图像分割 实验报告

实验报告

课程名称医学图像处理

实验名称图像分割

专业班级

姓名

学号

实验日期

实验地点

2０15—201６学年度第２学期

050100150200250

图1 原图图3 阈值分割后得二值图像

:手动阈值分割得阈值就是取直方图中双峰得谷底得灰度值作为阈值,若有多个双峰谷底则取第一个作为阈值。本题得阈值取

f=imreａd(’cａｍｅraman、tif')；％读入图像

subpｌｏt（1,2，1）;iｍｓhoｗ(f)； %创建一个一行二列得窗口，在第一个窗口显示图像

tiｔle（'原始图像’）; ％标注标题

f＝double(f）； %转换位双精度

T=（min(f（:))+ｍａx（ｆ(:))）/2; %设定初始阈值

ｄone=falsｅ; %定义开关变量,用于控制循环次数

i=0；％迭代,初始值i=0

wｈiｌe~done ％while ～dｏne 就是循环条件,～就是“非”得意思,此

处ｄone = 0；说明就是无限循环,循环体里面应该还

有循环退出条件,否则就循环到死了;

r１=ｆｉｎｄ（ｆ<=T）； %按前次结果对t进行二次分 r2=fｉnd（ｆ〉T)；％按前次结果重新对t进行二次分 Tneｗ=(ｍean(f(r1))+ｍｅａn(f(r2）))/2; ％新阈值两个范围内像素平均值与得一半done＝ａbｓ(Tnｅｗ－T）＜1; %设定两次阈值得比较，当满足小于1时,停止循环,

1就是自己指定得参数

T=Tnew; %把Tnw得值赋给T

i=i+1；％执行循坏,每次都加1

enｄ

f(r1)=0; %把小于初始阈值得变成黑得

f(r２）=１; %把大于初始阈值得变成白得

subｐlｏｔ（1，２,2）；％创建一个一行二列得窗口,在第二个窗口显示图像

ｉmshｏw(ｆ）；%显示图像

title('迭代阈值二值化图像’）；％标注标题

图４原始图像图5迭代阈值二值化图像

分析：本题就是迭代阈值二值化分割，步骤就是：1、选定初始阈值，即原图大小取平均；2、用初阈

值进行二值分割;３、目标灰度值平均背景都取平均；4、迭代生成阈值,直到两次阈值得灰

度变化不超过１,则稳定;5、输出迭代结果。

%例３ Lａpｌacian算子与模板匹配法

I=imreaｄ(＇ｃameraman、tif’); %读入图像

subplot（1，３，1）;imsｈow(I); %创建一个一行三列得窗口,在第一个窗口显示图像

tｉｔｌe（'原图像'); ％标注标题

H=fspecｉal('laplaciaｎ’）; %生成lａpｌacian滤波器

laplacｉａnＨ=fiｌter2(H,I）; %以ｌaplaciaｎ为模板对图像I进行锐化滤波

subploｔ(1，3,2)；％创建一个一行三列得窗口，在第二个窗口显示图像

ｉmｓhoｗ(laplａcianH); ％显示图像

titｌe(’lａplacian算子锐化图像’)；%标注标题

Ｈ＝ｆspecｉal('pｒewｉtｔ’）; %生成Pｒewitt滤波器

ｐrｅｗiｔtH＝filtｅr2（Ｈ，I）; %以prewｉtｔ为模板对图像I进行锐化滤波

subｐlｏｔ(1,3，3）； %创建一个一行三列得窗口,在第三个窗口显示图像

imｓｈｏw(pｒeｗｉttＨ)； %显示图像

title(’ｐｒewitt模板锐化图像’); %标注标题

图6原图像图7lａｐlacian算子锐化图像图８ｐrewitt模板锐化图像

分析：从结果图可以瞧出，laplacian算子对边缘得处理更明显，它就是二阶微分算子，能加强

边缘效果,对噪声很敏感,Prewitt算子就是平均滤波得一阶得微分算子,不仅能检测边缘点,而且能抑制噪声得影响。

％例4 不同边缘检测方法比较

f=imrｅａd(’ｃａmeｒamaｎ、tif’）；％读取图像

subplot(2，2，１);ｉmｓhow(f); ％创建一个二行二列得窗口，在第一个窗口显示图像

ｔitle（’原始图像'）；%标注标题

[ｇ，t］=ｅdgｅ（f，＇rｏberｔｓ＇，［],’bｏth＇）; %用rｏberts检测器对图像进行边缘检测,阈值自动选

取,检测边缘方向(双向)为both

ｓuｂploｔ(2,2,2);imshow(g）; ％创建一个二行二列得窗口,在第二个窗口显示图像

tｉtle(＇Roberts算子分割结果'）；％标注标题

［g，t]＝edｇe(f,’ｓobel’,[］,'both'）； %用sｏbel检测器对图像进行边缘检测，阈

值自动选取,检测边缘方向（双向）为both

ｓubpｌot（2，2，３）;ｉmｓhow（g)； %创建一个二行二列得窗口,在第三个窗口显示图像

titｌｅ(’Sｏbel算子分割结果＇）; ％标注标题

［g,t]=ｅdｇe（ｆ,’pｒewitt',［］，'both’）; ％用ｐrewitt检测器对图像进行边缘检测,阈值自动

选取,检测边缘方向（双向）为bｏth

ｓubplｏt(2，2,4);iｍsｈow(g); ％创建一个二行二列得窗口，在第四个窗口显示图像

title('prewiｔｔ算子分割结果'）; ％标注标题

图9原始图像图10 Robｅｒtｓ算子分割结果图像

图11 Sｏbｅl算子分割结果图像图12 prewiｔt算子分割结果图像

分析:从结果图可以瞧出,Prewitt 与Sobeｌ算子分割效果比Ｒｏbertｓ效果要好一些，提取

边缘较完整，其边缘连续性较好。但就是这三种算子得边缘得连续性都不太好,这时我们需要采用霍夫变换使间断变成连续,连接边缘。

思考题

1。分析Soｂel算子特点,并给予说明。

f=iｍrｅａd(＇skull、ｔif＇)； %读取图像

f＝dｏuble（ｆ)； %转化图像ｆ得类型为双精度

suｂplot(3,３,1）; %创建有3＊3子图像得窗口，原图在位置1 imsｈow（f,[］); %显示原图像f

titｌe（＇原始图像’）； %给图像加标题为'原始图像＇

Ｊ=imnｏisｅ(ｆ，'gaｕssiａn＇,0、02); %对图像加高斯噪声

sｕbｐlot（3,3，2）; ％创建有3＊3子图像得窗口,原图在位置2

图13原始图像图１4加高斯噪声图像图１５sobel算子双向分割结果图像

图１6加噪后sobｅl双向分割图图1７sｏbel水平方向分割图图18加噪后sobel水平分割图

图19sobｅl垂直方向分割结果图像图２０加噪后soｂeｌ垂直方向分割结果图像

分析：Ｓobｅl相对于先对图像进行加权平均再做差分。在边缘检测中,常用得一种模板就是Ｓobｅｌ

算子．Sobel 算子有三个，一个就是检测双向边缘得 ,一个就是检测水平边缘得；另一个就是检

测垂直边缘得。由于Soｂel算子就是一节微分滤波算子得,用于提取边缘,有方向性,从结果可以瞧出双向ｂｏth得分割效果最好。缺点：Sobｅl算子并没有将图像得主体与背景严格

地区分开来,换言之就就是Sobel算子没有基于图像灰度进行处理，由于Sｏbel算子没有严

格地模拟人得视觉生理特征,所以提取得图像轮廓有时并不能令人满意。

２．分析lａplacian算子特点，并解释它为何能增强图像得边缘？

I=imrｅad（'skulｌ、tif'）； %读取原图

suｂpｌot(２，3，1)，imshoｗ(Ｉ,[]）;tｉtlｅ(＇原图像') %在２*３子图像得位置1显示原图像

H１=fsｐecial('laｐｌacｉａｎ',0)； %生成Laplａcｉan算子滤波器,滤波器得标

准差为0,说明H1模板得中间系数就是-4 H2＝ｆsｐeｃiａl('laplaciaｎ’); %生成Lａplaciａn算子滤波器,滤波器得标

准差为默认值0、２,说明Ｈ2模板得中间系数就是-3、33３

H３＝fspecｉal(’ｌａpｌaciａn’,1); %生成Laplacian算子滤波器,

滤波器得标

准差为1,说明H3模板得中间系数就是-2 J＝imnoｉｓｅ(I,’salt & pepper’，0、02)； %添加椒盐噪声

suｂplｏt（2,3,2),imsｈow(J,[］）;ｔitle（’添加椒盐噪声图像') %在2＊3子图像得位置3显示添

加椒盐噪声图像

Ｉ1=ｉｍfilｔｅｒ（I，H1）; %用Ｈ1模板进行均值滤波suｂpｌｏｔ（2，3，3），imsｈow(I1,[］）;title（’HＩ模板laplａｃian算子滤波结果’) %在2*3子图像得

位置３显示’ＨI模板lａplaｃian算子滤波结果图像

I2=imfilter(I，H2）; ％用Ｈ２模板进行均值滤波

ｓubpｌot(２,3，4）,imsｈow（I２，[］)；tｉtle(’Ｈ２模板laplacｉan算子滤波结果’) %在２*3子图像得

位置4显示H2模板lａｐｌaciaｎ算子滤波结果图像

I３=imfiｌｔｅｒ(I,H3)；％用Ｈ3模板进行均值滤波

subplot(２,３,5)，imｓhoｗ（I3,［］)；title(’H3模板lａplａciａｎ算子滤波结果') %在2*３子图像得

位置5显示Ｈ3模板ｌaｐlaｃian算子滤波结果图像

图21原图像图22添加椒盐噪声图像图2３ＨI模板lａｐlaｃiａn 算子滤波图

图2４Ｈ2模板laｐlaｃian算子滤波结果图像图25 H３模板laplacian算子滤波结果图像

分析：laｐlaciａｎ算子对边缘得处理明显,它就是二阶微分算子,能加强边缘效果,对噪声很敏

感.它没有方向性,但就是可以改变模板得中间系数,会有不同得效果。

3。比较各个边缘算子对图像边缘得检测效果。

Ｉ=imrｅad(’ｓｋull、tｉf’); %读取图像

sｕｂplｏt（3，3,１),ｉmshｏw(I),tｉtle(’原图像')，imｓｈｏw(I）;ｔitｌe(’原图像'） %在３*3子图像得

位置1显示原图像ＢＷ1=eｄge(Ｉ,’sobeｌ'，0、１); %用 sｏbeｌ算子进行边缘检测，判断阈值为０、1

ｓubplot（3,３,2）,imｓhow（BW1);title(’soｂｅl算子处理后图像’）％在3＊3子图像得位置２显示

ｓｏbel算子处理后图像

BW2=eｄgｅ（I,＇ｒobｅrｔs’,0、1）; ％用 robeｒts 算子进行边缘检测,判断阈值为0、1

sｕbpｌot(3，3,3),imｓhow(BW2）;titｌe(＇robｅrtｓ算子处理后图像’)％在３*3子图像得位置3显示

rｏｂerts算子处理后图像

BＷ３＝eｄge(I,’ｐrewitt',０、1); %用 preｗｉtt 算子进行边缘检测,判断阈值为０、１

subｐｌot（3,3,4)，imsｈoｗ(BW３）;title('pｒｅwitt算子处理后图像'）％在3*３子图像得位置４显示

prｅwitt算子处理后图像BＷ4＝edge(I,'ｌog',0、０1); ％用ｌｏg 算子进行边缘检测，判断阈值为0、０１

sｕbplot(3,3,5),imｓhow（BW4);tｉtlｅ(’log算子处理后图像＇）％在３＊3子图像得位置５显示lｏｇ

算子处理后图像BW5=edge(I,＇cａnny＇,0、1)；%用caｎnｙ算子进行边缘检测,判断阈值为0、1

ｓｕbpｌot(3,3,６),imsｈｏw（BW5）;tｉtle('cａｎnｙ算子处理后图像')%在3*3子图像得位置6显示cannｙ算子处理后图像

H=ｆspeciaｌ(’laｐlacian＇）; ％生成Laｐlacian算子滤波器(突出图像中得小细节)(它具有各向

同性)(Lａｐｌacian 算子对噪声比较敏感,所以图像一般先经过平滑

处理,因为平滑处理也就是用模板进行得，所以,通常得分割算法都

就是把Lapｌａciaｎ算子与平滑算子结合起来生成一个新得模板。)

laｐlａciａnH=fiｌter２（H,I); ％图像I经Laplaｃｉan算子锐化滤波处理

suｂｐlｏt（３，3,7）;imshow（lapｌａcianH);titｌe('Ｌapｌacian算子锐化图像’); ％在3＊3子图像得位

置７显示Lａｐｌａcian算子锐化图像

图２6原图像图2７ｓobｅl算子处理后图像图２８roberts算子

处理后图像

图２9ｐrewiｔt处理后图图3０log处理后图图3１cａnny处理后图像图3２Laplac ｉａn锐化图

分析：laｐlaｃian算子对边缘得处理最明显,Sｏbel与prewitt较差一些。Robｅrｔs 算子定位

比较精确,Ｐｒewｉｔt 算子就是平均滤波得一阶得微分算子,Canny就是一阶传统微分中检测阶

跃型边缘效果最好得算子之一。Preｗiｔt 与 Soｂel 算子比Roberts 效果要好一些。Log

滤波器与 Cannｙ算子得检测效果优于梯度算子,能够检测出图像较细得边缘部分。比较

几种边缘检测结果,可以瞧到Ｃaｎny 算子提取边缘较完整,其边缘连续性较好,效果优于其它算子.其次就是 Pｒewｉtｔ算子，其边缘比较完整。再次就就是Sobel 算子。４。比较各个边缘检测算子对噪声得敏感性，并提出抗噪声性能较好得边缘检测得方法。

I=imread（'skuｌl、tｉf'); %读取图像

ｓubpｌot(3，3，1 ），iｍｓhｏw(Ｉ),ｔiｔlｅ(＇原图像’) ,imshow（I)；tiｔlｅ('原图像’)%在３*3子图像得

位置１显示原图像J=ｉｍnｏiｓe（I,’ｓalt ＆ｐeｐper',0、02); %给图像加噪声密度为0、02得椒盐噪声

subpｌot（3,３,２），imsｈow(Ｊ,［]）;tiｔｌe('添加椒盐噪声图像'）%在3*3子图像得位置2显示添加

椒盐噪声图像BW1=eｄge(J，'sobel’,0、1); %用 sobeｌ算子进行边缘检测，判断阈值为０、1

subｐlｏt（３,3,3)，ｉｍshow(BW1，[]）;title('sobel算子处理后图像')%在3*３子图像得位置3显示

sｏbel算子处理后图像BW2=edge(J，’ｒoberts',0、１); ％用ｒobｅrts 算子进行边缘检测,判断阈值为 0、1

ｓubpｌｏt(3，３,4),imshoｗ(ＢW2,[］)；titlｅ(＇ｒｏberｔs算子处理后图像’)%在3*3子图像得位置4

显示roberｔs算子处理后图像BW３＝edge(J，’prewiｔt',０、1）；％用 prｅwiｔt 算子进行边缘检测,判断阈值为 0、1

ｓubplｏt(3，3，5),imshow（BW3,[]);titｌe(’prewitｔ算子处理后图像')％在3*3子图像得位置5

显示ｐreｗitt算子处理后图像

BＷ4=ｅｄge(J,’ｌog'，0、０1); %用 log 算子进行边缘检测,判断阈值为０、０1

sｕｂplot（3，３,６),imshｏw（BW4,[］);tｉtle(’log算子处理后图像’)％在3*3子图像得位置６显示

loｇ算子处理后图像BW5=edｇe（J，'canny’,0、1); %用ｃanny 算子进行边缘检测,判断阈值为0、1

ｓｕbplot(3,3，7）,imshｏｗ(BＷ5,[]);titｌe（’ｃaｎnｙ算子处理后图像’)%在３*３子图像得位置7显示

ｃanny算子处理后图像H=fspeｃｉal('ｌapｌacｉａn’)；％生成Lapｌａｃｉaｎ算子滤波器（突出图像中得小细节)（它具有各向

同性）(Laplaｃiaｎ算子对噪声比较敏感,所以图像一般先经过平

滑处理，因为平滑处理也就是用模板进行得,所以通常得分割算法

都就是把Lａplaciａn 算子与平滑算子结合起来生成一个新得模板。)

ｌaplａｃｉanH=filter2（Ｈ，J); %图像I经Laplacian算子锐化滤波处理

subpｌoｔ(３,３，8);ｉmｓhow（laplacｉaｎＨ）；titlｅ（＇Ｌaplａciａn算子锐化图像’); ％在3*3子图像得位

置8显示Ｌａｐlaｃｉan算子锐化图像

图33原图像图34添加椒盐噪声图像图３5sｏbｅl算子处理后图像

图3６roberts算子处理后图像图３７pｒewitt算子处理后图像图38ｌoｇ算子处理

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,

数字图像处理实验报告完整版

数字图像处理 实验一 MATLAB数字图像处理初步 一、显示图像 1．利用imread( )函数读取一幅图像，假设其名为lily.tif，存入一个数组中； 2．利用whos 命令提取该读入图像flower.tif的基本信息； 3．利用imshow()函数来显示这幅图像； 实验结果如下图： 源代码： >>I=imread('lily.tif') >> whos I >> imshow(I) 二、压缩图像 4．利用imfinfo函数来获取图像文件的压缩，颜色等等其他的详细信息； 5．利用imwrite()函数来压缩这幅图象，将其保存为一幅压缩了像素的jpg文件,设为lily.jpg；语法：imwrite(原图像，新图像，‘quality’,q), q取0-100。 6．同样利用imwrite()函数将最初读入的tif图象另存为一幅bmp图像，设为flily.bmp。7．用imread()读入图像Sunset.jpg和Winter.jpg； 8．用imfinfo()获取图像Sunset.jpg和Winter.jpg的大小； 9．用figure,imshow()分别将Sunset.jpg和Winter.jpg显示出来，观察两幅图像的质量。 其中9的实验结果如下图：

源代码： 4~6(接上面两个) >>I=imread('lily.tif') >> imfinfo 'lily.tif'； >> imwrite(I,'lily.jpg','quality',20); >> imwrite(I,'lily.bmp'); 7~9 >>I=imread('Sunset.jpg'); >>J=imread('Winter.jpg') >>imfinfo 'Sunset.jpg' >> imfinfo 'Winter.jpg' >>figure(1),imshow('Sunset.jpg') >>figure(2),imshow('Winter.jpg') 三、二值化图像 10．用im2bw将一幅灰度图像转化为二值图像，并且用imshow显示出来观察图像的特征。实验结果如下图： 源代码： >> I=imread('lily.tif') >>gg=im2bw(I,0.4); F>>igure, imshow(gg)

图像处理实验-图像增强和图像分割

图像处理实验 图像增强和图像分割 一、实验目的： 掌握用空间滤波进行图像增强的基本方法，掌握图像分割的基本方法。 二、 实验要求： 1、测试图像1中同时含有均值为零的均匀分布噪声和椒盐噪声。用大小为5×5的算术均值滤波器和中值滤波器对图像进行处理，在不同窗口中显示原图像及各处理结果图像，并分析哪一种滤波器去噪效果好？ 2、对测试图像2进行图像分割，求出分割测试图像2的最佳阈值。分别显示原图、原图的直方图（标出阈值）、和分割后的二值图。 实验内容： 1. 实验原理 1) 图像增强：流程图： 图像增强可以通过滤波的方式来完成，即消除一部分的噪声。滤波又可以分为均值滤波和中值滤波。 1. 中值滤波原理：中值滤波就是选用一个含有奇数个像素的滑动窗口，将该窗口在图像上扫描，把其中所含像素点按灰度级的升（或降）序排列，取位于中间的灰度值来代替窗口中心点的灰度值。

对于一维序列{N f }： 21,},...,,...,{-=∈=+-m u N i f f f M e d y u i i u i i 对于二维序列{ij F }：为滤波窗口W y ij F Med W ij }{= 2. 均值滤波原理：对于含噪声的原始图像g(s,t)的每一个像素点去一个领 域N ，用N 中所包含的相速的灰度平均值，作为领域平均处理后的图像f(x,y)的像素值，即： ∑∈=xy S t s t s g mn y x f ),(),(1),(? 2) 图像分割： 图像分割：依据图像的灰度、颜色等特征，将一幅图像分为若干个互不重叠的、具有某种同质特征的区域。

本实验中我们是根据灰度值，将灰度值大于阈值T的像素统一置为255，小于的则置为0。如何求出最合适的分割阈值，则需要用到迭代算法。 迭代法算法步骤： (1) 初始化阈值T (一般为原图像所有像素平均值)。 (2) 用T分割图像成两个集合：G1 和G2，其中G1包含所有灰度值小于T的像素，G2包含所有灰度值大于T的像素。 (3) 计算G1中像素的平均值m1及G2中像素的平均值m2。 (4) 计算新的阈值：T ＝（m1＋m2）/2 。 (5）如果新阈值跟原阈值之间的差值小于一个预先设定的范围，停止循环，否则继续（2）－（4）步。 2.程序代码与分析： 1)图像增强： clear all;clc; %读入图像 I1=imread('Fig5.12(b).jpg'); %均值滤波模板 h1=ones(5,'uint8'); %获取分辨率 [a,b]=size(I1); %创建变量 I2=zeros(a+4,b+4,'uint8'); I3=zeros(a+4,b+4,'uint8'); %复制原始图像 for n=3:a+2 for m=3:b+2 I2(n,m)=I1(n-2,m-2); I3(n,m)=I1(n-2,m-2); end end

图像分割算法的比较与分析

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

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

课程设计任务书

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

第一章绪论 研究目的和意义 图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割;但某些分割方法只是适合于某些特殊类型的图像分割，所以分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。 图像分割是由图像处理到图像分析的关键步骤，在图像工程中占有重要位置。一方面，它是目标表达的基础，对特征测量有重要的影响。另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象、更紧凑的表达形式，使得更高层的图像分析和理解成为可能。因此在实际应用中，图像分割不仅仅要把一幅图像分成满足上面五个条件的各具特性的区域，而且要把其中感兴趣的目标区域提取出来。只有这样才算真正完成了图像分割的任务，为下一步的图像分析做好准备，使更高层的图像分析和理解成为可能。 图像分割在很多方面，如医学图像分析，交通监控等，都有着非常广泛的应用，具有重要的意义。(1)分割的结果常用于图像分析，如不同形式图像的配准与融合，结构的测量，图像重建以及运动跟踪等。(2)在系统仿真，效果评估，图像的3D重建以及三维定位等可视化系统中，图像分割都是预处理的重要步骤。 (3)图像分割可在不丢失有用信息的前提下进行数据压缩，这就降低了传输的带宽，对提高图像在因特网上的传输速度至关重要。(4)分割后的图像与噪声的关系减弱，具有降噪功能，便于图像的理解。 图像分割的研究进展 图像分割是图像处理中的一项关键技术，至今已提出上千种分割算法。但因

图像分割程序设计汇总

******************* 实践教学 ******************* 兰州理工大学 计算机与通信学院 2012年秋季学期 图像处理综合训练 题目：图像分割程序设计 专业班级： 姓名： 学号： 指导教师： 成绩：

目录 摘要 (1) 一、前言 (2) 二、算法分析与描述 (3) 三、详细设计过程 (5) 四、调试过程中出现的问题及相应解决办法 (8) 五、程序运行截图及其说明 (8) 六、简单操作手册 (12) 设计总结 (15) 参考资料 (16) 致谢 (17) 附录 (18)

摘要 图像分割就是从图像中将某个特定区域与其他部分进行分离并提取出来的处理 通常又称之为图像的二值化处理。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。近年来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。 关键词：图像分割；阈值；二值化；

一、前言 图形图像处理的应用领域涉及人类生活和工作的各个方面，它是从60年代以来随计算机的技术和VLSI的发展而产生、发展和不断成熟起来的一个新技术领域理论上和实际应用上都并取得了巨大的成就。数字图像处理与模拟图像处理的根本不同在于，它不会因图像的存储、传输或复制等一系列变换操作而导致图像质量的退化，所以图形图像的处理在我们的生活中又很重要的作用。在对图像的研究和应用中，人们往往只对图像中的某些部分感兴趣。这些部分通常称为目标或前景，它们一般对应图像中特定的、具体独特性质的区域。为了辨识和分析目标，需要将它们分别提取出来，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各具特性的区域并提取出感兴趣的目标的技术和过程。在图象分析中,通常需将所关心的目标从图象中提取出来,即图象的分割。图象分割在图象分析,图象识别,图象检测等方面占有非常重要的位置。

沈阳理工大学迭代阈值法图像分割程序设计

成绩评定表 学生姓名高冰钰班级学号1303030402 专业 电子信息工程课程设计题目 基于最大类间方差法图 像分割程序设计 —迭代阈值法 评 语 组长签字： 成绩 日期2016年7月18日

课程设计任务书 学院信息科学与工程专业电子信息工程 学生姓名高冰钰班级学号1303030402 课程设计题目基于最大类间方差法图像分割程序设计—迭代阈值法实践教学要求与任务： 本设计要求利用Matlab进行编程及仿真，仿真内容为基于最大类间方差法图像分割程序设计——迭代阈值法。利用所学数字图象处理技术知识，在Matlab软件系统上来实现图像分割，并且对程序进行测试。要求如下： （1）掌握课程设计的相关知识、概念、思路及目的。 （2）程序设计合理、能够正确运行且操作简单，可实施性强。 （3）掌握图像分割的方法。 （4）能够利用迭代阈值法进行图像分割。 工作计划与进度安排： 第一阶段（1-2）天：熟悉matlab编程环境，查阅相关资料； 第二阶段（2-3）天：算法设计； 第三阶段（2-3）天：编码与调试； 第四阶段（1-2）天：实验与分析； 第五阶段（1-2）天：编写文档。 指导教师： 2016年7月3日专业负责人： 2016年7月4日 学院教学副院长： 2016年7月4日

摘要 数字图像处理的目的之一是图像识别，而图像分割是图像识别工作的基础。图像分割是从图像预处理到图像识别和分析、理解的关键步骤，在数字图像处理中占据重要的位置。图像分割的目的是将图像分成一些有意义的区域并对这些区域进行描述。 图像分割的方法主要有点相关分割、区域相关分割、阈值法、界限检测法、匹配法、跟踪法等。本设计主要采用阈值分割法中的迭代阈值法，利用MATLAB 软件中的图像处理函数将图像导入，然后对图像进行灰度变换，通过迭代法求图像最佳分割阈值，根据该阈值对图像进行分割，从而产生二值化后的图像。仿真结果表明，通过迭代法选取的阈值是比较准确的，可以采用此阈值对图像进行分割。 关键词：图像分割；迭代阈值法；MATLAB

数字图像处理课程设计报告

课程设计报告书 课程名称：数字图像处理 题目：数字图像处理的傅里叶变换 学生姓名： 专业：计算机科学与技术 班别：计科本101班 学号： 指导老师： 日期：2013 年06 月20 日 数字图像处理的傅里叶变换 1.课程设计目的和意义 (1)了解图像变换的意义和手段 (2)熟悉傅里叶变换的基本性质 (3)热练掌握FFT的方法反应用 (4)通过本实验掌握利用MATLAB编程实现数字图像的傅里叶变换 通过本次课程设计，掌握如何学习一门语言，如何进行资料查阅搜集，如何自己解决问题等方法，养成良好的学习习惯。扩展理论知识，培养综合设计能力。 2.课程设计内容 (1)熟悉并掌握傅立叶变换 (2)了解傅立叶变换在图像处理中的应用 (3)通过实验了解二维频谱的分布特点 (4)用MATLAB实现傅立叶变换仿真

3.课程设计背景与基本原理 傅里叶变换是可分离和正交变换中的一个特例，对图像的傅里叶变换将图像从图像空间变换到频率空间，从而可利用傅里叶频谱特性进行图像处理。从20世纪60年代傅里叶变换的快速算法提出来以后，傅里叶变换在信号处理和图像处理中都得到了广泛的使用。 3.1课程设计背景 数字图像处理（Digital Image Processing）又称为计算机图像处理，它是指将图像信号转换成数字信号并利用计算机对其进行处理的过程。是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。 3.2 傅里叶变换 (1)应用傅里叶变换进行数字图像处理 数字图像处理（digital image processing）是用计算机对图像信息进行处理的一门技术，使利用计算机对图像进行各种处理的技术和方法。 ? ??20世纪20年代，图像处理首次得到应用。20世纪60年代中期，随电子计算机的发展得到普遍应用。60年代末，图像处理技术不断完善，逐渐成为一个新兴的学科。利用数字图像处理主要是为了修改图形，改善图像质量，或是从图像中提起有效信息，还有利用数字图像处理可以对图像进行体积压缩，便于传输和保存。数字图像处理主要研究以下内容：傅立叶变换、小波变换等各种图像变换；对图像进行编码和压缩；采用各种方法对图像进行复原和增强；对图像进行分割、描述和识别等。随着技术的发展，数字图像处理主要应用于通讯技术、宇宙探索遥感技术和生物工程等领域。 傅里叶变换在数字图像处理中广泛用于频谱分析，傅里叶变换是线性系统分析的一个有力工具，它使我们能够定量地分析诸如数字化系统，采样点，电子放大器，卷积滤波器，噪声，显示点等地作用（效应）。傅里叶变换（FT）是数字图像处理技术的基础，其通过在时空域和频率域来回切换图像，对图像的信息特征进行提取和分析，简化了计算工作量，被喻为描述图像信息的第二种语言，广泛应用于图像变换，图像编码与压缩，图像分割，图像重建等。因此，对涉及数字图像处理的工作者，深入研究和掌握傅里叶变换及其扩展形式的特性，是很有价值得。 (2)关于傅里叶（Fourier）变换 在信号处理中，傅里叶变换可以将时域信号变到频域中进行处理，因此傅里叶变换在信号处理中有着特殊重要的地位。 傅里叶变换能将满足一定条件的某个函数表示成三角函数（正弦和/或余弦函数）或者它们的积分的线性组合。在不同的研究领域，傅里叶变换具有多种不同的变体形式，如连续傅里叶变换和离散傅里叶变换。傅里叶变换属于谐波分析。傅里叶变换的逆变换容易求出,而且形式与正变换非常类似；正弦基函数是微分运算的本征函数,从而使得线性微分方程的求解可以转化为常系数的代数方程的求解.在线性时不变的物理系统内,频率是个不变的性质,从而系统对于复杂激励的响应可以通过组合其对不同频率正弦信号

数字图像处理实验 图像分割

实验报告 实验名称实验四图像分割 课程名称数字图像处理A 姓名成绩 班级学号 日期地点 1.实验目的 （1）了解并掌握图像分割的基本原理； （2）编写程序使用Hough变换处理图像，进行线检测；

（3）编写程序使用阈值处理方法进行图像分割，根据实验结果分析效果； （4）总结实验过程（实验报告，左侧装订）：方案、编程、调试、结果、分析、结论。 2.实验环境（软件条件） Windws2000/XP MATLAB 7.0 3.实验方法 对256级灰度的数字图像camera.bmp（如图4.1所示）和car.bmp（如图4.2所示）进行如下处理： （1）对图像camera.bmp进行Hough变换进行线检测，显示处理前、后图像： 思考如何利用Hough变换进行圆检测； （2）对图像car.bmp分别利用不同的阈值处理方法进行图像中汽车及车牌的分割，显示处理前、后图像；思考不同的阈值处理算法对分割效果的影响？ 4.实验分析 实验原理 Hough变换是最常用的直线提取方法，它的基本思想是：将直线上每一个数据点变换为参数平面中的一条直线或曲线，利用共线的数据点对应的参数曲线相交于参数空间中一点的关系，使直线的提取问题转化为计数问题。Hough变换提取直线的主要优点是受直线中的间隙和噪声影响较小。 思考： Hough变换对圆的检测： Hough变换的基本原理在于，利用点与线的对偶性，将图像空间的线条变为参数空间的聚集点，从而检测给定图像是否存在给定性质的曲线。 圆的方程为：222 ()() x a y b r -+-=，通过Hough变换，将图像空间(,) x y对应到参数空间(,,) a b r。 第一题结果图 图4.1 实验图像camera.bmp 图4.2 实验图像car.bmp

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 MATLAB to 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

数字图像处理实验报告

数字图像处理实验 报告 学生姓名：学号： 专业年级： 09级电子信息工程二班

实验一常用MATLAB图像处理命令 一、实验内容 1、读入一幅RGB图像，变换为灰度图像和二值图像，并在同一个窗口内分成三个子窗口来分别显示RGB图像和灰度图像，注上文字标题。 实验结果如右图： 代码如下： Subplot (1,3,1) i=imread('E:\数字图像处理\2.jpg') imshow(i) title('RGB') Subplot (1,3,2) j=rgb2gray(i) imshow(j) title('灰度') Subplot (1,3,3) k=im2bw(j,0.5) imshow(k) title('二值') 2、对两幅不同图像执行加、减、乘、除操作，在同一个窗口内分成五个子窗口来分别显示，注上文字标题。 实验结果如右图： 代码如下： Subplot (3,2,1) i=imread('E:\数字图像处理 \16.jpg') x=imresize(i,[250,320]) imshow(x) title('原图x') Subplot (3,2,2) j=imread(''E:\数字图像处理 \17.jpg') y=imresize(j,[250,320]) imshow(y) title('原图y') Subplot (3,2,3) z=imadd(x,y) imshow(z)

title('相加结果')；Subplot (3,2,4)；z=imsubtract(x,y)；imshow(z)；title('相减结果') Subplot (3,2,5)；z=immultiply(x,y)；imshow(z)；title('相乘结果') Subplot (3,2,6)；z=imdivide(x,y)；imshow(z)；title('相除结果') 3、对一幅图像进行灰度变化，实现图像变亮、变暗和负片效果，在同一个窗口内分成四个子窗口来分别显示，注上文字标题。 实验结果如右图： 代码如下： Subplot (2,2,1) i=imread('E:\数字图像处理 \23.jpg') imshow(i) title('原图') Subplot (2,2,2) J = imadjust(i,[],[],3); imshow(J) title('变暗') Subplot (2,2,3) J = imadjust(i,[],[],0.4) imshow(J) title('变亮') Subplot (2,2,4) J=255-i Imshow(J) title('变负') 二、实验总结 分析图像的代数运算结果，分别陈述图像的加、减、乘、除运算可能的应用领域。 解答：图像减运算与图像加运算的原理和用法类似，同样要求两幅图像X、Y的大小类型相同，但是图像减运算imsubtract()有可能导致结果中出现负数，此时系统将负数统一置为零，即为黑色。 乘运算实际上是对两幅原始图像X、Y对应的像素点进行点乘(X.*Y)，将结果输出到矩阵Z中，若乘以一个常数，将改变图像的亮度：若常数值大于1，则乘运算后的图像将会变亮；叵常数值小于是，则图像将会会暗。可用来改变图像的灰度级，实现灰度级变换，也可以用来遮住图像的某些部分，其典型应用是用于获得掩膜图像。 除运算操作与乘运算操作互为逆运算，就是对两幅图像的对应像素点进行点（X./Y)， imdivide()同样可以通过除以一个常数来改变原始图像的亮度，可用来改变图像的灰度级，其典型运用是比值图像处理。 加法运算的一个重要应用是对同一场景的多幅图像求平均值 减法运算常用于检测变化及运动的物体，图像相减运算又称为图像差分运算，差分运算还可以用于消除图像背景，用于混合图像的分离。

labview图像分割

基于LabVIEW的图像分割程序设计 [摘要] 现在图像处理技术已经应用于多个领域当中，其中，纸币识别，车牌识别，文字识别和指纹识别已为大家所熟悉。图像分割是一种重要的图像技术,它不仅得到了人们的广泛重视和研究,也在实际中得到了大量的应用。 它是处理图像的基本问题之一，是图像处理图像分析的关键步骤。图像识别的基础是图像分割，其作用是把反映物体真实情况的，占据不同区域的，具有不同性质的目标区分开来，并形成数字特性。关于图像分割的方法已有上千种，本文将介绍几种主流的方法，并分析各自的特性，利用LabVIEW 平台实现两种阈值方法分割图像，展现实验现象，比较两种方法的处理结果。 [关键词]图像分割阈值法大津法双峰法LabVIEW

The programdesigning of imagesegmentation based on LabVIEW [Abstract]Image processing technology hasbeenused in many fields, the banknote recognition, license plate recognition, character recognitionandfingerprint recognitionhas beenfamiliar to everyone.Image segmentation is an importantimagetechnology,people not only attach importance to it and research it，but also use it in many place. It isoneofthebasic problemsoftheimage processing, and it isa key stepoftheimage processingimage analysis. The image recognitionbased onimage segmentation, the function of which is making a distinction between the area of object's real situation,the area in different places and the area with different characteristic and forming a digital characteristic. There are thousands ofmethodsofimage segmentation, this article will introduce severalmainstreammethod,andanalyze their respectivecharacteristics,use this two ways to make image segmentation with LabVIEW，and show the phenomenon of experiment，campare the treatment result of the two methods. [Keyword] Image segmentationThresholdOTSUbimodaLabVIEW

数字图像处理实验报告——图像分割实验

数字图像处理实验报告——图像分割实验课程名称数字图像处理导论专业班级 _______________ 姓名 _______________ 学号 _______________ 电气与信息学院 和谐勤奋求是创新 实验题目图像分割实验 DSP室&信号室实验室实验时间实验类别设计同组人数 2 成绩指导教师签字: 一(实验目的 1. 理解图像分割的基本概念; 2. 理解图像边缘提取的基本概念; 3. 掌握进行边缘提取的基本方法; 4. 掌握用阈值法进行图像分割的基本方法。 二(实验内容 1. 分别用Roberts,Sobel和拉普拉斯高斯算子对图像进行边缘检测。比较三种算子处理的不同之 处; 2. 设计一个检测图1中边缘的程序，要求结果类似图2，并附原理说明。 3. 任选一种阈值法进行图像分割. 图1 图2

三(实验具体实现 1. 分别用Roberts,Sobel和拉普拉斯高斯算子对图像进行边缘检测。比较三种算子处理的不同之 处; I=imread('mri.tif'); imshow(I) BW1=edge(I,'roberts'); figure ,imshow(BW1),title('用Roberts算子') BW2=edge(I,'sobel'); figure,imshow(BW2),title('用Sobel算子 ') BW3=edge(I,'log'); figure,imshow(BW3),title('用拉普拉斯高斯算子') 1

比较提取边缘的效果可以看出，sober算子是一种微分算子，对边缘的定位较精确，但是会漏去一些边缘细节。而Laplacian-Gaussian算子是一种二阶边缘检测方法，它通过寻找图象灰度值中二阶过零点来检测边缘并将边缘提取出来，边缘的细节比较丰富。通过比较可以看出Laplacian-Gaussian算子比sober算子边缘更完整，效果更好。 2. 设计一个检测图1中边缘的程序，要求结果类似图2，并附原理说明。 i=imread('m83.tif');

数字图像处理实验报告——图像分割实验

实验报告 课程名称数字图像处理导论 专业班级 _______________ 姓名 _______________ 学号 _______________ 电气与信息学院 和谐勤奋创新

实验题目图像分割实验 实验室 DSP室&信号室实验时间 实验类别设计同组人数 2 成绩指导教师签字： 一．实验目的 1.理解图像分割的基本概念； 2.理解图像边缘提取的基本概念； 3.掌握进行边缘提取的基本方法； 4.掌握用阈值法进行图像分割的基本方法。 二．实验容 1.分别用Roberts,Sobel和拉普拉斯高斯算子对图像进行边缘检测。比较三种算子处理的不同之 处； 2.设计一个检测图1中边缘的程序，要求结果类似图2，并附原理说明。 3.任选一种阈值法进行图像分割. 图1 图2 三．实验具体实现 1.分别用Roberts,Sobel和拉普拉斯高斯算子对图像进行边缘检测。比较三种算子处理的不同之 处； I=imread('mri.tif'); imshow(I) BW1=edge(I,'roberts'); figure ,imshow(BW1),title('用Roberts算子') BW2=edge(I,'sobel'); figure,imshow(BW2),title('用Sobel算子 ') BW3=edge(I,'log'); figure,imshow(BW3),title('用拉普拉斯高斯算子')

比较提取边缘的效果可以看出，sober算子是一种微分算子，对边缘的定位较精确，但是会漏去一些边缘细节。而Laplacian-Gaussian算子是一种二阶边缘检测方法，它通过寻找图象灰度值中二阶过零点来检测边缘并将边缘提取出来，边缘的细节比较丰富。通过比较可以看出Laplacian-Gaussian算子比sober算子边缘更完整，效果更好。 2.设计一个检测图1中边缘的程序，要求结果类似图2，并附原理说明。 i=imread('m83.tif'); subplot(1,2,1); imhist(i);

图像分割和特征提取技术研究

毕业设计 图像分割和特征提取技术研究 摘要 图像分割是图像分析的第一步，是图像理解的重要组成部分，在有关图像处理的几乎所有领域具有广泛的应用。因此，图像分割一直受到高度重视，对其研究具有十分重要的意义。长期以来，研究人员提出了许多实用的分割算法。随着统计学理论，神经网络，小波理论等在图像分割中的应用日益广泛，遗传算法、尺度空间、非线性扩散方程等近期涌现的新方法和新思想也不断被用于解决分割问题，许多国内外学者也针对一些具体应用提出了许多实用有效的方法。 本文介绍了数字图像处理技术中图像分割技术的基本理论和三种图像分割方法(1)基于阈值图像分割；(2)基于边缘检测及算子分割；(3)基于区域特性的图像分割。对基于点的分割方法进行了较全面的叙述，主要研究了图像分割方法中的边缘检测法，区域提取法和阈值分割法。通过大量的理论研习。并编写了MATLAB软件程序，对各分割方法进行了仿真实验，得到分割图像。最后对于仿真进行了数据处理分析，验证了Canny算子的整体效果最好, Prewitt算子分割细致。但对于一幅图像仅仅只有只用一种方法达不到很好的效果，而根据待分割图象的不同特点，结合已知的先验知识，研究符合具体图象特性的分割模型，才是提高图象分割的重要手段。 关键词：图像分割；边缘法；区域法；阈值法；分水岭分割法

Lmage Segmentation And Feature Extraction Technology Research Abstract Image segmentation is the first step in image analysis, image segmentation is an important component of image understanding, in almost all areas of the image processing has widely application. As a result, image segmentation has been attached great importance to, its research has the very vital significance. For a long time,researchers put forward many practical segmentation algorithm. With statistics theory, the neural network, wavelet theory has been used increasingly in image segmentation, such as genetic algorithm, scale space, and nonlinear diffusion equation with the recent emergence of new methods and new ideas are constantly being used to solve the segmentation problem, many scholars at home and abroad for some specific application put forward many practical and effective method. Digital image processing techniques were introduced in This paper introduces the digital image processing technology of image segmentation technology in basic theory and three methods of image segmentation. (1) based on threshold image segmentation. (2) segmentation based on edge detection and operator; (3) the image segmentation based on region feature. On the segmentation method based on the point of narrative, mainly studies the edge of image segmentation method, region extraction method and threshold segmentation method. Through a lot of theory study. And write the MATLAB software, the segmentation method, the simulation experiment for image segmentation. Finally analyzed the data processing for simulation.Verify the Canny operator of the overall effect is best. Prewitt operator segmentation and detailed. But for an image only only one way to reach a good effect, and according to the different characteristics of for image segmentation, combined with the known prior knowledge, research in accordance with the specific image segmentation model, is an important means to improve the image segmentation. KEYWORDS：Segmentation；edge method；the regional method；threshold；watershed segmentation