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

果并不理想，或者说在某些情况下不理想。很多时候，人们不是重新找寻一种新的理论思想，而是基于之前的算法，针对性得进行改进。

●新方法、新概念的引入和多种方法的有效综合运用。人们逐渐认识

到现有的任何一种单独的图像分割算法都难以对一般图像取得令人满意的分割效果,因而很多人在把新方法和新概念不断地引入图像分割领域的同时,也更加重视把各种方法综合起来运用。

●交互式分割研究的深入。由于很多场合需要对目标图像进行边缘分

割分析(如对医学图像的分析),因此需要进行交互式分割研究。事实证明,交互式分割技术有着广泛的应用。

●特殊图像分割的研究越来越得到重视。目前有很多针对立体图像、

彩色图像、多光谱图像以及多视场图像分割的研究,也有对运动图像及视频图像中目标分割的研究,还有对深度图像、纹理图像、计算机断层扫描、磁共振

图像、共聚焦激光扫描显微镜图像、合成孔雷达图像等特殊图像的分割技术研究。相信随着研究的不断深入,存在的问题会逐渐得以解决。

2 文献综述

2.1 概念

图像分割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和过程。这些特性可以是灰度、颜色、纹理等，目标可以对应单个区域，也可以对应多个区域。图像分割可以借助集合的概念用如下比较正式的方法定义:

令集合R 代表整个图像区域，对R 的分割可看做将R 分成N 个满足以下5个条件的非空的子集(子区域):,...,,21N R R R

● Y N

i i R R

1==；

● 对所有的i 和j ，Φ=?≠j i R R j i , ；

● 对N i ,...,2,1=，有()True R P i =；

● 对j i ≠，()False R R P j i =?；

● N i ,...,2,1=，i R 是连通的区域。

其中()i R P 是对所有在集合中元素的逻辑谓词，Φ代表空集。

2.2 分类准则

准则有二，一个是基于区域象素灰度值的特性，可以分为利用区域间灰度不连续性的基于边界的算法和利用区域内灰度相似性的基于区域的算法。另外根据分割过程中处理策略的不同，分割算法可分为并行算法和串行算法。

根据以上两个准则，分割算法可分为4类：

●PB：并行边界类；

●SB:串行边界类；

●PR：并行区域类；

●SR：串行区域类。

2.3图像分割方法简介

2.3.1阈值法

阈值分割法是简单地用一个或几个阈值将图像的直方图分成几类，图像中灰度值在同一个灰度类内的象素属干同一个类，它是一种PR法。其过程是决定一个灰度值，用以区分不同的类，这个灰度值就叫做“阈值”。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用整幅图像的信息来得到分割用的阈值，并根据该阈值对整幅图像进行分割.而局部阈值分割是根据图像中的不同区域获得对应的不同区域的阈值，利用这些阈值对各个区域进行分割，即一个阈值对应相应的一个子区域，这种方法也称适应阈值分割。

阈值法是一种简单但是非常有效的方法，特别是不同物体或结构之间有很大的强度对比时，能够得到很好的效果.它一般可以作为一系列图像处理过程的第一步。它一般要求在直方图上能得到明显的峰或谷，并在谷底选择阈值。如何根据图像选择合适的阈值是基于阈值分割方法的重点所在，也是难点所在。

它的主要局限是，最简单形式的阈值法只能产生二值图像来区分两个不同的类。另外，它只考虑象素本身的值，一般都不考虑图像的空间特性，这样就对噪声很敏感它也没有考虑图像的纹理信息等有用信息，使分割效果有时不能尽如人意。

现在有很多研究者提出了许多经典阈值法的更新算法.特别在阈值选取方面提出了很多方法，如双峰直方图阈值分割法、最大墒阈值分割、最大类间方差阈值分割法、灰度共矩阵阈值分割法等。

2.3.2区域生长法

区域生长法是根据预先定义的标准，提取图像中相连接的区域的方法，它是利用区域的相似性即满足区域一致性准则对目标进行分割。它是一种S R法。这个预先定义的标准可以是灰度信息，也可以是图像的边界，或者是

两者的结合。在此法的最简单形式中，先人工给出一个种子点，然后提取出和种子相比符合预知标准的所有象素。

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。

2.3.3边缘检测法

缘检测法是基干图像不连续性的分割技术。由于一幅图像的大部分信息存于不同区域的边缘上，而且人的视觉系统在很大程度上根据边缘差异对图像进行识别分析。所以可以通过检测图像的边缘信息来实现对图像的分割。它按照处理技术可以分为串行边缘检测技术和并行边缘检测技术。

在并行边缘检测技术中边缘的检测可以借助空域微分算子通过卷积完成。这些微分算子包括Sobel梯度算子、Roberts梯度算子、Prewitt梯度算子、拉普拉斯算子、综合正交算子等。这些方法对图像中灰度的变化进行检测，认为灰度突变的地方为图像边缘。

在有噪声时，用各种算子得到的边缘像素常是孤立的或分小段连续的，为了得到完整的边缘信息，还需进行边界闭合处理。边界闭合可以根据梯度实现，即如果某些像素梯度的幅度及梯度方向满足规定的条件就可以把这些像素连接起来，如果对所有的边缘像素都进行这样的判断和连接就有可能得到闭合的边界。除此之外，还可以利用数学形态学的一些操作进行边界的连接和闭合.哈夫变换也是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法。

该算法对于灰度变化复杂和细节较丰富的图像进行处理时，以上算子均很难检测出边缘。而且一旦有噪声干扰，处理效果更不理想。

2.3.4人工神经网络法

人工神经网络法是使用大量的平行的神经网络达到对图像分割的目的。这些网络由模拟生物学习机理的节点或者元素组成，网络中的每个节点能够执行最基本的运算。通过调整节点之间的权值可以达到网络对生物机理的学习，可以实现图像的边缘检测。

使用神经网络法的时候，因为网络中有许多相互连接，所以空间信息就能很容易包涵在分类过程中。虽然神经网络法具有平行继承性，但是它的处理过程和标准的串行计算机很类似，这样就降低了它计算方面的潜在优势。

2.3.5可变模型法

可变模型法是基于模型的、使用闭合参数曲线或曲面描绘边界的分割方法。这个模型又叫Snake 模型(活动轮廓模型)。其过程就是活动的轮廓在模拟的内部力(内部能量)和外部约束力(外部能量)作用下形变，向物体边缘靠近，外力推动活动轮廓向着物体边缘运动，内力保持活动轮廓的光滑性和连续性;最终到达平衡位置时即收敛到目标的边缘，求得对目标的分割结果。

Snake 是定义在待分割图像上的一条任意闭合曲线，对该曲线构造合适的变形能ext image E E E E ++=int

其中int E 是由于模型拉伸、弯曲而产生的内能，image E 是与图像特征有关的能量；ext E 是外部能量。

E 最小对应于灰度梯度最大，此时的活动轮廓就是物体边缘，通过最小化该函数，就能找到物体边缘。这种方法也存在一些不足:(l)分割的结果与活动轮廓的初始位置有关，要求初始位置模型应接近物体边缘；(2)活动轮廓很难收敛到曲率高的边缘(如尖角等)。现在有很多改进的算法，如自适应活动轮廓，引入与各象素点概率分布有关的统计图像能，使得活动轮廓模型克服噪声的影响，且分割的结果与活动轮廓的初始位置无关.为了使活动轮廓能收敛到曲率高的边缘，引人与活动位置有关的弹性系数、硬性系数，提出了一种松弛法。还可以利用图像的先验知识与snake 结合，即在Snake 的内部能量函数中加入预知信息，能提高分割的速度及准确度。

3 技术路线

3.1基本技术

● 嵌入载体：图像

● 工具：Visual Studio

● 自动阈值选择法的具体算法：迭代法、Otsu 法、一维最大熵法、二维最大熵

法简单统计法

● 目的：图像分割算法的研究并实现

3.2自动阈值选择法实现原理

3.2.1迭代法

迭代法的基本思想是：开始时选择一个阈值作为初始估计值，然后按照某种策略通过迭代不断地改变这一估值，直到满足给定的准则为止，其具体步骤如下。

1) 在一幅灰度范围为]1,0[-L 的图像中，选择图像灰度的中值作为初始阈值0T ，

其中图像中对应灰度级i 的像素数为i n 。

2) 利用阈值T 把图像分割成两个区域：1R 和2R ，用下式计算区域1R 和2R 的平

均灰度值1μ和2μ。

∑∑∑∑-=-=====11

200

1,1L T i i

L T i i

T i i T i i i i I n in n

in μμ （1）

计算出1μ和2μ后，用下式计算出新的阈值1+i T 。

()2112

1μμ+=+i T （2） 3) 重复步骤（2）~（3），直到1+i T 和i T 的差小于某个给定值为止。

3.2.2 Otsu 法

Otsu 法是一种使类间方差最大的阈值确定方法，所以也称为最大类间方差法。该方法具有简单、处理速度快等特点，是一种常用的阈值选取方法。其基本思想是：把图像中的像素按灰度值T 分成两类1C 和2C ，1C 由灰度值在],0[T 之间的像素组成，2C 由灰度值在]1,1[-+L T 之间的像素组成，按下式计算两类之间的类间方差：

()()()()()[]221212t t t t t μμωωσ-= （3） 式中，()t 1ω为1C 中包含的像素数，()t 2ω为2C 中包含的像素数，()t 1μ为1C 中所有像素的平均灰度值，()t 2μ为2C 中所有像素的平均灰度值。让T 在]1,0[-L 范

围依次取值，使2σ最大的T 值即为Otsu 法的最佳阈值。

3.2.3 一维最大熵法

熵是平均信息的表征。把信息熵的概念应用于图像阈值分割的基本思想是：利用图像的灰度分布密度函数定义图像的信息熵，根据假设的不同或视角的不同提出不同的熵准则，最后通过优化该准则得到阈值。其中一维最大熵求阈值的方法如下。

在一幅灰度范围为]1,0[-L 的图像中，熵函数定义为：

()()t

t L t t t t p H H p H p p t --++-=-11lg 1? （4） 式中：

∑==t i i t p p 0，∑=-=t i i i t p p H 0lg ，∑-=--=1

01lg L i i i L p p H

i p 为灰度级i 出现的概率。

当熵函数取得最大值时，对应的灰度值T 就是所求的最佳阈值。

3.2.4 二维最大熵法

由于灰度一维最大熵是基于图像原始直方图的，它仅仅利用了点灰度信息而未充分利用图像的空间信息，而二维最大熵综合利用了点灰度特征和区域灰度特征，从而较好地表征了图像的信息。它的基本方法是：以原始灰度图像（L 个灰度级）中各像素及其4邻域的4个像素为一个区域，计算出区域灰度均值图像，这样原始图像中的每一个像素都对应于一个点灰度-区域灰度均值对。设j i n ,为图像中点灰度为i 及其区域灰度均值j 的像素点数，j i p ,为点灰度-区域灰度均值对()j i ,发生的概率，则：

N N n p j

i j i ?=,, （5）

其中N 为图像的大小。

则二维最大熵的判别函数为：

()()[]()()A A L A A A A P H H P H P P t s --++-=1//1lg ,φ （6） 使()t s ,φ为最大的阈值s 和t 即为所求阈值。其中：

t j s i p P i j j

i A ...1,0;...,1,0,===∑∑

t j s i p p H i j j i j i A ...1,0;...,1,0lg ,,==-=∑∑

1...1,0;1...,1,0lg ,,-=-=-=∑∑L j L i p p H i j

j

i j i L 3.2.5 简单统计法

简单统计法是一种基于简单的图像统计的阈值选取方法。使用该方法，能直接计算一幅图像为()y x f ,的阈值。该方法的计算公式为：

()()

()

∑∑∑∑=x y x y

y x e y x f y x e T ,,, （7）

其中：()},max{,y x e e y x e =

()()y x f y x f e x ,1,1+--=

()()1,1,+--=y x f y x f e y

3.3实验与分析

我将对本文所介绍的五个算法进行实现。对于一具体图像，每个算法都将会分别运算出其对应的阈值，我通过程序将其记录并返回用户界面。我们可以做个实验，并且进行深入分析。

实验将选取几张具有不同特征的典型图像作为实验样本。我将分别记录每种算法对每张图像运算出的阈值并且保存处理出的图像效果。这样我们就可以得出每张图像用哪种算法的处理效果最佳，哪种最不理想，并且根据算法的原理以及得到的阈值数据对实验现象进行分析。

最后，根据实验的分析结果，可以试图讨论是否能有一种更加科学，适应性更强的自动阈值选择法。

4 进度安排

为了保证按时完成论文，我的任务阶段的时间安排如下：

2009.12.20 - 2010.12.31 熟悉毕业设计所选项目,查阅相关文献资料。

2010.01.01 - 2010.01.31 完成开题报告和文献翻译。

2010.02.01 - 2010.03.20 概要设计，详细设计。

2010.03.21 - 2010.04.30 编程实现算法。

2010.05.01 - 2010.06.18 撰写毕业设计论文，参加论文答辩。

参考文献

[1] 魏志成，周激流．一种新的图像分割自适应算法的研究[J]．中国图像图形

学报，2000，5 (3)：216-220

[2] 乐宋进，武和雷，胡泳芳．图像分割方法的研究现状与展望[J]．南昌水专

学报，2004，23 (2)：15-20

[3] 王爱民，沈兰荪．图像分割方法的研究现综述[J]．测控技术，2000，19(5)：

1-5，16

[4] 张立科．数字图像处理典型算法及实现[M]．北京：人民邮电出版社，

2006．477-478

[5] 史飞.基于PCNN的图像处理技术研究[D]．兰州：兰州大学信息科学与工程

学院，2003

[6] 杜干，孙肖子．医学图像分割的神经网络方法[J]．西安电子科技大学学报，

1998，1(5):21-27

[7] 张立明．利用图像先验知识与snake结合对心脏序列图像的分割[J]．复旦学

报（自然科学版），2003，1(1)：4-6

[8] JOHN M.GAUCH．Image segmentation and analysis via multiscale gradient

watershed hierarchies[J]．IEEE transactions on Image Processing，1998，8(1)：69-79

[9]ZI-KUAN CHEN,TAO YANG,XIN CHEN．et al.Wavele based adaptive

thresholding method for image segmentation[J]．Optical Engineering，2001，40(5)：868-874

[10]Y J ZHANG.A．survey on evaluation methods for image segmentation[J]．Pattern

Recognition，1996，29(8)：1335-1346

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

关于图像分割算法的研究

关于图像分割算法的研究 黄斌 （福州大学物理与信息工程学院 福州 350001） 摘要：图像分割是图像处理中的一个重要问题，也是一个经典难题。因此对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视，也提山了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决。本文从图像分割的定义、应用等研究背景入手，深入介绍了目前各种经典的图像分割算法，并在此基础比较了各种算法的优缺点，总结了当前图像分割技术中所面临的挑战，最后展望了其未来值得努力的研究方向。 关键词：图像分割 阀值分割 边缘分割 区域分割 一、 引言 图像分割是图像从处理到分析的转变关键，也是一种基本的计算机视觉技术。通过图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能，因此它被称为连接低级视觉和高级视觉的桥梁和纽带。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其它伪目标中分离出来[1]。 图像分割可以形式化定义如下[2]：令有序集合表示图像区域(像素点集)，H 表示为具有相同性质的谓词，图像分割是把I 分割成为n 个区域记为Ri ，i=1，2，…，n ，满足： (1) 1,,,,n i i j i R I R R i j i j ===??≠ (2) (),1,2,,i i i n H R True ?== (3) () ,,,i j i j i j H R R False ?≠= 条件(1)表明分割区域要覆盖整个图像且各区域互不重叠，条件(2)表明每个区域都具有相同性质，条件(3)表明相邻的两个区域性质相异不能合并成一个区域。 自上世纪70年代起，图像分割一直受到人们的高度重视，其应用领域非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。主要表现在： 1)医学影像分析：通过图像分割将医学图像中的不同组织分成不同的区域，以便更好的

图像分割算法的比较与分析

中北大学 课程设计说明书 学生姓名：学号： 学生姓名：学号： 学生姓名：学号： 学生姓名：学号： 学院：信息与通信工程学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法的比较与分析 指导教师：陈平职称: 副教授 2014 年12 月29 日

中北大学 课程设计任务书 14/15 学年第一学期 学院：信息与通信工程学院专业：电子信息工程 学生姓名：学号： 课程设计题目：信息处理综合实践: 图像分割算法的比较与分析起迄日期：2015年1月5日～2015年1月16日课程设计地点：电子信息工程专业实验室 指导教师：陈平 系主任：王浩全 下达任务书日期: 2014 年12月29 日课程设计任务书

课程设计任务书

目录 第一章绪论 (1) 研究目的和意义 (1) 图像分割的研究进展 (1) 第二章区域生长法分割图像 (4) 区域生长法介绍 (4) 区域生长法的原理 (4) 区域生长法的实现过程 (5) 第三章程序及结果 (6) 区域生长算法及程序 (6) 图像分割结果 (7) 第四章方法比较 (8) 阈值法 (8) 区域法 (8) 分水岭法 (8) 形态学方法 (9) 第五章总结 (10) 参考文献 (11)

第一章绪论 研究目的和意义 图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，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。许多不同种类的图像或景物都可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分割;但某些分割方法只是适合于某些特殊类型的图像分割，所以分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。 图像分割是由图像处理到图像分析的关键步骤，在图像工程中占有重要位置。一方面，它是目标表达的基础，对特征测量有重要的影响。另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象、更紧凑的表达形式，使得更高层的图像分析和理解成为可能。因此在实际应用中，图像分割不仅仅要把一幅图像分成满足上面五个条件的各具特性的区域，而且要把其中感兴趣的目标区域提取出来。只有这样才算真正完成了图像分割的任务，为下一步的图像分析做好准备，使更高层的图像分析和理解成为可能。 图像分割在很多方面，如医学图像分析，交通监控等，都有着非常广泛的应用，具有重要的意义。(1)分割的结果常用于图像分析，如不同形式图像的配准与融合，结构的测量，图像重建以及运动跟踪等。(2)在系统仿真，效果评估，图像的3D重建以及三维定位等可视化系统中，图像分割都是预处理的重要步骤。 (3)图像分割可在不丢失有用信息的前提下进行数据压缩，这就降低了传输的带宽，对提高图像在因特网上的传输速度至关重要。(4)分割后的图像与噪声的关系减弱，具有降噪功能，便于图像的理解。 图像分割的研究进展 图像分割是图像处理中的一项关键技术，至今已提出上千种分割算法。但因

文字识别开题报告

太原理工大学信息工程学院 本科毕业设计（论文）开题报告 毕业设计(论文)题目 基于边缘检测的文字图像识别 学生姓名导师姓名 专业信息 报告日期 班级07-1 指导教 师意见 签字年月日 专业(教 研室)主 任意见 年月日系主任 意见 年月日

1. 国内外研究现状及课题意义 文字图像信息是人类获取外界信息的主要来源，在近代科学研究、军事技术、工农业生产、医学、气象及天文学等领域中，人们越来越多的利用图像信息来识别和判断事物，解决实际问题。例如：由于空间技术的发展，人造卫星拍摄了大量地面和空间的照片，人们要分析照片，获得地球资源、全球气象和污染情况等；在医学上，医生可以通过X射线分析照像，观察到人体个部位的多次现象；在工厂，技术人员可以利用电视图像管理生产；生活中，交通管理部门也要利用文字图像识别技术确定违章车辆的牌照，对其进行监督管理，由此可见文字图像信息的重要性【1】。 获得文字图像信息非常重要，但更重要的是对文字图像进行处理，从中找到我们所需要的信息，因此在当今科学技术迅速发展的时代，对文字图像的处理技术提出了更高的要求，能够更加快速准确的获得有用信息。 1.1国内外研究现状 20世纪20年代文字图像处理首次得到应用。20世纪60年代中期，电子计算机的发展得到普遍应用，文字图像处理技术也不断完善，逐渐成为一个新兴的科学。从70年代中期开始，随着计算机技术和人工智能、思维科学研究的迅速发展，数字图像处理技术也向更高、更深的层次迈进。到了20世纪90年代，机器人技术已经成为工业的三大支柱之一，人们已经开始研究如何用计算机系统解释图像，实现类似人类视觉系统来理解外部世界，这被称为图像理解活计算机视觉。很多国家，特别是发达国家投入更多的人力、物力道这项研究，取得了不少重要的研究成果。 数字图像处理主要是为了修改图形，改善图像质量，或是从图像中提取有效信息，还有利用数字图像处理可以对图像进行体积压缩，便于传输和保存。目前，数字图像处理主要应用于通讯技术、宇宙探索遥感技术和生物工程等领域。数字图像处理因易于实现非线性处理，处理程序和处理参数可变，故事一项通用性强，精度高，处理方法灵活，信息保存、传送可靠的图像处理技术。主要用于图像变换、测量、模式识别、模拟以及图像产生。广泛应用在遥感、宇宙观测、影像医学、通信、刑侦及多种工业领域【2】。1.2文字图像识别面临的问题 文字图像识别的发展经历了三个阶段：文字识别、图像处理和识别、物体识别。现在对于文字图像识别技术的研究，还面临几个问题，一是图像数据量大，一般来说，要取得较高的识别精度，原始图像应具有较高的分辨率，至少应大于64×64。二是图像污

图像分割常用算法优缺点探析

图像分割常用算法优缺点探析 摘要图像分割是数字图像处理中的重要前期过程,是一项重要的图像分割技术,是图像处理中最基本的技术之一。本文着重介绍了图像分割的常用方法及每种方法中的常用算法,并比较了各自的优缺点,提出了一些改进建议,以期为人们在相关图像数据条件下,根据不同的应用范围选择分割算法时提供依据。 关键词图像分割算法综述 一、引言 图像分割决定了图像分析的最终成败。有效合理的图像分割能够为基于内容的图像检索、对象分析等抽象出十分有用的信息,从而使得更高层的图像理解成为可能。目前图像分割仍然是一个没有得到很好解决的问题,如何提高图像分割的质量得到国内外学者的广泛关注,仍是一个研究热点。 多年来人们对图像分割提出了不同的解释和表达,通俗易懂的定义则表述为:图像分割指的是把一幅图像分割成不同的区域,这些区域在某些图像特征,如边缘、纹理、颜色、亮度等方面是一致的或相似的。 二、几种常用的图像分割算法及其优缺点 (一)大津阈值分割法。 由Otsu于1978年提出大津阈值分割法又称为最大类间方差法。它是一种自动的非参数非监督的门限选取法。该方法的基本思路是选取的t的最佳阈值应当是使得不同类间的分离性最好。它的计算方法是首先计算基于直方图而得到的各分割特征值的发生概率,并以阈值变量t将分割特征值分为两类,然后求出每一类的类内方差及类间方差,选取使得类间方差最大,类内方差最小的t作为最佳阈值。 由于该方法计算简单,在一定条件下不受图像对比度与亮度变化的影响,被认为是阈值自动选取的最优方法。该方法的缺点在于,要求得最佳阈值,需要遍历灰度范围0—(L-1)内的所有像素并计算出方差,当计算量大时效率会很低。同时,在实际图像中,由于图像本身灰度分布以及噪声干扰等因素的影响,仅利用灰度直方

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。

几种图像分割算法在CT图像分割上的实现和比较

第20卷第6期2000年12月北京理工大学学报JOurnaI Of Beijing InStitute Of TechnOIOgy VOI.20NO.6Dec.2000 文章编号21001-0645(2000)06-0720-05几种图像分割算法在CT 图像分割上的 实现和比较 杨 加19吴祈耀19田捷29杨骅2(1-北京理工大学电子工程系9北京1000 1;2-中国科学院自动化研究所9北京1000 0)摘要2对目前几种在图像分割领域得到较多应用的交互式分割 区域生长分割以及阈值 分割算法进行了探讨9并且结合实际CT 片图例分别进行分割实验研究9得到较为满意和 可用性强的结果.实验表明2阈值分割对于CT 切片的效果最好;区域生长分割适宜于对面 积不大的区域进行分割9分割效果较好;基于动态规划的交互式分割算法比较复杂9计算时 间较长9但对于边缘较平滑的区域9同样具有较好的实际效果.几种算法的评估为其在CT 图像分割上的实际应用提供了科学依据. 关键词2图像分割算法;CT 图像分割;交互式分割;阈值分割;区域生长分割 中图分类号2TN 911-73文献标识码2A 收稿日期220000625 基金项目2国家自然科学基金资助项目(69 43001);国家 63 计划项目作者简介2杨加9男91975年生9硕士生. 图像分割可以分解为两个任务9即识别(recOgnitiOn )和描绘(deIineatiOn ).识别的目的在于确定目标物体的大致位置并区别于图像中的其它物体;而描绘的任务在于精确定义和刻画图像中目标物体的区域或边缘的空间范围.人的识别能力通常强于计算机算法9另一方面9计算机算法的描绘能力则优于操作者(人).因此既能利用操作者强大的识别能力9又能利用计算机算法的描绘能力的交互式图像分割则越来越受到人们的关注.在医学领域中9图像分割是病变区域提取 特定组织测量以及实现三维重建的基础9因此图像分割技术在医学图像处理中具有十分重要的意义[1].作者探讨了3种目前在图像分割上得到较多实际应用的分割算法9并结合实际CT 片图例进行了实验研究9得到较为满意和可用性强的结果;最后对这几种方法进行了评估9为这些算法在CT 图像分割上的实际应用提供了科学依据. 1 交互式分割算法1-1基本理论及算法描述 动态规划方法最早应用于图像边缘跟踪[2].可以将图像边缘检测看作一个优化问题[3]9并将其表述为找出一目标函数V =V (I 19I 29I 39~9I H )的最优值M (如取最小值min )9得V 取最优值时的一组自变量值(I 19I 29I 39I 49~9I H 9).若变量离散9目标函数没有特定规律可循时9则该问题将包括一个极大的解空间.如果这个目标函数能够描述成如下形式2 V =V (I 19I 29I 39~9I N )=V 0(I 09I 1)+V 1(I 19I 2)+~+V H-1(I H-19I H )

基于灰度图像的阈值分割改进方法 开 题 报 告

毕业设计开题报告基于灰度图像的阈值分割改进方法 系别： 班级： 学生姓名： 指导教师： 2011 年 11 月22日

毕业设计开题报告 附页：

基于灰度图像的阈值分割改进方法 一、研究的目的 通常人们只对图像的某个部位感兴趣，为了能够把感兴趣的部分提取出来，就得对图像进行分割。图像分割就是把图像分成一些具有不同特征而有意义的区域，以便进一步的图像分析和理解。图像增强就是突出人们感兴趣有用的部分，或者是改善图像的质量，使它尽可能的逼近原图像。本论文分析了传统的灰度阈值图像分割，即双峰法、迭代法和最大类间方差法在细节部分分割上的缺点，然后，结合图像增强中的微分梯度，对原有图像的细节进行锐化增强，然后在使用这三种方法进行分割，得到的分割结果和传统的分割方法得到的结果进行比较，该算法确实达到了改善分割后图像细节的效果。 本算法在matlab2008环境下进行了实现，实验结果表明，与传统的阈值分割方法相比，本文算法不仅克服了传统阈值分割方法的不足，而且还对复杂灰度图像的细节部分具有较好的分割效果，为图像分割方法的改进提供了技术支持。 二、研究背景与意义 数字图像处理的基础是图像分割，图像分割同时也是进行计算机自动识别和人工智能的桥梁，长期以来图像分割一直都是数字图像处理领域的一个经典难题。经典的图像分割算法，诸如：直方图分割与阈值分割的方法具有实现简单、计算量小、性能较稳定等特点。通常，它们是利用图像的灰度直方图的分布特征,找出灰度直方图分布的两波峰之间的波谷，选定恰当的阈值将图像分割开，然而这种分割方法依赖于图像灰度的分布，对灰度分布不呈双峰特征或复杂背景的图像,这种方法往往会造成错误，并且有些细节不能很好的显示出来。 所以论文提出了一种改进方法—图像增强的分割改进方法，通过图像增强中的微分梯度，对原有图像的细节进行锐化增强，从而达到改善分割后图像细节的效果。这对我们使用灰度阈值分割方法分割图像提供了技术支持，并且能很好地克服灰度阈值分割方法的缺点。 三.基于灰度图像的阈值分割方法 阈值处理是一种区域分割技术，将灰度根据主观愿望分成两个或多个等间隔或不等间隔灰度区间，它主要是利用图像中要提取的目标物体和背景在灰度上的差异，选择一个合适的阈值，通过判断图像中的每一个像素点的特征属性是否满足阈值的要求来确定图像中该像素点属于目标区还是应该属于背景区域，从而产生二值图像。

图像分割技术的原理及方法

浅析图像分割的原理及方法 一．研究背景及意义 研究背景： 随着人工智能的发展，机器人技术不断地应用到各个领域。信息技术的加入是智能机器人出现的必要前提。信息技术泛指包括通信技术、电子技术、信号处理技术等相关信息化技术的一大类技术。它的应用使得人们今天的生活发生了巨大变化。从手机到高清电视等家用电器设备出现使我们的生活越来越丰富多彩。在一些军用及民用领域近几年出现了一些诸如:图像制导、无人飞机、无人巡逻车、人脸识别、指纹识别、语音识别、车辆牌照识别、汉字识别、医学图像识别等高新技术。实现它们的核心就是图像处理、机器视觉、模式识别、智能控制、及机器人学等相关知识。其中图像处理具有重要地位。而图像分割技术是图像分析环节的关键技术。 研究图像分割技术的意义： 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，同时视觉信息是人类从自然界中获得信息的主要来源，约占人类获得外部世界信息量的80%以上。图像以视觉为基础通过观测系统直接获得客观世界的状态，它直接或间接地作用于人眼，反映的信息与人眼获得的信息一致，这决定了它和客观外界都是人类最主要的信息来源，图像处理也因此成为了人们研究的热点之一。人眼获得的信息是连续的图像，在实际应用中，为便于计算机等对图像进行处理，人们对连续图像进行采样和量化等处理，得到了计算机能够识别的数字图像。数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点，成为计算机视觉和图像处理的重要研究对象。在一幅图像中，人们往往只对其中的某些区域感兴趣，称之为前景，这些区域内的某些空间信息特性(如灰度、颜色、轮廓、纹理等)通常与周围背景之间存在差别。图像分割就是根据这些差异把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。在数字图像处理中，图像分割作为早期处理是一个非常重要的步骤。为便于研究图像分割，使其在实

kmeans图像分割算法

he = imread('f:\3.jpg'); % 读入图像 imshow(he), title('H&E image'); text(size(he,2),size(he,1)+15,... 'Image courtesy of Alan Partin, Johns Hopkins University', ... 'FontSize',7,'HorizontalAlignment','right'); cform = makecform('srgb2lab'); % 色彩空间转换 lab_he = applycform(he,cform); ab = double(lab_he(:,:,2:3)); % 数据类型转换 nrows = size(ab,1); % 求矩阵尺寸 ncols = size(ab,2); % 求矩阵尺寸 ab = reshape(ab,nrows*ncols,2); % 矩阵形状变换 nColors = 3; % 重复聚类3次，以避免局部最小值 [cluster_idx cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean', ... 'Replicates',3); pixel_labels = reshape(cluster_idx,nrows,ncols); % 矩阵形状改变 imshow(pixel_labels,[]); % 显示图像 title('image labeled by cluster index'); % 设置图像标题 segmented_images = cell(1,3); % 细胞型数组 rgb_label = repmat(pixel_labels,[1 1 3]); % 矩阵平铺 for k = 1:nColors color = he; color(rgb_label ~= k) = 0;

susan算子图像分割开题报告

西安邮电大学 毕业设计(论文)开题报告自动化学院专业级02班 课题名称：基于SUSAN算子的图像分割 学生姓名：学号： 指导教师： 报告日期： 2014年3月21日

1．本课题所涉及的问题及应用现状综述 图像分割就是指把图像分成各具特性的区域并提取感兴趣目标的技术和过程。它是图像处理、模式识别和人工智能等多个领域中的重要课题，也是计算机视觉技术中首要的、重要的关键步骤。图像分割的目的在于根据某些特征（如灰度级、频谱、纹理等）将一幅图像分成若干有意义的区域，使得这些特征在某一区域内表现一致或相似，而在不同区域间表现出明显的不同。图像分割的应用非常广泛，几乎出现在有关图像处理的所有领域，如：工业自动化、在线产品检验、生产过程控制、文档图像处理、图像编码、遥感和生物医学图像分析、保安监视，以及军事、体育、农业工程等方面。在各种图像应用中，只需对图像目标行提取、测量等都离不开图像分割。虽然人们对图像分割已经进行了大量的研究，但还没一种适合于所有图像的通用的分割算法。所以，图像分割一直以来都是图像技术中的研究热点。 图像边缘是是图像的最基本的特征之一, 边缘是由灰度的不连续性所反映的，有方向和幅度两个特性。边缘中包含着有价值的目标边界信息, 这些信息可以用作图像分析、目标识别。边缘检测基本思想是先检测图像中的边缘点, 在按照某种策略将边缘点连接成轮廓,构成分割域。SUSAN算子是一种基于灰度的特征点获取方法, 适用于图像中边缘和角点的检测, 可以去除图像中的噪声, 它具有简单、有效、抗噪声能力强、计算速度快的特点。SUSAN 算子的模板与常规卷积算法的正方形模板不同, 它采用一种近似圆形的模板, 用圆形模板在图像上移动, 模板内部每个图像像素点的灰度值都和模板中心像素的灰度值作比较, 若模板内某个像素的灰度与模板中心像素(核)灰度的差值小于一定值, 则认为该点与核具有相同(或相近)的灰度。 本课题对基于SUSAN算子的图像分割进行研究，并进行仿真验证。

基于MATLAB的图像分割算法研究毕业设计

基于MA TLAB的图像分割算法研究 基于MATLAB的图像分割算法研究 摘要 本文从原理和应用效果上对经典的图像分割方法如边缘检测、阈值分割技术和区域增长等进行了分析。对梯度算法中的Roberts算子、Sobel算子、Prewitt算子、拉普拉斯(Laplacian)算子、LoG(Laplacian-Gauss)算子、坎尼（Canny）算子的分割步骤、分割方式、分割准则相互比较可以看出根据坎尼（Canny）边缘算子的3个准则得出的边缘检测结果最满意。而阈值分割技术的关键在于阈值的确定，只有阈值确定好了才能有效的划分物体与背景，但这种方法只对于那些灰度分布明显，背景与物体差别大的图像的分割效果才明显。区域增长的基本思想是将具有相似性质的像素集合起来构成新区域。与此同时本文还分析了图像分割技术研究的方向。 关键词：图像处理图像分割 Abstract This article analyses the application effect to the classics image segmentation method like the edge examination, territory value division technology, and the region growth and so on.For comparing the Roberts operator, Sobel operator, Prewitt operator, the operator of Laplacian and the operator of LoG(Laplacian-Gauss),Canny operator in gradient algorithm,the step, the way and the standard of the image segmentation,we can find out the three standard of Canny edge operator the edge detection result of reaching most satisfy. And the key point of threshold segmentation lie in fixing the threshold value, it is good to have only threshold value to determine it then can be effective to divide object and background,but this kind of method is good to those gray scales,the big difference image effect between the background and obiect. The basic idea of area is to form the new region from similar nature.And also, this paper analyses the research direction of image segmentation technology at the same time. Key words: image processing image segmentation operator

基于图的快速图像分割算法

Efficient graph-based image segmentation 2.相关工作 G=(V ,E)，每个节点V i v 对应图像中一个像素点，E 是连接相邻节点的边，每个边有对应有一个权重，这个权重与像素点的特性相关。 最后，我们将提出一类基于图的查找最小割的分割方法。这个最小割准则是最小化那些被分开像素之间的相似度。【18】原文中叫Component,实质上是一个MST,单独的一个像素点也可以看成一个区域。 预备知识： 图是由顶点集（vertices ）和边集（edges ）组成，表示为，顶点，在本文中即为单个的像素点，连接一对顶点的边具有权重，本文中的意义为顶点之间的不相似度，所用的是无向图。 树：特殊的图，图中任意两个顶点，都有路径相连接，但是没有回路。如上图中加粗的边所连接而成的图。如果看成一团乱连的珠子，只保留树中的珠子和连线，那么随便选个珠子，都能把这棵树中所有的珠子都提起来。如果，i 和h 这条边也保留下来，那么h,I,c,f,g 就构成了一个回路。 最小生成树（MST, minimum spanning tree ）：特殊的树，给定需要连接的顶点，选择边权之和最小的树。上图即是一棵MST 。 本文中，初始化时每一个像素点都是一个顶点，然后逐渐合并得到一个区域，确切地说是连接这个区域中的像素点的一个MST 。如图，棕色圆圈为顶点，线段为边，合并棕色顶点所生成的MST ，对应的就是一个分割区域。分割后的结果其实就是森林。 边的权值： 对于孤立的两个像素点，所不同的是颜色，自然就用颜色的距离来衡量两点 的相似性，本文中是使用RGB 的距离，即

图像阈值分割技术原理和比较要点

图像阈值分割和边缘检测技术原理和比较

摘要 图像分割是一种重要的图像分析技术。对图像分割的研究一直是图像技术研究中的热点和焦点。医学图像分割是图像分割的一个重要应用领域，也是一个经典难题，至今已有上千种分割方法，既有经典的方法也有结合新兴理论的方法。医学图像分割是医学图像处理中的一个经典难题。图像分割能够自动或半自动描绘出医学图像中的解剖结构和其它感兴趣的区域，从而有助于医学诊断。 阈值分割是一种利用图像中要提取的目标物与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域（目标和背景）的组合，选取一个合适的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生对应的二值图像。 本文先介绍各种常见图像阈值分割和边缘检测方法的原理和算法，然后通过MATLAB 程序实现，最后通过比较各种分割算法的结果并得出结论。 关键词：图像分割；阈值选择;边缘检测；

目录 1.概述 (4) 2.图像阈值分割和边缘检测原理 (4) 2.1.阈值分割原理 (4) 2.1.1．手动（全局）阈值分割 (5) 2.1.2．迭代算法阈值分割 (6) 2.1.3．大津算法阈值分割 (6) 2.2.边缘检测原理 (6) 2.2.1．roberts算子边缘检测 (7) 2.2.2．prewitt算子边缘检测 (7) 2.2.3．sobel算子边缘检测 (7) 2.2.4．高斯laplacian算子边缘检测 (8) 2.2.5．canny算子边缘检测 (8) 3.设计方案 (9) 4.实验过程 (10) 4.1.阈值分割 (12) 4.1.1．手动（全局）阈值分割 (12) 4.1.2．迭代算法阈值分割 (12) 4.1.3．大津算法阈值分割 (12) 4.2.边缘检测 (13) 4.2.1．roberts算子边缘检测 (13) 4.2.2．prewitt算子边缘检测 (13) 4.2.3．sobel算子边缘检测 (13) 4.2.4．高斯laplacian算子边缘检测 (13) 4.2.5．canny算子边缘检测 (14) 5.试验结果及分析 (14) 5.1．实验结果 (14) 5.1.1．手动（全局）阈值分割 (14) 5.1.2．迭代算法阈值分割 (17) 5.1.3．大津算法阈值分割 (18) 5.1.4．roberts算子边缘检测 (19) 5.1.5．prewitt算子边缘检测 (20) 5.1.6．sobel算子边缘检测 (21) 5.1.7．高斯laplacian算子边缘检测 (22) 5.1.8．canny算子边缘检测 (23) 5.2. 实验结果分析和总结 (24) 参考文献 (24)

图像分割开题报告

毕 业 设 计 （论文） 开 题 报 告 姓名: 学号： 学院： 专业: 通信工程 课题：图像分割算法研究及仿真导师： 时间：2016年2月13日

1.本课题研究的目的及意义： 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和过程。它是图像处理、模式识别和人工智能等多个领域中的重要课题，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的信息。例如，可以对图像的灰度级设置门限的方法分割。值得提出的是，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判断准则。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一幅图像在不同空间下的分割效果也是不同的。 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、气象等大型应用中有不断增长的需求。以上说明本次的基于MATLAB图像分割算法研究对社会需求具有重要意义。本课题就是从这一起点出发，分别采用基于边缘分割和基于分水岭算法两种方法进行图形分割，并用MATLAB实现整个分割过程。 2. 本课题国内外同类研究现状： 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、

图像分割方法总结

医学图像分割理论方法概述 医学图像分割就是一个根据区域间的相似或不同把图像分割成若干区域的过程。目前,主要以各种细胞、组织与器官的图像作为处理的对象,图像分割技术主要基于以下几种理论方法。 1.基于统计学的方法 统计方法是近年来比较流行的医学图像分割方法。从统计学出发的图像分割方法把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量,观察到的图像是对实际物体做了某种变换并加入噪声的结果,因而要正确分割图像,从统计学的角度来看,就是要找出以最大的概率得到该图像的物体组合。用吉布斯(Gibbs)分布表示的Markov随机场(MRF)模型,能够简单地通过势能形式表示图像像素之间的相互关系,因此周刚慧等结合人脑MR图像的空间关系定义M arkov随机场的能量形式,然后通过最大后验概率 (MAP)方法估计Markov随机场的参数,并通过迭代方法求解。层次MRF采用基于直方图的DAEM算法估计标准有限正交混合( SFNM)参数的全局最优值,并基于MRF先验参数的实际意义,采用一种近似的方法来简化这些参数的估计。林亚忠等采用的混合金字塔Gibbs随机场模型,有效地解决了传统最大后验估计计算量庞大和Gibbs随机场模型参数无监督及估计难等问题,使分割结果更为可靠。 2.基于模糊集理论的方法 医学图像一般较为复杂,有许多不确定性和不精确性,也即模糊性。所以有人将模糊理论引入到图像处理与分析中,其中包括用模糊理论来解决分割问题。基于模糊理论的图形分割方法包括模糊阈值分割方法、模糊聚类分割方法等。模糊阈值分割技术利用不同的S型隶属函数来定义模糊目标,通过优化过程最后选择一个具有最小不确定性的S函数,用该函数表示目标像素之间的关系。这种方法的难点在于隶属函数的选择。模糊C均值聚类分割方法通过优化表示图像像素点与C各类中心之间的相似性的目标函数来获得局部极大值,从而得到最优聚类。Venkateswarlu等改进计算过程,提出了一种快速的聚类算法。 2. 1 基于模糊理论的方法模糊分割技术是在模糊集合理论基础上发展起来的,它可以很好地处理MR图像内在的模糊性和不确定性,而且对噪声不敏感。模糊分割技术主要有模糊阈值、模糊聚类、模糊边缘检测等。在各种模糊分割技术中,近年来模糊聚类技术,特别是模糊C - 均值( FCM)聚类技术的应用最为广泛。FCM是一种非监督模糊聚类后的标定过程,非常适合存在不确定性和模糊性特点的MR图像。然而, FCM算法本质上是一种局部搜索寻优技术,它的迭代过程采用爬山技术来寻找最优解,因此容易陷入局部极小值,而得不到全局最优解。近年来相继出现了许多改进的FCM分割算法,其中快速模糊分割( FFCM)是最近模糊分割的研究热点。FFCM算法对传统FCM算法的初始化进行了改进,用K - 均值聚类的结果作为模糊聚类中心的初值,通过减少FCM的迭代次数来提高模糊聚类的速度。它实际上是两次寻优的迭代过程,首先由K - 均值聚类得到聚类中心的次最优解,再由FCM进行模糊聚类,最终得到图像的最优模糊分割。

MATLAB图像分割毕业设计开题报告

上海工程技术大学毕业设计（毕业论文）开题报告 学院电子电气学院 专业自动化 班级学号0212082 021206231 学生於恺律 指导教师陈剑雪 题目基于支持向量机的数字图像分割 任务规定 进行日期自 2011年 9 月 12 日起，至 2012年 1 月 13 日止

一、课题背景及研究意义: 图像分割是进行图像理解的基础，是图像工程技术中的一个重要问题。近年来，人们越来越重视图像的分割算法，并期望寻求一种实时性、鲁棒性较好的算法。图像分割技术在当今信息社会中具有极其广泛的用途，特别是在医学图像诊断、卫星遥感图像识别、交通车牌信息识别等等方面尤其有现实意义。目前机器学习技术正越来越多地引领图像分割领域的研究发展，支持向量机正是其中一种较为先进的研究方法。 二、课题研究内容: 1、图像处理 图像处理用计算机对图像进行分析，以达到所需结果的技术。又称影像处理。图像处理一般指数字图像处理。数字图像是指用数字摄像机、扫描仪等设备经过采样和数字化得到的一个大的二维数组，该数组的元素称为像素，其值为一整数，称为灰度值。图像处理技术的主要内容包括图像压缩，增强和复原，匹配、描述和识别3个部分。常见的处理有图像数字化、图像编码、图像增强、图像复原、图像分割和图像分析等。 当前,图像处理技术几乎渗透到人类所有的活动领域中，特别在自动控制、信息通讯、无损检测、资源勘测、医学诊断、生物工程等领域更是得到的极为广泛的应用和发展。在当前的图像处理系统中，常常以图像分割为基础。对于一个图像处理系统而言，图像分割性能的好坏往往直接决定该系统的图像处理性能。 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。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。近年来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。

PCB缺陷检测中图像分割算法的分析与比较

PCB 缺陷检测中图像分割算法的分析与比较 摘要：图像分割在图像处理中占有重要的地位，分割结果的好坏直接影响图像的后续处理。本文介绍了4种常用的图像分割方法及其在PCB 缺陷检测中的应用，并且利用实际的分割效果对4种分割方法进行了比较。对PCB 检测的实际应用提出了一种比较好的图像分割思路，并且做了实验研究。 关键词：图像处理；图像分割；PCB 检测 引言： 图像分割是图像处理中的一项关键技术，分割结果的好坏直接影响到图像的后续处理。本文中图像分割的目的是根据图像灰度等级准确划分出其中有意义的目标区域。但是由于系统在PCB 图像的采集、传输过程中，由于光照不均，CCD 摄像机自身的电子干扰，都不同程度的带来噪声，使图像污染。这些噪声也给图像分割带来了一定的难度。而传统的图像分割方法针对实际应用，本文分别采用四种公认比较好的分割方法对PCB 图像进行分割，并对分割效果进行了比较，最后确定了适合PCB 检测的图像分割方法。下面对它们进行具体说明。 1. 基于标准图像的模糊推理法 模糊理论在图像处理中的应用越来越广。在图像分割中，它可以把数据的校验用一些 模糊规则来进行描述。用基于标准图像的模糊推理法进行图像的分割主要包括以下几步[1]： (1) 计算原始图像的灰度直方图并用迭代阈值法计算它的阈值； (2) 寻找目标和背景的像素簇的峰值； (3) 计算LD(象素值低与较低之间的阈值)和LB （像素值高与较高之间的阈值）； (4) 使用模糊逻辑方法（FLM-fuzzy linguistic method ）来获取二值图像数据； 待处理PCB 图像的灰度直方图如图1所示 图1 像素值直方图 Fig.1 Pixel value histogram 背景和目标对象是直方图中的两个簇。这里采用迭代阈值的方法来求取待检测图像的阈值。具体过程如下[2]： 1） 求出图像中的最小和最大灰度值H min 及H max ,令阈值初始值为： T 0像素数 像素值 Dark max threshold Bright max 255 （= 1 2 (H min +H max ) （1）