的搜索能力。其搜索从群体出发,具有潜在的并行性,可以进行多个个体的同时比较,能有效的加快图像处理的速度。但是遗传算法也有其缺点:搜索所使用的评价函数的设计、初始种群的选择有一定的依赖性等。要是能够结合一些启发算法进行改进且遗传算法的并行机制的潜力得到充分的利用,这是当前遗传算法在图像处理中的一个研究热点。

4 基于人工智能的图像分割方法

4.1 基于人工神经网络的图像分割方法

在20世纪80年代后期,在图像处理、模式识别和计算机视觉的主流领域,受到人工智能发展的影响,出现了将更高层次的推理机制用于识别系统的做法,于是出现了基于人工神经网络模型(Artificial Neural Networks, ANN)的图像分割方法。人工神经网络是由大规模神经元互联组成的高度非线性动力系统,是在认识、理解人脑组织机构和运行机制的基础上模拟

其结构和智能行为的一种工程系统。

基于神经网络分割的基本思想是: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。近几年神经网络在图像分割中的应用按照处理数据类型大致上可以分为两类:一类是基于像素数据的神经网络算法;另一类是基于特征数据的神经网络算法也即特征空间的聚类分割方法。基于像素数据分割的神经网络算法用高维的原始图像数据作为神经网络训练样本,比起基于特征数据的算法能够提供更多的图像信息,但是各个像素是独立处理的,缺乏一定的拓扑结构而且数据量大,计算速度非常慢,不适合实时数据处理。目前有很多神经网络算法是基于像素进行图像分割的,如Hopfield神经网络、细胞神经网络、概率自适应神经网络等。

随着技术的不断发展,第三代脉冲耦合网络PCNN的研究,为图像分割提供了新的处理模式,它能克服图像中物体灰度范围值有较大重叠的不利影响,达到较好的分割效果。

4.2 基于聚类的分割方法

对灰度图像和彩色图像中的相似灰度或色度合并的方法称之为聚类,通过聚类将图像表示为不同区域即所谓的聚类分割方法。此方法的实质是将图像分割问题转化为模式识别的聚类分析,如k均值、参数密度估计、非参数密度估计等方法都能用于图像分割。实际中受到普遍欢迎的是基于目标函数的模糊C-均值算法(Fuzzy C-Means),简称FCM。由Bezdek于1981年提出,利用初始化方法确定聚类中心、聚类数,通过不断迭代循环,调整和优化聚类中心,最终使类内方差达到最小,从而实现聚类。

目前常用的还有基于支持向量机聚类、基于遗传算法聚类等以及与其他算法相结合的聚类方法。

4.3 基于主动轮廓模型的分割方法

主动轮廓模型(active contours)是图像分割的一种重要方法,具有统一的开放式的描述形式,为图像分割技术的研究和创新提供了理想的框架。在实现主动轮廓模型时,可以灵活的选择约束力、初始轮廓和作用域等,以得到更佳的分割效果,所以主动轮廓模型方法受到越来越多的关注。

该方法是在给定图像中利用曲线演化来检测目标的一类方法,基于此可以得到精确的边缘信息。其基本思想是,先定义初始曲线C,然后根据图像数据得到能量函数,通过最小化能量函数来引发曲线变化,使其向目标边缘逐渐逼近,最终找到目标边缘。这种动态逼近方法所求得的边缘曲线具有封闭、光滑等优点。

传统的主动轮廓模型大致分为参数主动轮廓模型和几何主动轮廓模型。参数主动轮廓模型将曲线或曲面的形变以参数化形式表达,Kass等人提出了经典的参数活动轮廓模型即“Snake”模型[10],其中Snake定义为能量极小化的样条曲线,它在来自曲线自身的内力和来自图像数据的外力的共同作用下移动到感兴趣的边缘,内力用于约束曲线形状,而外力则引导曲线到特征此边缘。参数主动轮廓模型的特点是将初始曲线置于目标区域附近,无需人为设定曲线的的演化是收缩或膨胀,其优点是能够与模型直接进行交互,且模型表达紧凑,实现速度快;其缺点是难以处理模型拓扑结构的变化。比如曲线的合并或分裂等。而使用水平集(level set)的几何活动轮廓方法恰好解决了这一问题。文献[11]针对Snake模型在弱边缘处容易溢出等不足,通过引入区域信息、粒子群优化算法等优化特性和良好的数值稳定性来对Snake模型的分割结果进行优化。

5 图像分割技术的发展趋势

随着神经网络、模糊集理论、统计学理论、形态学理论、免疫算法理论、图论以及粒度计算理论等在图像分割中的广泛应用,图像分割技术呈现出以下的发展趋势:

(1)进一步提高算法的性能

现有的多数图像分割算法只能针对某一类图像或者已经进行初步分类的图像库,其效率不高,也不具有通用性。为此,可以通过各种特征的融合(原始灰度特征、梯度特征、几何空间特征、变换特征和统计特征等)和多种分割方法的结合两个方面来提高现有算法的效率和通用性。

(2)新理论与新方法的研究

新的分割方法的研究主要以自动、精确、快速、自适应和鲁棒性等几个方向作为研究目标。随着图像分割研究不断深入,图像分割方法将向更快速、更精确的方向发展,图像分割方法的研究需要与新理论新工具和新技术结合起来才能有所突破和创新。

(3)面向专门领域的应用

目前,随着图像分割在医学、遥感、电子商务、专利检索和建筑设计等领域得到了广泛应用,人们不断寻找新的理论和方法来提高图像分割的效果。随着不同学科研究人员对图像分割的日益关注,新的理论和方法会不断应用到更多领域中去。

6 结论与展望

当前,图像分割已成为图像理解领域关注的一个热点。未来的发展需要研究者借鉴数学、统计学、神经学、认知心理学、计算机科学等领域的成果及其综合运用,不断引入新的理论和方法。过去几年,研究人员不断将相关领域出现的新理论和新方法应用到图像分割中,虽然取得了一定的效果,但仍未出现一种令人满意的高效的通用的方法。其主要原因是人类对视觉系统还没有充分的认识,已有的模型只是从功能上来模拟,而不是从结构上来实现。进一步研究视觉认知的原理,结合智能科学的最新理论,对图像分割作更深一步的研究将会是未来图像分割的研究方向。

参考文献:

[1] 张松松,高美娟,李轶群.图像分割方法综述[J]. 计算机科学,2013,40(10):11-14.

[2] 许新征,丁世飞,史忠植,贾伟宽.图像分割的新理论和新方法[J].电子学报,2010,38(2A):76-82.

[3] 何俊,葛红,王玉峰. 图像分割算法研究综述[J].计算机工程与科学,2009,31(12):58-61

[4] 魏弘博,吕振肃,蒋田仔,刘新艳. 图像分割技术纵览[J].甘肃科学学报,2004,16(2):19-24

[5] 丁亮,张永平,张雪英.图像分割方法及性能评价综述[J].图像处理软件,2010,31(12):78-83.

[6] 王爱民,沈兰荪. 图像分割研究综述[J].测控技术,2000,19(5):1-16.

[7] 周鲜成. 图像分割方法及其应用研究综述[J].信息技术,2007,12:11-14.

[8] 张荣祥,郑世杰. 基于Hilbert扫描和小波变换的自适应图像分割[J].中国图像图形学报.2008,4(14):666-671.

[9] 刘伟强,陈鸿. 基于马儿可夫随机场的快速图像分割[J]. 中国图像图形学报.2007,3(5):26-31.

[10] M. Kass, A. Witkin Snake: active contour model[J]. Int. J. Computer vision.1988.(1):321-331.

[11] 任继军,何明一. 基于粒子群优化算法的改进Snake模型的图像分割方法[J]. 中国图像图形学报. 2008(9):1727-1732.

图像分割方法综述

图像分割方法综述

图像分割方法综述 摘要:图像分割是计算计视觉研究中的经典难题,已成为图像理解领域关注的一个热点,本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词:图像分割;区域生长;活动边缘;聚类分析;遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering

analysis genetic algorithm 1 引言 图像分割是图像分析的第一步,是计算机视觉的基础,是图像理解的重要组成部分,同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域,使得这些特征在同一区域内表现出一致性或相似性,而在不同区域间表现出明显的不同。简单的说就是在一副图像中,把目标从背景中分离出来。对于灰度图像来说,区域内部的像素一般具有灰度相似性,而在区域的边界上一般具有灰度不连续性。 关于图像分割技术,由于问题本身的重要性和困难性,从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止,还不存在一个通用的完美的图像分割的方法,但是对于图像分割的一般性规律则基本上已经达成的共识,已经产生了相当多的研究成果和方法。本文根据图像发展的历程,从传统的图像分割方法、结合特定工具的图像分割方

图像分割算法开题报告

图像分割算法开题报告 摘要:图像分割是图像处理中的一项关键技术,自20世纪70年代起一直受到人们的高度重视,并在医学、工业、军事等领域得到了广泛应用。近年来具有代表性的图像分割方法有:基于区域的分割、基于边缘的分割和基于特定理论的分割方法等。本文主要对基于自动阈值选择思想的迭代法、Otsu法、一维最大熵法、二维最大熵法、简单统计法进行研究,选取一系列运算出的阈值数据和对应的图像效果做一个分析性实验。 关键字:图像分割,阈值法,迭代法,Otsu法,最大熵值法 1 研究背景 1.1图像分割技术的机理 图像分割是将图像划分为若干互不相交的小区域的过程。小区域是某种意义下具有共同属性的像素连通集合,如物体所占的图像区域、天空区域、草地等。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言,连通有4连通和8连通之分。图像分割有3种不同的方法,其一是将各像素划归到相应物体或区域的像素聚类方法,即区域法,其二是通过直接确定区域间的边界来实现分割的边界方法,其三是首先检测边缘像素,然后再将边缘像素连接起来构成边界的方法。 图像分割是图像理解的基础,而在理论上图像分割又依赖图像理解,两者是紧密关联的。图像分割在一般意义下十分困难的,目前的图像分割处于图像的前期处理阶段,主要针对分割对象的技术,是与问题相关的,如最常用到的利用阈值化处理进行的图像分割。 1.2数字图像分割技术存在的问题

虽然近年来对数字图像处理的研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大突破性的进展,仍然存在以下几个方面的问题。 现有的许多种算法都是针对不同的数字图像,没有一种普遍适用的分割算法。 缺乏通用的分割评价标准。对分割效果进行评判的标准尚不统一,如何对分割结果做出量化的评价是一个值得研究的问题,该量化测度应有助于视觉系统中的自动决策及评价算法的优劣,同时应考虑到均质性、对比度、紧致性、连续性、心理视觉感知等因素。 与人类视觉机理相脱节。随着对人类视觉机理的研究,人们逐渐认识到,已有方法大都与人类视觉机理相脱节,难以进行更精确的分割。寻找到具有较强的鲁棒性、实时性以及可并行性的分割方法必须充分利用人类视觉特性。 知识的利用问题。仅利用图像中表现出来的灰度和空间信息来对图像进行分割,往往会产生和人类的视觉分割不一致的情况。人类视觉分割中应用了许多图像以外的知识,在很多视觉任务中,人们往往对获得的图像已具有某种先验知识,这对于改善图像分割性能是非常重要的。试图寻找可以分割任何图像的算法目前是不现实,也是不可能的。人们的工作应放在那些实用的、特定图像分割算法的研究上,并且应充分利用某些特定图像的先验知识,力图在实际应用中达到和人类视觉分割更接近的水平。 1.3数字图像分割技术的发展趋势 从图像分割研究的历史来看,可以看到对图像分割的研究有以下几个明显的趋势。 对原有算法的不断改进。人们在大量的实验下,发现一些算法的效

彩色图像分割介绍

第一章绪论 计算机图像处理在医学领域的应用越来越广泛,白细胞图像的自动判断就是其中的代表之一。它能有效地减少主观干扰,提高工作效率,减轻医生负担。近些年来,计算机硬件技术和光谱成像技术的飞速发展,使得成功研制开发出小型实用的基于多光谱的白细胞图像自动分类识别系统成为可能。 本文研究的主要目的在于对白细胞多光谱图像分割进行初步的探索研究,为系统中其后的白细胞能够准确地分类识别奠定基础。 本章简要阐述了基于多光谱的白细胞图像分割的应用背景和研究意义,回顾了国内外细胞图像分割和多光谱遥感图像分类的研究发展状况,并简要介绍了本论文的主要工作。 §1.1 概述 §1.1.1 白细胞检验 白细胞的光学显微镜检查是医院临床检验项目之一,特别是对各种血液病的诊断占有极其重要的地位。它的任务是观察或测定血液中的各种白细胞的总数、相对比值、形态等,用于判断有无疾病、疾病种类以及严重程度等,特别是对类似白血病这类血液病诊断具有更加重要的意义。 白细胞分类计数的传统方法是将血液制成涂片,染色后,临床医生在显微镜下用肉眼按照有关标准,如核的形状、细胞浆的量和颜色,细胞浆颗粒的大小和颜色,整个细胞形状、稀薄与细胞间的接触等,来观察和检查这样的细胞标本[1]。然而这项工作十分繁重,工作效率低,容易误判,且人工识别误差随检查人员而异。同时通过观察的细胞数目较少,从统计的角度看,因样本集较小而影响诊断结果的可靠性。 计算机图像处理与分析技术伴随着信息技术的不断进步在最近20年间得到了飞速的发展,已经迅速渗透到人类生活和社会发展的各个方面,这为智能化细胞分析仪代替人工方法提供了基础。因此,借助于现代计算机技术结合临床医生的实践经验,采用图像处理技术对图像进行处理,从而对细胞进行识别,对于医学科研与实践,以及临床诊断方面有着现实意义和非常广阔的前景。 目前已经制成的自动白细胞分析仪主要有两种类型: 一类是用组织化学染色法,通过连续流动的系统,以光电效应的方式分别数出单一细胞,并可同时报告白细胞总数、各类细胞的百分率和绝对值。因为该法不是由细胞形态学特点识别各类白细胞,所以不能目视观察白细胞形态,亦不能保留样本,对感染中毒细胞无法识别。 另一类是原型认定型,其工作原理模仿人“脑眼系统”[2]的智能识别过程,运用计算机图像处理和模式识别技术,将从显微镜与相机或摄像机得到的数字化图像进行自动处理分析和分类。与前一种类型的白细胞分类仪器相比,其主要优

医学图像分割方法综述

医学图像分割方法综述 林瑶,田捷1 北京,中国科学院自动化研究所人工智能实验室,100080 摘要: 图像分割是一个经典难题,随着影像医学的发展,图像分割在医学应用中具有特殊的重要意义。本文从医学应用的角度出发,对医学图像分割方法,特别是近几年来图像分割领域中出现的新思路、新方法或对原有方法的新的改进给出了一个比较全面的综述,最后总结了医学图像分割方法的研究特点。 关键词:医学图像分割 综述 1.背景介绍 医学图像包括CT 、正电子放射层析成像技术(PET )、单光子辐射断层摄像(SPECT )、MRI (磁共振成像技术)、Ultrasound (超声)及其它医学影像设备所获得的图像。随着影像医学在临床医学的成功应用,图像分割在影像医学中发挥着越来越大的作用[1]。图像分割是提取影像图像中特殊组织的定量信息的不可缺少的手段,同时也是可视化实现的预处理步骤和前提。分割后的图像正被广泛应用于各种场合,如组织容积的定量分析,诊断,病变组织的定位,解剖结构的学习,治疗规划,功能成像数据的局部体效应校正和计算机指导手术[2]。 所谓图像分割是指将图像中具有特殊涵义的不同区域区分开来,这些区域是互相不交叉的,每一个区域都满足特定区域的一致性。 定义 将一幅图像,其中g x y (,)0≤≤x Max x _,0≤≤y Max y _,进行分割就是将图像划分为满足如下条件的子区域...: g 1g 2g 3 (a) ,即所有子区域组成了整幅图像。 (b) 是连通的区域。 g k (c) ,即任意两个子区域不存在公共元素。 (d) 区域满足一定的均一性条件。均一性(或相似性)一般指同一区域内的像素点之间的灰度值差异较小或灰度值的变化较缓慢。 g k 如果连通性的约束被取消,那么对像素集的划分就称为分类(pixel classification),每一个像素集称为类(class)。在下面的叙述中,为了简单,我们将经典的分割和像素分类通称为分割。 医学图像分割到今天仍然没有获得解决,一个重要的原因是医学图像的复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异,图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响,医学图像与普通图像比较,不可避免的具有模糊、不均匀性等特点。另外,人体的解剖组织结构和形状复杂,而且人与人之间有相当大的差别。这些都给医学图像分割的分割带来了困难。传统的分割技术或者完全失败,或者需要一些特殊的处理技术。因此,我们有必要针对医学应用这个领域,对图像分割方法进行研究。 为了解决医学图像的分割问题,近几年来,很多研究人员做了大量的工作,提出了很多实用的分割算法[2][3][4],随着统计学理论、模糊集理论、神经网络、形态学理论、小波理论等在图像分割中的应用日渐广泛,遗传算法、尺度空间、多分辨率方法、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题,国内外学者提出了不少有针对性的好分割方法。本文将主要介绍近几年这一领域中研究人员提出的新方法或对原有方法的新改进。需要指出的是,由于从不同的角度将得到不同的分类结果,本文中所涉及方法的分类并不是绝对的,而且许多分割方法还是多种简单方法的综合体,我们只能大致将它们分为属于最能反映其特点 1x x g N k k =),(),(y g y =∪φ=(y y g j k ∩),(),x g x 1 联系人:田捷 电话:82618465 E-mail:tian@https://www.docsj.com/doc/2a17076179.html,

图像分割技术与MATLAB仿真

中南民族大学 毕业论文(设计) 学院: 计算机科学学院 专业: 自动化年级:2012 题目: 图像分割技术与MATLAB仿真 学生姓名: 高宇成学号:2012213353 指导教师姓名: 王黎职称: 讲师 2012年5月10日

中南民族大学本科毕业论文(设计)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

目录 摘要 (1) Abstract (1) 引言 (3) 1 图像分割技术 (3) 1.1 图像工程与图像分割 (3) 1.2 图像分割的方法分类 (4) 2 图像分割技术算法综述 (5) 2.1 基于阈值的图像分割技术 (5) 2.2边缘检测法 (5) 2.3 区域分割法 (7) 2.4 基于水平集的分割方法 (8) 2.5 分割算法对比表格 (8) 3基于水平集的图像分割 (9) 3.1 水平集方法简介 (9) 3.2 水平集方法在图像分割上的应用 (9) 3.3 仿真算法介绍 (10) 3.4 实验仿真及其结果 (11) 结论 (18) 致谢 (19) 参考文献 (19)

图像分割技术研究及MATLAB仿真 摘要:作为一项热门的计算机科学技术,图像分割技术已经在我们生活中越来越普及。顾 名思义这项技术的目的就是,将目标图像从背景图像中分离出去。由于这些被分割的图像区域在某些属性上很相近,因此图像分割与模式识别以及图像压缩编码有着密不可分的关系。完成图像分割所采用的方法各式各样,所应用的原理也不同。但他们的最终目的都是把图像中性质相似的某些区域归为一类,把性质差异明显的不同区域分割开来。通常在分割完成之后,我们就要对某些特定区域进行分析、计算、评估等操作,因而分割质量的好坏直接影响到了下一步的图像处理[1],因此图像分割是图像处理的一个关键步奏。图像分割技术在各个领域都有着及其重要的意义;在工业上有卫星遥感,工业过程控制监测等等;在医学方面,水平集的分割方法还可以通过医学成像帮助医生识别模糊的病变区域;在模式识别领域还可应用到指纹扫描、手写识别、车牌号识别等等。 本课题的研究内容是对图像分割技术的几种常用的方法进行综述和比较,并基于其中一种方法进行MATLAB仿真测试,给出性能分析比较结果。 关键字:图像分割,MA TLAB仿真,模式识别 Image Segmentation and Matlab Simulation Abstract:Image segmentation is to image representation for the physically meaningful regional connectivity set, namely according to the prior knowledge of target and background, we on the image of target and background of labeling and localization, then separate the object from the background. Because these segmented image regions are very similar in some properties, image segmentation is often used for pattern recognition and image understanding and image compression and coding of two major categories. Because the generated in the segmented region is a kind of image content representation, it is the image of visual analysis and pattern recognition based and segmentation results of quality of image analysis, recognition and interpretation of quality has a direct impact. Image segmentation it is according to certain features of the image (such as gray level, spectrum, texture, etc.) to a complete picture of the image is segmented into several meaningful area. These features made in a certain region of consistent or similar, and between different regions showed significantly different. Image segmentation technology in various fields have most of the field and its important significance in digital image processing, image segmentation has a wide range of applications, such as industrial automation, process control, online product inspection, image coding, document image processing, remote sensing and medical image analysis, security surveillance, as well as military, sports and other aspects. In medical image processing and analysis, image segmentation for body occurrence of three-dimensional display of the diseased organ or lesion location determination and analysis plays an effective role in counseling; in the analysis and application of road traffic conditions,

关于三维图像目标识别文献综述

关于三维目标识别的文献综述 前言: 随着计算机技术和现代信息处理技术的快速发展,目标识别已经迅速发展成为一种重要的工具与手段,目标识别是指一个特殊目标(或一种类型的目标)从其它目标(或其它类型的目标)中被区分出来的过程。它既包括两个非常相似目标的识别,也包括一种类型的目标同其他类型目标的识别。目标识别的基本原理是利用雷达回波中的幅度、相位、频谱和极化等目标特征信息,通过数学上的各种多维空间变换来估算目标的大小、形状、重量和表面层的物理特性参数,最后根据大量训练样本所确定的鉴别函数,在分类器中进行识别判决。它属于模式识别的范畴,也可以狭义的理解为图像识别。三维目标识别是以物体表面朝向的三维信息来识别完整的三维物体模型目标识别需要综合运用计算机科学、模式识别、机器视觉以及图像理解等学科知识。目标识别技术已广泛应用于国民经济、空间技术和国防等领域。 正文: 图像识别总的来说主要包括目标图像特征提取和分类两个方面。但是一般情况下,图像受各种因素影响,与真实物体有较大的差别,这样,就需要经过预处理、图像分割、特征提取、分析、匹配识别等一系列过程才能完成整个识别过程。 目前,最主流的三种三维物体识别研究思路是: 1)基于模型或几何的方法;

2)基于外观或视图的方法; 3)基于局部特征匹配的方法; 一、基于模型或几何的方法: 这种方法所识别的目标是已知的,原理就是利用传感器获得真实目标的三维信息并对信息进行分析处理,得到一种表面、边界及连接关系的描述,这里,三维物体识别中有两类最经常使用的传感器:灰度传感器和深度传感器,前者获取图像的每个像素点对应于一个亮度测量,而后者对应于从传感器到可视物体表面的距离;另一方面,利用CAD建立目标的几何模型,对模型的表面、边界及连接关系进行完整的描述。然后把这两种描述加以匹配就可以来识别三维物体。其流程如下图所示: 传感器数据获取过程,就是从现实生活中的真实物体中产生待识别的模型。分析/建模过程,是对传感器数据进行处理,从中提取与目标有关的独立应用特征。模型库的建立一般式在识别过程之前,即首先根据物体的某些特定特征建立一些关系以及将这些信息汇总成一个库。在模型匹配过程,系统通过从图像中抽取出的物体关系属性图,把物体描述与模型描述通过某种匹配算法进行比较、分析,最终得到与物体最相似的一种描述,从而确定物体的类型和空间位置。 基于模型的三维物体识别,需要着重解决以下4个问题:

图像处理文献综述

文献综述 1.1理论背景 数字图像中的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域的重要基础,图像处理和分析的第一步往往就是边缘检测。 物体的边缘是以图像的局部特征不连续的形式出现的,也就是指图像局部亮度变化最显著的部分,例如灰度值的突变、颜色的突变、纹理结构的突变等,同时物体的边缘也是不同区域的分界处。图像边缘有方向和幅度两个特性,通常沿边缘的走向灰度变化平缓,垂直于边缘走向的像素灰度变化剧烈。根据灰度变化的特点,图像边缘可分为阶跃型、房顶型和凸缘型。 1.2、图像边缘检测技术研究的目的和意义 数字图像边缘检测是伴随着计算机发展起来的一门新兴学科,随着计算机硬件、软件的高度发展,数字图像边缘检测也在生活中的各个领域得到了广泛的应用。边缘检测技术是图像边缘检测和计算机视觉等领域最基本的技术,如何快速、精确的提取图像边缘信息一直是国内外研究的热点,然而边缘检测也是图像处理中的一个难题。 首先要研究图像边缘检测,就要先研究图像去噪和图像锐化。前者是为了得到飞更真实的图像,排除外界的干扰,后者则是为我们的边缘检测提供图像特征更加明显的图片,即加大图像特征。两者虽然在图像边缘检测中都有重要地位,但本次研究主要是针对图像边缘检测的研究,我们最终所要达到的目的是为了处理速度更快,图像特征识别更准确。早期的经典算法有边缘算子法、曲面拟合法、模版匹配法、门限化法等。 早在1959年Julez就曾提及边缘检测技术,Roberts则于1965年开始了最早期的系统研究,从此有关边缘检测的理论方法不断涌现并推陈出新。边缘检测最开始都是使用一些经验性的方法,如利用梯度等微分算子或特征模板对图像进行卷积运算,然而由于这些方法普遍存在一些明显的缺陷,导致其检测结果并不

彩色图像快速分割方法研究【开题报告】

毕业论文开题报告 电子信息工程 彩色图像快速分割方法研究 一、课题研究意义及现状 图像分割是一种重要的图像技术,不论是在理论研究还是实际应用中都得到了人们的广泛重视。图像分割是我们进行图像理解的基础,是图像处理中的难点之一,也是计算机视觉领域的一个重要研究内容。把图像划分为若干个有意义的区域的技术就是图像分割技术,被划分开的这些区域相互不相交,而且每个区域也必须满足特定区域的一致性条件。 彩色图像反映了物体的颜色信息,比灰度图像提供的信息更多,因此,彩色图像的分割得到了越来越多人的关注,彩色图像分割方法的研究具有很大的价值。彩色图像分割一直是彩色图像处理中一个很重要的问题,它可以看作是灰度图像分割技术在各种颜色空间上的应用。 目前,图像分割的主要方法有:基于区域生长的分割方法、基于边缘检测的分割方法、基于统计学理论的分割方法、基于小波变换法、基于模糊集合理论的方法等多种方法。其中,JSEG算法是一种基于区域生长的图像分割方法,它同时考虑了图像的颜色和纹理信息,分割结果较为准确,受到了广泛的关注。但是JSEG算法要在多个尺度下反复进行局部J值计算和区域生长,同时还要进行基于颜色直方图的区域合并,这样,该算法就显得更为繁琐、复杂。针对这些不足之处,有学者提出了一种结合分水岭与JSEG的图像分割新算法。这种新算法在计算得到图像J后,通过引入分水岭算法直接对J图进行空域分割,然后通过形态后处理完成分割。与原JSEG算法比较,新算法能够得到良好的分割效果,有效的降低了JSEG算法的复杂度。 国内外也有很多学者对彩色图像的分割方法进行研究,也提出了许多有价值的彩色图像分割算法及改进的彩色图像分割算法,而多种分割算法的结合使用也改进了单一算法的不足之处,使得彩色图像的分割结果更加理想。但是从目前对彩色图像的研究来看,由于应用领域的不同、图像质量的好与坏以及图像色彩的分布和结果等一些客观因素引起的差异,我们还没有找到一种能够完全适用于所有彩色图像分割的通用的算法。因此,彩色图像的分割方法仍是一个尚未解决的难题,还需要图像处理领域的研究人员进一步的研究探索。 本研究是对基于JSEG的改进彩色图像分割算法的研究,该算法能够有效降低原JSEG算法的复杂度,提高图像分割效率,在图像分割领域有很重要的意义。该算法是在原JSEG算法的基础上,引入了分水岭算法,降低了原算法的计算量,降低了图像分割时间。 二、课题研究的主要内容和预期目标 主要内容:

数字图像目标分割与提取研究背景意义目的与现状

数字图像目标分割与提取研究背景意义目的与现状 1 背景 数字图像目标分割与提取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。因为在目标分割与提取过程中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。图像分割和边缘检测的问题在近二十年中得到了广泛的关注和长足的发展,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]。近年来,DSP技术的发展不断将数字信号处理领域的理论研究成果应用到实际系统中,并且推动了新的理论和应用领域的发展,对图像处理等领域的技术发展也起到了十分重要的推动作用。基于DSP的图像处理系统也被广泛的应用于各种领域。 从图像处理技术的发展来看,实时性在实际中有着广泛的应用。实时图像处理系统设计的难点是如何在有限的时间内完成大量图像数据的处理。因为要对图像进行实时处理,所以为了实现实时和快速,高效的处理,在这个系统中要求我们的图像处理速度要达到一定的速度,而图像处理的速度是由算法的执行时间、视频输入输出延迟以及外部数据存储器与DSP的数据交换效率等因素决定。算法执行时间与CPU 速度有关;图像处理的速度既图像处理所要用的时间,它主要是由算法决定的。算法执行的指令的多少决定了处理速度。而图像的处理的算法包含有大量的算法指令,为了快速的处理大数据量的多媒体信息,特别是活动图像信息,同时又能灵活的支持多种不同的应用,DSP的应用势在必行。相比于通用的DSP,用于多媒体应用的专用DSP集成了许多专用模块,这些模块用硬件加速很多通用的多媒体方面的大量算法明晰的处理、实时性强等要求.由于图像处理的数据量大,数据处理相关性高,实时的应用环境决定严格的帧、场时间限制,因此实时图像处理系统必须具有强大的运算能力。各种高性能DSP不仅

医学图像分割综述

医学图像分割综述郭爱心安徽大学摘要:图像分割是图像处理和分析的关键。随着影像医学的发展,图像分割在医学应用中具有重要意义。本文从医学应用的角度出发,对医学图像分割的意义、方法、评估标准和发展前景做出了简单综述。关键字:医学图像分割意义方法评估标准发展前景AReviewofMedicalImageSegmentation Ai- XinGuoAnhuiUniversityAbstract:Imagesegmentationisthekeyofimageprocessingandanalysis.Withthede velopmentofmedicalimage,imagesegmentationisofgreatsignificanceinmedicalapplications.Fromtheper spectiveofmedicalapplications,thispapermadeasimplereviewofthemedicalimagesegmentationonit’ssig nificance、methods、evaluationstandardsanddevelopmentprospects.words:Keymedical image,segmentation,sig nificance,methods,evaluation standards,developmentprospects1.医学图像分割的意义图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。医学图像包括CT、正电子放射层析成像技术(PET)、单光子辐射断层摄像(SPECT)、MRI(磁共振成像技术)、Ultrasound(超[2]声)及其它医学影像设备所获得的图像。医学图像分割是将原始的2D或3D图像划分成[1]不同性质(如灰度、纹理等)的区域,从而把感兴趣的区域提取出来。医学图像分割是一个非常有研究价值和研究意义的领域,对疾病诊断、图像引导手术以及医学数据可视化等有重要作用,为临床诊疗和病理学研究提供可靠的依据。医学图像处理有其复杂性和多样性。由于医学图像的成像原理和组织本身的特性差异,图像的形成受到诸如噪音、场偏移效应、局部体效应和组织运动等的影响,医学图像与普通图像相比较,不可

图像分割 实验报告

实验报告 课程名称医学图像处理 实验名称图像分割 专业班级 姓名 学号 实验日期 实验地点 2015—2016学年度第 2 学期

050100150200250 图1 原图 3 阈值分割后的二值图像分析:手动阈值分割的阈值是取直方图中双峰的谷底的灰度值作为阈值,若有多个双峰谷底,则取第一个作为阈值。本题的阈值取

%例2 迭代阈值分割 f=imread('cameraman.tif'); %读入图像 subplot(1,2,1);imshow(f); %创建一个一行二列的窗口,在第一个窗口显示图像title('原始图像'); %标注标题 f=double(f); %转换位双精度 T=(min(f(:))+max(f(:)))/2; %设定初始阈值 done=false; %定义开关变量,用于控制循环次数 i=0; %迭代,初始值i=0 while~done %while ~done 是循环条件,~ 是“非”的意思,此 处done = 0; 说明是无限循环,循环体里面应该还 有循环退出条件,否则就循环到死了; r1=find(f<=T); %按前次结果对t进行二次分 r2=find(f>T); %按前次结果重新对t进行二次分 Tnew=(mean(f(r1))+mean(f(r2)))/2; %新阈值两个范围内像素平均值和的一半done=abs(Tnew-T)<1; %设定两次阈值的比较,当满足小于1时,停止循环, 1是自己指定的参数 T=Tnew; %把Tnw的值赋给T i=i+1; %执行循坏,每次都加1 end f(r1)=0; %把小于初始阈值的变成黑的 f(r2)=1; %把大于初始阈值的变成白的 subplot(1,2,2); %创建一个一行二列的窗口,在第二个窗口显示图像imshow(f); %显示图像 title('迭代阈值二值化图像'); %标注标题 图4原始图像图5迭代阈值二值化图像 分析:本题是迭代阈值二值化分割,步骤是:1.选定初始阈值,即原图大小取平均;2.用初阈值进行二值分割;3.目标灰度值平均背景都取平均;4.迭代生成阈值,直到两次阈值的灰 度变化不超过1,则稳定;5.输出迭代结果。

图像分割方法综述matlab论文

图像分割方法综述 摘要:图像分割就是根据图像的某些特征或特征集合的相似性准则对图像进行分类,把图像空间分成若干个某些具有一致性属性的不重叠区域。它是图像分析和理解的基础,是计算机视觉领域中最困难的问题之一。图像分割的质量将直接影响着对图像的后续处理,所以图像分割被视为图像处理的瓶颈,具有十分重要的意义。人们很早就开始了对图像分割方法的研究,并且几十年来,这方面的研究从来没有间断过。到目前为止,已经有大量的关于图像分割的理论、技术、方法被人们相继提出并广泛应用。 关键字:图像分割;阈值;区域和边缘;交互式算法;纹理分割彩色图像分割 1.引言 图像分割是一项基于计算机技术的重要的图像分析和处理技术,从其产生至今,已经广泛的应用于各个领域,为人们的生产和生活中图像处理的水平提高做出了重大贡献。 2.国内外发展的状况 人工生命是一个快速发展的多学科交叉的研究领域,是计算机科学新的发展方向之一。目前,已经有科研人员尝试将人工生命应用到图像分割领域中。虽然目前使用人工生命进行图像分割的研究还比较少,但是这些相关研究成果表明将人工生命引入到图像分割中能获得有意义的成功,显示出了巨大的潜力。 在医学数据可视化方面,也有了许多硕果。如:医学图像如CT图像和MRI图像的三维重建、显示与分析处理;大脑生理形态分析,神经细胞中钙活性的可视化;计算机辅助外科手术模拟与计划等。其中值得一提的:如美国国家超级计算机应用中心利用远程的并列计算机资源,用体绘制技术实现了CT扫描三维数据的动态显示。其内容为显示一个狗心脏跳动周期的动态图像。 3.图像分割概述 人类感知外部世界的两大途径是听觉和视觉,尤其是视觉,因此图像信息是非常重要的一类信息。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、纹理等)上和周围的图像有差别。这些特性差别可能非常明显,也可能很细微,以致人眼觉察不出来。计算机图像处理技术的发展,使得人们可以通过计算机来获取与处理图像信息。现在,图像处理技术已经成功应用于许多领域,其中,纸币识别、车牌识别、文字识别、指纹识别等已为大家所熟悉。 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、具有相同性质的区域。好的图像分割应具有以下特征:(1)分割出来的各区域对某种性质(例如灰度、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差异。(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

彩色图像分割的国内外研究现状

1.阈值分割方法 阈值分割方法的历史可追溯到近40年前,现已提出了大量算法,对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范闱之中的灰度阈值,然后将图像中各个象素的灰度值都与这个阈值相比较,并根据比较结果将对应的像素分为两类。这两类像素一般分属图像的两类区域,从而达到分割的目的。从该方法中可以看出,确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据图像木身的特点,可分为单阈值分割方法和多阈值分割方法;也可分为基于像素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位罝的阈值分割方法。若根据分割算法所有的特征或准则,还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松弛法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。 目前提出了许多新方法,如严学强等人提出了基于量化直方图的最大熵阈值处理算法,将直方图量化后采用最大熵阈值处理算法,使计算量大大减小。薛贵浩、帝毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法,从目标和背景的类间差异性出发,利用贝叶斯公式估计像素属于目标和背景两类区域的后验概率,再搜索这两类区域后验概率之间的最大交叉熵。这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能,取得很好的通用性和有效性,该算法也容易实现二维推广,即采用二维统计量(如散射图或共生矩阵)取代直方图,以提高分割的准确性。俞勇等人提出的基于最小能量的图像分割方法,运用了能量直方图来选取分割阈值。任明武等人提出的一种基于边缘模式的直方图构造新方法,使分割阈值受噪声和边缘的影响减少到最小。程杰提出的一种基于直方图的分割方法,该方法对Ostu准则的内在缺陷进行了改进,并运用对直方图的预处理及轮廓追踪,找出了最佳分割阈值。此方法对红外图像有很强的针对性。付忠良提出的基于图像差距度量的阈值选取方法,多次导出Ostu方法,得到了几种与Ostu类似的简单计算公式,使该方法特别适合需自动产生阈值的实时图像分析系统。华长发等人提出了一种基于二维熵阈值的图像分割快速算法,使传统二维阈值方法的复杂度从0(W2 S2)降至0(W2/3 S2/3)。赵雪松等人提出的综合全局二值化与边缘检测的图像方法,将全局二值化与边缘检测有效的结合起来,从而达到对信封图分割的理想效果。靳宏磊等人提出的二维灰度直方图的最佳分割方法,找到了一条最佳分割曲线,使该算法得到的分割效果明显优于一维直方图阈值方法。乐宁等人根据过渡区内象素点具有的邻域方向性特点,引入了基于一元线性回归处理的局部区域随机波动消除方法,将图像过渡区算法进行了改进。模糊技术及其日趋成熟的应用也正适应了大部分图像边缘模糊而难以分析的现状,赵初和王纯提出的模糊边缘检测方法能有效地将物体从背景中分离出来,并已在模式识别中的图像预处理和医学图像处理中获得了良好的应用。金立左、夏良正等提出图像分割的自适应模糊阈值法,利用目标一背景对比度自动选取窗宽的方法,并给出了根据目标与摄像机间的相对距离估计目标--背景对比度的算法,克服隶属函数的分布特性及其窗宽对阈值选取的不良影响。其应用于智能电视跟踪系统,对不同对比度和不同距离的海面舰船图像进行阈值分割,有较强的场景适应能力。王培珍、杜培明等人提出了一种用于多阈值图像自动分割的混合遗传算法,针对Papamarkes等提出爬山法的多阈值分割和Olivo提出子波变换的方法只对明显峰值有效而对不明显的峰值无效的缺点,以及结合模糊C-均值算法和遗传算法的两大显著特点而改进的算法,这种分割方法能够快速正

图像分割算法研究与实现

中北大学 课程设计说明书 学生姓名:梁一才学号:10050644X30 学院:信息商务学院 专业:电子信息工程 题目:信息处理综合实践: 图像分割算法研究与实现 指导教师:陈平职称: 副教授 2013 年 12 月 15 日

中北大学 课程设计任务书 13/14 学年第一学期 学院:信息商务学院 专业:电子信息工程 学生姓名:焦晶晶学号:10050644X07 学生姓名:郑晓峰学号:10050644X22 学生姓名:梁一才学号:10050644X30 课程设计题目:信息处理综合实践: 图像分割算法研究与实现 起迄日期:2013年12月16日~2013年12月27日课程设计地点:电子信息科学与技术专业实验室指导教师:陈平 系主任:王浩全 下达任务书日期: 2013 年12月15 日

课程设计任务书 1.设计目的: 1、通过本课程设计的学习,学生将复习所学的专业知识,使课堂学习的理论知识应用于实践,通过本课程设计的实践使学生具有一定的实践操作能力; 2、掌握Matlab使用方法,能熟练运用该软件设计并完成相应的信息处理; 3、通过图像处理实践的课程设计,掌握设计图像处理软件系统的思维方法和基本开发过程。 2.设计内容和要求(包括原始数据、技术参数、条件、设计要求等): (1)编程实现分水岭算法的图像分割; (2)编程实现区域分裂合并法; (3)对比分析两种分割算法的分割效果; (4)要求每位学生进行查阅相关资料,并写出自己的报告。注意每个学生的报告要有所侧重,写出自己所做的内容。 3.设计工作任务及工作量的要求〔包括课程设计计算说明书(论文)、图纸、实物样品等〕: 每个同学独立完成自己的任务,每人写一份设计报告,在课程设计论文中写明自己设计的部分,给出设计结果。

图像分割阈值选取技术综述

图像分割阈值选取技术综述 中科院成都计算所刘平2004-2-26 摘要 图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提.阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术.已被应用于很多地领域.本文是在阅读大量国内外相关文献地基础上,对阈值分割技术稍做总结,分三个大类综述阈值选取方法,然后对阈值化算法地评估做简要介绍. 关键词 图像分割阈值选取全局阈值局部阈值直方图二值化 1.引言 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交地区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显地不同[37].简单地讲,就是在一幅图像中,把目标从背景中分离出来,以便于进一步处理.图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提.同时它也是一个经典难题,到目前为止既不存在一种通用地图像分割方法,也不存在一种判断是否分割成功地客观标准. 阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术.已被应用于很多地领域,例如,在红外技术应用中,红外无损检测中红外热图像地分割,红外成像跟踪系统中目标地分割;在遥感应用中,合成孔径雷达图像中目标地分割等;在医学应用中,血液细胞图像地分割,磁共振图像地分割;在农业项目应用中,水果品质无损检测过程中水果图像与背景地分割.在工业生产中,机器视觉运用于产品质量检测等等.在这些应用中,分割是对图像进一步分析、识别地前提,分割地准确性将直接影响后续任务地有效性,其中阈值地选取是图像阈值分割方法中地关键技术. 2.阈值分割地基本概念 图像阈值化分割是一种最常用,同时也是最简单地图像分割方法,它特别适用于目标和背景占据不同灰度级范围地图像[1].它不仅可以极大地压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前地必要地图像预处理过程.图像阈值化地目地是要按照灰度级,对像素集合进行一个划分,得到地每个子集形成一个与现实景物相对应地区域,各个区域内部具有一致地属性,而相邻区域布局有这种一致属性.这样地划分可以通过从灰度级出发选取一个或多个阈值来实现. 阈值分割法是一种基于区域地图像分割技术,其基本原理是:通过设定不同地特征阈值,把图像像素点分为若干类.常用地特征包括:直接来自原始图像地灰度或彩色特征;由原始灰度或彩色值变换得到地特征.设原始图像为f(x,y>,按照一定地准则在f(x,y>中找到特征值T,将图像分割为两个部分,分割后地图像为 若取:b0=0<黑),b1=1<白),即为我们通常所说地图像二值化. <原始图像)<阈值分割后地二值化图像) 一般意义下,阈值运算可以看作是对图像中某点地灰度、该点地某种局部特性以及该点在图像中地位置地一种函数,这种阈值函数可记作 T(x,y,N(x,y>,f(x,y>> 式中,f(x,y>是点(x,y>地灰度值;N(x,y>是点(x,y>地局部邻域特性.根据对T地不同约束,可以得到3种不同类型地阈值[37],即 点相关地全局阈值T=T(f(x,y>> (只与点地灰度值有关> 区域相关地全局阈值T=T(N(x,y>,f(x,y>> (与点地灰度值和该点地局部邻域特征有关> 局部阈值或动态阈值T=T(x,y,N(x,y>,f(x,y>> (与点地位置、该点地灰度值和该点邻域特征有关> 图像阈值化这个看似简单地问题,在过去地四十年里受到国内外学者地广泛关注,产生了数以百计地阈值选取方法[2-9],但是遗憾地是,如同其他图像分割算法一样,没有一个现有方法对各种各样地图像都能得到令人满意地结果,甚至也没有一个理论指导我们选择特定方法处理特定图像. 所有这些阈值化方法,根据使用地是图像地局部信息还是整体信息,可以分为上下文无关(non-

相关文档