基于区域合并的纹理图像分割—MSRM算法的MATLAB实现本科毕业论文

本科毕业设计

题目： 基于区域合并的纹理图像分割—MSRM

算法的MATLAB 实现

摘要

图像分割是图像分析及计算机视觉系统中的重要环节，是图像处理研究中的一个基本难题。图像分割是由图像处理到图像分析的关键步骤，只有在图像分割的基础上才能对目标进行特征提取、参数测量和识别，使得更高层的图像分析和理解成为可能，图像分割质量的好坏直接影响后续图像处理的效果。因此，可以说图像分割是图像处理中最为重要的环节。

基于区域的图像分割方法，将图像按内容划分成许多区域。虽然存在过分割，但是可以通过研究改进算法减少过分割或选择有效的后处理算法得到有用的结果。例如，在Mean Shift和Watershed这两种图像分割算法中，一方面可以研究各种减少过分割的改进算法。另一方面，也可以采用有效的预处理，去除噪音，使图像适宜于Watershed或Mean Shift算法分割。

MSRM是基于最大相似度的区域合并算法,该算法简单有效,不需要设定区域合并的阈值,且对单目标和多目标图像都能正确分割。本设计在提取了图像的颜色特征和纹理特征之后，计算相邻区域的相似度，在人工交互信息的指导下，基于最大相似度准则逐步对初始过分割区域进行合并，分离出图像中的目标和背景。

关键词：MSRM；区域合并；交互式图像分割；算法；纹理图像

Abstract

Image segmentation is the important elements of image analysis and computer vision systems ，and it is a fundamentalproblem in image processing。Image segmentation is a key step that from image processing to the image analysis。Only on the basis of image segmentation to object feature extraction, parameter measurement and recognition，which make it possible to analysis and understanding of the higher-level image, and the quality of image segmentation directly affects the effect ofsubsequent image processing. Therefore, we conclude that image segmentation is the most important part of image processing.

Region-based image segmentation method is divided into many regions according to the contents of the image。Although there is over-segmentation，studing improved algorithm can reduce the over-segmentation or choosing an effective post-processing algorithms are useful results. For example, in both Mean Shiftt and Watershed image segmentation algorithm, One can study a variety of improved algorithm to reduce over-segmentation, On the other hand, effective pretreatment can also be used to remove noise, and make the image suitable for Mean Shiftt and Watershed segmentation algorithm.

MSRM is a algorithm which based on the maximum similarity of the region merging, the proposed algorithm is efficient and effective, it does not require a preset threshold and can successfully extract the single objective and multi-target image from complex scenes . In this design, calculate the similarity of adjacent regions afte the extration of image color features and texture features, under the guidance of interaction information ,a maximal similarity based region merging mechanism was proposed to gradually merged the initial over-segmentation of regions. Then separated the target and background from image.

Keywords:MSRM; Region merging; Interactive Image Segmentation; Algorithm;

Texture image

目录

1 绪论 (1)

1.1 研究的背景和意义 (1)

1.2 内容与组织结构 (2)

2 图像分割技术研究综述 (3)

2.1 引言 (3)

2.2 图像分割的概念和分类 (3)

2.3 基于阈值的图像分割 (4)

2.4 基于间断检测的图像分割 (4)

2.5 基于区域的分割 (4)

2.5.1 基于区域生长的分割 (5)

2.5.1 基于分裂合并的分割 (6)

2.5.1 基于聚类的分割............................. 错误！未定义书签。

2.5.1 基于形态学的分割........................... 错误！未定义书签。

2.6 本章小结 (7)

3 基于最大相似度的交互式区域合并算法的研究 (8)

3.1 引言 (8)

3.2 区域表示和相似性度量 (9)

3.3 目标和背景标记 (9)

3.4 基于最大相似度的区域合并机制 (9)

3.5 区域合并算法.................................... 错误！未定义书签。

3.6 收敛性分析...................................... 错误！未定义书签。

3.7 本章小结 (8)

4 图像分割系统设计及实验结果 (15)

4.1 引言 (15)

4.2 图像分割系统 (15)

4.3 实验结果与分析 (15)

4.3.1 实验结果 (15)

4.3.2 鲁棒性分析 (16)

4.3.3 分割效率分析 (19)

4.3.4 结论 (20)

结束语 (21)

参考文献 (22)

致谢 (24)

1 绪论

1.1 研究的背景和意义

计算机视觉是通过计算机模拟人类视觉行为的一门学科，其任务为对输入的图像(序列)数据自动进行分析和解释。根据数据的组织形式，计算机视觉可划分为四个层次。最底层是原始的目标或场景，通过信号处理和数字化，得到对应图像的数字化表示形式；中间层则借助各种各样的算法，提取图像的各种特征，在各层之间建立联系；最后顶层通过模式识别方法，进行图像理解。

视觉处理方法可分为两类：低级的图像处理方法和高层的图像理解方法。前者不需要预先知道图像的内容，通常包括图像压缩、图像恢复、图像分割、边界检测等方法，为高层的图像理解提供支持。而后者是根据目标的相关知识及一些实现方法，基于低级阶段获取的图像特征来模拟人的视觉和做决策的过程，通常包括目标识别、图像理解、3D视觉和目标运动分析等。

随着信息时代的来临，越来越多的各种信息充斥着人们的生活，人们渴望利用计算机来处理繁多的信息。而科学研究表明，人类获取的信息中有75％左右来自于自身的视觉，即大部分信息为图像图形信息。图像信息相对于其他类型的信息来说，最大的优势在于信息量大、直观、形象、易于理解等特点。因此，数字图像分割技术为越来越多学者所重视，正逐渐成为网络信息时代一个新的研究热点[1]。

图像分割[2][3]是图像分析及视觉系统中的重要环节，是图像处理研究中的一个基

本难题。图像分割是由图像处理到图像分析的关键步骤，只有在图像分割的基础上才能对目标进行特征提取、参数测量和识别，使得更高层的图像分析和理解成为可能，图像分割质量的好坏直接影响后续图像处理的效果。因此，可以说图像分割是图像处理中最为重要的环节。

纹理是图像的一个重要特征。以纹理特性为主导的图像称为纹理图像[4]，纹理图像是图像的重要组成部分，通常运用各种观测系统获得的图像大多是纹理型的，在航空航天遥测领域中，各种航空、卫星遥感图像是对地面宏观大范围的考察，这类图像大多是纹理型的，通过对这些图像的分析可获得地质状况、土地利用、植被长势等一系列信息。纹理分析在材料科学的微结构定量分析、海洋学研究及石油勘探中都有广泛的应用，因此基于纹理的图像分割具有重要的理论意义和广阔的应用前景。

直到今天，纹理图像分割是图像分割中的一个经典难题。尽管人们在纹理图像分割方面已取得了大量的研究成果，但由于纹理图像的复杂性和缺乏一个统一的图像分割理论框架，目前尚无提出通用的分割理论，现已提出的算法大都是针对具体问题。纹理分割问题仍然是图像处理和机器视觉领域中一个非常艰巨的和富有挑战的课题。

综上所述，采用自适应的方法将进一步推动纹理图像分割技术的发展，提高纹理图像的分割质量和效率。本文选择基于区域合并的纹理图像分割算法—MSRM算法作为研究课题，对于改进图像分割技术，丰富图像分割方案，提高数字图像分割系统的性能具有一定的理论价值和现实意义。

1.2 内容与组织结构

第一章介绍了数字图像分割技术起源、发展，给出了其描述性定义；指明了纹理图像分割技术是图像处理和图像分析关键所在，是本文的研究重点；最后概述了本文的主要内容及结构。

第二章对数字图像分割技术重要基础性概念及相关的研究进行了综述，分类介绍了阈值分割、间断检测分割、区域分割等图像分割技术，重点介绍了与本文研究相关的区域分割算法。

第三章首先描述了基于最大相似度的区域合并算法—MSRM算法的背景和由来，接着进一步详细阐述该算法，并指明MSRM算法以Mean Shift算法的分割结果作为基础；验证了图像分割算法的收敛性。

第四章根据提出的MSRM算法，设计出一个自适应图像分割系统，运用Matlab7.10工具，通过实验和仿真验证的该解决方案具有自适应和高效的特点。

2 图像分割技术研究综述

2.1 引言

虽然图像分割技术是隶属于图像处理领域的一个分支学科， 但是由于图像分割技术涉及的学科领域比较广泛，更应该将其视为一个交叉性学科。因此学者们看待该问题的研究角度和出发点各不相同，也就给出了较多的模型和相关的概念。这一章，将按照图像分割技术的技术特点和原理，对三种主要类型图像分割技术的相关概念和典型的解决方案进行详细的评述。

2.2 图像分割的概念和分类

图像分割是图像处理技术的经典难题之一， 也是图像分析和模式识别等高级图像处理操作的流程中的关键步骤， 图像的分割结果直接决定了后期图像处理的效果和质量。所谓图像分割是指将图像中具有特殊含义的区域分割开，且这些区域互相不重叠， 同时每个区域都满足特定的区域一致性条件。 从工程实现的角度，图像分割又可以定义为将图像划分成互不相交（不重叠）区域的过程。从集合论的角度出发，文献[1]给出了一种较通用的图像分割描述性定义。

定义 1 令R 表示整个待分割图像区域，从而可以将图像分割看作将R 划分为n 个满足以下条件的子区域1R ，2R ，…，n R 的过程：

(1) 1R

R n i i == ，且R i 是连通的；

(2) 对所有的i 和j ，且i j ≠，有R R i j =? ；

(3) 对于1,2,...,i n =，()P R TRUE i =；

(4) 对于i j ≠，有()P R R FALSE i j = 。

其中，()P R i 是定义在区域R i 内所有点上的逻辑谓词,?表示空集。

条件(1)说明分割必须是完全的（即每个像素必须属于一个子区域），且子区域自身必须是连通的；条件(2)说明各个分割区域之间相互不重叠；条件(3)说明同一个分割区域中的像素具有相同的属性（如具有相同的灰度值） ；条件(4)说明不同分割区域R i 和R j 对于谓词P 是不同的。

由于图像分割技术应用广泛且与其他学科（如光学、统计学、生物学等）联系紧密，

所以图像分割的解决方案和思路呈现出多样化的趋势，并激发了越来越多学者的研究兴趣，使得对图像分割技术的研究在图像处理领域始终保持着热点地位。在大量关于图像分割技术的科技文献中，己经提出了相当丰富的分割方法和系统的解决方案，尤其是近20年来出现的图像分割方法，不仅包括对原有方法的继承和改进，还涌现出一些新思路、新方法，如基于马尔科夫随机场模型的图像分割[5][6]、小波分形的图像分割[7]、模糊聚类[8][9]、基于人工神经网络的图像分割方法[10]等。图像分割方法一般是基于局部像素点的两个基本特性：不连续性和相似性。按照该特性可以将这些已有的图像分割方法归为三类：基于阈值的分割方法、基于间断检测的分割方法、基于区域的分割方法。

此外，还有一些比较特殊的图像分割方法，比如混合几种基本分割方法的复合图像分割方案，引入待分割图像先验知识的智能图像分割方案，用于视频特征提取的时域图像分割方案等等。接下来，本章将按照以上的分类方法对图像分割技术进行综述。由于本文着重于基于区域合并的纹理图像分割，故将重点介绍基于区域合并的图像分割，以便为下一步的研究工作提供指导。

2.3 基于阈值的图像分割

阈值图像分割又称为门限图像分割，其原理简单、易于实现，是一类被广泛应用的图像分割方法，其历史可以追溯到上个世纪60年代。早期的阈值分割方法，主要是围绕灰度图像展开研究的，后来被部分学者推广到彩色图像分割技术中，如文献[11]提出的一种用于彩色图像分割的多维直方图阈值方法。近年来，更多的学者倾向于将阈值分割方法与其他的图像分割方法结合起来使用。如文献[12]中运用模糊理论确定最优阈值，文献[13]将神经网络方法与传统的阈值分割技术结合起来，获得最优阈值，解决了免疫组织化学中的细胞分割问题，等等。

2.4 基于间断检测的图像分割

大部分情况下，对于自然界中的图像而言，其目标与背景之间边界部分的色彩、灰度都是不连续分布的，即边界两边像素的灰度级存在明显的跳变。这就是基于间断检测的图像分割技术的前提假设，基于这种不连续性的假设所考察对象的不同，可将该类分割技术分为三个主要类型：基于点的检测、基于线的检测、基于边缘的检测。

2.5 基于区域的图像分割

无论是图像阈值分割方法还是间断检测分割方法，都没有考虑目标或背景内部像素间的信息关联性，而这一特性在机器视觉中却是尤为重要的。基于区域的图像分割方法正是从目标和背景内部的像素间相似度角度出发，面向像素对图像进行分割的，具有前两大类方法无法比拟的优势。文献[14]对数字图像像素的概念及特性进行了全面的

分析。按照处理图像的方向性，基于区域的分割算法可以分为区域生长和分裂合并两种类型。此外，还有一些对这两类分割方法的推广和改进，如形态学分割方法、聚类分割方法等。

2.5.1 基于区域生长的分割

区域生长分割算法的基本思想：将图像中具有相似性质的像素整合在一起构成一个区域。在生成每个区域的过程中都要设定一个用于生长的种子像素，根据不同类型的图像给定生长准则，来判断种子周围的像素点是否与种子像素之间具有相似性，即是否可生长。如果可生长，则把该像素加入到区域中，并置其为新的种子像素，进行迭代。

具体步骤如下：

(1)对每个需要分割的区域找一个种子像素作为生长的起点。

(2)将种子像素周围邻域中与种子像素具有相同或相似性质的像素合并到这一区域中。

(3)将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素被包括进来。

在实际应用区域生长法时需要解决三个问题：

(1)选择或确定一组能正确代表所需区域的种子像素。

(2)确定在生长过程中能将相邻像素包括进来的准则。

(3)制定让生长过程停止的条件或规则。

种子像素的选取常可借助具体问题的特点进行，利用迭代的方法从大到小逐步收缩是一种典型的方法。生长准则的选取不仅依赖于具体问题本身，也和所用图像数据的种类有关。一般生长过程在进行到再没有满足生长准则需要的像素时停止。

由于相似性通常是用统计的方法确定的，所以基于区域生长的分割算法对噪声不敏感。但是，区域生长分割算法的问题在于：种子像素点需要由操作人员按照分割需求来设定，对于复杂图像的处理，区域生长分割算法的效率会大大降低；而且分割效果依赖于种子点的选择及生长顺序。对此，文献[15]提出了一种通过计算种子点附近邻域统计信息，自适应改变生长标准参数的算法。导致基于区域生长的分割算法效率较低的另一个原因是算法的串行性。对此，文献[16]研究并提出了并行性区域生长分割算法。

2.5.2 基于分裂合并的分割

分裂合并算法的基本思想：对整个图像分裂得到所有的分割区域，然后按照一定的规则对这些区域进行合并。该方法的重点是指定分裂、合并的准则，并考虑处理的精

度。通常的作法是用网格简单地对原图像进行分裂操作，网格的多少取决于希望获得的分割精度； 通过比较各个分裂区域的灰度值均值和方差等统计量，来确定分裂区域的一致性。

整个分裂合并的过程如下：

(1)对谓词P ，如果()P R FALSE i =，就把区域R i 分裂成4个象限子区域；

(2)如果相邻区域R j 和R k 满足()P R R TRUE j k = ，则对这两个区域进行合并；

(3)如果无法进行分裂或合并操作时，结束。

基于分裂合并的分割算法同样是基于统计学方法的，所以对噪声也不敏感。但是区域分裂技术的固有缺点是可能会使边界被破坏，且算法在精度与时间复杂度上存在冲突，需要找到一个均衡点，但这往往是很难的。

2.5.3 基于聚类的分割

图像的分割问题可看成是像素分类问题， 所以可以通过使用特征空间聚类算法实现。特征空间聚类分割将图像的所有像素都一一映射在特征空间的每个点上，对特征空间进行分割， 最后再次通过映射关系将分割结果定位在原始图像上，从而实现了图像目标的分割。该过程不需要训练样本，是一种无监督、迭代式的统计分割过程。在基于特征空间聚类的算法中，K-均值聚类[17]、模糊C-均值聚类(FCM)等算法是最常用的聚类算法。

K-均值聚类算法先选取K 个初始类均值，然后将每个像素归入均值离它最近的类，并计算新的类均值，迭代执行前面的步骤直到新旧类均值之差小于某一阈值。

模糊聚类的思想Dunn 首先提出，是对K-均值聚类算法的推广。其基本的思路为： 将由n 个维数为P 的样本组成的数据集{}1,2X ,...,R n p n x x x ?=∈分为c 类，则模糊隶属度矩阵{}U R n c ik μ?=∈表示，并满足以下条件：

（1）[]0,1,,ik i k μ∈?；

（2）1,ik k

i μ=?∑；

（3）0,ik i

n k μ<

那么，模糊C -均值聚类就可以通过最小化关于隶属度矩阵U 和聚类中心集合V 的目标函数并繁复迭代来实现。但是，该方法没有考虑图像各个像素之间的空间几何分布特征，对噪声和不均匀灰度敏感。

2.5.4 基于形态学的分割

近年来，数学形态学已发展为一种新型的数字图像处理方法和理论，在边缘检测和图像分割中得到了广泛的研究和应用。它的基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的。利用膨胀、腐蚀、开启和闭合四个基本运算进行推导和组合，可以产生各种形态学实用算法，其中结构元素的选取很重要。腐蚀和膨胀对于灰度变化较明显的边缘作用很大，可用来构造基本的形态学边缘检测算子(形态学梯度)[18]。

2.6 本章小结

比较分析上述各种类型的图像分割技术，可以发现：

阈值图像分割技术是最简单的一类分割方案，其计算量小、易于实现，但是在对非理想边缘以及复杂灰度分布图像的分割时不能得到有效的分割结果，甚至会导致错误分割。

基于间断检测的分割技术比较适用于对纹理图像的分割，但是需要根据不同的图像设置不同的检测模板，且该类算法普遍对噪声敏感。尽管采用LoG，Wavelets 等多尺度方法对其进行改进，降低对噪声的敏感程度，但却导致系统的计算复杂度大大增加。而且，由于边缘检测分割的结果是非闭合的，还需额外考虑多尺度分割结果的融合问题。

基于区域的分割方案，考虑到了图像像素之间的相似性和连通性，这正是前两类图像分割方案所不具备的。所以，在图像信息向着高清晰度发展的趋势下，选MSRM 分割算法对图像进行分割处理是非常适合的。而且，MSRM算法的另一个重要特性就是易于并行实现，这一特点也是非常复合现今对图像分割技术的实时性、高效性要求的。

3 基于区域合并的纹理图像分割算法的研究

3.1 引言

基于区域的图像分割方法，将图像按内容划分成许多区域。虽然存在过分割，但是可以通过研究改进算法减少过分割或选择有效的后处理算法得到有用的结果。例如，在Mean Shift[19]和Watershed[20]这两种图像分割算法中，一方面可以研究各种减少过分割的改进算法。另一方面，也可以采用有效的预处理，去除噪音，使图像适宜于Watershed或Mean Shift算法分割。

虽然有很多图像分割方法致力于解决图像分割问题，它们在一些特定的对象中能取得较好的结果。但是，总的来说，图像，特别是彩色图像包含着复杂的纹理和颜色特征，使得全自动图像分割几乎成为不可能的任务。

因此，一些结合用户输入或先验信息的半自动图像分割方法，即交互式图像处理[21]，成为近年来研究的热点。如经典的ACM方法，实际上也是一种半自动图像分割算法，适当地选择初始曲线，是得到好的分割结果的必要条件；基于标记驱动的Watershed图像分割方法[22]，它结合用户的输入信息，提高分割结果；在Graph Cut方法中，用户的交互式信息也是影响算法的分割结果至关重要的因素。这些交互式图像分割算法通常是以像素为处理单位，但是，它们的一些基本思想显然也适用于基于区域的处理，从而能够改进分割结果。

虽然，Mean Shift和Watershed等算法通常存在着过分割，但是它们得到了一个较好的初始分割结果，即每个区域都包含着目标或背景的一些特征，为后续区域合并处理提供了一个基础。但是，因为目标和背景通常呈现复杂的特征，传统的基于固定阈值的合并方法很难得到有效的结果，因此需要研究新的算法解决复杂条件下的区域合并。

本章的研究对象是彩色(自然)图像的分割问题。将以Mean Shilt算法的分割结果作为基础，提出一种新的交互式区域台并算法，来提取自然图像中的目标。本文所使用Mean Shift分割软件是EDISON System[23]它是个开放的Mean Shift分割软件，界面友好，功能完善，是研究Mean Shift算法很好的平台。

图3.1展示了分割软件的一个实例。其中(a)为原始图像，(b)为EDISON System分割后得到的包含很多小区域的结果。

图3.1EDISON System 分割的例子

3.2 区域的表示和相似性度量

Mean Shift 算法一般将图像分割成一些区域，每个区域具有一定的特征。本文采用RGB 颜色空间表示每个区域，当然，其它颜色空间，如HsI 和Lab 等，也可用于对区域建模。将RGB 颜色空间量化为16x16x16=4096箱格，然后计算每个区域的规范化直方图。为了度量区域之间的相似性．选择Bhatlacha 系数测量区域R 和Q 的相似度：

()4096

u

u R Q u=1R,Q =Hist Hist ρ?∑ 3.1

式中，u

R Hist 和u Q Hist 分别表示区域R 和Q 的直方图。上标u 表示直方图的第u 个箱

格。

3.3 目标和背景的标记

在交互式图像分割，用户需要指定目标和背景的概念。用户可以在图像上通过绘制标记，如直线，曲线和笔划等来输入上互动信息。含有目标标记像素的区域因此被称为目标标记区域，而含有背景标记像素的区域被称为背景标记区域。图3.2（b ）显示了用简单的线条标记目标和背景的例子。我们用绿色标记来标示目标而使用红色标记来表示对象的背景。请注意，通常只有一小部分的目标区域和背景区域会被用户标记。实际上，用户的必要输入越少，交互式算法就越方便越强大。

图3.2 (a)初始分割。（b ）由用户交互式的信息输入。绿线是目标标记和红线是背景标记。 （c ）区域分割的结果。

目标标记完后，每个区域将被标记为三种类型的地区之一：目标标记区域，背景标记区域和未标记的区域。要完全提取物体轮廓，我们需要将每个未标记的区域自动正确的标记为目标区域或背景区域。为了方便的后续讨论，我们分别用O M 和B M 表示目标标记区域集和背景标记区域集，用N 表示未标记区域集。

3.4 基于最大相似度的区域合并机制

经过目标/背景的标记后，准确地从背景中提的目标轮廓仍然是一个具有挑战性的问题，因为用户只指示了一小部分目标/背景的特征。传统的方法中，只有邻近区域的相似性超过预设的阈值[24]才将两个区域合并。这些方法在自适应阈值选取上存在困难。一个过大的阈值将导致目标的区域的不完全合并，而过小的阈值可以很容易造成过合并，即一些目标区域被合并为背景区域。此外，也很难判断何时该停止区域合并进程。 目标和背景的标记分别提供了对象和背景一些关键特征。在于基于标记控制的分水岭分割算法中，标记是算法的种子和出发点。类似的，提出的区域合并方法也将从初始标记区域开始，然后所有未标记区域将逐渐标识为目标区域或背景区域。这个懒惰的方法提出了对齐抠出方法[25] ，它结合了基于分水岭初始分割的图形切割，这实际上是一个采用最大流算法的区域合并方法。在本论文中，我们提出了一种自适应地基于极大的相似性的合并机制，以辨别在目标和背景标记指导下所有未标记区域。

设Q 表示R 的一个相邻区域，{}Q Q i i=1,2,...,q S =S 表示Q 的所有相邻区域的集合。所以

Q 与它所有邻域相似性表示为()Q i Q,S i =1,2,...,q ρ，显然Q R S ∈。如果R 和Q 的相似性为中()Q i Q,S ρ最大的，我们就将R 和Q 合并。合并规则定义如下：

若()()Q i 1,2,...,R,Q Q,S max i q

ρρ==，则合并R 与Q 。 3.2

合并规则（2）非常简单，但它确立了该区域合并进程的基础。（2）一个重要的优点是它避免了合并控制中相似性阈值的预置。虽然最值运算操作对异常值敏感 ，但我们经验发现算法工作良好。 这主要是因为，直方图是对本地区全局描述，它具有很强的噪音和很小的变化。

但是，标记区域仅覆盖一部分的目标和背景，那些目标和背景中的非标记区域也应当被自动识别并正确标记。总的来说，标记区域包含了相应的主要特征，因此，未标记的目标区域与目标标记区域，以及未标记的背景区域与背景标记区域有着更高的自相似度。所以通常情况下，非标记的目标区域不会与背景区域相合并。类似地，未标记的背景区域同样不会与目标区域相合并。

3.5 区域合并算法

基于最大相似度的区域合并算法(Maximal Similarity based Region Merging ，简称MSRM)，分为两个迭代地执行的阶段，直到没有新的区域合并发生。合并策略是尽可能合并背景区域，而保持前景区域不被合并。一旦合并完所有的背景区域，等价于提取了目标。

对每一个区域B B M ∈，确定其邻域集合{}B i i=1,2,...,S =A r 。对每一个i A ，如果i B A M ?，求其相应的邻域集合{}i i A A j j=1,2,...,k S =A ，显然i A B S ∈。然后计算i A 和i A S 中的每一个区域

的相似度。如果B 和i A ，满足下式：

()()i

A

i i j j=1,2,...,k

A ,

B A ,S max ρρ= 那么B 和i A ，合并成一个区域，新的区域将和B 有相同的标记，即：

i B =B A ?

否则，B 和i A 将不台并。

以上的过程迭代进行。在每一次迭代中，集合B M 和N 将被更新．其中，B M 膨胀、N 收缩。当所有背景标记B M 找不到新的合并对象时，迭代结束。经过第一阶段，部分属于背景的区域互相合并。但是，仍有一些背景区域因为彼此间具有更大的相似度．因此它们不能和背景标记区域合并。第一阶段的合并结果如图3.3（a ）所示。可以看出，

经过第一阶段后，大多数属于背景的区域己被合并，但仍有一些未标记的背景区域未和背景标记区域合并。

为了完成目标提取，第二阶段将以第一阶段剩下的未标记区域N 为处理对象，其中包含部分目标特征，同时也包含部分背景特征。未标记区域在最大相似度规则的指导下互相融合，即目标部分互相融合，背景部分互相融合。

经过第一阶段台并之后，对每一个未标记区域(属于目标或背景) P N ∈，构成它的邻域集合{}P i i=1,2,...,p S =H ，-接着，对每一个i H ，如果其满足i B H M ?和i O H M ?，构成它的邻域集台{}i i H H j j =1,2,...,k S =A 。那么i H P S ∈。计算i H 和i H j S 中每一个区域的相似度

()i

H

i j H ,S ρ。如果P 和i H ，满足下式： ()()i

H

i i j j=1,2,...,k

H ,P H ,S max ρρ= 那么将P 与H ，合并成一个区域

i P =P H ?

否则，它们不能合并。

以上过程迭代至未标记区域N 中不再发生合并为止。图3.3（b ）表明，经过第二阶段的合并之后，一些未标记目标区域和未标记背景区域分别互相融合。接着，重复地执行第一阶段和第二阶段，直到没有新的合并发生。最后，每个区域被标记成两类：目标或背景，图3.3（d ）显示了最终提取的目标。在绝大部分实验中，算法将在2-3个回合结束。

图3.3 区域合并过程（a ）第一回合第一阶段(b)第一回合第二阶段(c)第二回合第一阶段

(d)第二回合第二阶段

MSRM 算法

输入：初始均值漂移分割结果。

输出：最后的分割图。

当处于最后循环的区域合并中，

第1阶段。将未标记区域N 与背景标记区域B M 合并。

输入：初始分割结果或第二个阶段的合并结果。

（1-1）对于每个区域B B M ∈，构成其邻域集合{}B i i=1,2,...,S =A r 。

（1-2）对于每个i A 且i B A M ?，构成其邻域集合{}i i A A j j=1,2,...,k S =A 。

（1-3）计算()i A i j A ,S ρ，如果()()

i A i i j j=1,2,...,k A ,B A ,S max ρρ=，那么i B =B A ?。否则B 和i A 不合并。

（1-4）更新B M 和N 。

（1-5）如果B M 的地区无法找到新的合并对象，第一阶段合并结束。否则，返回到（1-1）。

第2阶段。自适应地合并未标记区域N 。

输入：第一阶段合并的结果。

（2-1）对于每个区域P N ∈，构成其邻域集{}P i i=1,2,...,p S =H 。

（2-2）对于每个i H ，i B H M ?且i O H M ?，构成其邻域集合{}i i H H j j=1,2,...,k S =A ，显然i H P S ∈。

（2-3）计算()i H i j H ,S ρ。如果()()

i H i i j j=1,2,...,k H ,P H ,S max ρρ=，那么i P =P H ?，否则，P 与i H 不再合并。

（2-4）更新N 。

（2-5）如果在区域N 无法找到新的区域合并，第二阶段停止。否则返回到（2-1）。 结束

3.6 收敛性分析

该MSRM 算法是一个迭代的方法。它逐步将未标记背景区域N 分配到B M ，然后把

所有剩下的区域分配到O M 。可以很容易地看出该方法收敛。我们有以下定理。

定理1 2.4节中的MSRM 算法收敛，即所有的N 区域经过若干迭代会被标记为目标或着背景。证明如下：

如果在第一个阶段，一个未标记区域P N ∈在其邻域中有最大相似度区域B(B B M ∈)，那么P 与B 合并，即B =P B ?。如果和P 有最大相似度的区域B 在目标标记区域中，那么P 将保留。如果P 和另一个未标记区域P ’( P ’∈N)有最大相似度，那么P 与P ’将在第二阶段合并．即P= P ’? P 。。根据以上分析，在迭代的下一个回合，P 将与B M 或其与另一个未标记区域P ’合并，或仍保持不变。如果在某次选代后．任一个未标记区域P 在B M 或N 中找不到相应的合并对象，算法将停止。

从上面过程可以看出，随着合并的进行，来标记区域中的一部分与目标标记区域合并，一部分将与背景标记区域台并，因此未标记区域N的个数将会逐渐减少。一旦N 停止减少，整个算法将停止，N中所有剩下的区域将被标记为

M。因此，N中所有的

O

区域全部被标记，算法收敛。

3.7本章小结

本章首先提出对彩色图像进行分割的算法，将以Mean Shift算法的分割结果作为基础，提出一种新的交互式区域台并算法，来提取自然图像中的目标。接着对MSRM算法的背景知识做了介绍，即区域的表示和相似度的度量，以及标记的划分等。然后详细描述基于最大相似度的区域合并算法，MSRM分为两个迭代地执行的阶段，直到没有新的区域合并发生。合并策略是尽可能合并背景区域，而保持前景区域不被合并。一旦合并完所有的背景区域，等价于提取了目标。最后本章指出了算法的收敛性，并进行了证明。

4 系统设计及实验结果

4.1 引言

MATLAB是矩阵实验室（Matrix Laboratory）的简称，是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。本文采用MATLA7.10完成系统设计。

4.2 图像分割系统

为了验证本文的算法，本文设计了一个自适应图像分割系统，该系统由3个模块组成，预处理模块、标记模块、和区域合并模块。该系统的总体框架如图所示，

图像分割系统

预处理模块标记模块区域合并模块

图4.1 图像分割系统框架

预处理模块的功能是：将原始的图片进行初始分割，这里采用的Mean Shift算法，初始分割后保存的文件名为‘imagename_IniSeg.png’。由于本文着重于区域合并算法，这里采用EDISON System[23]，它基于边缘信息对Mean Shift方法进行了扩展，区域性更好，可以识别微弱边缘。

标记模块的功能是：根据用户鼠标动作所完成的输入，在初始分割后的图像上做好相关的标记。其中目标标记为绿色，背景标记为红色。

区域合并模块是本文的核心部分，其功能是：根据目标和背景的标记结果和初始分割得到的小区域，按最大相似度规则进行合并，最后提取目标的轮廓。

4.3实验结果与分析

通过一些有代表性的例子测试提出的算法，然后进行鲁棒性分析以及介绍可能失败的情况，最后分析了提出算法的局限性。

4.3.1 实验结果

MSRM算法本质上是一个自适应区域合并方法。当用户输入交互式信息之后，算法

图像分割毕业设计

目录 摘要........................................................... I Abstract......................................................... I I 第1章绪论 (1) 1.1图像分割概述 (1) 1.2图像分割特征 (1) 1.3图像分割的发展及现状 (1) 1.4研究的背景与意义 (2) 第2章数字图像处理 (3) 2.1发展概况 (3) 2.2主要目的 (4) 2.3常用方法 (4) 2.4应用领域 (5) 2.5研究方向 (7) 2.6基本特点 (7) 2.7MATLAB软件 (8) 第3章阈值分割 (10) 3.1图像二值化 (10) 3.2阈值分割基本原理 (10) 3.3阈值分割方法定义 (11) 3.4阈值分割描述 (11) 3.5阈值分割分类 (12) 第4章阈值分割方法 (13) 4.1直方图法 (13)

4.2迭代法 (14) 4.3最大类间方差法 (17) 4.4小结 (20) 第5章最大类间方差法的改进 (21) 结论 (27) 参考文献 (28) 致谢 (29)

通常人们只对图像的某个区域感兴趣，为了能够把感兴趣的区域提取出来，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，以便进一步的图像处理与分析。图像分割是图像处理的关键，在灰度图像中分割出有意义区域的最基本方法是设置阈值的分割方法。选择阈值的主要方法有：直方图法，迭代法，最大类间方差法。本文主要比较三种方法的优缺点，并对其中的最大类间方差法进行优化，改进分割效果。 关键词：阈值直方图迭代法最大类间方差法

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

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;

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

数字图像处理毕业论文

毕业论文声明 本人郑重声明： 1．此毕业论文是本人在指导教师指导下独立进行研究取得的成果。除了特别加以标注地方外，本文不包含他人或其它机构已经发表或撰写过的研究成果。对本文研究做出重要贡献的个人与集体均已在文中作了明确标明。本人完全意识到本声明的法律结果由本人承担。 2．本人完全了解学校、学院有关保留、使用学位论文的规定，同意学校与学院保留并向国家有关部门或机构送交此论文的复印件和电子版，允许此文被查阅和借阅。本人授权大学学院可以将此文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本文。 3．若在大学学院毕业论文审查小组复审中，发现本文有抄袭，一切后果均由本人承担，与毕业论文指导老师无关。 4.本人所呈交的毕业论文，是在指导老师的指导下独立进行研究所取得的成果。论文中凡引用他人已经发布或未发表的成果、数据、观点等，均已明确注明出处。论文中已经注明引用的内容外，不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究成果做出重要贡献的个人和集体，均已在论文中已明确的方式标明。 学位论文作者（签名）： 年月

关于毕业论文使用授权的声明 本人在指导老师的指导下所完成的论文及相关的资料（包括图纸、实验记录、原始数据、实物照片、图片、录音带、设计手稿等），知识产权归属华北电力大学。本人完全了解大学有关保存，使用毕业论文的规定。同意学校保存或向国家有关部门或机构送交论文的纸质版或电子版，允许论文被查阅或借阅。本人授权大学可以将本毕业论文的全部或部分内容编入有关数据库进行检索，可以采用任何复制手段保存或编汇本毕业论文。如果发表相关成果，一定征得指导教师同意，且第一署名单位为大学。本人毕业后使用毕业论文或与该论文直接相关的学术论文或成果时，第一署名单位仍然为大学。本人完全了解大学关于收集、保存、使用学位论文的规定，同意如下各项内容：按照学校要求提交学位论文的印刷本和电子版本；学校有权保存学位论文的印刷本和电子版，并采用影印、缩印、扫描、数字化或其它手段保存或汇编本学位论文；学校有权提供目录检索以及提供本学位论文全文或者部分的阅览服务；学校有权按有关规定向国家有关部门或者机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入学校有关数据库和收录到《中国学位论文全文数据库》进行信息服务。在不以赢利为目的的前提下，学校可以适当复制论文的部分或全部内容用于学术活动。 论文作者签名：日期： 指导教师签名：日期：

图像分割技术与MATLAB仿真

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

中南民族大学本科毕业论文（设计）原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名：年月日

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

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

图像分割区域生长法

江苏科技大学 数字图像处理 图像分割——区域生长法专题 1 图像分割简介 图像分割( image segmentation) 就是把图像分成各具特征的区域并提取出感兴趣目标的技术和过程。这里特征可以是象素的灰度、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。图像分割是图像处理到图像分析的关键步骤, 在图像工程中占据重要的位置。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形式, 使得更高层的图像分析和理解成为可能。 图像分割是一种重要的图像处理技术, 它不仅得到人们的广泛重视和研究, 在实际中也得到大量的应用。图像分割包括目标轮廓、阈值化、图像区分或求差、目标检测、目标识别、目标跟踪等技术。 从大的方面来说，图像分割方法可大致分为基于区域的方法、基于边缘的方法、区域与边缘相结合的方法，以及在此基础上的采用多分辨率图像处理理论的多尺度分割方法。 其中基于区域的方法采用某种准则，直接将图像划分为多个区域。而基于边缘的方法则通过检测包含不同区域的边缘，获得关于各区域的边界轮廓描述，达到图像分割的目的，而区域与边缘相结合的方法通过区域分割与边缘检测的相互作用，得到分割结果。 图像分割中基于区域的方法主要有直方图门限法、区域生长法、基于图像的随机场模型法、松弛标记区域分割法等。本文主要讨论基于区域分割的区域生长法。区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。该方法一般有两种方式，一种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；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，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，典型的区域生长法如T. C. Pong等人提出的基于小面（facet）模型的区域生长法，区域生长法固有的缺点是往往会造成过度分割，即将图像分割成过多

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。

数字图像处理系统毕业论文

数字图像处理系统毕业论文基于ARM的嵌入式数字图像处理系统设计

摘要 简述了数字图像处理的应用以及一些基本原理。使用S3C2440处理器芯片，linux内核来构建一个简易的嵌入式图像处理系统。该系统使用u-boot作为启动引导程序来引导linux内核以及加载跟文件系统，其中linux内核与跟文件系统均采用菜单配置方式来进行相应配置。应用界面使用QT制作，系统主要实现了一些简单的图像处理功能，比如灰度话、增强、边缘检测等。整个程序是基于C++编写的，因此有些图像变换的算法可能并不是最优化的，但基本可以满足要求。在此基础上还会对系统进行不断地完善。 关键词：linnux 嵌入式图像处理边缘检测 Abstract This paper expounds the application of digital image processing and some basic principles. The use of S3C2440 processor chip, the Linux kernel to construct a simple embedded image processing system. The system uses u-boot as the bootloader to boot the Linux kernel and loaded with file system, Linux kernel and file system are used to menu configuration to make corresponding configuration. The application interface is made using QT, system is mainly to achieve some simple image processing functions, such as gray, enhancement, edge detection. The whole procedure is prepared based on the C++, so some image transform algorithm may not be optimal, but it can meet the basic requirements. On this basis, but also on the system constantly improve. Keywords:linux embedded system image processing edge detection

图像分割算法的研究与实现本科学士学位毕业论文

TP391.41 学士学位论文（设计） 论文题目图像分割算法研究与实现 作者姓名 指导教师 所在院系 专业名称 完成时间

毕业设计（论文）原创性声明和使用授权说明 原创性声明 本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。 作者签名：日期： 指导教师签名：日期： 使用授权说明 本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。 作者签名：日期：

学位论文原创性声明 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。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后果由本人承担。 作者签名：日期：年月日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 涉密论文按学校规定处理。 作者签名：日期：年月日 导师签名：日期：年月日

图像分割算法研究与实现

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

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

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

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

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的数字图像处理系统毕业设计论文

论文（设计）题目： 基于MATLAB的数字图像处理系统设计 姓名宋立涛 学号２０１２１１８６７ 学院信息学院 专业电子与通信工程 年级２０１２级 ２０１３年６月１６日

基于MATLAB的数字图像处理系统设计 摘要 MATLAB 作为国内外流行的数字计算软件，具有强大的图像处理功能，界面简洁，操作直观，容易上手，而且是图像处理系统的理想开发工具。 笔者阐述了一种基于MATLAB的数字图像处理系统设计，其中包括图像处理领域的大部分算法，运用MATLAB 的图像处理工具箱对算法进行了实现，论述了利用系统进行图像显示、图形表换及图像处理过程，系统支持索引图像、灰度图像、二值图像、RGB 图像等图像类型；支持BMP、GIF、JPEG、TIFF、PNG 等图像文件格式的读，写和显示。 上述功能均是在MA TLAB 语言的基础上，编写代码实现的。这些功能在日常生活中有很强的应用价值，对于运算量大、过程复杂、速度慢的功能，利用MATLAB 可以既能快速得到数据结果，又能得到比较直观的图示。 关键词：MATLAB 数字图像处理图像处理工具箱图像变换

第一章绪论 1.1 研究目的及意义 图像信息是人类获得外界信息的主要来源，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，人们越来越多地利用图像信息来认识和判断事物，解决实际问题，由此可见图像信息的重要性，数字图像处理技术将会伴随着未来信息领域技术的发展，更加深入到生产和科研活动中，成为人类生产和生活中必不可少的内容。 MATLAB 软件不断吸收各学科领域权威人士所编写的实用程序，经过多年的逐步发展与不断完善，是近几年来在国内外广泛流行的一种可视化科学计算软件。MATLAB 语言是一种面向科学与工程计算的高级语言，允许用数学形式的语言来编写程序，比Basic、Fortan、C 等高级语言更加接近我们书写计算公式的思维方式，用MATLAB 编写程序犹如在演算纸上排列出公式与求解问题一样。它编写简单、编程效率高并且通俗易懂。 1.2 国内外研究现状 1.2.1 国内研究现状 国内在此领域的研究中具有代表性的是清华大学研制的数字图像处理实验开发系统TDB-IDK 和南京东大互联技术有限公司研制的数字图像采集传输与处理实验软件。 TDB-IDK 系列产品是一款基于TMS320C6000 DSP 数字信号处理器的高级视频和图像系统，也是一套DSP 的完整的视频、图像解决方案，该系统适合院校、研究所和企业进行视频、图像方面的实验与开发。该软件能够完成图像采集输入程序、图像输出程序、图像基本算法程序。可实现对图像信号的实时分析，图像数据相对DSP独立方便开发人员对图像进行处理，该产品融合DSP 和FPGACPLD 两个高端技术，可以根据用户的具体需求合理改动，可以分析黑白和彩色信号，可以完成图形显示功能。 南京东大互联技术有限公司研制的数字图像采集传输与处理实验软件可实现数字图像的采集、传输与处理。可利用软件及图像采集与传输设备，采集图像并实现点对点的数字图像传输，可以观察理解多种图像处理技术的效果和差别，