《毕业设计图像分割的方法及应用.doc》由会员分享，可在线阅读，更多相关《毕业设计图像分割的方法及应用.doc（71页珍藏版）》请在三一办公上搜索。
1、 太原理工大学 毕业设计（论文）设计说明书 设计(论文)题目：图像分割的方法及应用 学学 生：生：专专 业：业：班班 级：级：指导教师：指导教师：设计日期：设计日期：2013 年年 06 月月 16 日日 太原理工大学 毕业设计（论文）任务书 毕业设计（论文）题目：图像分割的方法及应用 毕业设计（论文）要求及原始数据（资料）：1、毕业设计要求 围绕图像分割的方法及应用这个课题，对图像分割的发展历史以及目前的研究现状作详细的了解，认识图像分割的学术价值以及研究意义；详细理解图像分割的方法，在论文中对图像分割的方法进行综述；研究时可使用数字图像处理技术以及图像分割相关理论进行分析，在学习图像分割算
2、法的基础上编写出一些算法的源程序，可使用 Matlab 软件实现图像分割，得出结论。根据研究内容和技术步骤，实事求是，数据真实，独立研究；图表清晰，推理严密，结论合理。2、原始资料 论文资料与部分书籍可从校图书馆和中国期刊网上下载获得，也可从互联网站找一些资料参考。第1页 毕业设计（论文）主要内容：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
3、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。图像分割技术的研究室非常具有学术价值和实用意义的，其深入研究不仅会不断完善对自身问题的解决，而且必将推动模式识别、计算机视觉、人工智能等计算机科学分支的发展。本次课题主要以分水岭算法、区域生长法和区域分裂合并法进行图像分割的研究。研究时使用 matlab 软件进行，最终获得分水岭算法、区域生长法和区域分裂合并法的源程序，并贴图对比处理前后图像差距。详述图
4、像分割在交通、医学等方面的应用。第2页 学生应交出的设计文件（论文）：（1）设计说明书 文本 1 份，电子版 1 份（2）毕业设计开题报告 1 份（3）毕业设计中期检查 1 份（4）外文及原文翻译 1 份 第3页 主要参考文献（资料）：1申建华，刘上乾，麻彦轩.快速的红外图像分割算法.红外与毫米波学报，2005.6 2许新征，丁世飞，史忠植，贾伟宽.图像分割的新理论和新方法.电子学报，2010.2 3韩思奇，王蕾.图像分割的阀值法综述.系统工程与电子技术，2002，24-6 4何俊，葛红，王玉峰.图像分割算法研究综述.计算机工程与科学，2009，31-12 5钮圣虓，王盛，杨晶晶，陈更生.完全
5、基于边缘信息的快速图像分割算法.计算机辅助设计与图形学学报，2012.24-11 6罗钧，卢艳，蒋均祝，廖宏华.图像分割技术及其在模拟指针式仪表自动检定系统中的应用.仪器仪表学报，2004.8 7李忠杰，胡文涛，胡宁.图像分割技术在煤矿生产中的应用.2012，31-11 8王小燕，许建荣.图像分割技术在血管图像中的应用.中国介入影像与治疗学，2009，6-1 9姚敏等著，数字图像处理.北京：机械工业出版社，2006.1 10何志勇，孙立宁，陈立国.Otsu 准则下分割阀值的快速计算.电子学报.2013.2 11Pal S.K.MitraP.Multispectral image segment
6、ation using the rough-set-initialized EM algorithm J.IEEE Transactions on Geoscience and Remote Sensing,2002,40(11):2002-2501 12Zadeh L A.Fuzzy logic=computingwithwords J.IEEE Transactions on Fuzzy Systems,1996,4(2):1996-111 13Vapnik V N.The Nature of Statistical Learning Theory M.NewYork:Springer-V
7、erlag,2000 14WATERSHED-BASED TEXTURAL IMAGE SEGMENTATION.International Symposium on Intelligent Signal Processing and Communication Systems,2007 15 Yen,Shwu-Huey，Tai,An-Chi，Wang,Chia-Jen.Segmentation on color images based on watershed algorithm.Multimedia Modelling Conference,2004.专业班级 学生 要求设计(论文)工作
8、起止日期 2013 年 2 月 25 日2013 年 6 月 16 日 指导教师签字 日期 教 研 室 主 任 审 查 签 字 日期 系主任批准签字 日期 第4页图像分割的方法及应用 摘 要 图像分割是从上世纪 60 年代开始被人们所研究的，它是由图像处理到图像分析的关键步骤，多年来一直被广泛关注。图像分割可定义为将数字图像分割成互不相交区域的过程。在计算机视觉理论中，图像分割、特征提取与目标识别构成了有低层到高层的三大任务。图像分割是一项基础而长久的研究领域，其结果好坏直接影响计算机视觉工程各环节。图像分割作为前沿学科充满了挑战，吸引了众多学者从事这一领域研究。图像处理技术在航空航天、生物医
9、学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术、地理测绘等领域受到广泛重视，并取得了重大的开拓性成就，使图像处理成为一门引人注目、前景远大的新型学科。图像分割是图像特征提取和识别等图像理解的基础，对图像分割的研究一直是数字图像处理技术研究中的热点和焦点。本文介绍了数字图像处理技术中图像分割技术的基本原理和主要方法，对经典的图像分割算法进行了较全面的叙述，分别研究了基于分水岭算法、区域生长法和区域分裂合并法的图像分割方法，并使用 MATLAB 软件对各种分割方法进行了仿真。列举了图像分割方法在交通、医学等领域的应用。关键词：关键词：图像分割；算法；应用 The Method And
10、The Application Of Image Segmentation Abstract Image segmentation is from the 1960s began to be studied,it is by the image processing to image analysis of the key steps,over the years has been widespread concern.Image segmentation is defined as a digital image into disjoint regions of the process.Th
11、eory in computer vision,image segmentation,feature extraction and object recognition constitutes a low-level and high-level of the three tasks.Image segmentation is a basic and long-standing area of research,the results will have a direct impact on all aspects of computer vision works.Image segmenta
12、tion as challenging frontier,attracted many scholars engaged in research in this field.Image processing technology in aerospace,biomedical engineering,industrial inspection,machine vision,public judicial,military guidance,arts and culture,geography and other fields mapping widespread attention,and h
13、as made significant pioneering achievements,the image processing to become a lead of attention,of promising new disciplines.Image segmentation is the basis of image feature extraction and recognition and image understanding,image segmentation research has been a hot spot and focus in the study of di
14、gital image processing techniques.Digital image processing techniques were introduced in this paper the basic principle and main methods of image segmentation technology in,has carried on the more comprehensive to classic image segmentation algorithm,based on watershed algorithm are studied respecti
15、vely,region growing method and region divided method of image segmentation method,and use MATLAB software to all segmentation method are simulated.Lists the image segmentation method applied in transportation,medicine and other fields.Key words:image segmentation;algorithm；application 目 录 摘 要.I Abst
16、ract.II 第 1 章 绪 论.1 1.1 选题意义.1 1.2 图像分割技术的现状和发展情况.1 1.3 图像分割主要研究方法.3 1.3.1 边缘检测法.3 1.3.2 区域提取法.4 1.3.3 阈值分割法.4 1.3.4 结合特定理论工具的分割方法.4 1.4 本次课题的主要研究内容.5 第 2 章 图像分割预处理.6 2.1 图像平滑.6 2.1.1 中值滤波原理.6 2.1.2 平滑效果分析.7 2.2 灰度调整.7 2.2.1 灰度调整原理.7 2.2.2 灰度调整效果分析.8 第 3 章 图像分割的基本方法综述.9 3.1 基于区域的分割方法.9 3.1.1 阈值法.9 3
17、.1.2 区域生长和分裂合并法.10 3.1.3 聚类分割法.10 3.2 基于边界的分割方法.11 3.2.1 微分算子法.11 3.2.2 串行边界技术.11 3.3 基于区域和边界技术相结合的分割方法.11 3.4 基于特定理论的分割方法.11 3.4.1 基于数学形态学的边缘检测方法.11 3.4.2 基于模糊集理论的方法.12 3.4.3 基于小波变换的边缘检测方法.12 3.4.4 基于神经网络的分割方法.12 3.4.5 基于遗传算法的图像分割技术.12 3.4.6 基于粗糙集理论的图像分割技术.13 3.5 边缘检测法.13 第 4 章 图像分割算法.14 4.1 基于分水岭算
18、法的图像分割.14 4.2 基于区域生长法的图像分割.15 4.3 基于区域分裂合并法的图像分割.17 第 5 章 图像分割应用综述.21 5.1 区域生长法在车牌定位中的应用.21 5.2 分水岭算法在粘连颗粒图像分割中的应用.21 5.2.1 形态学重建滤波.22 5.2.2 阈值分割.23 5.2.3 距离变换.23 5.2.4 分水岭变换.24 5.3 结果与分析.24 5.4 图像分割技术在煤矿生产中的应用.25 5.4.1 常用的噪声去除算法.25 5.4.2 图像分割算法介绍.26 5.4.3 实验结果分析.28 5.5 图像分割技术在医学图像处理中的应用研究.28 5.5.1
19、基于区域的分割方法.29 5.5.2 基于边界的分割方法.29 5.5.3 基于特定理论的方法.30 第 6 章 总结与展望.32 6.1 工作总结.32 6.2 展望.32 参考文献.33 致 谢.34 附录 A 外文文献翻译.35 附录 B 源程序.58 第1章 绪 论 本章对论文涉及的研究领域进行了较为详细的综述。简要介绍了图像分割的研究背景和意义，给出了图像分割的基本方法及步骤。在对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。1.1 选题意义 图像分割是从上世纪 60 年代开始被人们所研究的，它是由图像处理到图像分析的关键步骤
20、，多年来一直被广泛关注。图像分割可定义为将数字图像分割成互不相交区域的过程。在计算机视觉理论中，图像分割、特征提取与目标识别构成了有低层到高层的三大任务。图像分割是一项基础而长久的研究领域，其结果好坏直接影响计算机视觉工程各环节。图像分割的应用非常广泛，几乎出现在有关图像处理的所有领域并涉及各种类型。图像分割的目的是把图像划分成若干互不相交的区域，使各区域具有一致性，而相邻区域间的属性特征有明显的差别。当人观察景物时，在视觉系统中对景物进行分割的过程是必不可少的。人所观察理解的并不仅仅是一个复杂的景物，而更是由多个内容组成的集合体。但是在由像元阵列构成的数字图像中，不同图像内容占据不同的连通像
21、元集合，图像分割的任务是将整个图像分离成代表不同图像内容的像元集合的过程。尽管图像分割的任务在人类视觉感受中很难找到对照，但在数字图像处理和分析中它却是一个非常重要且艰巨的任务。图像分割作为前沿学科充满了挑战，吸引了众多学者从事这一领域研究。图像处理技术在航空航天、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文化艺术、地理测绘等领域受到广泛重视，并取得了重大的开拓性成就，使图像处理成为一门引人注目、前景远大的新型学科。1.2 图像分割技术的现状和发展情况 图像分割算法的研究已有几十年的历史，一直以来都受到人们的高度重视。关于图像分割的原理和方法国内外已有不少的论文发表，但一直以来没
22、有一种分割方法适用于所有图像分割处理。传统的图像分割方法存在着不足，不能满足人们的要求，为进一步的图像分析和理解带来了困难。随着计算机技术的迅猛发展，及其相关技术的发展和成熟，结合图像增强等技术，能够在计算机上实现图像分割处理。其中最主要的技术是图像分割技术，从图像中将某个特定区域与其它部分进行分离并提取出来的处理。图像分割的方法有许多种，有阈值分割方法，边界分割方法，区域提取方法，结合特定理论工具的分割方法等。早在1965年就有人提出检测边缘算子，边缘检测已产生不少经典算法。越来越多的学者开始将数学形态学、模糊理论、遗传算法理论、分形理论和小波变换理论等研究成果运用到图像分割中，产生了结合特
23、定数学方法和针对特殊图像分割的先进图像分割技术。尤其是近年来迅速发展起来的小波理论为图像处理带来了新的理论和方法。小波变换具有良好局部特性，当小波函数尺度较大时，抗噪声的能力强，当小波函数尺度较小时，提取图像细节的能力强，这样就可以很好地解决抑制噪声和提取图像边缘细节之间的矛盾。图像分割作为前沿学科充满了挑战，吸引了众多学者从事这一领域研究。传统的图像分割方法包括基于区域的，基于边缘的和两者结合的图像分割方法。近年来，随着各学科许多新理论和新方法的提出，人们也提出了许多结合一些特定理论、方法和工具的图像分割技术。由于图像分割技术至今尚无通用的自 身理论，所以每当有新的数学工具或方法提出来，人们
24、就尝试着将其用于图像分割，因而提出了不少特殊的算法：1）基于数学形态学的图像分割方法。数学形态学是由法国数学家Mathern G.和Serra J.于1964年创立并在此后多年里得到不断丰富和完善1982年Serra J.的专著的问世标志着数学形态学开始在图像处理、模式识别和计算机视觉等领域得到长足的发展。2008年，Parvati K.等提出了一种使用灰度形态学和控制标记符的分水岭变换算法，用来对彩色图像、灰度医学图像和航空图像等进行分割。2）基于模糊理论的图像分割方法。模糊集与系统理论是近年来在工程技术领域中十分活跃的数学分支之一，可以有效地解决模式识别中不同层次的由于信息不全面、不准确、
25、含糊、矛盾等造成的内在不确定性问题，己经成为图像分割的重要数学工具。2008年，Masooleh等提出一种的改进模糊算法，使用粒子群优化方法来优化模糊系统，并用于彩色图像分类和分割，具有最少的规则和最小的错误识别率。3）基于神经网络的图像分割方法。20世纪80年代后期，受到人工智能发展的影响，出现了基于神经网络的的图像分割技术。2008年，Berg H.等提出了一种脉冲耦合神经元的自动设计方法。4）基于支持向量机的图像分割方法。近年来，建立在统计学习理论的VC维理论和结构风险最小化原理基础上的支持向量机（Support Vector Machine,SVM）方法表现出很多优于已有方法的性能，基
26、于支持向量机的图像分割方法引起研究人员的注意和研究兴趣。支持向量机方法已经被看作是对传统学习方法的一个好的替代，特别在小样本、高维非线性情况下，具有较好的泛化性能。应用SVM分割图像时，由于输入向量通过非线性映射映射到高维特征空间的分布结构由核函数决定，同时，最优超平面与最近的训练样本之间的最大距离和最小分类误差通过惩罚因子进行折衷，因此，核函数设计与惩罚因子的选择将直接影响到图像分割效果。目前常用的核函数有：线性核、多项式核以及高斯径向核等。2007年，魏鸿磊等提出了一种采用支持向量机分类的指纹图像分割方法。2008年，Liu等提出了一种使用支持向量机的多尺度SAR图像分割方法。5）基于图论
27、的图像分割方法。基于图论的图像分割技术是近年来国际上图像分割领域的一个新的研究热点。该方法将图像映射为带权无向图，把像素视作节点，利用最小剪切准则得到图像的最佳分割。该方法本质上将图像分割问题转化为最优化问题，是一种点对聚类方法，对数据聚类也具有很好的应用前景。2003年，Pavan等提出一种新的用于图像分割的图论聚类理论框架。2006年，Bilodeau G.A提出一种基于多段图的图像分割方法。6）基于免疫算法的图像分割方法。人工免疫系统（Artificial Immune System,AIS）是模仿自然免疫系统功能的一种智能方法，它实现一种受生物免疫系统启发，通过学习外界物质的自然防御机
28、理的学习技术，提供噪声忍耐、无教师学习、自组织、记忆等进化学习机理，结合了分类器、神经网络和机器推理等系统的一些优点，因此具有提供新颖的解决问题的潜力。2008年，Huang等提出一种用于非监督图像分割的核聚类人工免疫网络，该网络的设计受启发于人工免疫网络和支持向量域描述的思想。7）基于粒度计算理论的图像分割方法。粒度计算（Granular Computing,GrC）是信息处理的一种新的概念和计算范式，覆盖了所有有关粒度的理论、方法、技术和工具的研究，主要用于处理不精确的、模糊的、不完整的及海量的信息，业已成为人工智能、软计算和控制科学等领域的研究热点之一。2008年，史忠植等提出了面向相容
29、粒度空间模型的图像分割方法。相容粒度空间模型的基本思想来源于模拟人在特定任务下对资源进行粒度化生成粒度空间从而辅助问题求解的能力。当前，图像分割已成为图像理解领域关注的一个热点。未来的发展需要研究者借鉴数学、统计学、神经学、认知心理学、计算机科学等领域的成果及其综合运用，不断引入新的理论和方法。过去几年，研究人员不断将相关领域出现的新理论和新方法应用到图像分割中，虽然取得了一定的效果，但仍未出现一种令人满意的高效的通用的方法 其主要原因是人类对视觉系统还没有充分的认识，已有的模型只是从功能上来模拟，而不是从结构上来实现。作者下一步的研究方向是进一步研究视觉认知的原理，结合智能科学的最新理论，对
30、图像分割作更深一步的研究。1.3 图像分割主要研究方法 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。
31、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，RN；（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
32、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。1.3.1 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
33、小邻域构造边缘检测算子来达到检测边缘这一目的。1.3.2 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
34、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。1.3.3 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
35、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。1.3.4 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
36、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 Matlat 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
37、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。1.4 本次课题的主要研究内容 本次课题主要以分水岭算法、区域生长法、区域分裂法、背景差值法进行图像分割的研究。研究时使用 matlab 软件进行，最终获得分水岭算法、区域生长法和区域分裂合并法的源程序，并贴图对比处理前后图像差距。第2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，
38、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
39、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。2.1.1 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
40、值用窗口内各像素灰度值的中值来代替。设有一个维序列 f1，f2，fn，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，fi-v，fi，fi+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：viiviifffMedF,(2.1)对二维序列Xi,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，AxMedFjiAji,(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
41、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FGH/为中值滤波器的频率响应特性，实现表明 H 是与 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。2.1.2 平滑效果分析 图 2-1 所示的是图像中值滤波前后的效果比较，其中图 2-1（a）是含有噪声的原图，图 2-1（b）是用中值滤波处理后的图像，滤波窗口为 33，可见，中值滤波后的图像不仅滤去了椒盐类噪声,而且
42、边缘得到了较好的保护。(a)带噪声图像 (b)消噪后图像 图 2-1 带噪声图像与中值滤波后图像比较 2.2 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。2.2.1 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
43、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。2.2.2 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 2-2 灰度调整前后直方图比较 由图 2-2 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3章 图像分割的基本方法综述 图像分割指图像分成各具特性的区域并提取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，是一种基本的计算机视觉技术。只有在图 像分割的基础上才能对目标进行特征提取和参
44、数测量，使得更高层的图像分析和理解成为可能。因此对图像分割方法的研究具有十分重要的意义。图像分割是将整个图像区域分割成若干个互不交叠的非空子区域的过程，每个子区域的内部是连通的，同一区域内部具有相同或相似的特性，这里的特性可以是灰度、颜色、纹理等。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域边界上一般具有灰度不连续性。图像分割的数学描述如下：设集合R代表整个图像区域，P()是区域上相似性测量的逻辑准则,对R的分割就是把R分成满足下列条件的非空子区域nRRR,21:1RRini1 2 对于所有的i和jij,有jiRR 3 对于i=1,2,n,有)(iRPTRUE 4 对于ji,有
45、)(jiRRPFALSE 5 对于i=1,2,n,iR是连通的区域 根据上面的讨论和定义，灰度图像分割方法一般可分为利用区域内灰度相似性的基于区域的方法和利用区域间灰度不连续性的基于边界的方法。根据分割过程中处理策略的不同，分割算法又可分为并行算法和串行算法，在并行算法中，所有判断和决定都可独立和同时地进行，而在串行算法中，后续处理过程要用到早期处理的结果。近几年来，研究人员不断改进原有方法并把其他学科提出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。下面对传统的图像分割方法和近年来出现的新方法进行介绍。3.1 基于区域的分割方法 基于区域的分割方法是利用区域内特征的相似性把图像划
46、分成一系列有意义区域的处理方法。3.1.1 阈值法 阈值法是一种最常用的并行区域技术，阈值是用于区分不同目标的灰度值。如果图像只有目标和背景两大类，那么只需选取一个阈值称为单阈值分割。这种方法是将图像中每个像素的灰度值与阈值相比较，灰度值大于阈值的像素为一类，灰度值小于阈值的像素为另一类。如果图像中有多个目标，就需要选取多个阈值将各个目标分开，这种方法称为多阈值分割。阈值又可分为全局阈值、局部阈值和动态阈值。阈值法分割的结果依赖于阈值的选取，确定阈值是阈值法分割的关键，阈值分割实质上就是按照某个准则求出最佳阈值的过程。常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差
47、法、最大熵自动阈值法以及其他一些方法。阈值分割的优点是计算简单，运算效率较高，速度快。全局阈值对于灰度相差很大的不同目标和背景能进行有效的分割。当图像的灰度差异不明显或不同目标的灰度值范围有重叠时，应采用局部阈值或动态阈值分割法。另一方面，这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。在实际应用中，阈值法通常与其他方法结合使用。3.1.2 区域生长和分裂合并法 区域生长和分裂合并法是两种典型的串行区域技术，其分割过程后续步骤的处理要根据前面步骤的结果进行判断而确定。区域生长的基本思想是将具有相似特性的像素集合起来构成区域。首先为每个需要分割的区域确定一个种子像素作为生长
48、起点，然后按一定的生长准则把它周围与其特性相同或相似的像素合并到种子像素所在的区域中。把这些新像素作为种子继续生长，直到没有满足条件的像素可被包括，这时生长停止，一个区域就形成了。区域生长法要解决的主要问题是区域生长准则的设计和算法的高效性。生长准则往往和具体问题有关，直接影响最后形成的区域如果选取不当，就会造成过分割和欠分割的现象。区域生长法的优点是计算简单，对于较均匀的连通目标有较好的分割效果。它的缺点是需要人为确定种子点，对噪声敏感，可能导致区域内有空洞。另外，它是一种串行算法，当目标较大时，分割速度较慢，因此在设计算法时，要尽量提高效率。分裂合并法的基本思想是从整幅图像开始通过不断分裂
49、合并得到各个区域。一种利用四叉树表达方法的分割算法如下：R代表整个正方形图像区域,P代表检验准则。1 对任意区域iR若 P(iR)=FALSE 就将其分裂为不重叠的四等分。2 对相邻的两个区域iR和jR若)(jiRRPTRUE 就将它们合并。3 若进一步的分裂和合并都不可能了，则结束。分裂合并法的关健是分裂合并准则的设计。这种方法对复杂图像的分割效果较好，但算法较复杂，计算量大，分裂还可能破坏区域的边界。3.1.3 聚类分割法 图像分割问题也可看成是对象的分类问题，所以可以使用模式识别中的模式分类技术!特征空间聚类法进行图像分割是将图像空间中的像素用对应的特征空间点表示，根据它们在特征空间的聚
50、集对特征空间进行分割，然后将它们映射回原图像空间，得到分割结果。其中，K均值、模糊C均值聚类（FCM）算法是最常用的聚类算法。K均值算法先选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C均值算法是在模糊数学基础上对K均值算法的推广，是通过最优化一个模糊目标函数实现聚类，它不像K均值聚类那样认为每个点只能属于某一类，而是赋予每个点一个对各类的类属度，适合处理事物内在的不确定性。FCM算法对初始参数极为敏感，有时需要人工干预参数的初始化以接近全局最优解，提高分割速度。另外，传统FCM算法没有考虑空间信息，对噪声和灰度不均
