图像阈值分割算法分析与实现
九江学院学士学位论文
摘要
图像阈值分割算法分析与实现是图像处理领域的一个基本的、重要的研究课题。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。
图像阈值分割法是一种最常用，同时也是最简单的图像分割方法，它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量，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的必要的图像预处理过程。图像阈值化的目的是要按照灰度级对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。本文首先介绍了图像分割发展现状，其次对图像分割的基础做了简单的介绍，最后重点对双峰法阈值分割、分水岭阈值分割、0tsu阈值分割作了详细分析与研究，并且把这三种算法的分割效果进行了简单的比较，结果发现各阈值分割方法都有各自的优劣性，需要根据图像的实际情况选择适合的方法。分割结果的好坏或者正确与否，目前还没有一个统一的评价判断准则，分割的好坏必须从分割的效果和实际应用场景来判断。
关键词：直方图；图像分割；阈值；算法
图像阈值分割算法分析与研究
The analysis and implementation of image threshold
Segmentation algorithm
Abstract
The analysis and implementation of image threshold segmentation algorithm is a basic and important research topic. The so-called image threshold segmentation is mean to divide the grayscale, color, space, texture, geometry and other features into several disjoint areas, so that these characteristics in the same area, showing the consistency or similarity, while showing different in different regions .
The segmentation of image threshold method is one of the most commonly and simple image segmentation method, it is especially suitable for the target and background occupy different gray-scale range of the image. It not only can greatly compress the amount of data, but also greatly simplifies the analysis and processing steps. In many cases, image analysis, feature extraction and pattern recognition are till the necessary image pre-processing process. The purpose of image threshold is to divide each subset of the formation of a region corresponding into the realistic scenery according to the gray level pixel, each region consistent with the properties of adjacent regional distribution of this a consistent attribute. This division can select one or more threshold starting from the gray level. This paper first introduces the development status of image segmentation, followed by a brief introduction on the basis of image segmentation, and finally focus on the apex method threshold segmentation, watershed threshold segmentation and 0tsu threshold segmentation are analyzed and researched in detail, and made a simple comparison with the segmentation results of the three algorithms and found that each threshold segmentation method has its own advantages and disadvantages, you need to select the appropriate method according to the actual situation of the image. There are no single evaluation criterion about Segmentation result is good or bad, right or wrong, , the segmentation good or bad are based on the segmentation results and determine on the actual scenarios .
Keywords: histogram; image segmentation; threshold; algorithm
九江学院学士学位论文
目录
摘要............................................................... I Abstract ........................................................... I I 目录.............................................................. I II 第1章绪论. (1)
1.1 数字图像及其处理技术的概述 (1)
1.2 图像分割方法的发展和现状 (1)
1.3 研究背景与意义 (2)
1.4 本文的主要工作及内容安排 (3)
第2章图像分割基础 (4)
2.1 图像分割概述 (4)
2.2 图像分割作用 (5)
2.3 图像分割的基本方法 (5)
2.4 本章小结 (6)
第3章基于MATLAB的图像阈值分割算法的研究与实现 (7)
3.1 直方图双峰法阈值分割 (7)
3.1.1 灰度级直方图的介绍 (7)
3.1.2 根据灰度直方图选择阈值 (8)
3.1.3 双峰法阈值分割 (9)
3.2 分水岭阈值算法图像分割 (13)
3.2.1 分水岭算法的原理 (13)
3.2.2 分水岭算法的数学描述 (14)
3.2.3 不准确标记符的分水岭分割 (15)
3.2.4 准确标记的分水岭分割 (16)
3.3 Otsu阈值选择法图像分割 (17)
3.4 各种阈值算法比较和评价 (19)
3.5 本章小结 (21)
第4章总结与展望 (22)
4.1 工作总结 (22)
4.2 工作展望 (22)
致谢 (24)
参考文献 (25)
附录A 源程序 (26)
九江学院学士学位论文
第1章绪论
1.1数字图像及其处理技术的概述
视觉是人类最重要的感知手段之一。视觉信息是人类从自然界获得信息的主要来源，约占人类由外界获得的信息总量的80%，“眼见为实”，视觉信息所提供的直观作用是文字和声音无法比拟的，因此图像信息非常重要的一类信息。
从根本上来说，通常可将图像分成模拟图像和数字图像两大类。由于模拟图像自身的特点，它不能直接在计算机上进行处理，给图像处理带来了极大的限制。为了解决这一问题，我们需要将模拟图像转换成能在计算机上直接处理的图像，即数字图像。数字图像就是将连续的模拟图像经过数字化处理后，用一个矩阵表示的能被计算机识别的图像。与模拟图像相比，数字图像具处理精度高、灵活性高、再现性能好等显著优点。
数字图像处理 (DigitalImageProcessing)是指将图像信号转换成数字信号并利用计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。
数字图像处理的目的：（l）提高图像的视觉质量；（2）提取图像中的某些特征和信息，以便于计算机进行分析；（3）对图像数据进行变换、编码和压缩，以便于存储和传输图像和视频信息；（4）信息的可视化；（5）图像信息安全的需要。
目前的图像处理技术已经在许多不同的应用领域中得到重视，并且取得了巨大的成就。根据应用领域的不同要求，可以将图像处理的主要任务分成图像数字化、图像增强、图像复原、图像重建、图像分割、图像变换、图像编码压缩、图像隐藏。而本文结合实际图像的特点对数字图像的阈值分割算法进行分析与研究主要通过分析与研究图像的灰度级直方图，双峰法阈值分割、分水岭阈值分割，以及Otsu法阈值分割，并对各种阈值分割方法的效果图的进行比较。
1.2 图像分割方法的发展和现状
分割问题的困难在于图像数据的模糊和噪声的干扰。实际图像中景物情况各异，具体问题具体分析，需要根据实际情况选择适合的方法。分割结果的好坏或者正确与否，目前还没有一个统一的评价判断准则，分割的好坏必须从分割的效果和实际应用场景来判断。不过在人类研究图像的历史中，还是积累了许多经典的图像分割方法。虽然这些分割方法不适合所有类型的图像分割，但是这些方法却是图像分割方法进一步发展的基础。事实上，现代一些分割算法恰恰是从经典的分割方法衍生出来的。
早期的图像研究中，图像的分割方法主要可以分为两大类。一类是边界方法，这种方法的假设是图像分割结果的某个子区域在原来的图像中一定会有边缘存
图像阈值分割算法分析与研究
在；一类是区域方法，这种方法的假设是图像分割结果的子区域一定会有相同的性质，而不同区域的像素没有共同的性质。这两种方法都有缺点和优点，有的学者也试图把两者结合起来进行图像分割，随着计算机处理能力的提高，很多方法不断涌现，如基于彩色分量分割、纹理图像分割。所使用的教学工具和实验手段也是不断的扩展，从时域信号到频域信号处理，近来小波变换也应用在图像分割当中。
1.3 研究背景与意义
在一幅图像中，人们往往只对其中的目标感兴趣，这些目标占据一定的区域，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，图像处理技术已成功地应用于许多领域，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在图像分析中，通常需要将关心的目标从图像中提取出来。
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。需要说明的是：边缘与物体间的边界并不等同，边缘指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在与物体之间的边界。有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实中的物体是三维的，而图像只具有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息；另外成像的过程中的光照和噪声也是不可避免的重要因素。正是因为这些原因，基于边缘的图像分割仍然是当前图像研究中的世界级难题，目前研究者们正在试图在边缘提取中加入高层的语义信息。
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
九江学院学士学位论文
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。
1.4本文的主要工作及内容安排
本文首先介绍了图像分割的研究背景和发展现状，其次介绍了图像分割的一些相关基础和图像分割的基本方法分类，最后对阈值分割算法中双峰法阈值分割算法、分水岭阈值分割算法、Otsu阈值选择分割算法作了详细的分析和研究，并对这三种算法进行了简单的比较，以及给出了相应的MATLAB程序源代码。
本文共分4章:
第1章绪论:对论文图像分割所需的有关背景知识、论文主要研究内容和结果作简要介绍
第2章介绍图像分割的基础。图像分割是图像处理技术的重要分支，其目的就在于改善图像的视觉质量。图像分割方法依照分割时所依据的图像特性不同，大致可以分为四大类。第一类是直方图阈值方法，这种方法是根据图像灰度值得分布特性确定某个阈值来进行图像分割的。第二类为边缘检测方法，这类方法是通过检测出封闭某个区域的边界来进行图像分割的。通俗地讲，这类方法实际上是沿着闭合的边缘线将其包围的区域剪切出来。第三类方法是区域提取方法，这类方法的特点是根据特定区域与其他背景区域特性上的不同来进行图像分割的。另外，还有一种基于形态学的分水岭的阈值算法。
第3章介绍了三种重要的图像阈值分割算法。图像分割是图像处理这门学科中的基础难题，基于阈值的分割则又是图像分割的最基本的难题之一，其难点在于阈值的选取。事实证明，阈值的选择的恰当与否对分割的效果起着决定性的作用。由于阈值选取对图像分割的基础性，本文主要对直方图双峰法、分水岭阈值法、Otsu阈值选择法这三种阈值选取算法做了探讨、实现和比较。
第4章对全文进行了工作总结与展望。重点对本论文设计进行总结，并进一步展望该课题的研究前景。
图像阈值分割算法分析与研究
第2章 图像分割基础
随着科学技术的发展，人们对信息处理和信息交流的要求越来越高，所以图像分割显得愈来愈重要，图像分割是指将一副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。总的来说，图像分割是图像识别和图像分析的基本前提步骤，图像分割的质量好坏直接影响后续图像处理的效果，甚至决定成败。因此，图像分割在数字图像处理技术中占有非常重要的地位。图像分割的基本方法并不是唯一的，图像分割方法的种类多种多样，图像分割方法依照分割时所依据的图像特性不同，大致可以分为四大类，第一类是灰度直方图阈值方法，第二类为边缘检测方法，第三类方法是区域提取方法，第四类方法是一种基于形态学的分水岭阈值算法。
2.1图像分割概述
图像分割是指将一副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。好的图像分割应具备以下特征：
⑴ 分割出来的各个区域对某种特性（例如灰度和纹理）而言具有相似性，区域内部是连通的且没有过多小孔
⑵ 相似区域对分割所依据的性质有明显的差异
⑶ 区域边界是明确的
图像分割更形式化的定义如下：令I 表示图像，
H 表示具有相同性质的谓词，图像分割把I 分解成n 个区域i R ，其中n i ,2,1=，满足：
⑴ N
i i I R 1==， =j i R R Ф，i ?，j ，j i ≠
⑵ i ?，n j ,2,1=，True R H i =)(
⑶ i ?，j ，j i ≠，False R R H j i =)(
条件⑴表明分割区域要覆盖整个图像且各区域互不重叠，条件⑵表明每一个区域都具有相同的性质，条件⑶表明相邻的两个区域性质相异不能合并为一个区域。
实际的图像处理和分析都是面向某种具体应用的，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的兼顾这些约束条件，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质量的下降，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与等因素。。
九江学院学士学位论文
2.2 图像分割作用
对于一幅图像，有的图像的背景和目标很容易区分，有的却不怎么好分辨，比如指纹图像等，如果不经过相应的图像处理就很难识别，就更别说去理解了，为了方便图像理解，必须经过图像处理。如图2-1所示，图像处理的过程是先对图像进行预处理，然后对图像进行分割，把目标和背景区分开来，这样就可以很好地对图像进行识别和理解。由此可见，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、占据同区域的、具有不同特性的目标区分开来，并形成数字特征。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。
图像
图2.1 图像分割在整个图像处理中的作用
2.3 图像分割的基本方法
图像分割方法的种类多种多样，图像分割方法依照分割时所依据的图像特性不同，大致可以分为四大类。
第一类是灰度直方图阈值方法，这种方法是根据图像灰度值得分布特性确定某个阈值来进行图像分割的。在本文中主要是根据图像灰度直方图的峰谷特性，来选择图像分割的阈值，从而对图像进行阈值分割。
第二类为边缘检测方法，这类方法是通过检测出封闭某个区域的边界来进行图像分割的。通俗地讲，这类方法实际上是沿着闭合的边缘线将其包围的区域剪切出来。边缘检测技术对于处理数字图像非常重要，因为边缘时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出来。在图像中，边界表明一个特征区域的始终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的，而不同区域内部的特征或属性是不同的，边缘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、颜色或纹理特征。边缘检测实际上就是检测图像特性发生变化的位置。
图像预处理 图像识别 图像理解 图像分割
图像阈值分割算法分析与研究
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。近年来还提出了基于曲面拟合的方法，基于边界曲线拟合的方法。
第三类方法是区域提取方法，这类方法的特点是根据特定区域与其他背景区域特性上的不同来进行图像分割的。该方法利用的是图像的空间性质，认为分割出来的属于同一区域的像素应具有相似的性质，其概念是相当直观的。
第四类方法是一种基于形态学的分水岭阈值算法。分水岭算法就是基于形态学的分割算法，是对图像的梯度分割。而图像分割的目的是将图像分割成不同的特体，即提取出物体的边缘。由于物体边缘的灰度变化比较强烈，而梯度图像正好描述了图像的灰度变化情况。因此 ,可先将原始图像通过梯度算子边缘检测得到梯度图像，再通过梯度图像的分水岭变换来进行图像分割。
2.4 本章小结
本章节主要是阐述了图像分割的一些基础知识，首先主要是讲述了图像分割的定义，以及对图像分割的定义进行了详细的说明，然后讲述了图像分割在数字图像处理中的作用和重要性；最后简单介绍了图像分割的方法分类。
九江学院学士学位论文
第3章 基于MATLAB 的图像阈值分割算法的研究与实现
阈值分割法是一种简单的基于区域的分割技术，是一种广泛使用的图像分割技术，它利用图像中要提取的目标和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的组合，选取一个合适的阈值，以确定图像中每个像素点是属于目标还是属于背景。它不仅可以极大的压缩数据量，而且也大大简化了图像信息的分析和处理步骤。
该方法确定一个最优阈值是分割的关键，同时也是阈值分割的一个难题。阈值分割实质上就是按照某个准则求出最佳阈值的过程。现有的大部分算法都是集中在阈值确定的研究上。
目前已提出的阈值化方法很多，相应的分类也有很多种，阈值化分割方法根据图像本身的特点，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置的阈值分割方法。若根据分割算法所具有的特征或准则，还可以分为直方图峰谷法、Otsu 法，分水岭阈值选择法、最大类空间方差法等阈值选取法。
3.1直方图双峰法阈值分割
3.1.1 灰度级直方图的介绍
1)灰度级直方图的定义
在数字图像处理中，直方图是指灰度直方图，是一种简单而又十分重要的图像分析工具，它概括了一幅图像的灰度级内容。直方图(histogram)是统计图像中具有某种灰度的像素数目的函数，它表示图像中具有每种灰度级的像素的个数，反映图像中不同灰度级像素出现的相对频率。横坐标是灰度级，纵坐标是灰度级出现的频率。直方图是图像中各灰度级与其出现的频数间的统计关系，可以说它给出了一幅图所有灰度值的整体描述。
设变量r 代表图像中像素灰度级。在图像中，假设r 被归一化到区间]1,0[上，且r=0表示黑色，r=1表示白色，且灰度级r 可视为区间]1,0[的随机变量。假定r 是连续的随机变量，那么，就可以用概率密度函数)(r p r 来表示原始图像的灰度分布。如果用直角坐标系的横轴代表灰度级r ，用纵轴代表灰度级的概率密度函数)(r p r ，这样在这个坐标系中就可以做出一条曲线来，这条曲线在概率论中就是分布密度曲线。
数字图像的直方图是离散函数。在离散形式下，用k r 代表离散灰度级，用只
)(k r r p 代表)(r p r ，
用概率密度函数)(k r r p 来表示灰度级为k r 发生的概率估计值，并且有下式成立：
图像阈值分割算法分析与研究
1,,2,1,0,10,)(-???=≤≤=L k r r n r p k k
k k r （3.1） 其中变量k r 代表图像中像素的第k 级灰度。n 表示图像中像素的总和，k n 是灰度级为k r 的像素个数，L 为图像中可能的灰度级总数。在直角坐标系中绘出k r 与只)(k r r p 的关系图形，这个图形称为直方图。
通过图灰度级直方图能判断该图像的清晰度和黑白对比度。直方图的左边显示了图像的阴影信息，直方图的中间显示了图像的中间色调信息，直方图的右边显示了图像的高亮信息。
灰度直方图描述了每个灰度级具有的像素的个数，只反映图像的灰度分布情况，而不反映图像像素的位置。
3.1.2 根据灰度直方图选择阈值
基于灰度阈值的分割方法是图像分割的经典方法，它是通过设置阈值，把像素点按灰度级分若干类，从而实现图像分割 。把一幅灰度图像转换成二值图像是阈值分割的最简单形式，把一幅灰度图转换为二值图像的基本思想和步骤：
按照一定的准则找到一个灰度值T 作为阈值，把大于T 的像素点的值置为1，小于T 的值置为0。设原图像为),(y x f ，经过分割处理后的图像为),(y x g ，阈值运算后的图像为二值图像),(y x g ，如下式所示：
???<≥=T y x f T y x f y x g ),(0),(1),(
（3.2） 图像阈值化处理实质是一种图像灰度级的非线性运算，它的功能是由用户指定一个阈值，如果图像中某个像素的灰度值小于该阈值，则将该像素的灰度值置为0，否则将其灰度值置为1。其变换函数曲线如图3-1所示。
g
T 255
0f
1
图3-1 阈值变换曲线
(3.2)式中全局阈值T 的选择直接影响分割效果。通常可以通过分析灰度直方图来确定它的值，最常用的方法是利用灰度直方图求双峰或多峰，选择两峰之间谷底处的灰度值作为阈值。直方图如下图3-2所示：
九江学院学士学位论文
原图
500
1000
1500
2000
2500
3000
3500
4000
45005000
原图的灰度直方图
050100150200250
图3-2原图及其灰度直方图
显然，该图的灰度直方图具有明显的双峰特性，根据该灰度直方图的峰谷情况，可以很容易确定阈值T 的取值T=140。
3.1.3 双峰法阈值分割
双峰法阈值分割法的依据是图像的直方图，通过对直方图进行各种分析来实现对图像的分割。图像的直方图可以看作是像素灰度值概率分布密度函数的一个近似，设一幅图像仅包含目标和背景，那么它的直方图所代表的像素灰度值概率密度分布函数实际上就是对应目标和背景的两个单峰分布密度函数的和。图像二值化过程就是在直方图上寻找两个峰、一个谷来对一个图像进行分割，也可以通过用两级函数来近似直方图。
若灰度图像的直方图，其灰度级范围为0,1,L i =…，-1,当灰度级为k 时的像素数为k n ，则一幅图像的总像素数N 为:
1011
0L i L i N n n n --===++∑…+n (3.3)
灰度级i 出现的概率为：
011i i i L n n p N n n n -==+++ （3.4）
当灰度图像中画面比较简单且对象物的灰度分布比较有规律时，背景和目标对象在图像的灰度直方图上各自形成一个波峰，由于每两个波峰间形成一个低谷，因而选择双峰间低谷处所对应的灰度值为阈值，可将两个区域分离把这种通
图像阈值分割算法分析与研究
过选取直方图阈值来分割目标和背景的方法称为直方图阈值双峰法。如图3-1所示，在灰度级1t 和2t 两处有明显的波峰，而在t 处是一个谷点。
P t
t 1t t 2暗亮0i
图3-3 直方图的双峰与阈值
具体实现的方法是先做出图像f(x,y) 的灰度直方图，若出现背景目标物两区域部分所对应的直方图呈双峰且有明显的谷底，则可以将谷底点所对应的灰度值作为阈值t ，然后根据阈值进行分割就可以将目标从图像中分割出来。这种方法适用于目标和背景的灰度差较大，直方图有明显谷底的情况。
直方图双峰法阈值分割后的图像如下：
原图
(a) 原始图像
九江学院学士学位论文
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
原图的灰度直方图
050100150200250T=140时阈值分割后的图像
(b) 图像直方图 (c) T=140时阈值分割后的图像
T=60时阈值分割后的图像T=200时阈值分割后的图像
(d) T=60时阈值分割后的图像 (e) T=200时阈值分割后的图像
图3-4 不同阈值对阈值化结果的影响
图像阈值化处理结果分析：
（1）基于灰度阈值的分割方法，其关键是如何合理的选择阈值。在分析图像直方图的基础上，选择出合理的阈值，在图像的阈值化处理过程中，选用不同的阈值其处理结果差异很大。原始图像的直方图如图3-4所示（b ）所示，分析该直方图可知，该直方图具有双峰特性，图像中的目标（字体等）分布在较暗的灰度级上形成一个波峰，图像中的背景分布在较亮的灰度级上形成另一个波峰。根据直方图可以看出，峰谷点对应的像素值为140，此时，用其双峰之间的谷底处灰度值作为阈值T 进行图像阈值化处理，便可很好的将目标和背景分割开来。即可以选取阈值T=140；当取T=140时阈值分割后的图像如图3-4（c ）所示，分割效果非常的不错。
（2）但是如果阈值T 取值过大，如图3-4（e ）图所示,取阈值T=200过大，使得阈值分割会提取多余的部分；而如图3-4（d ）图所示选取T=60时，阈值过
基于MATLAB的图像阈值分割技术
基于MATLAB 的图像阈值分割技术 摘要：本文主要针对图像阈值分割做一个基于MATLAB 的分析。通过双峰法，迭代法以及OUTS 法三种算法来实现图像阈值分割，并且就这三种算法做了一定的分析和比较，在加椒盐的图片上同时进行三种实验，做出比较，最终得出实践结论。 关键词：图像分割 MATLAB 阈值分割 算法 引言：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的领域之一，它是对图像进行视觉分析和模式识别的基本前提．同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准，图像阈值分割即是其中的一种方法。 阈值分割技术因其实现简单、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，已被应用于很多的领域，在很多图像处理系统中都是必不可少的一个环节。 1、阈值分割思想和原理 若图像中目标和背景具有不同的灰度集合：目标灰度集合与背景灰度集合，且两个灰度集合可用一个灰度级阈值T 进行分割。这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域，这种方法称为灰度阈值分割方法。 在物体与背景有较强的对比度的图像中，此种方法应用特别有效。比如说物体内部灰度分布均匀一致，背景在另一个灰度级上也分布均匀，这时利用阈值可以将目标与背景分割得很好。如果目标和背景的差别是某些其他特征而不是灰度特征时，那么先将这些特征差别转化为灰度差别，然后再应用阈值分割方法进行处理，这样使用阈值分割技术也可能是有效的 设图像为f(x,y)，其灰度集范围是[0,L]，在0和L 之间选择一个合适的灰度阈值T ，则图像分割方法可由下式描述： 这样得到的g(x,y)是一幅二值图像。 （一）原理研究 图像阈值分割的方法有很多，在这里就其中三种方法进行研究，双峰法，迭代法，以及OUTS 法。 方法一：双峰法 T y x f T y x f y x g ≥<),(),(10){,(
图像的阈值分割及边缘检测技术
数字图像处理实验报告 题目：图像的阈值分割及边缘检测技术 班级： 姓名： 学号：
图像的阈值分割及边缘检测技术 一、实验目的 1、了解图像的分割技术，掌握图像的全局阈值分割技术并通过MATLAB实现； 2、了解图像的边缘检测，掌握梯度算子图像边缘检测方法。 二、实验内容 1、基于直方图的全局阈值图像分割方法； 2、Edge命令（roberts,perwitt,sobel,log,canny），实现边缘检测。 三、实验原理 1、全局阈值是最简单的图像分割方法。其中，直方图法的原理如下：想做出图 像的直方图，若其直方图呈双峰且有明显的谷底，则可以讲谷底点所对应的灰度值作为阈值T，然后根据该阈值进行分割，九可以讲目标从图像中分割出来。这种方法是用于目标和背景的灰度差较大且直方图有明显谷底的情况。 2、用于边缘检测的梯度算子主要有Roberts算子、Prewitt算子、Sobel算子。 这三种检测算子中，Roberts算子定位精度较高，但也易丢失部分边缘，抗噪声能力差，适用于低噪声、陡峭边缘的场合。Prewitt算子、Sobel算子首先对图像做平滑处理，因此具有一定的抑制噪声的能力，但不能排除检测结果中的虚假边缘，易出现多像素宽度。
四、实验步骤 1、全局阈值分割： ①读取一张图像； ②生成该图像的直方图； ③根据直方图双峰产生的低谷估计阈值T； ④依次读取图像各个点的像素，若大于阈值，则将像素改为255，若小于 阈值，则将该像素改为0； 实验代码如下： I=imread('cameraman.tif'); %读取一张图像 subplot(221);imshow(I); %显示该图像 subplot(222);imhist(I); %生成该图像的直方图 T=60; %根据直方图估计阈值T为60 [m,n]=size(I); %取图像的大小为【m,n】 for i=1:m %依次读取图像各个点的像素，若大于阈 值，则将像素改为255，若小于阈值， 则将该像素改为0 for j=1:n if I(i,j)>=T I(i,j)=255; else I(i,j)=0; end end
基于阈值的图像分割方法--论文
课程结业论文 课题名称基于阈值的图像分割方法姓名 学号 学院 专业电子信息工程 指导教师副教授 年6月12日
学院课程结业论文诚信声明 本人郑重声明：所呈交的课程结业论文，是本人在指导老师的指导下，独立进行研究工作所取得的成果，成果不存在知识产权争议，除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担 目录 摘要 (1) 关键词 (1) ABSTRACT (2) KEY WORDS (2) 引言 (3) 1基于点的全局阈值选取方法 (4) 1.1最大类间交叉熵法 (5) 1.2迭代法 (6)
2基于区域的全局阈值选取方法 (7) 2.1简单统计法 (8) 2.3 直方图变化法 (9) 3局部阈值法和多阈值法 (10) 3.1水线阈值算法 (11) 3.2变化阈值法 (12) 4仿真实验 结论 (12) 参考文献 (13) 附录 基于阈值的图像分割方法 摘要：图像分割多年来一直受到人们的高度重视，至今这项技术也是趋于成熟，图像分割方法类别也是不胜枚举，近年来每年都有上百篇有关研究报道发表。图像分割是由图像处理进到图像分析的关键环节，是指把图像分成各具特性的区域并提取出有用的目标的技术和过程。在日常生活中，人们对图片的要求也
是有所提高，在对图像的应用中，人们经常仅对图像中的某些部分感兴趣，这 些部分就对应图像中的特定的区域，为了辨识和分析目标部分，就需要将这些 有关部分分离提取出来，因此就要应用到图像分割技术。 关键词：图像分割；阈值；matlab Based onthresholding for image segmentation methods Abstract：Image segmentation is a indispensable part of image processing and analysis, have important practical significance.It is according to the needs of image processing and analysis of the image into each area and extract the characteristic of technology and process of interested target.Image segmentation methods and types have a lot of different categories, some segmentation operation can be directly applied to all images, while others can only apply to special image.The purpose of this paper is to through the collection of image segmentation method based on threshold related information, analysis the advantages and disadvantages of various segmentation algorithm, using the MATLAB tools to threshold segmentation algorithm is studied. Keywords:image segmentation; The threshold value; matlab
灰度阈值分割算法
分享到 一键分享 QQ空间 新浪微博 百度云收藏 人人网 腾讯微博 百度相册 开心网 腾讯朋友 百度贴吧 豆瓣网 搜狐微博 百度新首页 QQ好友 和讯微博 更多... 百度分享 登录 | 注册 窗体顶端 窗体底端 收藏成功 确定 收藏失败，请重新收藏确定 窗体顶端 标题 标题不能为空 网址 标签 摘要
公开 取消收藏 窗体底端 分享资讯 传PPT/文档 提问题 写博客 传资源 创建项目 创建代码片 设置昵称编辑自我介绍，让更多人了解你帐号设置退出 社区 博客 论坛 下载 Share 极客头条 服务 CODE 英雄会 活动 CSTO 俱乐部 CTO俱乐部 高校俱乐部 奋斗斌斌的专栏
解决项目中的琐碎细节问题b.zhao_npu@https://www.docsj.com/doc/637603837.html, 目录视图 摘要视图 订阅 有奖征资源，博文分享有内涵人气博主的资源共享：老罗的Android之旅微软Azure?英雄会编程大赛题关注CSDN社区微信，福利多多社区问答：叶劲峰游戏引擎架构 灰度图像阈值化分割常见方法总结及VC实现 分类：图像处理OpenCV 2011-11-11 23:20 7427人阅读评论(14) 收藏举报 算法图形byte图像处理扩展 目录(?)[+] Otsu法最大类间方差法 一维交叉熵值法 二维OTSU法 参考文献 在图像处理领域，二值图像运算量小，并且能够体现图像的关键特征，因此被广泛使用。将灰度图像变为二值图像的常用方法是选定阈值，然后将待处理图像的每个像素点进行单点处理，即将其灰度值与所设置的门限进行比对，从而得到二值化的黑白图。这样一种方式因为其直观性以及易于实现，已经在图像分割领域处于中心地位。本文主要对最近一段时间作者所学习的阈值化图像分割算法进行总结，全文描述了作者对每种算法的理解，并基于OpenCV和VC6.0对这些算法进行了实现。最终将源代码公开，希望大家一起进步。（本文的代码暂时没有考虑执行效率问题） 首先给出待分割的图像如下： 1、Otsu法（最大类间方差法） 该算法是日本人Otsu提出的一种动态阈值分割算法。它的主要思想是按照灰度特性将图像划分为背景和目标2部分，划分依据为选取门限值，使得背景和目标之间的方差最大。（背景和目标之间的类间方差越大，说明这两部分的差别越大，当部分目标被错划分为背景或部分背景错划分为目标都会导致这两部分差别变小。因此，使用类间方差最大的分割意味着错分概率最小。）这是该方法的主要思路。其主要的实现原理为如下： 1）建立图像灰度直方图（共有L个灰度级，每个出现概率为p） 2）计算背景和目标的出现概率，计算方法如下： 上式中假设t为所选定的阈值，A代表背景（灰度级为0~N）,根据直方图中的元素可知，Pa为背景出现的概率，同理B为目标，Pb为目标出现的概率。 3）计算A和B两个区域的类间方差如下：
图像阈值分割技术研究
图像阈值分割技术研究 一、 研究目的 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的领域之一，它是对图像进行视觉分析和模式识别的基本前提．同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准，图像阈值分割即是其中的一种方法。 阈值分割技术因其实现简单、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，已被应用于很多的领域，在很多图像处理系统中都是必不可少的一个环节。 二、 研究思路 阈值分割图像的基本原理描述如下：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。 即：()()()? ??≥<=.,1. ,0,T y x I T y x I j i B 三、 研究内容 （一）原理研究 图像阈值分割的方法有很多，在这里就其中三种方法进行研究，迭代法， OUTS 法，以及双峰法。 方法一：迭代法 方法原理： 开始时候选择一个阈值作为初始估计值，然后按着某种策略不断得改进这个估计值，直到满足给定的准则为止。 （1） 求出图像最大灰度值Max 和最小灰度值Min ，初始阈值估计值 T 0.=(Max+Min)*0.5. （2） 用T 0将图像分割为目标和前景。图像分成两组像素：Z 1由所有灰度值大 于或等于T 0的像素组成，而Z 0由所有灰度值小于T 0的像素组成。 （3） 分别求出两者区域中的所有像素计算平均灰度值a 1和a 2。 （4） 计算新的阈值T1=(a 1+a 2)*0.5. （5） 如果|T i+1-T i |<0.5，则退出循环，T i+1即为所求阈值；否则，将T i+1复制给 T i ，重复（2）~（5）。 源程序：
数字图像灰度阈值的图像分割技术matlab
1．课程设计的目的 (1)使学生通过实验体会一些主要的分割算子对图像处理的效果，以及各 种因素对分割效果的影响 (2)使用Matlab软件进行图像的分割 (3)能够进行自行评价各主要算子在无噪声条件下和噪声条件下的分割 性能 (4)能够掌握分割条件（阈值等）的选择 (5)完成规定图像的处理并要求正确评价处理结果，能够从理论上做出合 理的解释 2．课程设计的要求 （1）能对图像文件（bmp,jpg,tiff,gif）进行打开，保存，退出等功能操作 （2）包含功能模块：图像的边缘检测（使用不同梯度算子和拉普拉斯算子）（3）封闭轮廓边界 （4）区域分割算法：阈值分割，区域生长等
3．前言 3.1图像阈值分割技术基本原理 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的领域之一，它是对图像进行视觉分析和模式识别的基本前提。同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准]5[。 在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分称为目标或前景(其他部分称为背景)，他们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析目标，需要将他们分离提取出来，在此基础上才有可能对目标进一步利用。图像分割就是指把图像分成格局特性的区域并提取出感兴趣目标的技术和过程。这里特性可以是象素的灰度、颜色、纹理等，预先定义的目标可以对应单个区域，也可以对应多个区域。现有的图像分割算法有：阈值分割、边缘检测和区域提取法。本文着重研究基于阈值法的图像分割技术。 若图像中目标和背景具有不同的灰度集合：目标灰度集合与背景灰度集合，且两个灰度集合可用一个灰度级阈值T进行分割。这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域，这种方法称为灰度阈值分割方法。 在物体与背景有较强的对比度的图像中，此种方法应用特别有效。比如说物体内部灰度分布均匀一致，背景在另一个灰度级上也分布均匀，这时利用阈值可以将目标与背景分割得很好。如果目标和背景的差别是某些其他特征而不是灰度特征时，那么先将这些特征差别转化为灰度差别，然后再应用阈值分割方法进行处理，这样使用阈值分割技术也可能是有效的
基于阈值的灰度图像分割
对以CPT算法为主的灰度阈值化方法的研究 目录： 第一章：绪论 第二章：图像的预处理 第三章：图像分割概述 第四章：灰度阈值化图像分割方法 第五章：CPT算法及其对它的改进 第六章：编程环境及用PhotoStar对改进的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 人类传递信息的主要媒介是语音和图像。据统计，在人类接受的信息中，听觉信息占20％，视觉占60％，其他如味觉、触觉、嗅觉总的加起来不过占20％。所以，作为传递信息的重要媒体和手段——图像信息是十分重要的。【5】对于图像信息的处理，即图像处理当然对信息的传递产生很大影响。 数字图像处理技术起源于20世纪20年代，当时通过海底电缆从伦敦到纽约传输了一幅图片，它采用了数字压缩技术。1964年美国的喷气处理实验室处理了太空船“徘徊者七号”发回的月球照片，这标志着第三代计算机问世后数字图像处理概念得到应用。其后，数字图像处理技术发展迅速，目前已成为工程学、计算机科学、生物学、医学等领域各学科之间学习和研究的对象。 经过人们几十年的努力，数字图像处理这一学科已逐渐成熟起来。人们总是试图把各个学科应用到数字图像处理中去，并且每产生一种新方法，人们也会尝试它在数字图像处理中的应用。同时，数字图像处理也在很多学科中发挥着它越来越大的作用。 1.2图像分割概述和本论文的主要工作 图像分割的目的是把图像空间分成一些有意义的区域，是数字图像处理中的重要问题，是计算机视觉领域低层次视觉问题中的重要问题，同时它也是一个经典的难题。几十年来，很多图像分割的方法被人们提出来，但至今它尚无一个统一的理论。 图像分割的方法很多，有早先的阈值化方法、最新的基于形态学方法和基于神经网络的方法。 阈值化方法是一种古老的方法，但确是一种十分简单而有效的方法，近几十年人们对阈值化方法不断完善和探索，取得了显著的成就，使得阈值化方法在实际应用中占有很重要的地位。 本文将主要对图像分割的阈值化方法进行探讨。在对阈值化方法的研究过程中，本人首先将集中精力对效果比较好的阈值化方法进行探讨，并对其存在的不足加以改进，从而作出性能优良的计算机算法；由于目前很多方法各有其特点，所以将对具有不同特点的图像用不同的方法处理进行研究。在论文正文部分还将其应用到实践中去，并对其加以评价。 第二章：图像的预处理 2.1图像预处理的概述 由于切片染色和输入光照条件及采集过程电信号的影响，所采集的医学图
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-
几种常见的阈值分割算法核心代码
阈值分割 1/*===============================图像分割 =====================================*/ 2 /*-------------------------------------------------------------------------- -*/ 3/*手动设置阀值*/ 4 IplImage* binaryImg = cvCreateImage(cvSize(w, h),IPL_DEPTH_8U, 1); 5 cvThreshold(smoothImgGauss,binaryImg,71,255,CV_THRESH_BINARY); 6 cvNamedWindow("cvThreshold", CV_WINDOW_AUTOSIZE ); 7 cvShowImage( "cvThreshold", binaryImg ); 8//cvReleaseImage(&binaryImg); 9 /*---------------------------------------------------------------------------*/ 10/*自适应阀值 //计算像域邻域的平均灰度，来决定二值化的值*/ 11 IplImage* adThresImg = cvCreateImage(cvSize(w, h),IPL_DEPTH_8U, 1); 12double max_value=255; 13int adpative_method=CV_ADAPTIVE_THRESH_GAUSSIAN_C;//CV_ADAPTIVE_THRESH_MEAN_C 14int threshold_type=CV_THRESH_BINARY; 15int block_size=3;//阈值的象素邻域大小 16int offset=5;//窗口尺寸 17 cvAdaptiveThreshold(smoothImgGauss,adThresImg,max_value,adpative_method, threshold_type,block_size,offset); 18 cvNamedWindow("cvAdaptiveThreshold", CV_WINDOW_AUTOSIZE ); 19 cvShowImage( "cvAdaptiveThreshold", adThresImg ); 20 cvReleaseImage(&adThresImg); 21 /*-------------------------------------------------------------------------- -*/ 22/*最大熵阀值分割法*/ 23IplImage* imgMaxEntropy = cvCreateImage(cvGetSize(imgGrey),IPL_DEPTH_8U,1); 24 MaxEntropy(smoothImgGauss,imgMaxEntropy); 25 cvNamedWindow("MaxEntroyThreshold", CV_WINDOW_AUTOSIZE ); 26 cvShowImage( "MaxEntroyThreshold", imgMaxEntropy );//显示图像 27 cvReleaseImage(&imgMaxEntropy ); 28 /*-------------------------------------------------------------------------- -*/ 29/*基本全局阀值法*/ 30 IplImage* imgBasicGlobalThreshold = cvCreateImage(cvGetSize(imgGrey),IPL_DEPTH_8U,1); 31 cvCopyImage(srcImgGrey,imgBasicGlobalThreshold);
基于阈值的图像分割方法研究与实现
本科毕业设计 （2011届） 题目基于阈值的图像分割方法研究与实现 摘要 本毕业设计主要研究基于Hough变换的图像结构提取方法，通过MATLAB语言编程来实现两种典型的图像阈值分割算法（最大类间方差法和迭代法），并对这两种算法进行比较分析。其主要工作步骤如下： 首先介绍数字图像处理和图像分割的基本理论知识。接着对几种图像分割方法进行了介绍。然后了解图像阈值化原理，并在此基础上对两种典型的图像阈值分割算法（最大类间方差法和迭代法）的原理进行了介绍。最后通过MATLAB语言编程实现这两种算法，分别得到这两种算法的分割性能，并对这两种算法的分割性能进行比较。结果表明在大多数情况下，最大类间方差法比迭代法更稳定。 关键词：数字图像处理；阈值化；最大类间方差法；迭代法；直方图
ABSTRACT The main aim of this thesis is to analyze image segmentation method based on thresholding, then implement two typical algorithms (Otsu method and Iterative method) by MATLAB language programming, and compare the two algorithms. Its main work procedure is as follows: First the basic theories of digital image processing and image segmentation are introduced. Then several image segmentation algorithms are introduced. Based on knowing the theory of image thresholding, we introduce the theory of two typical algorithms (Otsu method and Iterative method). Finally through MATLAB language programming, we can get the segmentation performance of the two algorithms respectively, and compare the two algorithm’s segmentation performance. The result shows that Otsu method is more stable than Iterative method in most cases. Key words：digital image processing; thresholding; Otsu method; Iterative method; image histogram.
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：
图像分割技术的研究背景及意义
图像分割技术的研究背景及意义 1概述 2图像分割技术的研究背景及意义 2.1阈值分割方法 2.2基于边缘的分割方法 2.3基于区域的分割方法 2.4 结合特定理论工具的分割方法 1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。 2图像分割技术的研究背景及意义 图像分割是图像处理中的一项关键技术，也是一经典难题，发展至今仍没有找到一个通用的方法，也没有制定出判断分割算法好坏的标准，对近几年来出现的图像分割方法作了较为全面的综述，探讨了图像分割技术的发展方向，对从事图像处理研究的科研人员具有一定的启发作用。 图像分割是图像分析的第一步，图像分割接下来的任务，如特征提取、目标识别等的好坏，都取决于图像分割的质量如何。由于该课题的难度和深度，进展比较缓慢。图像分割技术自20世纪70年代起一直受到人们的高度重视，虽然研究人员针对各种问题提出了许多方法，但迄今为止仍然不存在一个普遍适用的理论和方法。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题。最近几年又出现了许多新思路、新方法或改进算法，对一些经典方法和新出现的方法作了概述，并将图像分割方法分为阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法4类。
2.1阈值分割方法 阈值分割方法的历史可追溯到近40前，现已提出了大量算法。阈值分割法就是简单的用一个或几个阈值将图像的直方图分成几类，图象中灰度值在同一个灰度类内的像素属于同一个类。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，即一个阈值对应一个相应的子区域，这种方法也叫称为适应阈值分割。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、概率松驰法、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。薛景浩、章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象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。陈向东、常文森等人提出了基于小波变换的图像分数维计算方法，利用小波变换计算图像的分数维准确性高的特性。结果表明计算出的图像分数维准确，而且通过应用快速小波变换可以满足实时计算的要求，为实时场景分析提供有效的方法。建立在积分几何和随机集论基础之上的数学形态学以其一整套变换、概念和算法为数学工具，提供了并行的、具有鲁棒性的图像分割技述。它不仅能得到图像中各种几何参数的间接测量，反映图像的体视特性，而
阈值分割算法
clc; clear; I=imread('d:\1.jpg'); subplot(221);imshow(I);title('原图像'); I1=rgb2gray(I); %双峰法 newI=im2bw(I1,150/255); subplot(222),imshow(newI);title('双峰法阈值分割后的图像'); %迭代法阈值分割 ZMax=max(max(I)); ZMin=min(min(I)); TK=(ZMax+ZMin)/2; bCal=1; iSize=size(I); while(bCal) iForeground=0; iBackground=0; ForegroundSum=0; BackgroundSum=0; for i=1:iSize(1) for j=1:iSize(2) tmp=I(i,j); if(tmp>=TK) iForeground=iForeground+1; ForegroundSum=ForegroundSum+double(tmp); else iBackground=iBackground+1; BackgroundSum=BackgroundSum+double(tmp); end end end ZO=ForegroundSum/iForeground; ZB=BackgroundSum/iBackground; TKTmp=uint8((ZO+ZB)/2); if(TKTmp==TK) bCal=0; else TK=TKTmp; end end disp(strcat('迭代后的阈值：',num2str(TK))); newI=im2bw(I,double(TK)/255);
数字图像处理实验_阈值分割算法
《数字图像处理》实验 9.编写程序，实现阈值分割算法． %9.编写程序，实现阈值分割算法． %这段代码的想法是通过相邻两个像素的平均值的比较来确定阈值的选取。 %通过f(i-1,j-1),f(i,j),f(x,+1,j+1)这三个两两相邻的像素的平均值来比较。 %若两个平均值的差值小于某一个指定的值，这取这个平均值作为新的阈值。 %这样可以把图像中像素比较平缓的部分和像素差别比较大的部分分割开来。 clear; f = imread('text.jpg'); f=rgb2gray(f); f = im2double(f); g=f; [m,n] = size(f); x=0.1;%x作为判断的值，两个平均值的差不小于x; d = false; while~d fori=2:m-1%为确保f(i,j)的取值在原图的范围内需要保证的范围。 forj=2:n-1 t = (f(i-1,j-1)+f(i,j))/2;%求三个两两相邻的像素点的像素的平均值t1 = (f(i,j)+f(i+1,j+1))/2;
d = abs(t1-t) 九江学院学士学位论文 摘要 图像阈值分割算法分析与实现是图像处理领域的一个基本的、重要的研究课题。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。 图像阈值分割法是一种最常用，同时也是最简单的图像分割方法，它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量，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的必要的图像预处理过程。图像阈值化的目的是要按照灰度级对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。本文首先介绍了图像分割发展现状，其次对图像分割的基础做了简单的介绍，最后重点对双峰法阈值分割、分水岭阈值分割、0tsu阈值分割作了详细分析与研究，并且把这三种算法的分割效果进行了简单的比较，结果发现各阈值分割方法都有各自的优劣性，需要根据图像的实际情况选择适合的方法。分割结果的好坏或者正确与否，目前还没有一个统一的评价判断准则，分割的好坏必须从分割的效果和实际应用场景来判断。 关键词：直方图；图像分割；阈值；算法 图像阈值分割算法分析与研究 The analysis and implementation of image threshold Segmentation algorithm Abstract The analysis and implementation of image threshold segmentation algorithm is a basic and important research topic. The so-called image threshold segmentation is mean to divide the grayscale, color, space, texture, geometry and other features into several disjoint areas, so that these characteristics in the same area, showing the consistency or similarity, while showing different in different regions . The segmentation of image threshold method is one of the most commonly and simple image segmentation method, it is especially suitable for the target and background occupy different gray-scale range of the image. It not only can greatly compress the amount of data, but also greatly simplifies the analysis and processing steps. In many cases, image analysis, feature extraction and pattern recognition are till the necessary image pre-processing process. The purpose of image threshold is to divide each subset of the formation of a region corresponding into the realistic scenery according to the gray level pixel, each region consistent with the properties of adjacent regional distribution of this a consistent attribute. This division can select one or more threshold starting from the gray level. This paper first introduces the development status of image segmentation, followed by a brief introduction on the basis of image segmentation, and finally focus on the apex method threshold segmentation, watershed threshold segmentation and 0tsu threshold segmentation are analyzed and researched in detail, and made a simple comparison with the segmentation results of the three algorithms and found that each threshold segmentation method has its own advantages and disadvantages, you need to select the appropriate method according to the actual situation of the image. There are no single evaluation criterion about Segmentation result is good or bad, right or wrong, , the segmentation good or bad are based on the segmentation results and determine on the actual scenarios . Keywords: histogram; image segmentation; threshold; algorithm图像阈值分割算法分析与实现