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)

1.概述

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[37]．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。

阈值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．已被应用于很多的领域，例如，在红外技术应用中，红外无损检测中红外热图像的分割，红外成像跟踪系统中目标的分割；在遥感应用中，合成孔径雷达图像中目标的分割等；在医学应用中，血液细胞图像的分割，磁共振图像的分割；在农业工程应用中，水果品质无损检测过程中水果图像与背景的分割。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、识别的前提，分割的准确性将直接影响后续任务的有效性，其中阈值的选取是图像阈值分割方法中的关键技术。

图像分析和理解的第一步常常是边缘检测。边缘检测方法是人们研究得比较多的一种方

法，它通过检测图像中不同区域的边缘来达到分割图像的目的。边缘检测的实质是采用某

种算法来提取出图像中对象与背景问的交界线。我们将边缘定义为图像中灰度发生急剧

变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可

以用局部图像微分技术来获得边缘检测算子。经典的边缘检测方法，是通过对原始图像

中像素的某小邻域构造边缘检测算子来达到检测边缘这一目的。

2.图像阈值分割和边缘检测原理

2.1.阈值分割原理

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围之中的灰度阈值，然后

将图像中各个像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。阈值分割算法主要有两个步骤：

（1）确定需要的阈值；

（2）将分割阈值与像素值比较以划分像素。

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．若考虑分割算法所用的特征或准则的特点，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、模糊集法等。在这里我们只介绍手动阈值分割（又称双峰阈值分割或

者全局阈值分割），迭代算法阈值分割，大津法（OTSU 法）阈值分割。

2.1.1．手动（全局）阈值分割

手动阈值分割算法，由于工作原理是用一个手动设定的灰度阈值对整个图像做分割，进

而产生二值图像，所以又称全局分割算饭，同时这种分割算法对于图像灰度直方图呈双峰分

布时比较有效，故又称双峰分割算法。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

图像分割方法可由式（2.1）描述 （2.1）

这样得到的g(x,y)是一幅二值图像。这时T 的大小将直接影响分割的效果。由于这种分

割算法适用范围有限，而且要手动设定灰度阈值，过程复杂而且有时灰度阈值不易寻找，进

而出现了自动阈值分割，主要是迭代算法和大津算法（OTSU ）阈值分割。

???=T < y)f(x, 0T > y)f(x, 1),(if if y x g

2.1.2．迭代算法阈值分割

迭代算法是对双峰法的改进，它首先选择一个近似阈值T，将图像分割成两个部分G1和G2，然后计算G1和G2像素的平均灰度值m1和m2，选择新的分割阈值T= T = (m1 + m2) / 2;重复以上步骤，知道T不变为止。迭代法适合图像直方图有明显波谷。

迭代算法是基于逼近的思想，其主要步骤如下：

1.为全局阈值选择一个初始估计值T(图像的平均灰度)。

2.用T分割图像。产生两组像素：G1有灰度值大于T的像素组成，G2有小于等于T 像素组成。

3.计算G1和G2像素的平均灰度值m1和m2；

4.计算一个新的阈值:T = (m1 + m2) / 2;

5.重复步骤2和4,直到连续迭代中的T值间的差小于一个预定义参数为止。

然后再用阈值分割对图像进行分割得到二值灰度图像。

2.1.3．大津算法阈值分割

大津法（OTSU）是一种确定图像二值化分割阈值的算法，由日本学者大津于1979年提出。从大津法的原理上来讲，该方法又称作最大类间方差法，因为按照大津法求得的阈值进行图像二值化分割后，前景与背景图像的类间方差最大。

对于图像f(x,y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。图像的总平均灰度记为μ，类间方差记为g。

假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有：

ω0=N0/ M×N (1)

ω1=N1/ M×N (2)

N0+N1=M×N (3)

ω0+ω1=1(4)

μ=ω0*μ0+ω1*μ1 (5)

g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6)

将式(5)代入式(6),得到等价公式:

g=ω0ω1(μ0-μ1)^2 (7)这就是类间方差

采用遍历的方法得到使类间方差g最大的阈值T,即为所求。然后再用所得到的T进行全局阈值分割得到二值图像。

2.2.边缘检测原理

图像分析和理解的第一步常常是边缘检测。边缘检测方法是人们研究得比较多的一种方法，它通过检测图像中不同区域的边缘来达到分割图像的目的。边缘检测的实质是采用某种算法来提取出图像中对象与背景问的交界线。我们将边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。经典的边缘检测方法，是通过对原始图像中像素的某小邻

域构造边缘检测算子来达到检测边缘这一目的。

2.2.1．roberts算子边缘检测

函数的梯度定义为

通常把梯度的模叫做图象的梯度。对于数字图象，可以用差分来近似微分roberts算子模板的形式就是

2.2.2．prewitt算子边缘检测

Prewitt算子由两部分组成，检测水平边缘的模板和检测垂直边缘的模板。

对数字图像f(x，y)，Prewitt算子的定义如下：

水平方向Gx=[f(i-1,j-1)+f(i-1,j)+f(i-1，j+1)]-[f(i+1,j-1)+f(i+1，j)+f(i+1，j+1)] 垂直方向Gy=[f(i-1,j+1)+f(i,j+1)+f(i+1，j+1)]-[f(i-1,j-1)+f(i,j-1)+f(i+1，j-1)] G(i,j)=|Gx|+|Gy|。

经典Prewitt算子认为：凡灰度新值大于或等于阈值的像素点都是边缘点。即选择适当的阈值T，若G(i,j)≥T，则G(i,j)为边缘点。这种判定是欠合理的，会造成边缘点的误判，因为许多噪声点的灰度值也很大，而且对于幅值较小的边缘点，其边缘反而丢失了。

2.2.3．sobel算子边缘检测

Sobel算子也有两个，一个是检测水平边缘的模板，另一个是检测水平边缘的

模板。sobel算子的另一种形式是各向同性Sobel算子，也有两个模板组成，

一个是检测水平边缘的，另一个是检测垂直边缘的。各向同性Sobel算子和普通Sobel算子相比，位置加权系数更为准确，在检测不同方向的边缘时梯度的幅度一致。本文中我们使用原始的sobel算子。

2.2.4．高斯laplacian算子边缘检测

Laplacian算子定义为

它的差分形式为

laplacian表示成模板的形式就是。Laplace算子是一种各向同性算子，在只关心边缘的位置而不考虑其周围的象素灰度差值时比较合适。Laplace算子对孤立象素的响应要比对边缘或线的响应要更强烈，因此只适用于无噪声图象。存在噪声情况下，使用Laplacian算子检测边缘之前需要先进行低通滤波。在本文中我们先进性高斯平滑处理再使用laplacian算子进行边缘检测。

2.2.5．canny算子边缘检测

Canny边缘检测基本原理

(1)图象边缘检测必须满足两个条件：一能有效地抑制噪声；二必须尽量精确确定边缘

的位置。

(2)根据对信噪比与定位乘积进行测度，得到最优化逼近算子。这就是Canny边缘检测算子。

(3)类似与Marr（LoG）边缘检测方法，也属于先平滑后求导数的方法。

Canny边缘检测算法：

step1:用高斯滤波器平滑图象；

step2:用一阶偏导的有限差分来计算梯度的幅值和方向；

step3:对梯度幅值进行非极大值抑制；

step4:用双阈值算法检测和连接边缘。

3.设计方案

这里通过MATLAB工具编写程序实现上述分割算法并给出处理后的结果，为了方便操作，形象的表示各分割算法的效果，通过一个MA TLAB图形界面GUI窗口来进行操作，在图形窗口中有‘打开图像’按钮，一输入和显示阈值的文本输入框，一个选择分割算法的下拉菜单，以及一个显示原图像和一个显示处理后图像的坐标轴。

先点击‘打开图像’并选择电脑中的一幅图像，然后通过下拉菜单选择图像分割算法，在这里有两种情况，如果是选择‘手动阈值分割’，那么需要手动在文本编辑框中输入设定的阈值，而如果是选择其他的分割算法，由于这些算法都不需要手动输入阈值，而是通过程序自动选择阈值，所以这里文本编辑框中会显示程序自动选择的阈值。

点击下拉菜单中的条目选择不同的分割算法进行分割，分割后的图像会显示在右侧的坐标轴中。示例如下：

4.实验过程

程序共有四个m文件构成，分别是主函数文件Imgprocess.m和四个函数文件fuzhi.m,td.m,dd.m和dajin.m。

在介绍各种图像分割算法之前，先介绍程序中的几个函数，如下：

1.利用阈值t0对图像cell进行二值化的函数fuzhi(cell,t0)，代码如下：

function ncell=fuzhi(cell,t0);

[a,b]=size(cell); %获取文件的尺寸

for i=1:a %通过循环分别对图像灰度与阈值t0进行比较判，如果大于t0则灰度置为%255，否则置为0；

for j=1:b

if cell(i,j)>t0

ncell(i,j)=255;

else

ncell(i,j)=0;

end

end

end

2.利用已经求得的水平方向梯度xa和垂直方向梯度ya来求它们的均方值的td（xa，ya），

代码如下：

function na=td(xa,ya)

[a,b]=size(xa);

for i=1:a

for j=1:b

na(i,j)=sqrt((xa(i,j)*xa(i,j))+(ya(i,j)*ya(i,j))); %求xa和ya的均方值并返回给na

end

end

3.对图像cell通过迭代法求阈值的函数dd（cell），代码如下：

function t0=dd(cell)

[a,b]=size(cell);

zmax=max(max(cell)); %求图像的最大灰度值

zmin=min(min(cell))；%求图像的最小灰度值

t0=(zmax+zmin)/2; %将t0的初始值置为(zmax+zmin)/2

flag=1;

while(flag) %flag是循环标志，初始值为1，只有当找到要得到的t0才%置为0，从而结束循环

nbf=0; %前景数

nbk=0; %背景数

nibf=0; %前景和背景灰度总和

nibk=0;

for i=1:a %通过循环遍历来计算前景数，背景数，前景灰度总和和%背景灰度总和。

for j=1:b

if cell(i,j)>t0

nbf=nbf+1;

nibf=nibf+double(cell(i,j));

else

nbk=nbk+1;

nibk=nibk+double(cell(i,j));

end

end

end

zo=nibf/nbf; %得到前景背景的平均灰度值

zb=nibk/nbk;

t0tmp=(zo+zb)/ 2; %判断t0是否变化，如果不变化则这时的t0就是所求阈值if t0tmp==t0

flag=0;

else

t0=t0tmp;

end

end

4.对图像cell通过大津法求阈值的函数dajin（cell），代码如下：

function t0=dajin(cell)

[a,b]=size(cell);

ni=zeros(1,256);

for i=0:255 %通过循环统计从0到255各个灰度的像素个数for j=1:a

for k=1:b

if cell(j,k)==i

ni(i+1)=ni(i+1)+1;

end

end

end

end

N=0;

for n=0:255

N=N+ni(n+1); %计算总的像素个数

end

pi=zeros(1,255);

pi=ni/N; %计算各灰度值出现的概率

u=0;

for i=0:255 %计算u；

u=u+i*pi(i+1);

end

sgmat=zeros(1,256); %计算类间方差sgma（T）for T=0:255

wt=0;

ut=0;

for i=0:T

wt=wt+pi(i+1);

ut=ut+i*pi(i+1);

end

sgmat(T+1)=(u*wt-ut)^2/(wt*(1-wt));

end

sgmamax=max(sgmat); %求出最大的类间误差for i=0:255 %求出这时的阈值t0 if sgmamax==sgmat(i+1)

t0=i;

break;

end

end

4.1.阈值分割

4.1.1．手动（全局）阈值分割

t0=b;%b是从文本编辑框中读取的阈值

pic2=fuzhi(pic,b);%进行二值化运算

4.1.2．迭代算法阈值分割

t0=dd(pic);%通过迭代算法求得阈值

pic2=fuzhi(pic,t0);

4.1.3．大津算法阈值分割

t0=dajin(pic)；%通过大津算法求得阈值

pic2=fuzhi(pic,t0);

4.2.边缘检测

4.2.1．roberts算子边缘检测

t0=dajin(pic);%先通过大津算法求出阈值

xr=[1 0;0 -1];%水平方向算子

yr=xr'; %垂直方向算子

xpic=3*filter2(xr,pic,'same');%对图像求水平方向梯度 ypic=3*filter2(yr,pic,'same');%对图像求垂直方向梯度 pic2=td(xpic,ypic);%求梯度

pic2=fuzhi(pic2,t0);

4.2.2．prewitt算子边缘检测

pic=double(pic);

t0=dd(pic);

xp=[-1 -1 -1;0 0 0;1 1 1];%水平方向算子

yp=xp';

xa=filter2(xp,pic,'same');

ya=filter2(yp,pic,'same');

na=td(xa,ya);

pic2=fuzhi(na,t0);

4.2.3．sobel算子边缘检测

t0=dajin(pic);

xsobel=[-1 -2 -1;0 0 0;1 2 1];%水平方向算子

ysobel=xsobel';

xpic=filter2(xsobel,pic,'same');

ypic=filter2(ysobel,pic,'same');

npic=td(xpic,ypic);

pic2=fuzhi(npic,t0);

4.2.4．高斯laplacian算子边缘检测

gauss=[1 4 7 4 1;

4 16 26 16 4;

7 26 41 26 7;

4 16 26 16 4;

1 4 7 4 1]/273;%高斯算子

t0=dd(pic);

npic=filter2(gauss,pic,'same');%先对图像用高斯算子进行平滑

lap=[0 1 0;1 -4 1;0 1 0]; %laplacian算子

npic=filter2(lap,npic,'same');

npic=abs(15*npic);

pic2=fuzhi(npic,t0);

4.2.5．canny算子边缘检测

[pic2,th]=edge(pic,'canny');%canny实现起来太过复杂，我们直接调用%MATLAB自带的canny算子进行边缘检测

t0=th(1);

5.试验结果及分析

5.1．实验结果

这里列出了分别对两幅图像进行上述分割方法处理的结果。

5.1.1．手动（全局）阈值分割

阈值选择过小的情况

阈值选择合适的情况

阈值选择过大的情况

5.1.2．迭代算法阈值分割

5.1.3．大津算法阈值分割

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

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

水平集图像分割方法研究

生物医学图像分割方法研究 1、图像分割概述 图像是用各种观测系统以不同形式和手段观测客观世界所获得的，可以直接或间接作用于人眼并产生视觉感知的实体。在现实生活之中，大约有75%左右的信息来源于人眼（图像），也就是说人类大部分的信息是视觉信息，从图像中得到。所以，对图像的认识和理解一直是人类视觉研究中非常重要的问题。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。图像分割是计算机视觉领域中最古老也是研究最广泛的问题之一。任何图像处理系统，医学图像或是工业图像，图像分割都是一个关乎系统成败的关键问题。 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、基于边缘的分割方法、基于区域的分割方法以及基于特定理论的分割方法等。 1、基于阈值的分割方法。 阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。因此，该类方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。阈值分割当面比较有名的方法有最大类间方差法(OTSU)、基于直方图的阈值方法和熵方法等。 2、基于边缘的分割方法 所谓边缘是指图像中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图像特性的突变。通常情况下，基于边缘的分割方法指的是基于灰度值的边缘检测，它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这一观测基础上的方法。 阶跃型边缘两边像素点的灰度值存在着明显的差异，而屋顶型边缘则位于灰度值上升或下降的转折处。正是基于这一特性，可以使用微分算子进行边缘检测，即使用一阶导数的极值与二阶导数的过零点来确定边缘，具体实现时可以使用图像与模板进行卷积来完成。常用的边缘检测算子有sobel，canny和laplace等等。

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：

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-

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

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：

基于水平集的gac模型的图像分割报告

偏微分方程与图像处理(GAC的水平集方法)

实验二 GAC 的水平集方法 一 实验目的 采用GAC 模型的水平集方法检测图像中对象的轮廓，以便有效地进行分割。 二 原理分析 推广GAC 模型的水平集方法对应的PDE 为： u gc u g u gk u t ?=?+???+?? （3.31） 按照上式，曲线运动将受两种“力”的支配，第一种力来自于曲率几何形变—曲率运动（gc u gk u ?+?），不过它的强弱还要受到因子()g I ?的影响。 I ?为图象I(x,y)的梯度模值，函数g (r) 是可以是任何具有单调减性的函数。 因为图象梯度模值I ?在图象的边缘附近有较大值，从而使g(I ?)取极小的值，故在图象边缘附近，该作用力将会变的很小，因此有时将边缘函数()g I ?称之为边缘停止函数。常数c 的作用是加速曲线向内部收缩。 第二种力来自于g 的梯度(1,2)g αα?= ，它是一种不论当前C 的局部是在对象内部或外部，都能将曲线引向边界的“吸引力”。从而g u ??? 总是使曲线向着更接近于边界线的方向运 动，最终达到贴近对象边界的稳定状态。 由于这两种作用使曲线演化可最终达到紧靠轮廓这一稳定状态而不再继续演化。 采用单边迎风方案，根据（1.76）式的数值方案实现上式： 考虑到 0g >,0c > 可得： (1) () () {n n ij ij ij u u t g c +-=+?? () () () () max(1,0)min(1,0)max(2,0)min(2,0)x ij x ij y ij y ij D u D u D u D u αααα-+-+++++ (0) 2 (0) 212 [()()]}n ij ij x ij y ij g k D u D u ++ (2.1) 其中 () 2222 [(max(,0))(min(,0))(max(,0))(min(,0))] x ij x ij y ij y ij D u D u D u D u -+-+-? =+++ (2.3) ,1,1 (0) 2 i j i j x ij u u D u +--= 中心差分 (2.2)

基于灰度直方图的图像分割阈值自适应选取方法

中北大学 毕业设计（论文）任务书 学院、系： 专业： 学生姓名：车永健学号： 设计(论文)题目：基于灰度直方图的图像分割阈值自适应选取方法 起迄日期: 2015年3月9日~2015年6月20日设计(论文)地点: 指导教师:郭晨霞 系主任: 发任务书日期:2015年 2 月25 日

任务书填写要求 1．毕业设计（论文）任务书由指导教师根据各课题的具体情况填写，经学生所在系的负责人审查、系领导签字后生效。此任务书应在毕业设计（论文）开始前一周内填好并发给学生； 2．任务书内容必须用黑墨水笔工整书写或按教务处统一设计的电子文档标准格式（可从教务处网页上下载）打印，不得随便涂改或潦草书写，禁止打印在其它纸上后剪贴； 3．任务书内填写的内容，必须和学生毕业设计（论文）完成的情况相一致，若有变更，应当经过所在专业及系主管领导审批后方可重新填写； 4．任务书内有关“学院、系”、“专业”等名称的填写，应写中文全称，不能写数字代码。学生的“学号”要写全号（如020*******,为10位数），不能只写最后2位或1位数字； 5．有关年月日等日期的填写，应当按照国标GB/T 7408—94《数据元和交换格式、信息交换、日期和时间表示法》规定的要求，一律用阿拉伯数字书写。如“2004年3月15日”或“2004-03-15”。

毕业设计（论文）任务书

毕业设计（论文）任务书 3．对毕业设计（论文）课题成果的要求〔包括毕业设计(论文)、图纸、实物样品等)： 1、论文一份； 2、程序代码及图像结果； 3、英文翻译一份。 4．毕业设计（论文）课题工作进度计划： 起迄日期工作内容 2015年 3月 9 日~ 3 月20日 4 月 1 日~ 4月 20 日 4 月 21 日~ 5月 10 日 5 月 11 日~ 6月 15 日 6 月 16 日~ 6月 19 日查找资料，完成开题报告； 学习有关知识，方案确定，完成中期报告；完善算法并仿真验证； 撰写、修改、评阅毕业论文； 论文答辩 学生所在系审查意见： 系主任： 年月日

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

数字图像处理——阈值分割

计算机科学与通信工程学院 实验报告 课程图像处理 实验题目图像分割

1. 引言 图像分割是一种重要的图像分析技术。在对图像的研究和应用中，人们往往只对图像中的特定某一部分感兴趣，他们一般对应着图像中某些特定的区域。为了识别它们，可以把他们从图像中分离提取出来。 2. 基本知识 典型的图像分割方法可以分为基于阈值的方法、基于边缘的方法和基于区域的分割方法。 灰度阈值法将图片灰度划分为不同等级，用设置灰度阈值的方法确定有意义的区域。它是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。阈值分割方法实际上是输入图像f到输出图像g的如下变换： 其中，T为阈值，对于物体的图像元素g(i,j)=1，对于背景的图像元素g(i,j)=0。 由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接给出图像区域。 图像边缘是图像识别中抽取图像特征的重要属性。是由于相邻像素间灰度值剧烈变化引起的。图像中边缘处像素的灰度值不连续，这种不连续性可通过求导数来检测到。对于阶跃状边缘，其位置对应一阶导数的极值点，对应二阶导数的过零点(零交叉点)。因此常用微分算子进行边缘检测。常用的一阶微分算子有Roberts算子、Prewitt算子和Sobel算子，二阶微分算子有Laplace算子和Kirsh算子等。在实际中各种微分算子常用小区域模板来表示，微分运算是利用模板和图像卷积来实现。这些算子对噪声敏感，只适合于噪声较小不太复杂的图像。 水域分割是借鉴了形态学理论的分割方法，其本质是利用了图像的区域特征进行分割图像。将边缘检测与区域生长的优点相结合。 3. 功能分析及设计 用全局阈值、OTSU及迭代法求阈值。结果如图2,3所示 I=imread('i_boat_gray.bmp'); [width,height]=size(I); %otsu algorithm level=graythresh(I); BW=im2bw(I,level); figure imshow(BW) %global threshold for i=1:width for j=1:height if(I(i,j) < 80) BW1(i,j)=0; else BW1(i,j)=1;

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)

图像分割方法综述【文献综述】

文献综述 电子信息工程 图像分割方法综述 摘要：图像分割是图像理解的基础，图像分割的算法研究越来越受到关注，早期的图像分割算法在之后的研究中得到完善。活动轮廓模型是图像分割和边界提取的重要工具之一，主要包括了参数形式活动轮廓模型和几何形式活动轮廓模型两大类，本文对这两类模型进行了大概的说明，简单叙述了相对的优点，如几何活动轮廓模型在变形的过程中能处理曲线拓扑变化。鉴于活动轮廓模型所存在的缺点，提出了水平集算法，使得计算的范围和简易程度有了很大的发展。最后指出了图像分割的算法还有一些进一步优化的研究发展方向。 关键词：图像分割，参数活动轮廓模型，几何活动轮廓模型，水平集 1.引言 对图像进行处理，通过图像分割、目标分离、特征提取、参数测量等技术，将原始的图象转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。其中图像分割已经越来越受到人们的关注，作为一种图像处理与计算机视觉操作的预处理手段，已经应用到了很多的领域，图像分割可以定义为：根据图像特征对图像进行区域划分[1]过程，图像分割的效果好坏会直接影响到后续的处理结果，所以图像分割是一个基本而又关键的技术，为此人们提出了很多有效的、具有鲁棒性的分割算法。图像分割方法有很多，按知识的特点和层次可分为数据驱动和模型驱动两大类[2]，前者有Roberts算子、Sobel算子和Canny算子、阈值分割、分水岭算法和模糊聚类分割算法等；后者是直接建立在先验知识的基础上的，如基于活动轮廓模型的图像分割。水平集的应用领域是隐含曲线（曲面）的运动[3]，现在水平集已经广泛应用于图像恢复、图像增强、图像分割、物体跟踪、形状检测与识别、曲面重建、最小曲面、最优化以及流体力学中的一些方面。 一个好的图像分割算法应具有以下特点：1、有效性，能将图像中感兴趣的区域或目标分割出来的有效规则。2、整体性。能得到图像中感兴趣区域或目标的无断点和离散点的封闭边界。3、精确性，分割所得到的感兴趣区域或目标边界与实际情况贴近。4、稳定性，算法受噪声的影响性很小。 5、自动化，分割过程不需要人工的干预。但是让一种具体的图像分割方法全部满足上述特点是很难的，各种图像分割的方法都存在着必然的局限性，所以只能根据不同的适用领域和所要分割的图像区域特征来选择所对应的图像分割方法。 2．早期的图像分割方法 早期的图像分割方法，根据方法所利用的图像特征，分为边界法和区域法两类[4]。前者是根据