图像的阈值分割技术.doc

目 录 摘 要 I 1 概述 1 2 图像的阈值分割技术 2 2.1 阈值分割思想和原理 2 2.2 全局阈值分割 2 2.3 自适应阈值 4 3 最佳阈值的选择 4 3.1 直方图技术 4 3.2 最大类间方差法（OTSU） 5 3.3 迭代法 7 4 心得体会 10 参考文献 11 摘 要 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。有些算法需要先对图像进行粗分割。常见的分割方法有阈值分割、边缘检测、边缘跟踪、区域分裂与合并等。 关键在：图像分割，matlab，阈值分割 1 概述 对图像进行研究和应用时，人们往往对图像中的某些部分感兴趣，这些部分常被称为目标或对象（object）。图像处理的重要任务就是对图像中的对象进行分析和理解。在图像分析中，输出结果是对图像的描述、分类或其他结论，而不再像一般意义的图像处理那样——输出也是图像。 图像分割是将数字图像分成互不重叠的区域并提取出感兴趣目标的技术。可见在图像特征提取之前重要的一部分工作就是图像分割，图像分割是图像识别和图像理解的基本前提步骤。图像分割算法一般是基于灰度的两个性质之一：不连续性和相似性。第一个性质的应用是基于灰度的不连续变化来分割图像。第二个性质的主要应用是根据事先制定的准则将图像分割为相似的区域。这两种方法都有各自的优点和缺点。常见的分割方法有阈值分割、边缘检测、边缘跟踪、区域分裂与合并等，如图1-1所示。 图1-1 图像分割算法 2 图像的阈值分割技术 2.1 阈值分割思想和原理 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 设图像为f(x,y)，其灰度集范围是[0,L]，在0和L之间选择一个合适的灰度阈值T，则图像分割方法可由式（2.1）描述 （2.1） 这样得到的g(x,y)是一幅二值图像。 2.2 全局阈值分割 阈值法有多种类型，主要有：全局阈值，自适应阈值等。所谓全局阈值，如果背景的灰度值在整个图像中可合理的看做恒定，而且所有物体与背景都具有几乎相同的对比度，那么，只要选择了正确的阈值，使用了一个固定的全局阈值一般会有较好的效果。 图2-1给出了利用全局阈值分割图像的实例。图2-1（a）是原图，（b）是选择分割阈值为60的结果图。 MATLAB程序如下： I=imread(tsaml.jpg); for i=1:width for j=1:height if(I(i,j)60) BW1(i,j)=0; else BW1(i,j)=1; end end end figure imshow(BW1) 　　这里设定了一个常数60，通过比较灰度值与60的大小关系来重新给图像赋值。 (a) 原图像 （b） 已分割图像 图2-1 全局阈值分割 2.3 自适应阈值 但是，在许多情况下，背景的灰度值并不是常数，物体和背景的对比度在图像中也有变化，这时就要引入自适应阈值，一个在图像中某一区域效果良好的阈值在其他区域却可能效果很差。在这种情况下，需要把灰度阈值取成一个随图像中位置缓慢变化的函数值，即为自适应阈值。 这类算法的时间复杂度和空间复杂度比较大，但是抗噪声的能力比较强，对采用全局阈值不容易分割的图像有较好的效果。这种方法的关键问题是如何将图像进行细分和如何为得到子图像估计门限值。由于用于每个像素的门限取决于像素在子图像中的位置，这类门限处理是自适应的。 3 最佳阈值的选择 除非图像中的物体有陡峭的边沿，否则灰度阈值的取值对所抽取物体的边界的定位和整体的尺寸有很大的影响。这意味着后续的尺寸（特别是面积）的测量对于灰度阈