基于分水岭的图像分割程序设计-数字图像处理课程设计.docVIP

摘 要 Matlab 目 录 1 绪论 1 1.1研究目的及意义 1 1.2国内外现状 1 1.3本文研究内容 2 2 图像分割算法综述 2 2.1图像分割的概述 2 2.2图像分割方法介绍 3 2.2.1阈值的分割方法 3 2.2.2基于区域分割方法 3 2.2.3基于边缘的图像分割 5 2.2.4基于聚类分析的图像分割方法 6 3 分水岭图像分割算法 7 3.1分水岭算法原理 7 3.2分水岭算法特征 8 3.3梯度图像获取 8 3.3.1图像梯度的实现 8 3.3.2 梯度图像处理方法 9 3.4标记对象 10 4 分水岭算法实现 11 4.1分水岭算法实现流程 11 4.2程序代码 12 5 仿真结果及分析 16 结论 29 参考文献 30 （a）( b ) （a）全局阈值 （b）自适应阈值 图2.1 全局阀值与自适应阀值 2.2.2基于区域分割方法 区域分割方法有两种，一种是区域生长，一种是区域分裂合并。 把具有相似性质的像素集合起来构成区域，这就是区域生长。详细的思想是先对每一个所要分割的区域找到一个种子像素来作为所生长的起始点，根据某种实现确定的生长或者相似准则来判定种子像素周围于种子像素有相同或相似性质的像素合并到像素所在的区域中。得到的新像素后，在把这些像素当做新的像素种子，来继续上一步的过程。一直执行到没有符合条件的像素可以被包括进来。这样就长成了一个区域。 区域生长实现过程，需要选择出一组能够正确代表区域的种子像素，确定好在生长过程中的相同或者相似性准则，其中相似或者相同准则可以使灰度，彩色，纹理，梯度等特性。再指定一个让生长停止的准则条件。所选取出来的种子像素可以使单个像素，也可以是包含若干个像素的小区域。根据不同的原则来指定不同的生长准则，使用不同的生长准则，在生长的过程中会受到生长准则的影响。区域生长的主要优点是计算简单，在对较均匀的连通目标有很好的分割效果。而缺点是需要人为的去确定种子像素，对噪声相当敏感，可能会导致区域中出现空洞。此外。它还是一种串行的算法，如果计算的目标过于庞大，分割速度就会大大的减慢，因此在设计算法时，最好能提高它的计算效率。下图为区域生长分割的一个结果。 图2.2 区域生长分割结果 区域的分裂合并可以说是区域生长的逆过程：从整个的图像出发，不断的分裂图像来得到各个子区域，然后把前景区域合并，来实现目标提取。假设对一幅图，前景区域是由一些互相连通的像素组成的。如果把一副图像分裂到像素级，那就可以判定出该像素是否就是前景像素。当判断完所有的像素点或子区域，在把前景区域或者像素合并就能得到前景目标。这种方法在使用中，最常见的是四叉树分解法,下图为四叉树分解效果图。 图2.3 四叉树分解效果图 2.2.3基于边缘的图像分割 基于图像边缘信息的分割方法是最古老，也是仍然很重要的一类图像分割方法[6].它主要作用是通过对于边缘的检测，检测灰度级或者结构具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方。边缘检测的结果是不能作为图像分割的结果。还需要进一步的处理，将边缘点沿着边界（轮廓）连接起来。最终的目的至少是达到部分分割，也就是将局部的边缘组成一个目标或部件的边界。 1.基于边缘的分割方法经常遇到的几个问题： 2.图像噪声和背景的影响。 3.不是边界的地方出现边缘点。 4.是边界的地方缺少边缘点。 （a）原始图片 （b）边缘图片 图2.4边缘检测原始及边缘图 （c）边缘伸张后的图片 图2.4边缘检测效果图 2.2.4基于聚类分析的图像分割方法 随着科学的不断发展，提出了许多对于图像分割的新理论和新方法，随着出现了一些特定的理论，方法相结合的图像分割方法，而聚类分析就属于其中一种。 聚类法属于多远统计分析，它可在没有训练样本的情况下，自己根据数据集内在的结构，按照数据在样本空间中相似性和相似性测量准则来对数据进行自动划分和归类，使得同一类内的样本具有相同或者相近的属性，对于属性的不同类的样本属相差别会很大。K均值聚类是一种基本的聚类方法，既有结构明确，通用性好和分割快速的优点，但是他也存在优化分割陷入局部极小值的问题。1974年Dunn提出了模式形式K均值聚类算法，既模糊C均值聚类算法[8]。Bezdek在1981年证明了模糊C均值的收敛性[9]并讨论了模糊C均值类算法与K均值聚类算法的关系，并进一步扩展和建立模糊聚类理论。 2.2.5基于模糊集理论的分割方法