赵琛 图像分割实验：.docVIP

图像分割实验 121180166 赵琛 一、实验目的 进一步学习各种图像分割算法 二、实验原理 1．图像分割 图像分割是将图像划分成若干个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的连通集合。图像分割有三种不同的途径：区域法、边界法、边缘法。最常用的是灰度阈值化处理进行的图像分割： 域值T的选取直接影响分割的效果！ （1）直方图双峰域值选择 （2）迭代域值选择 迭代思想：选择一个初始估计值，通过某种策略不断改进（调制）新的估计值，直到满足给定的准则。 迭代步骤： ⑴选择一个初值估计值T，一般为最大灰度值和最小灰度值的中间值； ⑵使用域值T分割图像，得到两组像素G1(=T)和G2（T）; ⑶计算两组像素的灰度均值：μ１和μ2； ⑷计算新域值T＝（μ１和μ2）/2; ⑸重复步骤2～4,直到新域值的改变量小于预先定义的参数e。 2、边缘检测 灰度或结构等信息的突变出称为边缘，在空间域借助微分算子通过卷积来完成，而空域的微分在离散数字图像可以采用差分来近似。 Reborts算子 Reboerts算子是一种利用局部差分来寻找边缘的算子，Roberts 梯度算子所采用的是对角方向相邻两像素值之差，算子形式如下： （2.3.3 （2.3.4 (2.3.5) Roberts梯度算子对应的卷积模版为： （2.3.6） 用以上两个卷积算子与图像运算后，可求出图像的梯度幅值 G ( x,y)，然后选择 适当的阈值τ ,若 G ( x,y)τ，则 (i ,j)为边缘点，否则，判断 (i ,j)为非边缘点。由此得到一个二值图像 { g (i,j)}，即边缘图像。Roberts 算子采用的是用对角线方向上相邻两像素的差近似梯度幅值来检测边缘，它的定位精度高，对于水平和垂直方向的边缘，检测效果较好，而对于有一定倾角的斜边缘，检测效果则不理想，存在着许多的漏检。另外，在含噪声的情况下，Roberts 算子不能有效的抑制噪声，容易产生一些伪边缘。因此，该算子适合于对低噪声且具有陡峭边缘的图像提取边缘。 3）Sobel算子 Sobel算子在边缘检测算子扩大了其模版，在边缘检测的同时尽量削弱了噪声。其模版大小为3×3，其将方向差分运算与局部加权平均相结合来提取边缘。在求取图像梯度之前，先进行加权平均，然后进行未分，加强了对噪声的一致。Sobel算子所对应的卷积模版为： （2.3.7） 图像中的每个像素点和以上水平和垂直两个卷积算子做卷积运算后，再计算得到 梯度幅值 G ( x,y)，然后选取适当的阈值τ ，若 G ( x,y)τ，则 (i ,j)为边缘点，否则，判断 (i ,j)为非边缘点。由此得到一个二值图像 { g (i,j)}，即边缘图像。Sobel 算子在空间上比较容易实现，不但产生较好的边缘检测效果，同时，由于其引入了局部平均，使其受噪声的影响也较小。若使用较大的邻域，抗噪性会更好，但也增加了计算量，并且得到的边缘比较粗。在对精度要求不是很高的场合下，Sobel 算子是一种较为常用的边缘检测算法。 4）Prewitt 算子 同 Sobel 算子相似，Prewitt 算子也是一种将方向的差分运算和局部平均相结合的方法，也是取水平和垂直两个卷积核来分别对图像中各个像素点做卷积运算，所不同的是，Sobel 算子是先做加权平均然后再微分，Prewitt 算子是先平均后求微分，其对应的卷积模版为： （2.3.8） 图像中的每个像素点和以上水平和垂直两个卷积算子做卷积运算后，再计算得到 梯度幅值 G ( x,y)，然后选取适当的阈值τ ，若 G ( x,y)τ，则 (i ,j)为边缘点，否则，判断 (i ,j)为非边缘点。由此得到一个二值图像 { g (i,j)}，即边缘图像。 在此基础上，有人提出了改进的Prewitt算子，将其扩展到八个方向，依次用这些边缘模板去检测图像，与被检测区域最为相似的样板给出最大值。用这个最大值作为算子的输出值 P[ i ,j],这样就可将边缘像素检测出来。八个方向的 Prewitt 算子模板及其所对应的边缘方向如下所示： 0°方向 45°方向 90°方向 135°方向 180°方向 225°方向 270°方向 315°方向 Prewitt 算子通过对图像上的每个像素点的八方向邻域的灰度加权差之和来进行检测边缘，对噪声有一定抑制作用，抗噪性较好，但由于采用了局部灰度平均，因此容易检测出伪边缘，并且边缘定位精度较低。 5）LOG算子（高斯拉普拉斯算子） LOG算子基本思想是：先在一定的范围内做平滑滤波，然后再利