数字图像处理——阈值分割.docVIP

计算机科学与通信工程学院 实验报告 课程 图像处理 实验题目 图像分割 1. 引言 图像分割是一种重要的图像分析技术。在对图像的研究和应用中，人们往往只对图像中的特定某一部分感兴趣，他们一般对应着图像中某些特定的区域。为了识别它们，可以把他们从图像中分离提取出来。 2. 基本知识 典型的图像分割方法可以分为基于阈值的方法、基于边缘的方法和基于区域的分割方法。 灰度阈值法将图片灰度划分为不同等级，用设置灰度阈值的方法确定有意义的区域。它是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。阈值分割方法实际上是输入图像f到输出图像g的如下变换： 其中，T为阈值，对于物体的图像元素g(i,j)=1，对于背景的图像元素g(i,j)=0。 由此可见，阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接给出图像区域。 图像边缘是图像识别中抽取图像特征的重要属性。是由于相邻像素间灰度值剧烈变化引起的。图像中边缘处像素的灰度值不连续，这种不连续性可通过求导数来检测到。对于阶跃状边缘，其位置对应一阶导数的极值点，对应二阶导数的过零点(零交叉点)。因此常用微分算子进行边缘检测。常用的一阶微分算子有Roberts算子、Prewitt算子和Sobel算子，二阶微分算子有Laplace算子和Kirsh算子等。在实际中各种微分算子常用小区域模板来表示，微分运算是利用模板和图像卷积来实现。这些算子对噪声敏感，只适合于噪声较小不太复杂的图像。 水域分割是借鉴了形态学理论的分割方法，其本质是利用了图像的区域特征进行分割图像。将边缘检测与区域生长的优点相结合。 3. 功能分析及设计 用全局阈值、OTSU及迭代法求阈值。结果如图2,3所示 I=imread(i_boat_gray.bmp); [width,height]=size(I); %otsu algorithm level=graythresh(I); BW=im2bw(I,level); figure imshow(BW) %global threshold for i=1:width for j=1:height if(I(i,j) 80) BW1(i,j)=0; else BW1(i,j)=1; end end end figure imshow(BW1) %迭代求阈值 I=double(I); T=(min(I(:))+max(I(:)))/2; done=false; i=0; while ~done r1=find(I=T); r2=find(IT); Tnew=(mean(I(r1))+mean(I(r2)))/2; done=abs(Tnew -T)1; T=Tnew; i=i+1; end I(r1)=0; I(r2)=1; Figure; imshow(I) 用分水岭算法分割图像： center1=-10; center2=-center1; dist=sqrt(2*(2*center1)^2); radius=(dist/2) * 1.4; lims=[floor(center1-1.2*radius) ceil(center2+1.2*radius)]; [x,y]=meshgrid(lims(1):lims(2)); bw1=sqrt((x-center1).^2 + (y-center1).^2) = radius; bw2=sqrt((x-center2).^2 + (y-center2).^2) = radius; bw=bw1 | bw2; figure, imshow(bw,InitialMagnification,fit), title(二进制图像) D=bwdist(~bw); figure, imshow(D,[],InitialMagnification,fit) title(距离变换) D=-D; D(~bw)=-Inf; L=watershed(D); rgb=label2rgb(L,jet,[.5 .5 .5]); figure, imshow(rgb,InitialMagnification,fit) title(分水岭方法) Sobel、Prewitt、Roberts等算子的边缘提取算法。 a=imread(d:\skull.png); bw1=edge(a,sobel); bw2=edge(a,prewitt); bw3=edge(a,r