基于MATLAB的图像分割处理

学号：2011 —2012学年第 1 学期

专业综合课程设计报告

课题：基于MATLAB的图像分割处理

专业：通信工程

班级：

姓名：

指导教师：

成绩：

电气工程系

2011年11月16日

课程设计任务书

学生班级学生姓名：学号：

设计课题：基于MATLAB的图像分割处理

起止日期：2011.11.06—2011.11.16 指导教师：

设计要求：

本设计对图像分割中的小波变换进行了较为详细的综述。简要介绍医学图像分割的研究目的和意义，给出医学图像分割的基本方法及步骤。在对医学图像分割问题的起源、发展和研究现状进行简要综述的基础上，介绍该领域当前的研究热点及论文的主要研究内容。

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。图像分割是一个很关键的图像分析技术，是由图像处理

进到图像分析的关键步骤.它的目的就是把图像中感兴趣的那部分分割出来供

大家研究、处理和分析，一直都是图像技术研究中的热点。但是由于地域的差别，图像分割一直都没有一个比较通用的算法。

而对图像进行分割的方法有多种,阈值法是其中的一种简单实用的方法。本文主要对阈值法和matlab进行研究,并将它们结合起来以提高图像分割的准确性。本文的主要研究内容如下: 1) 分析了阈值分割方法近年来的新进展,并分析了图像阈值分割中的某些经典方法,如全局阈值方法、局部阈值方法、动态阈值方法等。2)讨论了matlab的主要应用及其特点。3) 将matlab应用于阈值分割，并做实验将其实现。

本次的设计报告首先介绍了双峰法以及最大类方差自动阈值法，然后重点介绍一种基于小波变换的图像分割方法,该方法先对图像的灰度直方图进行小波多尺度变换,然后从较大的尺度系数到较小的尺度系数逐步定位出灰度阈值。最后，对这几种算法的分割效果进行了比较。实验结果表明, 本设计能够实时稳定的对目标分割提取，分割效果良好。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。

关键词：小波变换；图像分割；阈值

一、设计原理介绍 (5)

1.1边缘检测法 (5)

1.2区域提取法 (6)

1.3阈值分割法 (6)

1.4结合特定理论工具的分割法 (7)

二、图像分割预处理 (7)

2.1 图像平滑 (7)

2.2中值滤波原理 (8)

2.3平滑效果分析 (8)

2.4灰度调整 (9)

2.5 灰度调整原理 (9)

2.6灰度调整效果分析 (10)

三、基于阈值的图像分割技术 (10)

3.1 阈值分割原理 (11)

3.2图像分割方法 (11)

3.3 图像二值化 (11)

3.4双峰法 (12)

3.5最大方差自动取阈值法 (13)

四、基于小波图像阈值分割技术 (14)

4.1 基于小波阈值分割技术简述 (14)

4.2 小波分析 (15)

4.3 小波变换 (15)

4.4 小波分割算法及步骤 (16)

4.5 阈值选取以及实验分析 (16)

五、参考文献 (21)

六、设计心得 (22)

第一章设计原理介绍

本章对设计涉及的研究领域进行了较为详细的综述。简要介绍了医学图像分割的研究目的和意义，给出了医学图像分割的基本方法及步骤。在对医学图像分割问题的起源、发展和研究现状进行简要综述的基础上，介绍了该领域当前的研究热点及论文的主要研究内容。

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，至今已提出了上千种各种类型的分割算法，现提出的分割算法大都是针对具体问题的，并没有一种适合于所有图像的通用分割算法，而且近年来每年都有上百篇相关研究报道发表。然而，还没有制定出选择合适分割算法的标准，这给图像分割技术的应用带来许多实际问题。因此，对图像分割的研究还在不断深入之中，是目前图像处理中研究的热点之一。

图像分割在图像工程中的位置它起着承上启下的作用，可以认为是介于低层次处理和高层次处理的中间层间。最近几年又出现了许多新思路、新方法、或改进算法。下面对一些经典传统方法作简要的概述。

多年来人们对图像分割提出了不同的解释和表述，借助集合概念对图像分割可给出如下定义：令集合R代表整个图像区域，对R的图像分割可以看做是将R分成N个满足以下条件的非空子集R1，R2，R3，…，R N；

（1）在分割结果中，每个区域的像素有着相同的特性；

（2）在分割结果中，不同子区域具有不同的特性，并且它们没有公共特性；

（3）分割的所有子区域的并集就是原来的图像；

（4）各个子集是连通的区域；

图像分割是把图像分割成若干个特定的、具有独特性质的区域并提取出感兴趣目标的技术和过程，这些特性可以是像素的灰度、颜色、纹理等提取的目标可以是对应的单个区域，也可以是对应的多个区域。图像分割方法有许多种分类方式，在这里将分割方法概括为四类：(1)边缘检测方法(2)区域提取方法(3)阈值分割方法(4)结合特定理论工具的分割方法。下面就这些方法展开介绍。

1.1 边缘检测法

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。

1.2 区域提取法

区域提取法有两种基本形式：一种是从单个像素出发，逐渐合并以形成所需的分割区域；另一种是从全图出发，逐渐分裂切割至所需的分割区域。在实际中使用的通常是这两种基本形式的结合。根据以上两种基本形式，区域提取法可以分为区域生长法和分裂合并法。区域生长法的基本思想是将具有相似性质的像素合起来构成区域，具体做法是先给定图像中要分割的目标物体内的一个小块或者说种子区域，再在种子区域的基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的。该方法的关键是要选择合适的生长或相似准则。生长准则一般可分为三种：基于区域灰度差准则、基于区域内灰度分布统计性质准则和基于区域形状准则。分裂合并法是先将图像分割成很多的一致性较强的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的。区域提取法的缺点是往往会造成过度分割，即将图像分割成过多的区域，因此近年来针对这种方法的研究较少。

1.3 阈值分割法

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。

1.4 结合特定理论工具的分割方法

近年来，随着各学科许多新理论和方法的提出，人们也提出了许多结合特定理论工具的分割方法，例如基于数学形态学的分割方法，基于神经网络的分割方法，基于信息论的分割方法，基于模糊集合和逻辑的分割方法，基于小波分析和变换的分割方法，基于遗传算法的分割方法等。基于小波分析和变换的分割方法是借助新出现的数学工具小波变换来分割图像的一种方法，也是现在非常新的一种方法。小波变换是一种多尺度多通道分析工具，比较适合对图像进行多尺度的边缘检测，例如可利用高斯函数的一阶和二阶导数作为小波函数，利用Mallat算法分解小波，然后基于马尔算子进行多尺度边缘检测，这里小波分解的级数可以

控制观察距离的“调焦”。而改变高斯函数的标准差可选择所检测边缘的细节程度。小波变换的计算复杂度较低，抗噪声能力较强。理论证明以零点为对称点的对称二进小波适合检测屋顶状边缘，而以零点为反对称点的反对称二进小波适合检测阶跃状边缘。近年来多通道小波也开始用于边缘检测。另外，利用正交小波基的小波变换也可提取多尺度边缘，并可通过对图像奇异度的计算和估计来区分一些边缘的类型。

第二章 图像分割预处理

由于受多种因素（光学系统失真、系统噪声、曝光不足或过量等）条件的影响，得到的图片往往信息微弱，无法辨识，需要进行增强处理。增强的目的，在于提供一个满足一定要求的图像，或对图像进行变换，以进行分析。

2.1 图像平滑

图像平滑的目的是为了减少图像噪声。图像的噪声来自于多方面，有来自于系统外部干扰，如电磁波或经电源串进系统内部而引起的外部噪声，也有来自于系统内部的干扰，如摄像机的热噪声，电器机械运动而产生的抖动噪声等内部噪声。因此，去除噪声，恢复原始图像是图像处理中的一个重要内容。噪声主要来自下面三个方面：

（1）光电子噪声：主要由光的统计本质和图像传感器的光电转换过程引起的（如光电管的光量子噪声和电子起伏噪声）；

（2）电子噪声：主要来自电子元器件（如电阻引起的热噪声）；

（3）光学噪声：主要由光学现象产生的（如胶片的粒状结构产生的颗粒噪声）； 图像在生成和传输过程中受到这些噪声的干扰和影响，使图像处理结果变差。因此，抑制或消除这些噪声从而改善图像质量，在图像处理过程中是一个重要的预处理，也称为对图像的平滑滤波过程。

2.2 中值滤波原理

中值滤波是一种非线性滤波，由于它在实际运算过程中并不需要图像的统计特性，所以比较方便。中值滤波首先是被应用在一维信号处理技术中，后来被二维图像信号处理技术所应用。在一定的条件下，可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声最为有效。中值滤波的目的是保护图像边缘的同时去除噪声。

在一维的情况下，中值滤波器是一个含有奇数个像素的窗口，在处理之后，将窗口正中的像素灰度值用窗口内各像素灰度值的中值来代替。设有一个维序列f 1，f 2，…，f n ，取窗口长度为奇数m ，对此序列进行中值滤波，就是从输入序列中相续抽出m 个数，f i-v ，…f i ，…f i+v ，其中为窗口的中心值v=(m-1)／2，再将这m 个点的数值按其数值大小排列，取其序号为正中间的那个数作为滤波输出。中值滤波表达式为：

{}v i i v i i f f f Med F +-=,,,, （2-1）

对二维序列{X i,j }的中值滤波，滤波窗口也是二维的，但这种二维窗口可以有各种不同的形状，如线状、方形、圆形、十字形、圆环形等。二维中值滤波可表示为：

{}为滤波窗口，A x Med F j i A j i ,,= （2-2） 在实际使用窗口时，窗口的尺寸一般先用33?再取55?逐渐增大，直到其滤

波效果满意为止。

由于中值滤波是非线性运算，在输入和输出之间的频率上不存在一一对应关系，故不能用一般线性滤波器频率特性的研究方法。设G为输入信号频谱，F为输出信号频谱，定义F

H/

为中值滤波器的频率响应特性，实现表明H是与G

G

有关，呈不规则波动不大的曲线，其均值比较平坦，可以认为信号经中值滤波后，传输函数近似为1，即中值滤波对信号的频域影响不大，频谱基本不变。

2.3 平滑效果分析

图2-3所示的是图像中值滤波前后的效果比较，其中图2-3（a）是含有噪声的原图，图2-3（b）是用中值滤波处理后的图像，滤波窗口为3×3，可见，中值滤波后的图像不仅滤去了椒盐类噪声,而且边缘得到了较好的保护。

(a)带噪声图像(b)消噪后图像

图2-3 带噪声图像与中值滤波后图像比较

2.4灰度调整

在成像过程中,扫描系统、光电转换系统中的很多的因素，如光照强弱、感光部件灵敏度、光学系统不均匀性、元器件特性不稳定等均可造成图像亮度分布的不均匀，导致某些部分亮，某些部分暗。灰度调整就是在图像采集系统中对图像像素进行修正，使整幅图像成像均匀。

2.5 灰度调整原理

灰度调整可使图像动态范围增大，图像对比度扩展，图像变清晰，特征明显，是图像增强的重要手段之一。

在曝光不足或过度的情况下，图像灰度可能会局限在一个很小的范围内。这时在显示器上看到的将是一个模糊不清、似乎没有灰度层次的图像。采用线性灰度调整对图像每一个像素灰度作线性拉伸，将有效地改善图像视觉效果。

2.6 灰度调整效果分析

（a）灰度调整前(b)灰度调整后

(c)原始图像直方图（d）调整后直方图

图2-4 灰度调整前后直方图比较

由图2-4可以看出(b)视觉效果较(a)明显，灰度调整前后直方图的比较可以看出，调整后直方图(d)去除了原始直方图(c)的噪声直方图，灰度调整后图像明显清晰了。

第三章 基于阈值的图像分割技术

当非灰度图像转换为灰度图像后，图像中各目标区域的灰度值会不一样，如果图像的灰度直方图具有明显的双峰值或多峰值特征，可以利用阈值化方法求取最佳阈值，然后对图像进行合理分割。

3.1 阈值分割原理

阈值化图像分割是一种最基本的图像分割方法，其基本原理就是选取一个或多个处于灰度图像范围之中的灰度阈值，然后将图像中各个像素的灰度值与阈值比较，并根据比较的结果将图像中的对应像素分成两类或多类，从而把图像划分成互不重叠的区域集合，达成图像分割的目的。

采用阈值化图像分割时通常需要对图像作一定的模型假设。利用图像模型尽可能了解图像有几个不同的区域组成。基于图像分割模型经常采用这样一种假设：目标或背景内相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上存有差异。设原始图像为f(x,y),按照一定准则在f(x,y)中找到某种特征值，该特征值便是进行分割时的阈值T ，或者找到某个合适的区域空间Ω，将图像分割成两个部分，分割后的图像为

???≥<=T y x f b T y x f b y x g ),(),(),(10 （3-1）

对于有多种阈值情况，分割后的图像可以表示为：其中K T T T ,,10是一组分割阈值，k b b b ,,10是经分割后对应不同区域的图像灰度值，K 为分割后的区域或目 标数，1,2,1,0),(),(g 1i -=≤≤=+K i T y x f T b y x i i 当。

无论是单阈值分割还是多阈值分割，都是选取一个比较合理的阈值，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，从而产生相应的二值图像。

3.2 图像分割方法

阈值分割就是设置一个门限（阈值），凡图像灰度值大于等于（或小于等于）门限的归为一类，剩余的归为另一类，其中一类为背景，另一类为目标。

3.3 图像二值化

基于区域的分割最主要方法是二值化。二值化方法对由多个实体和一个对比较强的背景图像所组成的场景图像特别有效。二值化方法一般速度较快，而且使每个分割出来的物体都具有闭合和连通的边界。图像二值化后信息丢失很严重，由此得到的边界轮廓可能会不精确。因此，可以用速度较快的二值化方法来获得一个关于图像分割结果的较粗略的描述。

3.4 双峰法

在一些简单的图像中，对象物的灰度分布较有规律，背景和各个对象物在图像的灰度直方图中各自形成一个波峰，即区域和波峰一一对应。由于每个波峰间形成一个波谷，因为选择双峰间的波谷处所对应的灰度值为阈值，即可将两个区域分离。以此类推，可以在图像背景中分理出各类有意义的区域。

（a）原始图像（b）原始图像直方图

（c）阈值=25分割图像（d）阈值=40分割图像

图3-2 二值化双峰分割

图3-2为两个简单阈值分割图，双峰法比较简单，在可能的情况下常常作为首选的阈值确定法，但是图像的灰度直方图形状随着对象、图像输入系统、输入环境等因素的不同而千差万别，当出现双峰间的波谷平坦、各区域直方图的波形重叠等情况时，用双峰法难以确定阈值，必须寻求其他方法，实现自动选择适宜阈值要求。

3.5 最大方差自动取阈值（自适应二值化）

图像灰度直方图的形状是多变的，有双峰但是无明显低谷或者是双峰与低谷都不明显，而且两个区域的面积比也难以确定的情况常常出现，采用最大方差自动取阈值往往能得到较为满意的结果。

图像灰度级的集合设为S=（1,2,3,…,i, …L ）, 灰度级为i 的像素数设为n i ，则图像的全部像素数为

∑∈=+++=S

i i L n n n N 21n (3-3)

将其标准化后，像素数为N P i /n =，其中，i ∈S ，p i ≥0，1p =∑∈S

i i （3-4）

设有某一图像灰度直方图，t 为分离两区域的阈值。由直方图统计可被t 分离后的区域1、区域2占整图像的面积比以及整幅图像、区域1、区域2的平均灰度为：

区域1的面积比： ∑==t j j n n 01θ；区域2的面积比∑-+==

11j 2G t j n n θ （3-5）

或者

整幅图像平均灰度)(u 10n n f j G j j ?

=∑-= ; 区域1的平均灰度)(101n n f u j t j j ?=

∑=θ； 区域2的平均灰度 )1112n n f u j G t j j ?=∑-+=θ (3-6)

式中，G 为图像的灰度级数。

整图像平均灰度与区域1、区域2平均灰度值之间的关系为

2211θθu u u += （3-7）

同一区域常常具有灰度相似特性，而不同区域之间则表现为明显的灰度差异，当被阈值t 分离的两个区域之间灰度差较大时，两个区域的平均灰度u 1,u 2与整图像平均灰度u 之差也较大，区域间的方差就是描述这种差异的有效参数，其表达式

为： 2222112))t (u ()u u u B -+-=θθσ（ （3-8）

式中，B 2σ表示了图像被阈值t 分割后的两个阈值之间的方差。显然不同的t 值，就会得到不同的区域方差，也就是说，区域方差、区域1均值、区域2均值、区域面积比、区域面积比都是阈值t 的函数，因此式（3-8）可写为：

2222112))t (u )(()u )((u t u t B -+-=θθσ （3-9）

经数学推导，区域间的方差可表示为：

221212))()t (u )()(t u t t B -?=（θθσ （3-10）

被分割的两区域间的方差达最大时，被认为是两区域的最佳分离状态，由此确定

阈定值T ：)](max [2t T B σ=，以最大方差决定阈值不需要认为设定其他参数，是一种自动选择阈值的方法，它不仅适用于两区域的单阈值选择，也可以扩展到多区域的多阈值选择中去。

(a)原始图像 (b)最大方差法分割后图像

图3-11 最大方差自动取阈值法

该方法将图像分成两个类，当类间方差与类内方差的分离度最大时即为最佳阈值．由图3-11表明，该方法能够准确而快速地对图像进行二值化，特别是当对象物和背景的灰度值的差具有一定大小的时候，效果更明显。

第四章 基于小波图像阈值分割技术

小波变换是近年来得到广泛应用的数学工具,与傅里叶变换、窗口傅里叶变换相比,小波变换是空间(时间) 和频率的局域变换，能有效地从信号中提取信息。

4.1 基于小波阈值分割技术简述

本论文利用小波变换对含噪图像的直方图进行多尺度分解,先在较大的尺度下找出图像分割阈值的粗略值,然后逐渐减小尺度,精确定位分割阈值，算法采用MATLAB 编程仿真。基于小波变换的阈值法图像分割技术则能够有效地避免噪声的影响。该方法的基本思想是首先由二进制小波变换将图像的直方图分解为不同层次的小波系数, 然后依据给定的分割准则和小波系数选择阈值门限, 最后利用阈值标出图像分割的区域。整个分割过程是从粗到细, 由尺度变化来控制, 即起始分割由粗略的L 2（R ）子空间上投影的直方图来实现, 如果分割不理想, 则利用直方图在精细的子空间上的小波系数逐步细化图像分割。

4.2 小波分析

基于小波变换的阈值法图像分割技术能有效地弥补传统的图像阈值法分割技术的不足,具有较强的抗噪声性能,同时,对于直方图为多峰值的情况,可以利用小波的多分辨率分解,对灰度阈值进行合理地选择,实现对图像的分割处理。

4.3 小波变换

由于图像的直方图可以看作是一维信号，而直方图上的突变点（波峰点和波谷点），往往可以代表图像灰度变化的特征。因此Jean-Christophe Olivo 提出了用小波变换对直方图进行处理的方法实现自动阈值提取。Olivo 通过检测直方图小波变换的奇异点和区域极值点给出直方图峰值点的特性。而小波变换的波峰和波谷点可以代表图像中灰度代表值和阈值点。利用小波变换多尺度特性实现对图像的阈值分割。又由于小波变换具有多分辨率的特性，因此可以通过对医学图像直方图的小波变换，实现由粗到细的多层次结构的阈值分割。首先在最低分辨率一层进行，然后逐渐向高层推进。小波变换()x W j H 2的零交叉点表示了在分辨率2j 时

低通信号的局部跳变点。当尺度2j 减小时，信号的局部微小细节逐渐增多，因此，能够检测出各微小细节的灰度突变点；当尺度2j 增大时，信号的局部细节逐渐消失，而结构较大的轮廓却能清晰地反映出来，因而能检测出该结构较大的灰度突变点。因此，可以选择小波为光滑函数()x θ的二阶导数，对图像的一维直方图信号进行小波变换，检测出直方图信号的突变点，由此搜索出两峰之问的谷点作为分割阈值点。这就是小波变换用于图像分割的基本原理。对图像的直方图来说，它的各层的小波分解系数表示不同分辨率下的细节信号，它与小波近似信号联合构成直方图的多分辨率小波分解表示。给定直方图，考虑其多分辨率小波分解表示的零交叉点和极值点来确定直方图的峰值点和谷点。

4.4 小波分割算法及步骤

分割算法的计算量与图像尺寸大小呈线性变化，本论文介绍直方图的多分辨率分析。对于每个整数j ∈Z （Z 整数集合），}

{Z k k j j ∈=;2/d 表示在j 分辨率下的二进制有理数。因此，对于任何j ∈Z ，j d 是一组在实数轴上的等间隔采样点集合，如果ij,则j d 表示高分辨率（较细）的采样点。假定f 表示为一幅图像，g 是图像f 中最大灰度，则直方图表示为

()()()}{[]g k k y x f y x k f ,0;,:,h ∈== （4-1）

式中”

“ 表示计数操作，()k f h 是离散函数。令()()[]1,,h x h +∈=k k x k f f ，离散函数()k f h 表示成连续函数()x h f ,f h 看作是由几个分段常数函数组成。对于j ∈Z ，f h 按采样点}{j d 采样，则f i h 表示在j 分辨率下的直方图。进一步f i h 可以用Haar 尺度函数)(x φ的平移与伸缩表示，即 ???≤≤=其他,010,

1)(x x φ （4-2）

)2()2()(h n x n h x j j Z

n f f j -=--∈∑φ （4-3）

多层表达曲线)x h （f 可以表示如下

k j J

i Z k k j k Z k k f b a x ,0,,0)(h ψφ∑∑∑=∈∈+= （4-4）

对直方图进行小波分解，利用小波系数}}{{}{k j k b a ,,，按式（4-4）重建直方图，从近似直方图中选择阈值，完成分割阈值。步骤如下：

步骤1：预设分割区域为M ，分解级数)(log 2L J =，L 为图像最大灰度值； 步骤2：小波分解曲线f h ，得到}}{{}{k j k b a ,,，令j=0,}{}

{k j k j ,,b d =;

步骤3：}{}{k j k j ,,d b =，将大于j 分解层次的}{k j ,b 系数设置为0，用式（4-4）重建，在重建直方图f h 中，找出满足l f l f ,1,h h >+和l f l f ,1,h h >-条件的标号l （灰度），并且统计标号l 的个数n;

步骤4：如果n

步骤5：从重建直方图f h 中，找到阈值}{i i i n l =≥≥δδ,1i ；

步骤6：像素值与阈值}{1i ≥≥i n δ比较，标出所在区域。

4.5 阈值选取以及实验分析

本论文所采用波谷点确定为图像分割的阈值点，两阈值平均点作为后一阈值和前一阈值之间区间灰度的代表值。直方图分辨率的小波表示：

设图像的灰度范围为0，1，2，…，N-1，灰度值x(0

∑-==1

0N x x n M （4-5）

灰度值x 出现的概率为：

M

n P x x = （4-6） 由上式可以建立该图像的直方图，它反映了该图H(x)=｛P x ，x=O ，1，…，N-1｝上灰度分布的统计特性，是基于像素灰度的图像分割方法的基础。

为了建立小波变换的多分辨率分解表示，引入尺度函数φ(x)，其傅立叶变换 满足条件：

2

2)2)(()(ωφφi x x = （4-7） 可见，φ(x)相当于低通滤波器，这样图像直方图H(x)的低通分量为： ()[]()()x x H x H S j j 22φ*= （4-8） 设原始图像直方图信号各尺度之间的各阶小波变换{()Z J x H W j ∈,2}。可以证

明：信号在在尺度为时被平滑掉的高频成分，可以用尺度的小波变换来恢复，我们称集合{()[]()x H W x H S j j 22,}为图像直方图信号的多分辨率小波分解表示。直方图

信号多分辨小波分解由一个最低分辨率下的近似信号()[]x H S j 2和一组分辨率的细

节信号()x H W j 2所组成。这是一种介于频域和时域的表示。为图像分析提供了一个

由粗到细的分层框架。

4.6多分辨率阈值选取

基于直方图和小波变换的图像分割技术由以下几个步骤组成：首先由粗分辨率下的图像直方图细节信息确定分割区域类数；其次，在相邻峰之间自动确定最优阈值；最后用求出的最优阈值分割原图像。

由于图像的原始直方图一般不够平滑或含有一定的噪声，因此，有必要对原始直方图进行平滑处理，以利于分割目标。其方法为：在空间域中采用保护边缘平滑方法平滑直方图，它既能保留原直方图基本变化特性，又能消除小峰的跳动。或者选取大尺度下的小波变换系数对直方图进行处理，也可以减小噪声的影响。

在分辨率为2j 时，由小波分解后的直方图近似信号()[]x H S j 2的极大值确定初

始区域类数，即确定峰的数目。对于灰度级数不多的原始影像，一个区域类通常对应直方图中的一个峰，然而，对于一幅复杂图像，经小波分解后平滑直方图中的每个峰则不一定都对应一个区域类，它也可能从属于邻近的一个峰，因而有必要通过检查认定哪些峰对应于分割区域类。

峰的独立性判断是为了消除不能成为一类的那些峰，独立峰应满足三个条件：

(1)应具有一定的灰度范围；

(2)应具有一定峰下面积；

(3)应具有一定的峰谷差。

峰与峰之间的谷点选取首先在最低分辨率层进行，然后逐层推进，直到信号的最高分辨率层，并在每一层的阈值选取中，采用前一层的选取结构为引导。这

种由粗到精的控制策略，能有效地选取最优分割阈值，同时较好地克服了噪声干扰和搜索空间大的问题。

设最优阈值分别为为T 1，T 2，T 3，…，T k (k 为正整数)，即可用这些最优阈值分割原始图像f(x ，y)，得到分割结果g(x ，y)，公式如下：

()()()()?????????≤??

<≤<≤=y x f T C T y x f C T y x f T C y x g k ,,0,,12211当当当 （4-9）

其中C k (k=O ，1，．

．．，K)表示分割后的类别代码。

（a ）小波分解

（b ）小波分割 （c ）传统分割

图4-10小波阈值分割

传统阈值分割与小波阈值分割方法的比较：

一、全局二值化方法由于采用的是用一个固定门限值来分割，因此门限值的

选取十分重要。众多学者提出了许多种选取“最优门限”的方法，但这种分割方法在光照不均匀和需要提取多个复杂特征的物体的时候难以获得较理想的效果。自适应二值化方法由于采用了自动取阈值的方法，避免了采用固定阈值的弊病，但是图像分割后局限性太大，效果不佳。

二、基于灰度直方图小波变换的多阈值分割，在小尺度下受噪声影响较大，但对阈值的定位比较准；大尺度下受噪声影响较小，可以找到确定阈值。峰与峰之间的谷点直接在大尺度下进行，既克服了噪声的影响，又有效的选取到最优阈值。对图像分割的效果明显优于前一种方法。

三、信噪比是信号与噪声的功率谱之比，但通常功率谱难以计算，有一种方法可以近似估计图象信噪比，即信号与噪声的方差之比。首先计算图象所有象素的局部方差，将局部方差的最大值认为是信号方差，最小值是噪声方差，求出它们的比值。信噪比越大，说明混在信号里的噪声越小，信号质量越好。

峰值信噪比一般是用于最大值信号和背景噪音之间的一个工程项目。通常在经过影像压缩之后，输出的影像通常都会有某种程度与原始影像不一样。为了衡量经过处理后的影像品质，我们通常会参考PSNR值来认定某个处理程序够不够令人满意。PSNR值越大，就代表失真越少。

通常一幅图像分割结果的好与坏，以人的主观判断作为评价标准[13]，也就是说是人的视觉决定了分割结果的优良，这样就导致了由于人的视觉差异对图像分割好坏评价的不统一，所以对不同分割方法的结果做一个定量的、定性的评价也是必要的且有意义。

参考文献

[1]翁璇，郑小林，姜海医学图像分割技术研究进展重庆大学生物工程学院1003-8868(2006)11-0037-03

[2]赵志峰, 张尤赛医学图像分割综述华东船舶工业学院1006-1088(2003) 03-0043-06

[3]邵立康，邹飞平，迟权德，秦晓燕，丁厚本一种基于直方图的阈值分割算法中国人民解放军炮兵学院，合肥东方辐射公司1004-4140（2009）02-0066-06

[4]汪海洋，潘德炉，夏德深二维Otsu自适应阈值选取算法的快速实现自动化学报2007 年9月第33卷第9期

[5]景晓军, 蔡安妮, 孙景鳌一种基于二维最大类间方差的图像分割算法通信学报2001年4月第22卷第4期

[6]姚宇华，严洪，蒋立正基于局部最大方差分割的图像二值化算法微型电脑应用2003年第l9卷第8期

[7]曾万梅,吴庆宪,姜长生一种新的目标图像自适应阈值分割算法南京航空航天大学自动化学院1671-637X(2009)05-0027-03

[8]潘秀琴,侯朝桢,杨国盛一种新的基于连续小波变换的图像分割算法北京理工大学学报2001年12月第21卷第6 期

[9]聂祥飞基于小波变换的图像分割技术研究重庆三峡学院1007-7022(2004) 13-0010-03

[10]刘海华，陈州徽，陈心浩，陈亚光基于小波变换的多分辨率图像分割中南民族大学电信学院1002-8331-（2006）01-0050-03

基于Matlab的彩色图像分割

用Matlab来分割彩色图像的过程如下： 1）获取图像的RGB颜色信息。通过与用户的交互操作来提示用户输入待处理的彩色图像文件路径; 2）RGB彩色空间到lab彩色空间的转换。通过函数makecform()和applycform()来实现; 3）对ab分量进行Kmean聚类。调用函数kmeans()来实现； 4）显示分割后的各个区域。用三副图像分别来显示各个分割目标，背景用黑色表示。Matlab程序源码 %文件读取 clear; clc; file_name = input('请输入图像文件路径：','s'); I_rgb = imread(file_name); %读取文件数据 figure(); imshow(I_rgb); %显示原图 title('原始图像'); %将彩色图像从RGB转化到lab彩色空间 C = makecform('srgb2lab'); %设置转换格式 I_lab = applycform(I_rgb, C); %进行K-mean聚类将图像分割成3个区域 ab = double(I_lab(:,:,2:3)); %取出lab空间的a分量和b分量 nrows = size(ab,1); ncols = size(ab,2); ab = reshape(ab,nrows*ncols,2); nColors = 3; %分割的区域个数为3 [cluster_idx cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean','Replicates',3); %重复聚类3次 pixel_labels = reshape(cluster_idx,nrows,ncols); figure(); imshow(pixel_labels,[]), title('聚类结果'); %显示分割后的各个区域 segmented_images = cell(1,3); rgb_label = repmat(pixel_labels,[1 1 3]); for k = 1:nColors color = I_rgb; color(rgb_label ~= k) = 0; segmented_images{k} = color;

基于MATLAB的图像分割方法及应用

安徽财经大学 （《图像处理》课程论文） 题目：图像分割算法研究——基于分水岭分割法的彩色图像分割学院：管理科学与工程学院 专业：电子信息工程 姓名：万多荃 学号：20123712 电话： 任课教师：许晓丽 论文成绩： 2015年10月

目录 摘要 图像分割技术是非常重要的图像处理技术之一，无语是在理论研究还是在实际应用中人们都非常的重视。图像分割有许多的种类和方式，一些分割运算能够直接应用于任何图像，而另外一些却只适用于特别种类的图像。图像分割技术是从图像处理技术，再到后期的图像分析的关键步骤，图像分割结果的好坏，可以说对图像的理解有直接影响。

本文根据图像分割原理及人眼视觉的基本理论，研究图像的彩色模型及图像分割的常用方法，比较各方法的特点，并选择合适的方法对图像进行分割。本文采用MATLAB软件对图像进行彩色坐标变换及阈值分割，计算简单，具有较高的运行效率，分割的结果是使图像更符合人眼的视觉特性，获得比较好的效果。 关键字：图像处理；图像分割；人类视觉；MATLAB 1.前言 1.1图像分割技术 图像分割技术是非常重要的图像处理技术之一，无语是在理论研究还是在实际应用中人们都非常的重视。图像分割有许多的种类和方式，一些分割运算能够直接应用于任何图像，而另外一些却只适用于特别种类的图像。图像分割技术是从图像处理技术，再到后期的图像分析的关键步骤，图像分割结果的好坏，可以说对图像的理解有直接影响。 图像数据的模糊和噪声的干扰是分割问题的两大难题。到目前为止，还没有一个完美的图像分割方法，可以根据人的意愿精确地分割任何一种图像。现实图像中景物情况各种不同，具体问题需具体分析，按照实际情况选择得当的方法。分割成果的好坏或正确与否，到现在为止，尚无一个统一的评价和判断标准，分割的好坏务必从分割的效果和现实应用的场合来判断。然而，在人类研究图像的历史长河中，仍然积累了许多经典的图像分割方法。固然这些分割方法不可以适应全部种类的图像分割，可是这些方法却是图像分割方法进一步发展的根基。实际上，当代一些分割算法恰巧是从经典的图像分割方法中产生出来的。图像分割法大致可以分为三个种：边缘检测法，阈值分割法和基于区域的图像分割法。 2研究目的 视觉是人类最高级的感知器官，所以图像在人类感知中承担着非常重要的角色，这是毋庸置疑的。 本文的主要研究目的是对图像的分割方法进行研究，选择适合本论文的设计方法，然后通过对图像的分割，以达到人眼的最佳视觉效果。 本课题主要是通过对人眼的视觉系统研究，然后选择与人眼视觉系统密切相关的颜色模型进行颜色空间模型之间的相互转换，再对图像分割方法进行比较选择合适的分割方法，通过MATLAB平台实现彩色图像分割，最后对分割后的图像进行比较来获得到最佳的视觉效果。

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){,(

部分图像分割的方法(matlab)

部分图像分割的方法(matlab)

大津法： function y1=OTSU(image,th_set) image=imread('color1.bmp'); gray=rgb2gray(image);%原图像的灰度图 low_high=stretchlim(gray);%增强图像，似乎也不是一定需要gray=imadjust(gray,low_high,[]); % subplot(224);imshow(gray);title('after adjust'); count=imhist(gray); [r,t]=size(gray); n=r*t; l=256; count=count/n;%各级灰度出现的概率 for i=2:l if count(i)~=0 st=i-1; break end end %以上循环语句实现寻找出现概率不为0的最小灰度值 for i=l:-1:1 if count(i)~=0; nd=i-1; break end end %实现找出出现概率不为0的最大灰度值 f=count(st+1:nd+1); p=st;q=nd-st;%p和分别是灰度的起始和结束值 u=0; for i=1:q; u=u+f(i)*(p+i-1); ua(i)=u; end

程序二： clc; clear; cd 'D:\My Documents\MATLAB' time = now; I = imread('qr4.bmp'); figure(1),imshow(I),title('p1_1.bmp'); % show the picture I2 = rgb2gray(I); figure(2),imshow(I2),title('I2.bmp'); %?D?μ??2¨ J = medfilt2(I2); figure(3),imshow(J); imwrite(J,'J.bmp'); [M N] = size(J); J1 = J(1:M/2,1:fix(N/2)); J2 = J(1:M/2,fix(N/2)+1:N); J3 = J(M/2+1:M, 1:fix( N/2)); J4 = J(M/2+1:M, fix(N/2)+1:N); % figure(4), img = J1; T1 = test_gray2bw( img ); % figure(5), img = J2; T2 = test_gray2bw( img ); % figure(6), img = J3; T3 = test_gray2bw( img ); % figure(7), img = J4; T4 = test_gray2bw( img ); T = [T1,T2;T3,T4]; figure,imshow(T) % T1 = edge(T,'sobel'); % figure,imshow(T1); % BW = edge(T,'sobel'); % f igure,imshow(BW); function [bw_img] = test_gray2bw( img ) %大津法 [row_img col_img ] = size( img ) all_pix = row_img * col_img % get probability of each pixel(????). count_pix = zeros(1,256) % pro_pix = [] for i = 1 : 1 : row_img for j = 1 : 1 : col_img count_pix(1,img(i,j)+1) = count_pix(1,img(i,j)+1) + 1 %í3??′?êy end en d pro_pix = count_pix / all_pix % choose k value; max_kesi = -1 T = 0 for k = 1 : 1 : while( i <= k ) wa = wa + pro_pix(1,i+1) %?°k??i￡?????????μ??ò?è???ê￡????êoí ua = ua + i * pro_pix(1,i+1) i = i + 1 end

基于Matlab的彩色图像分割

3 Matlab编程实现 3.1 Matlab编程过程 用Matlab来分割彩色图像的过程如下： 1）获取图像的RGB颜色信息。通过与用户的交互操作来提示用户输入待处理的彩色图像文件路径; 2）RGB彩色空间到lab彩色空间的转换。通过函数makecform()和applycform()来实现; 3）对ab分量进行Kmean聚类。调用函数kmeans()来实现； 4）显示分割后的各个区域。用三副图像分别来显示各个分割目标，背景用黑色表示。3.2 Matlab程序源码 %文件读取 clear; clc; file_name = input('请输入图像文件路径：','s'); I_rgb = imread(file_name); %读取文件数据 figure(); imshow(I_rgb); %显示原图 title('原始图像'); %将彩色图像从RGB转化到lab彩色空间 C = makecform('srgb2lab'); %设置转换格式 I_lab = applycform(I_rgb, C); %进行K-mean聚类将图像分割成3个区域 ab = double(I_lab(:,:,2:3)); %取出lab空间的a分量和b分量 nrows = size(ab,1); ncols = size(ab,2); ab = reshape(ab,nrows*ncols,2); nColors = 3; %分割的区域个数为3 [cluster_idx cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean','Replicates',3); %重复聚类3次 pixel_labels = reshape(cluster_idx,nrows,ncols); figure(); imshow(pixel_labels,[]), title('聚类结果'); %显示分割后的各个区域 segmented_images = cell(1,3); rgb_label = repmat(pixel_labels,[1 1 3]); for k = 1:nColors

部分图像分割的方法(matlab)

大津法： function y1=OTSU(image,th_set) image=imread('color1.bmp'); gray=rgb2gray(image);%原图像的灰度图 low_high=stretchlim(gray);%增强图像，似乎也不是一定需要gray=imadjust(gray,low_high,[]); % subplot(224);imshow(gray);title('after adjust'); count=imhist(gray); [r,t]=size(gray); n=r*t; l=256; count=count/n;%各级灰度出现的概率 for i=2:l if count(i)~=0 st=i-1; break end end %以上循环语句实现寻找出现概率不为0的最小灰度值 for i=l:-1:1 if count(i)~=0; nd=i-1; break end end %实现找出出现概率不为0的最大灰度值 f=count(st+1:nd+1); p=st;q=nd-st;%p和分别是灰度的起始和结束值 u=0; for i=1:q; u=u+f(i)*(p+i-1); ua(i)=u; end

%计算图像的平均灰度值 for i=1:q; w(i)=sum(f(1:i)); end %计算出选择不同k的时候，A区域的概率 d=(u*w-ua).^2./(w.*(1-w));%求出不同k值时类间方差[y,tp]=max(d);%求出最大方差对应的灰度级 th=tp+p; if thth) y1(i,j)=x1(i,j); else y1(i,j)=0; end end end %上面一段代码实现分割 % figure,imshow(y1); % title('灰度门限分割的图像');

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

两个matlab实现最大熵法图像分割程序

%两个程序，亲测可用 clear all a=imread('moon.tif'); figure,imshow(a) count=imhist(a); [m,n]=size(a); N=m*n; L=256; count=count/N;%%每一个像素的分布概率 count for i=1:L if count(i)~=0 st=i-1; break; end end st for i=L:-1:1 if count(i)~=0 nd=i-1; break; end end nd f=count(st+1:nd+1); %f是每个灰度出现的概率 size(f) E=[]; for Th=st:nd-1 %%%设定初始分割阈值为Th av1=0; av2=0; Pth=sum(count(1:Th+1)); %%%第一类的平均相对熵为 for i=0:Th av1=av1-count(i+1)/Pth*log(count(i+1)/Pth+0.00001); end %%%第二类的平均相对熵为 for i=Th+1:L-1 av2=av2-count(i+1)/(1-Pth)*log(count(i+1)/(1-Pth)+0.00001); end E(Th-st+1)=av1+av2; end position=find(E==(max(E))); th=st+position-1

for i=1:m for j=1:n if a(i,j)>th a(i,j)=255; else a(i,j)=0; end end end figure,imshow(a); %%%%%%%%%%%%%%%%%%%%%2-d 最大熵法(递推方法) %%%%%%%%%%% clear all; clc; tic a=imread('trial2_2.tiff'); figure,imshow(a); a0=double(a); [m,n]=size(a); h=1; a1=zeros(m,n); % 计算平均领域灰度的一维灰度直方图 for i=1:m for j=1:n for k=-h:h for w=-h:h; p=i+k; q=j+w; if (p<=0)|( p>m) p=i; end if (q<=0)|(q>n) q=j; end a1(i,j)=a0(p,q)+a1(i,j); end end a2(i,j)=uint8(1/9*a1(i,j)); end

基于MATLAB的图像分割处理

学号：2011 —2012学年第 1 学期 专业综合课程设计报告 课题：基于MATLAB的图像分割处理 专业：通信工程 班级： 姓名： 指导教师： 成绩： 电气工程系 2011年11月16日

课程设计任务书 学生班级学生姓名：学号： 设计课题：基于MATLAB的图像分割处理 起止日期：2011.11.06—2011.11.16 指导教师： 设计要求： 本设计对图像分割中的小波变换进行了较为详细的综述。简要介绍医学图像分割的研究目的和意义，给出医学图像分割的基本方法及步骤。在对医学图像分割问题的起源、发展和研究现状进行简要综述的基础上，介绍该领域当前的研究热点及论文的主要研究内容。

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。图像分割是一个很关键的图像分析技术，是由图像处理 进到图像分析的关键步骤.它的目的就是把图像中感兴趣的那部分分割出来供 大家研究、处理和分析，一直都是图像技术研究中的热点。但是由于地域的差别，图像分割一直都没有一个比较通用的算法。 而对图像进行分割的方法有多种,阈值法是其中的一种简单实用的方法。本文主要对阈值法和matlab进行研究,并将它们结合起来以提高图像分割的准确性。本文的主要研究内容如下: 1) 分析了阈值分割方法近年来的新进展,并分析了图像阈值分割中的某些经典方法,如全局阈值方法、局部阈值方法、动态阈值方法等。2)讨论了matlab的主要应用及其特点。3) 将matlab应用于阈值分割，并做实验将其实现。 本次的设计报告首先介绍了双峰法以及最大类方差自动阈值法，然后重点介绍一种基于小波变换的图像分割方法,该方法先对图像的灰度直方图进行小波多尺度变换,然后从较大的尺度系数到较小的尺度系数逐步定位出灰度阈值。最后，对这几种算法的分割效果进行了比较。实验结果表明, 本设计能够实时稳定的对目标分割提取，分割效果良好。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。 关键词：小波变换；图像分割；阈值

图像分割技术与MATLAB仿真知识讲解

图像分割技术与M A T L A B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 0 Abstract 0 引言 (2) 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 (6) 2.3 区域分割法 (8) 2.4 基于水平集的分割方法 (9) 2.5 分割算法对比表格 (9) 3基于水平集的图像分割 (11) 3.1 水平集方法简介 (11) 3.2 水平集方法在图像分割上的应用 (12) 3.3 仿真算法介绍 (13) 3.4 实验仿真及其结果 (14) 结论 (22) 致谢 (23) 参考文献 (23)

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，MATLAB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

车牌图像分割matlab代码

图像分割matlab代码 作者:佚名发布时间：2010-1-1 阅读次数：498 字体大小: 【小】【中】【大】 % This is a program for extracting objects from an image. Written for vehicle number plate segmentation and extraction % Authors : Jeny Rajan, Chandrashekar P S % U can use attached test image for testing % input - give the image file name as input. eg :- car3.jpg clc; clear all; k=input('Enter the file name','s'); % input image; color image im=imread(k); im1=rgb2gray(im); im1=medfilt2(im1,[3 3]); %Median filtering the image to remove noise% BW = edge(im1,'sobel'); %finding edges [imx,imy]=size(BW); msk=[0 0 0 0 0; 0 1 1 1 0; 0 1 1 1 0; 0 1 1 1 0; 0 0 0 0 0;]; B=conv2(double(BW),double(msk)); %Smoothing image to reduce the number of connected components L = bwlabel(B,8);% Calculating connected components mx=max(max(L)) % There will be mx connected components.Here U can give a value between 1 and mx for L or in a loop you can extract all connected components % If you are using the attached car image, by giving 17,18,19,22,27,28 to L you can extract the number plate completely. [r,c] = find(L==17); rc = [r c]; [sx sy]=size(rc);

用matlab实现自适应图像阈值分割最大类方差法代码

%用matlab实现自适应图像阈值分割最大类方差法代码clear; warning off; SE = strel('diamond',4); BW1 = imread('cameraman.tif'); BW2 = imerode(BW1,SE); BW3 = imdilate(BW2,SE); BW4 = BW1-BW3; %rgb转灰度 if isrgb(BW4)==1 I_gray=rgb2gray(BW4); else I_gray=BW4; end figure,imshow(I_gray); I_double=double(I_gray);%转化为双精度 [wid,len]=size(I_gray); colorlevel=256; %灰度级 hist=zeros(colorlevel,1);%直方图 %threshold=128; %初始阈值 %计算直方图 for i=1:wid for j=1:len m=I_gray(i,j)+1; hist(m)=hist(m)+1; end end hist=hist/(wid*len);%直方图归一化 miuT=0; for m=1:colorlevel miuT=miuT+(m-1)*hist(m); end xigmaB2=0; for mindex=1:colorlevel threshold=mindex-1; omega1=0; omega2=0; for m=1:threshold-1 omega1=omega1+hist(m); end omega2=1-omega1; miu1=0; miu2=0; for m=1:colorlevel if m

基于MATLAB的数字图像分割的研究与实现

本科毕业论文（设计） 题目：基于MATLAB的数字图像分割的研究与实现 学院：计算机与信息工程学院学生： 学号： 专业： 年级： 完成日期：2012 年04 月 指导教师：

基于MATLAB的数字图像分割的研究与实现 摘要：视觉和听觉是我们认识和感知外部世界的主要途径，而视觉又是其中最重要的，因此要想更细致、全面地把握这些图像信息就需要对其进行必要的处理。在数字图像处理的研究和应用中很多时候我们只对图像的某些部分和特征感兴趣，此时就需要利用图像分割技术将所需的目标与图片的其他部分区分开，以供我们对图像进一步研究和分析。图像分割即通过一些必要的算法把图像中有意义的部分或特征提取出来，将图像分为若干有意义的区域，使得这些区域对应图像中的不同目标，进而能够对所感兴趣的区域进行研究。基于图像分割技术在图像处理之中的重要性，本研究在此对图像分割的一些经典算法进行了学习和对比，并通过MATLAB对其进行了实验，通过不同的算法对不同的图片进行处理，分析其优缺点，以便在进行图像分割时可以根据图片的特征选择合适的算法。 关键字：数字图像；分割；MATLAB

The Research and Implementation of Digital Image Segmentation Based on the MATLAB Abstract : Vision and auditory are the main ways which we use to understand and perceive the world outside, while vision is the most important. Therefore, it's require to process the image data to grasp them more painstaking and completely. In digital image processing of research and application we are only interested to some parts of the image and characteristic in many times, then you need to use the image segmentation technology to separate the goal and the picture for other parts for our further research and analysis of the image.Image segmentation is dividing the image into some significant areas through some necessary algorithms, then make these areas corresponding to different goals and we can do some research about the areas we are interested to. Based on the importance of image segmentation technology in image processing, I compared several classical algorithms of image segmentation. In the meanwhile, I used the MATLABto do some research and to process the various images with different algorithms so that it's convinent to find the advantages of these algorithms. Then, I can base on the characteristics of the images to choose the suitable algorithms when to make some digital image segmentation. Key words : D igital Image; Segmentation; MATLAB

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

基于某matlab车牌地定位与分割识别程序

基于Matlab的车牌定位与分割 经典算法 I=imread('car.jpg'); %读取图像 figure(); subplot(3,2,1),imshow(I), title('原始图像'); I1=rgb2gray(I);%转化为灰度图像 subplot(3,2,2),imshow(I1),title('灰度图像'); I2=edge(I1,'robert',0.09,'both');%采用robert算子进行边缘检测

subplot(3,2,3),imshow(I2),title('边缘检测后图像'); se=[1;1;1]; %线型结构元素 I3=imerode(I2,se); %腐蚀图像 subplot(3,2,4),imshow(I3),title('腐蚀后边缘图像'); se=strel('rectangle',[25,25]); 矩形结构元素 I4=imclose(I3,se);%图像聚类、填充图像subplot(3,2,5),imshow(I4),title('填充后图像');

I5=bwareaopen(I4,2000);%去除聚团灰度值小于2000的部分subplot(3,2,6),imshow(I5),title('形态滤波后图像'); [y,x,z]=size(I5); I6=double(I5); Y1=zeros(y,1); for i=1:y for j=1:x

if(I6(i,j,1)==1) Y1(i,1)= Y1(i,1)+1; end end end [temp MaxY]=max(Y1); figure(); subplot(3,2,1),plot(0:y-1,Y1),title('行方向像素点灰度值累计和'),xlabel('行值'),ylabel('像素'); %求的车牌的行起始位置和终止位置 PY1=MaxY; while ((Y1(PY1,1)>=50)&&(PY1>1)) PY1=PY1-1; end PY2=MaxY; while ((Y1(PY2,1)>=50)&&(PY2

MATLAB 软件使用简介 轮廓线提取 实验2 图像轮廓线提取技术 实验3 RGB向量空间中的图像分割技术 实

MATLAB 软件使用简介 MATLAB 是一个功能强大的数学软件, 它不但可以解决数学中的数值计算问题, 还可以解决符号演算问题, 并且能够方便地绘出各种函数图形。MATLAB自1984年由美国的MathWorks公司推向市场，现已成为国际最优秀的科技应用软件之一。 一、MATLAB 的工作界面 启动MATLAB后, 出现MATLAB命令窗口，空白区域是MATLAB 的工作区, 在此可输入和执行命令。 二、 MATLAB 操作的注意事项 ●在工作区输入MATLAB命令后, 按下Enter键才能执行命令。 ●MATLAB 是区分字母大小写的。 ●如果不想显示结果，只要在所输入命令的后面加上一个分号“；”即可。 如：x= 2 + 3↙ x=5 x = 2 + 3 ; ↙不显示结果5 ●如果一个表达式一行写不下，可以在行尾键入“...”来换行。 如：q=5^6+sin(pi)+exp(3)+(1+2+3+4+5) ... -5+1/2-567 ●命令行与M文件中的百分号“%”标明注释。 三、MATLAB的变量与表达式 ●MATLAB的变量名 MATLAB的变量名是用一个字母打头，后面最多跟19个字母或数字。应该注意不要用MATLAB中的内部函数或命令名作为变量名。列出当前工作空间中的变量命令为： who 将内存中的当前变量以简单形式列出； whos 列出当前内存变量的名称、大小、类型等信息；

clear 清除内存中的所有变量与函数。 ● MATLAB 常用的预定义变量 ans ：保存计算结果的缺省变量；Inf 或inf ：无穷大； i 或j pi ：圆周率π。 ● MATLAB 的运算符 数学运算符：+，-，*, \（左除）, / (右除) , ^ (乘幂) 关系运算符：<, >, <=, >=, = =(等于), ~= (不等于) 逻辑运算符：&(逻辑与), |( 逻辑或), ~( 逻辑非) ● MATLAB 的表达式及语句 表达式由运算符、函数、变量名和数字组成的式子。MATLAB 语句由变量、表达式及MATLAB 命令组成，用户输入的语句由MATLAB 系统解释运行。MATLAB 语句的2种最常见的形式为： 形式1：表达式 形式2：变量=表达式 在第一种形式中，表达式运算后产生的结果如果为数值类型，系统自动赋值给变量ans ，并显示在屏幕上。 例1：用两种形式计算3 6sin 5e ++π算术运算结果。 解：形式1： 5^6+sin(pi)+exp(3) ↙ ans = 1.5645e+004 形式2： a=5^6+sin(pi)+exp(3) ↙ a = 1.5645e+004 例2：已知矩阵 ?? ? ???=???? ??=22 11 ,2121B A ，对它们做简单的关系与逻辑运算 解：A=[1,2;1,2]; ↙ B=[1,1;2,2]; ↙ C=(A