图像阈值分割算法研究
第15卷,第2期2008年6月
中国传媒大学学报自然科学版
J OURNAL OF CO MMUN I CAT I ON UN I VER SIT Y OF C H IN A(SCIENCE AND TEC HNOLO GY)
Vo.l15,No.2
J une,2008图像阈值分割算法研究
郭臻,陈远知
(中国传媒大学数字化工程中心,北京100024)
摘要:图像阈值分割的方法很多,但目前很难找到适用于各种场合的分割方法。本文针对实际情况对几种分割方法进行了分析比较及实验研究。在此基础上引入了遗传算法,加快了算法的收敛速度。最后将一种改进的遗传算法用于优化图像分割,取得了较好的分割效能。
关键词:图像分割;阈值选取;遗传算法;分割评价
中图分类号:TN934文献标识码:A文章编号:1673-4793(2008)02-0077-06
Research of ThresholdingM ethods for I m age Seg m entation
G UO Z hen,C HEN Yuan2z h i
(Co mm un i ca tio n Un i versity of Chi na,Be iji ng100024)
Abstr act:There are many threshol d i n g methods f or i m age segmentati o n recen tl y.But it.s d ifficult to fi n d a good method wh ich is the sa me w ith the various situations.I n this paper we ana lyz e and co mpare a f e w seg men tation methods by experi m enting1And re f ers to genetic a l g orit h m(GA)to opti m ize i m age seg men2 tation thr ough sexped iting the constringency pace1Fina ll y we use a a me li o rati v e a l g orit h m to opti m ize the i m age seg mentati o n and get a pre f erable efficiency1
K ey w ord s:i m age seg mentati o n;i m age thresholdi n g;genetic algorithm;seg mentati o n value
1引言
图像阈值分割是利用图像中要提取的目标与其背景在灰度特性上的差异,把图像视为具有不同灰度级的两类区域(目标和背景)的组合。选取一个合适的阈值,以确定图像中的每一个像素点应该属于目标还是背景区域,从而产生相应的二值图像。阈值分割的基本流程是先确定阈值,然后将图像中所有像素值与阈值比较,根据比较结果将像素分成两类)))目标或背景。通常有三步:(1)确定阈值。
(2)将像素值与阈值比较。(3)把像素归类。以上三步中,最重要最关键的是第一步,就是如何选取最合适的阈值。如果能找到合适的阈值,就能对图像进行准确、方便的分割。2经典阈值分割方法
211基于灰度直方图的阈值方法
图像的灰度直方图是图像像素值的一种统计度量。最简单的阈值选取方法就是根据直方图来进行的。
(1)直方图双峰法
直方图双峰法是直接从图像的灰度分布直方图上来确定阈值。一般选取双峰之间的谷底处像素灰度值为阈值。该方法不适用于单峰或多峰直方图的情况。在复杂图像情况下,直方图双峰法常常会导
收稿日期:2007-06-15
作者简介:郭臻(1979-),男(汉族),河北邢台人,中国传媒大学硕士研究生.E-m a i:l guozhen20008@1261co m
中国传媒大学学报自然科学版第15卷致阈值选取失败。
(2)迭代阈值法
迭代阈值法先选择一个近似阈值作为估计值的初始值,然后不断改进这一估计值。阈值的改进策略是关键,初始阈值为图像的平均灰度T0,用T0将图像的象素点分作两部分,计算各自平均灰度,小于T0的部分为T A,大于T0的部分为T B。计算T1= T A+T B
2
将T1作为新的全局阈值代替T0,重复以上过程,如此迭代,直至T K收敛。即T K+1=T K,也就是T A,T B的均值不再变化。
(3)最小误差法
最小误差法也叫最优阈值法。图像的直方图可看成像素灰度值的概率分布密度函数的一个近似。含有目标的图像中,直方图所代表的像素灰度值概率分布密度实际上是对应目标和背景的两个单峰分布密度之和。若已知密度函数的形式,就有可以计算出一个最优阈值,把图像分成两类区域而使误分割率最小。
总之,基于灰度直方图的分割方法,适用于目标与背景的灰度级有明显差别的图像,灰度图两波峰分别与图像中目标和背景相对应,波谷与图像边缘相对应。当分割阈值位于谷底时,图像分割可取得最好的效果。该方法简单易行,但是对于灰度直方图中波峰不明显或波谷宽阔平坦的图像,使用该类方法效果较差。
212自适应阈值法
自适应阈值方法也叫动态阈值方法,针对图像中有阴影、光照不均匀、各处的对比度不同、突发噪声等情况,整幅图像分割将没有合适的单一门限,因为单一的阈值不能兼顾图像各个像素的实际情况。这时,可以对图像按照坐标分块,对每一块分别选一阈值进行分割。
自适应阈值的常用方法是对每个像素确定以它为中心的邻域窗口,计算窗口内像素的最大值和最小值,然后取它们的均值作为阈值。如图所示,选取的窗口为当前像素的8邻域窗口,一般来说,同一种运算窗口越大,需要处理的数据越多,时间复杂度越大。
令C表示当前像素,P为C的8邻域像素,令Max表示8邻域像素的最大灰度值,M in表示邻域像素的最小灰度值,则阈值可以设定为:T=Max+M in
2
也可以设定均值为阈值:T=
E
8
i=1
8
其中P i是C的8
邻域像素。
图1自适应阈值确定方法
213最大熵阈值分割法
熵是平均信息量的表征,通常利用图像的灰度分布密度函数定义图像的信息熵。图像中目标与背景可分割的交界处信息量(即熵)最大。最大熵法利用使图像取得最大熵的灰度值作为阈值可以对图像进行分割。
图像灰度值为M@N。表示图像中任一像素的灰度i1,i2,,i L。表示图像中任一像素L x y,x:1,2, 111,M,y:1,2,111N的灰度。i1,i2,111i L为X(n)的L个可能取值。离散随机变量{X(n),n:{i1,i2, 111i n}}的熵为:H=-E
i L
i1
p(n)lg(p(n))
(1)图像归一化直方图,用p i=n i/N表示,E
L-1
i=0
p i=1, p i>0
(2)用阈值t将灰度级划分为两类(C0,C1),C0包含灰度级[0,t]的像素,C1包含灰度级[t+1,L+1]的像素,C0类概率分布为X0(t)=E
i L
i=0
p i区域熵为:H (C0)=-X0(t)lg(X0(t))C1类概率分布为:X1(t) =1-X0(t)区域熵为:H(C1)=-(1-X0(t))lg(1 -X0(t))
(3)计算出图像总信息熵:
H(t)=H(C0)+H(C1)=-X0(t)lg(X0(t))-(1-X0(t))l g(1-X0(t))
根据目标从背景中最佳分割时熵最大来确定最佳阈
78
第2期郭臻等:图像阈值分割算法研究
值:t *
=a r g max{H (t)}。214 最大类间方差阈值分割法
(Ostu 法)最大类间方差方法的思路是选取的最佳阈值t 应当使得不同类间的分离性最好。首先基于直方图计算各灰度级的发生概率,并以阈值变量t 将灰度级分为两类,然后求出每一类的类内方差及类间方差,选取使得类间方差最大,类内方差最小的t 作为最佳阈值。
原始灰度图像的灰度级为L 灰度级为i 的像素点数为n,全部像素为N,归一化直方图:P i =n i N ,E L -1
i =0P i =
1
阈值t 将灰度级划分为两类:C 0=(0,1,111,t)和C 1=(t +1,t +2,111,L -1)
X 0=E t
i =0P i =X (t) X 1=E L -1
i =t +0
P i =1-X (t)L 0=E t
i =0i P i /X 0=L (t)/X (t) L 1=E L -1
i =i +1i P i /X 1=L T (t)-L (t)1-X (t)
L (t)=E t
i =0i P i L T (t)=E L -1
i =0
i P i
C 0和C 1类的方差:R 2
=E t
i =0
(i -L 0)2
p i /X 0 R 2
1=E L -1
i =t +1
(i -L 1)2
P i /X 1类间方差为:R 2
X =X 0R 2
0+X 1R 2
1
类内方差为:R 2
B =X 0(L 0-L T )2
+X 1(L 1-L T )2
=X 0X 1(L 1-L 0)2总体方差为:R 2
T =R 2
B +R 2
X t 的等价的判断准则:G
(t)=R 2
B /R 2
X
可选最佳阈值:t *
=Ar g max 0?t ?L -1G (t)215 实验结果与分析
针对上述部分阈值分割方法,对图像大小为640@480的灰度图像进行实验,结果如图2及下表所示。在考察分割方法的效能时,有时单从视觉角度分不出效果的优劣,需要借助一些分割评价准则来判断,分割评价是改进和提高现有算法性能、改善分割质量和指导新算法研究的重要手段。本文对不同算法用了两种评价方法:区域间对比度(Contrast across region )和区域内部均匀性(Unif or m ity w ith i n 2region)。区域间对比度和区域内部均匀性如果值越
大,
则分割效果越好。
79
中国传媒大学学报自然科学版第15
卷
图2(e) 最大熵法结果
分析:(1)从分割阈值及效果看,迭代法的阈值较大,目标轮廓不很清晰,难以辨认出目标的形状;而最大熵法与Ostu 法阈值更合理,较好的保留目标形状,目标轮廓清晰,容易辨认,减少了背景的影响;自适应阈值法分割后目标有些特征不易辨认。(2)从分割处理速度来比较,Ost u 法处理时间最短,最大熵法速度较慢,自适应阈值速度也偏慢。(3)用两个分割评价方法来看,区域间对比度最大熵法值最大,Ostu 法次之,
表1
迭代法
Ostu 法
最大熵法
自适应阈值
阈值13111394时间
010630s 010630s 210780s 011250s
区域间对比度011410011410012268区域内部均匀性
019334
019361
019398
(
注:自适应阈值法采用分块,有多个区域和阈值,故只考察其运算速度)
大量实验表明,最大熵法和最大类间方差法(Ostu)都具有较好分割效果,虽然最大熵法效果略好于Ostu 法,但是运算量大,运算速度比较慢,O stu 法的处理速度要快,而且通过大量的实践证明,最大类间方差法具有更广泛的适用范围。
3 基于遗传算法的图像阈值分割
311 遗传算法及其改进
对以上几种阈值方法的讨论发现,无论是最大
类间方差法和最大熵法都是通过计算图像的某个统计特征量来确定最佳阈值。由于这些特征量的计算较为复杂,采用上述法则需要计算很多的次数,对于256级灰度图像,需要256次这样的计算。为解决以上问题,引入了遗传算法。
遗传算法是一类借鉴生物界的进化规律演化而来的随机化搜索算法,是一种具有鲁棒性、并行性和自适应性的优化算法。遗传算法是从代表问题的潜在解集的一个种群开始的。初始种群产生之后按照适者生存的原理,逐代演化产生出越来越好的近似解。应用遗传算法求解问题的过程如图所示:
图3 遗传算法求解过程流图
80
第2期郭臻等:图像阈值分割算法研究
遗传算法在实际中取得了很好的效果,但存在
一些问题。比如收敛速度较慢,对于多峰复杂函数
的优化问题,搜索容易停止在未成熟阶段,即通常所
说的/早熟0,容易收敛到局部的最优解。对于遗传
算法的缺陷,可不同角度入手对其做出改进。可以
对编码方式的改进、也可以对遗传进化过程中的选
择操作、交叉操作和变异操作做出改进等。本文对
遗传算法要素进行改进,应用较广的是自适应遗传
算法(A dapti v e Genetic A lgorith m,AG A)AG A算法。
采用如下方式定义交叉率P c和变异率P m的值:
P c=k1(f max-f c)
f max-f av g
fef av g k2f P m= k3(f m ax-f c) f max-f av g fef av g k4f 其中f max是群体中最大的适应度值;f av g是每代 群体的平均适应度值;f c是要交叉的两个个体中较大的适应度值;f是要变异的个体的适应度值。通过设定k1,k2,k3,k4的值为[0,1]内的数就可以自适应调整交叉率P c和变异率P m的值。 可以看到,如果个体较优良(其适应度值大于平均适应度值),则依据其优良程度线性地赋予此个体相应的交叉率和变异率。适应度值越接近最大适应度,个体交叉率和变异率就越小,当等于最大适应度时,交叉率和变异率为零。 A G A方法仍然会出现/早熟0现象,进一步进行改进,使得种群中最大适应度的个体的交叉率和变异率不为零,这样避免了这些高适应度个体处于近似停滞不前的状态。 P c=P c1- (P c1-P c2)(f c-f av g) f max-f av g fef av g P c f P m= P m1- (P m1-P m2)(f max-f) f m ax-f av g fef av g P m1f 此式中P c1,P c2,P m1,P m2是预先设定好的交叉率 和变异率。 312改进遗传算法对O stu分割算法的优化 实验表明,最大类间方差法在分割效果和分割时间上较其它几种方法具有比较明显的优势,为了增强该算法的实时处理能力,选用改进遗传算法加速其寻优过程,具体实现过程如下:(1)编码规则。采用8位二进制编码方式,每8位对应一个灰度值。 (2)个体适应度计算。适应度函数选为图像的类内方差,即随机产生初始种群(数目为N)后,计算每个个体的适应度值。(3)遗传算法参数的确定。采用双点交叉,两个交叉点分别位于染色体的前4位和后4位。利用种群中个体适应度大小自适应调整交叉概率P c和变异概率P m[7] P c= P c1- (P c1-P c2)(f c-f av g) f max-f av g fef av g P c1f P m= P m1- (P m1-P m2)(f max-f) f max-f av g fef av g P m1f 式中f max)群体最大适应度;f av g)每代群体平均适应度;f c)要交叉的两个个体中较大的适应度;f)要变异个体的适应度;P c1、P c2、P m1、P m2)))预先设定好的交叉率和变异率。 在种群个体进行交叉和变异操作时引入父子竞争机制,即经过交叉和变异后产生子代个体,比较子代和其父代的个体适应度值,若前者大于后者,则子代优于父代,用子代替换父代,否则,保留父代,让其进入下轮的进化,以保证进化总是朝着最优的方面前进。 (4)选择方法的确定。为了保证每一代的优良个体不被破坏,采用精英选择策略,将适应度最大的个体,即种群中最好的个体无条件地复制到下一代种群中,然后对父代种群进行选择、交叉和变异等遗传算子运算,从而繁殖出子代的其它N-1个染色体。选择方法选用比较常用的轮盘赌选择法,适应度大的染色体被选择的几率大,从而很容易被遗传到下一代;相反,适应度小的染色体被选择的几率小,很容易被淘汰。(5)算法终止条件。迭代次数大于一定值或当前相邻两代种群平均适应度比值在一定范围内,算法终止。 以上是用改进的遗传算法对最大类间方差法进行优化的方法。同理,还可以对最大熵阈值分割法进行优化,原理是一样的,不再赘述。本文也对此进行了实验。 313实验结果与分析 为便于比较,仍对图2(a)进行分割实验,结果 81 中国传媒大学学报自然科学版第15卷 如图4 及下表所示。 图4(a) 基于改进遗传算法的最大熵分割 图4(b) 基于改进遗传算法的Ostu 分割 表2 最大熵法 基于改进遗传算法的最大熵法O stu 法 基于改进遗传算法的ostu 法 阈值9494113113时间 210780s 111810s 010630s 010210s 区域间对比度012268013533011410012268区域内部均匀性 019398 019361 019361 019398 实验表明:(1)基于改进遗传算法的最大熵法和最大类间方差(Ostu)法将分割效果及处理速度进行了优化,得到了更好的分割效率。(2)用两个分割评价方法分析,经遗传算法改进后,区域间对比度值有明显提高,证明分割质量增强。而对于区域内部均匀性,稍有增加。 4 结论 本文对多种图像阈值分割方法进行了实验研究与比较,并引入了图像分割评价准则对分割效能进行评价,综合分析后,得出最大类间方差法分割质量好、处理速度快、适用范围广的优点。为进一步提高处理速度,用遗传算法对图像分割进行优化,大大缩短寻找阈值的时间1本文中应用基于改进遗传算法的Ostu 法对灰度图像分割,证明了其具有很好的分割效能,能快速高效地完成背景下对目标的分割。 参考文献 [1] 陈冬岚,刘金南,余玲玲.几种图像分割阈值 选取方法的比较与研究[J]1机械制造与自动化,2003(1):77-80 [2] 韩思齐,王蕾.图像分割的阈值法综述[J].系统工程与电子技术,2002,6:91-94. [3] 罗文村,郭伟斌,图像阈值分割方法的比较与分析[J].现代计算机.总103期:21-24.[4] 金聪.利用遗传算法实现数字图像分割[J].小型微型计算机系统,200223(7):876-878. [5] 周德龙,潘泉,张鸿才.最大熵阈值处理算法[J].软件学报,2001,12(9).[6] N ikhil R,Pa,l Sankar .A revie w on i m age seg 2mentati o n techn i q ues .Patter n R cogniti o n 1993,26(9):1277-12941[7] K ittler J ,Illi n gworth J .On threshold selection u 2sing clusteri n g criteri a .I EEE Trans 11985,S MC -15:652-6551 [8] 章毓晋.图象分割评价技术分类和比较[J].中国图象图形学报,1996,1(2):151-158.[9] 王小平,曹立明.遗传算法一理论、应用与软件实现[M ].西安:西安交通大学出版社,2002,1. (责任编辑:宋金宝) 82 图像分割算法开题报告 摘要：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，并在医学、工业、军事等领域得到了广泛应用。近年来具有代表性的图像分割方法有：基于区域的分割、基于边缘的分割和基于特定理论的分割方法等。本文主要对基于自动阈值选择思想的迭代法、Otsu法、一维最大熵法、二维最大熵法、简单统计法进行研究，选取一系列运算出的阈值数据和对应的图像效果做一个分析性实验。 关键字：图像分割，阈值法，迭代法，Otsu法，最大熵值法 1 研究背景 1．1图像分割技术的机理 图像分割是将图像划分为若干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连通集合，如物体所占的图像区域、天空区域、草地等。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言，连通有4连通和8连通之分。图像分割有3种不同的方法，其一是将各像素划归到相应物体或区域的像素聚类方法，即区域法，其二是通过直接确定区域间的边界来实现分割的边界方法，其三是首先检测边缘像素，然后再将边缘像素连接起来构成边界的方法。 图像分割是图像理解的基础，而在理论上图像分割又依赖图像理解，两者是紧密关联的。图像分割在一般意义下十分困难的，目前的图像分割处于图像的前期处理阶段，主要针对分割对象的技术，是与问题相关的，如最常用到的利用阈值化处理进行的图像分割。 1．2数字图像分割技术存在的问题 虽然近年来对数字图像处理的研究成果越来越多,但由于图像分割本身所具有的难度,使研究没有大突破性的进展,仍然存在以下几个方面的问题。 现有的许多种算法都是针对不同的数字图像,没有一种普遍适用的分割算法。 缺乏通用的分割评价标准。对分割效果进行评判的标准尚不统一,如何对分割结果做出量化的评价是一个值得研究的问题,该量化测度应有助于视觉系统中的自动决策及评价算法的优劣,同时应考虑到均质性、对比度、紧致性、连续性、心理视觉感知等因素。 与人类视觉机理相脱节。随着对人类视觉机理的研究,人们逐渐认识到,已有方法大都与人类视觉机理相脱节,难以进行更精确的分割。寻找到具有较强的鲁棒性、实时性以及可并行性的分割方法必须充分利用人类视觉特性。 知识的利用问题。仅利用图像中表现出来的灰度和空间信息来对图像进行分割,往往会产生和人类的视觉分割不一致的情况。人类视觉分割中应用了许多图像以外的知识,在很多视觉任务中,人们往往对获得的图像已具有某种先验知识,这对于改善图像分割性能是非常重要的。试图寻找可以分割任何图像的算法目前是不现实,也是不可能的。人们的工作应放在那些实用的、特定图像分割算法的研究上,并且应充分利用某些特定图像的先验知识,力图在实际应用中达到和人类视觉分割更接近的水平。 1．3数字图像分割技术的发展趋势 从图像分割研究的历史来看,可以看到对图像分割的研究有以下几个明显的趋势。 对原有算法的不断改进。人们在大量的实验下，发现一些算法的效 数字图像处理实验报告 题目：图像的阈值分割及边缘检测技术 班级： 姓名： 学号： 图像的阈值分割及边缘检测技术 一、实验目的 1、了解图像的分割技术，掌握图像的全局阈值分割技术并通过MATLAB实现； 2、了解图像的边缘检测，掌握梯度算子图像边缘检测方法。 二、实验内容 1、基于直方图的全局阈值图像分割方法； 2、Edge命令（roberts,perwitt,sobel,log,canny），实现边缘检测。 三、实验原理 1、全局阈值是最简单的图像分割方法。其中，直方图法的原理如下：想做出图 像的直方图，若其直方图呈双峰且有明显的谷底，则可以讲谷底点所对应的灰度值作为阈值T，然后根据该阈值进行分割，九可以讲目标从图像中分割出来。这种方法是用于目标和背景的灰度差较大且直方图有明显谷底的情况。 2、用于边缘检测的梯度算子主要有Roberts算子、Prewitt算子、Sobel算子。 这三种检测算子中，Roberts算子定位精度较高，但也易丢失部分边缘，抗噪声能力差，适用于低噪声、陡峭边缘的场合。Prewitt算子、Sobel算子首先对图像做平滑处理，因此具有一定的抑制噪声的能力，但不能排除检测结果中的虚假边缘，易出现多像素宽度。 四、实验步骤 1、全局阈值分割： ①读取一张图像； ②生成该图像的直方图； ③根据直方图双峰产生的低谷估计阈值T； ④依次读取图像各个点的像素，若大于阈值，则将像素改为255，若小于 阈值，则将该像素改为0； 实验代码如下： I=imread('cameraman.tif'); %读取一张图像 subplot(221);imshow(I); %显示该图像 subplot(222);imhist(I); %生成该图像的直方图 T=60; %根据直方图估计阈值T为60 [m,n]=size(I); %取图像的大小为【m,n】 for i=1:m %依次读取图像各个点的像素，若大于阈 值，则将像素改为255，若小于阈值， 则将该像素改为0 for j=1:n if I(i,j)>=T I(i,j)=255; else I(i,j)=0; end end 关于图像分割算法的研究 黄斌 （福州大学物理与信息工程学院 福州 350001） 摘要：图像分割是图像处理中的一个重要问题，也是一个经典难题。因此对于图像分割的研究在过去的四十多年里一直受到人们广泛的重视，也提山了数以千计的不同算法。虽然这些算法大都在不同程度上取得了一定的成功，但是图像分割问题还远远没有解决。本文从图像分割的定义、应用等研究背景入手，深入介绍了目前各种经典的图像分割算法，并在此基础比较了各种算法的优缺点，总结了当前图像分割技术中所面临的挑战，最后展望了其未来值得努力的研究方向。 关键词：图像分割 阀值分割 边缘分割 区域分割 一、 引言 图像分割是图像从处理到分析的转变关键，也是一种基本的计算机视觉技术。通过图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能，因此它被称为连接低级视觉和高级视觉的桥梁和纽带。所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其它伪目标中分离出来[1]。 图像分割可以形式化定义如下[2]：令有序集合表示图像区域(像素点集)，H 表示为具有相同性质的谓词，图像分割是把I 分割成为n 个区域记为Ri ，i=1，2，…，n ，满足： (1) 1,,,,n i i j i R I R R i j i j ===??≠ (2) (),1,2,,i i i n H R True ?== (3) () ,,,i j i j i j H R R False ?≠= 条件(1)表明分割区域要覆盖整个图像且各区域互不重叠，条件(2)表明每个区域都具有相同性质，条件(3)表明相邻的两个区域性质相异不能合并成一个区域。 自上世纪70年代起，图像分割一直受到人们的高度重视，其应用领域非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。主要表现在： 1)医学影像分析：通过图像分割将医学图像中的不同组织分成不同的区域，以便更好的 课程结业论文 课题名称基于阈值的图像分割方法姓名 学号 学院 专业电子信息工程 指导教师副教授 年6月12日 学院课程结业论文诚信声明 本人郑重声明：所呈交的课程结业论文，是本人在指导老师的指导下，独立进行研究工作所取得的成果，成果不存在知识产权争议，除文中已经注明引用的内容外，本论文不含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担 目录 摘要 (1) 关键词 (1) ABSTRACT (2) KEY WORDS (2) 引言 (3) 1基于点的全局阈值选取方法 (4) 1.1最大类间交叉熵法 (5) 1.2迭代法 (6) 2基于区域的全局阈值选取方法 (7) 2.1简单统计法 (8) 2.3 直方图变化法 (9) 3局部阈值法和多阈值法 (10) 3.1水线阈值算法 (11) 3.2变化阈值法 (12) 4仿真实验 结论 (12) 参考文献 (13) 附录 基于阈值的图像分割方法 摘要：图像分割多年来一直受到人们的高度重视，至今这项技术也是趋于成熟，图像分割方法类别也是不胜枚举，近年来每年都有上百篇有关研究报道发表。图像分割是由图像处理进到图像分析的关键环节，是指把图像分成各具特性的区域并提取出有用的目标的技术和过程。在日常生活中，人们对图片的要求也 是有所提高，在对图像的应用中，人们经常仅对图像中的某些部分感兴趣，这 些部分就对应图像中的特定的区域，为了辨识和分析目标部分，就需要将这些 有关部分分离提取出来，因此就要应用到图像分割技术。 关键词：图像分割；阈值；matlab Based onthresholding for image segmentation methods Abstract：Image segmentation is a indispensable part of image processing and analysis, have important practical significance.It is according to the needs of image processing and analysis of the image into each area and extract the characteristic of technology and process of interested target.Image segmentation methods and types have a lot of different categories, some segmentation operation can be directly applied to all images, while others can only apply to special image.The purpose of this paper is to through the collection of image segmentation method based on threshold related information, analysis the advantages and disadvantages of various segmentation algorithm, using the MATLAB tools to threshold segmentation algorithm is studied. Keywords:image segmentation; The threshold value; matlab 分享到 一键分享 QQ空间 新浪微博 百度云收藏 人人网 腾讯微博 百度相册 开心网 腾讯朋友 百度贴吧 豆瓣网 搜狐微博 百度新首页 QQ好友 和讯微博 更多... 百度分享 登录 | 注册 窗体顶端 窗体底端 收藏成功 确定 收藏失败，请重新收藏确定 窗体顶端 标题 标题不能为空 网址 标签 摘要 公开 取消收藏 窗体底端 分享资讯 传PPT/文档 提问题 写博客 传资源 创建项目 创建代码片 设置昵称编辑自我介绍，让更多人了解你帐号设置退出 社区 博客 论坛 下载 Share 极客头条 服务 CODE 英雄会 活动 CSTO 俱乐部 CTO俱乐部 高校俱乐部 奋斗斌斌的专栏 解决项目中的琐碎细节问题b.zhao_npu@https://www.wendangku.net/doc/342044552.html, 目录视图 摘要视图 订阅 有奖征资源，博文分享有内涵人气博主的资源共享：老罗的Android之旅微软Azure?英雄会编程大赛题关注CSDN社区微信，福利多多社区问答：叶劲峰游戏引擎架构 灰度图像阈值化分割常见方法总结及VC实现 分类：图像处理OpenCV 2011-11-11 23:20 7427人阅读评论(14) 收藏举报 算法图形byte图像处理扩展 目录(?)[+] Otsu法最大类间方差法 一维交叉熵值法 二维OTSU法 参考文献 在图像处理领域，二值图像运算量小，并且能够体现图像的关键特征，因此被广泛使用。将灰度图像变为二值图像的常用方法是选定阈值，然后将待处理图像的每个像素点进行单点处理，即将其灰度值与所设置的门限进行比对，从而得到二值化的黑白图。这样一种方式因为其直观性以及易于实现，已经在图像分割领域处于中心地位。本文主要对最近一段时间作者所学习的阈值化图像分割算法进行总结，全文描述了作者对每种算法的理解，并基于OpenCV和VC6.0对这些算法进行了实现。最终将源代码公开，希望大家一起进步。（本文的代码暂时没有考虑执行效率问题） 首先给出待分割的图像如下： 1、Otsu法（最大类间方差法） 该算法是日本人Otsu提出的一种动态阈值分割算法。它的主要思想是按照灰度特性将图像划分为背景和目标2部分，划分依据为选取门限值，使得背景和目标之间的方差最大。（背景和目标之间的类间方差越大，说明这两部分的差别越大，当部分目标被错划分为背景或部分背景错划分为目标都会导致这两部分差别变小。因此，使用类间方差最大的分割意味着错分概率最小。）这是该方法的主要思路。其主要的实现原理为如下： 1）建立图像灰度直方图（共有L个灰度级，每个出现概率为p） 2）计算背景和目标的出现概率，计算方法如下： 上式中假设t为所选定的阈值，A代表背景（灰度级为0~N）,根据直方图中的元素可知，Pa为背景出现的概率，同理B为目标，Pb为目标出现的概率。 3）计算A和B两个区域的类间方差如下： 图像分割方法综述 图像分割方法综述 摘要：图像分割是计算计视觉研究中的经典难题，已成为图像理解领域关注的一个热点，本文对近年来图像分割方法的研究现状与新进展进行了系统的阐述。同时也对图像分割未来的发展趋势进行了展望。 关键词：图像分割；区域生长；活动边缘；聚类分析；遗传算法 Abstract:Image segmentation is a classic problem in computer vision,and become a hot topic in the field of image understanding. the research actuality and new progress about image segmentation in recent years are stated in this paper. And discussed the development trend about the image segmentation. Key words: image segmentation; regional growing; active contour; clustering analysis genetic algorithm 1 引言 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，同时也是图像处理中最困难的问题之一。所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的说就是在一副图像中，把目标从背景中分离出来。对于灰度图像来说，区域内部的像素一般具有灰度相似性，而在区域的边界上一般具有灰度不连续性。 关于图像分割技术，由于问题本身的重要性和困难性，从20世纪70年代起图像分割问题就吸引了很多研究人员为之付出了巨大的努力。虽然到目前为止，还不存在一个通用的完美的图像分割的方法，但是对于图像分割的一般性规律则基本上已经达成的共识，已经产生了相当多的研究成果和方法。本文根据图像发展的历程，从传统的图像分割方法、结合特定工具的图像分割方 基于MATLAB 的图像阈值分割技术 摘要：本文主要针对图像阈值分割做一个基于MATLAB 的分析。通过双峰法，迭代法以及OUTS 法三种算法来实现图像阈值分割，并且就这三种算法做了一定的分析和比较，在加椒盐的图片上同时进行三种实验，做出比较，最终得出实践结论。 关键词：图像分割 MATLAB 阈值分割 算法 引言：图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提．同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准，图像阈值分割即是其中的一种方法。 阈值分割技术因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术，已被应用于很多的领域，在很多图像处理系统中都是必不可少的一个环节。 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下式描述： 这样得到的g(x,y)是一幅二值图像。 （一）原理研究 图像阈值分割的方法有很多，在这里就其中三种方法进行研究，双峰法，迭代法，以及OUTS 法。 方法一：双峰法 T y x f T y x f y x g ≥<),(),(10){,( 中北大学 课程设计说明书 学生姓名：梁一才学号：10050644X30 学院：信息商务学院 专业：电子信息工程 题目：信息处理综合实践: 图像分割算法研究与实现 指导教师：陈平职称: 副教授 2013 年 12 月 15 日 中北大学 课程设计任务书 13/14 学年第一学期 学院：信息商务学院 专业：电子信息工程 学生姓名：焦晶晶学号：10050644X07 学生姓名：郑晓峰学号：10050644X22 学生姓名：梁一才学号：10050644X30 课程设计题目：信息处理综合实践: 图像分割算法研究与实现 起迄日期：2013年12月16日～2013年12月27日课程设计地点：电子信息科学与技术专业实验室指导教师：陈平 系主任：王浩全 下达任务书日期: 2013 年12月15 日 课程设计任务书 1．设计目的： 1、通过本课程设计的学习，学生将复习所学的专业知识，使课堂学习的理论知识应用于实践，通过本课程设计的实践使学生具有一定的实践操作能力； 2、掌握Matlab使用方法，能熟练运用该软件设计并完成相应的信息处理； 3、通过图像处理实践的课程设计，掌握设计图像处理软件系统的思维方法和基本开发过程。 2．设计内容和要求（包括原始数据、技术参数、条件、设计要求等）： (1)编程实现分水岭算法的图像分割； (2)编程实现区域分裂合并法； (3)对比分析两种分割算法的分割效果； (4)要求每位学生进行查阅相关资料，并写出自己的报告。注意每个学生的报告要有所侧重，写出自己所做的内容。 3．设计工作任务及工作量的要求〔包括课程设计计算说明书(论文)、图纸、实物样品等〕： 每个同学独立完成自己的任务，每人写一份设计报告，在课程设计论文中写明自己设计的部分，给出设计结果。 对以CPT算法为主的灰度阈值化方法的研究 目录： 第一章：绪论 第二章：图像的预处理 第三章：图像分割概述 第四章：灰度阈值化图像分割方法 第五章：CPT算法及其对它的改进 第六章：编程环境及用PhotoStar对改进的CPT算法和其他算法的实现 第七章：实验结果与分析 第一章：绪论 1.1数字图像处理技术的发展 人类传递信息的主要媒介是语音和图像。据统计，在人类接受的信息中，听觉信息占20％，视觉占60％，其他如味觉、触觉、嗅觉总的加起来不过占20％。所以，作为传递信息的重要媒体和手段——图像信息是十分重要的。【5】对于图像信息的处理，即图像处理当然对信息的传递产生很大影响。 数字图像处理技术起源于20世纪20年代，当时通过海底电缆从伦敦到纽约传输了一幅图片，它采用了数字压缩技术。1964年美国的喷气处理实验室处理了太空船“徘徊者七号”发回的月球照片，这标志着第三代计算机问世后数字图像处理概念得到应用。其后，数字图像处理技术发展迅速，目前已成为工程学、计算机科学、生物学、医学等领域各学科之间学习和研究的对象。 经过人们几十年的努力，数字图像处理这一学科已逐渐成熟起来。人们总是试图把各个学科应用到数字图像处理中去，并且每产生一种新方法，人们也会尝试它在数字图像处理中的应用。同时，数字图像处理也在很多学科中发挥着它越来越大的作用。 1.2图像分割概述和本论文的主要工作 图像分割的目的是把图像空间分成一些有意义的区域，是数字图像处理中的重要问题，是计算机视觉领域低层次视觉问题中的重要问题，同时它也是一个经典的难题。几十年来，很多图像分割的方法被人们提出来，但至今它尚无一个统一的理论。 图像分割的方法很多，有早先的阈值化方法、最新的基于形态学方法和基于神经网络的方法。 阈值化方法是一种古老的方法，但确是一种十分简单而有效的方法，近几十年人们对阈值化方法不断完善和探索，取得了显著的成就，使得阈值化方法在实际应用中占有很重要的地位。 本文将主要对图像分割的阈值化方法进行探讨。在对阈值化方法的研究过程中，本人首先将集中精力对效果比较好的阈值化方法进行探讨，并对其存在的不足加以改进，从而作出性能优良的计算机算法；由于目前很多方法各有其特点，所以将对具有不同特点的图像用不同的方法处理进行研究。在论文正文部分还将其应用到实践中去，并对其加以评价。 第二章：图像的预处理 2.1图像预处理的概述 由于切片染色和输入光照条件及采集过程电信号的影响，所采集的医学图 图像分割阈值选取技术综述 中科院成都计算所刘平2004-2-26 摘要 图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域.本文是在阅读大量国内外相关文献地基础上,对阈值分割技术稍做总结,分三个大类综述阈值选取方法,然后对阈值化算法地评估做简要介绍. 关键词 图像分割阈值选取全局阈值局部阈值直方图二值化 1．引言 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交地区域,使得这些特征在同一区域内,表现出一致性或相似性,而在不同区域间表现出明显地不同[37]．简单地讲,就是在一幅图像中,把目标从背景中分离出来,以便于进一步处理.图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要地领域之一,它是对图像进行视觉分析和模式识别地基本前提．同时它也是一个经典难题,到目前为止既不存在一种通用地图像分割方法,也不存在一种判断是否分割成功地客观标准. 阈值法是一种传统地图像分割方法,因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛地分割技术．已被应用于很多地领域,例如,在红外技术应用中,红外无损检测中红外热图像地分割,红外成像跟踪系统中目标地分割；在遥感应用中,合成孔径雷达图像中目标地分割等；在医学应用中,血液细胞图像地分割,磁共振图像地分割；在农业项目应用中,水果品质无损检测过程中水果图像与背景地分割.在工业生产中,机器视觉运用于产品质量检测等等.在这些应用中,分割是对图像进一步分析、识别地前提,分割地准确性将直接影响后续任务地有效性,其中阈值地选取是图像阈值分割方法中地关键技术. 2．阈值分割地基本概念 图像阈值化分割是一种最常用,同时也是最简单地图像分割方法,它特别适用于目标和背景占据不同灰度级范围地图像[1].它不仅可以极大地压缩数据量,而且也大大简化了分析和处理步骤,因此在很多情况下,是进行图像分析、特征提取与模式识别之前地必要地图像预处理过程.图像阈值化地目地是要按照灰度级,对像素集合进行一个划分,得到地每个子集形成一个与现实景物相对应地区域,各个区域内部具有一致地属性,而相邻区域布局有这种一致属性.这样地划分可以通过从灰度级出发选取一个或多个阈值来实现. 阈值分割法是一种基于区域地图像分割技术,其基本原理是：通过设定不同地特征阈值,把图像像素点分为若干类．常用地特征包括：直接来自原始图像地灰度或彩色特征；由原始灰度或彩色值变换得到地特征．设原始图像为f(x,y>,按照一定地准则在f(x,y>中找到特征值T,将图像分割为两个部分,分割后地图像为 若取：b0=0<黑）,b1=1<白）,即为我们通常所说地图像二值化. <原始图像）<阈值分割后地二值化图像） 一般意义下,阈值运算可以看作是对图像中某点地灰度、该点地某种局部特性以及该点在图像中地位置地一种函数,这种阈值函数可记作 T(x,y,N(x,y>,f(x,y>> 式中,f(x,y>是点(x,y>地灰度值；N(x,y>是点(x,y>地局部邻域特性．根据对T地不同约束,可以得到3种不同类型地阈值[37],即 点相关地全局阈值T＝T(f(x,y>> (只与点地灰度值有关> 区域相关地全局阈值T＝T(N(x,y>,f(x,y>> (与点地灰度值和该点地局部邻域特征有关> 局部阈值或动态阈值T＝T(x,y,N(x,y>,f(x,y>> (与点地位置、该点地灰度值和该点邻域特征有关> 图像阈值化这个看似简单地问题,在过去地四十年里受到国内外学者地广泛关注,产生了数以百计地阈值选取方法[2-9],但是遗憾地是,如同其他图像分割算法一样,没有一个现有方法对各种各样地图像都能得到令人满意地结果,甚至也没有一个理论指导我们选择特定方法处理特定图像. 所有这些阈值化方法,根据使用地是图像地局部信息还是整体信息,可以分为上下文无关(non- 1．课程设计的目的 (1)使学生通过实验体会一些主要的分割算子对图像处理的效果，以及各 种因素对分割效果的影响 (2)使用Matlab软件进行图像的分割 (3)能够进行自行评价各主要算子在无噪声条件下和噪声条件下的分割 性能 (4)能够掌握分割条件（阈值等）的选择 (5)完成规定图像的处理并要求正确评价处理结果，能够从理论上做出合 理的解释 2．课程设计的要求 （1）能对图像文件（bmp,jpg,tiff,gif）进行打开，保存，退出等功能操作 （2）包含功能模块：图像的边缘检测（使用不同梯度算子和拉普拉斯算子）（3）封闭轮廓边界 （4）区域分割算法：阈值分割，区域生长等 3．前言 3.1图像阈值分割技术基本原理 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的讲，就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理。图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提。同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准]5[。 在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分称为目标或前景(其他部分称为背景)，他们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析目标，需要将他们分离提取出来，在此基础上才有可能对目标进一步利用。图像分割就是指把图像分成格局特性的区域并提取出感兴趣目标的技术和过程。这里特性可以是象素的灰度、颜色、纹理等，预先定义的目标可以对应单个区域，也可以对应多个区域。现有的图像分割算法有：阈值分割、边缘检测和区域提取法。本文着重研究基于阈值法的图像分割技术。 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 图像分割常用算法优缺点探析 摘要图像分割是数字图像处理中的重要前期过程,是一项重要的图像分割技术,是图像处理中最基本的技术之一。本文着重介绍了图像分割的常用方法及每种方法中的常用算法,并比较了各自的优缺点,提出了一些改进建议,以期为人们在相关图像数据条件下,根据不同的应用范围选择分割算法时提供依据。 关键词图像分割算法综述 一、引言 图像分割决定了图像分析的最终成败。有效合理的图像分割能够为基于内容的图像检索、对象分析等抽象出十分有用的信息,从而使得更高层的图像理解成为可能。目前图像分割仍然是一个没有得到很好解决的问题,如何提高图像分割的质量得到国内外学者的广泛关注,仍是一个研究热点。 多年来人们对图像分割提出了不同的解释和表达,通俗易懂的定义则表述为:图像分割指的是把一幅图像分割成不同的区域,这些区域在某些图像特征,如边缘、纹理、颜色、亮度等方面是一致的或相似的。 二、几种常用的图像分割算法及其优缺点 (一)大津阈值分割法。 由Otsu于1978年提出大津阈值分割法又称为最大类间方差法。它是一种自动的非参数非监督的门限选取法。该方法的基本思路是选取的t的最佳阈值应当是使得不同类间的分离性最好。它的计算方法是首先计算基于直方图而得到的各分割特征值的发生概率,并以阈值变量t将分割特征值分为两类,然后求出每一类的类内方差及类间方差,选取使得类间方差最大,类内方差最小的t作为最佳阈值。 由于该方法计算简单,在一定条件下不受图像对比度与亮度变化的影响,被认为是阈值自动选取的最优方法。该方法的缺点在于,要求得最佳阈值,需要遍历灰度范围0—(L-1)内的所有像素并计算出方差,当计算量大时效率会很低。同时,在实际图像中,由于图像本身灰度分布以及噪声干扰等因素的影响,仅利用灰度直方 阈值分割 1/*===============================图像分割 =====================================*/ 2 /*-------------------------------------------------------------------------- -*/ 3/*手动设置阀值*/ 4 IplImage* binaryImg = cvCreateImage(cvSize(w, h),IPL_DEPTH_8U, 1); 5 cvThreshold(smoothImgGauss,binaryImg,71,255,CV_THRESH_BINARY); 6 cvNamedWindow("cvThreshold", CV_WINDOW_AUTOSIZE ); 7 cvShowImage( "cvThreshold", binaryImg ); 8//cvReleaseImage(&binaryImg); 9 /*---------------------------------------------------------------------------*/ 10/*自适应阀值 //计算像域邻域的平均灰度，来决定二值化的值*/ 11 IplImage* adThresImg = cvCreateImage(cvSize(w, h),IPL_DEPTH_8U, 1); 12double max_value=255; 13int adpative_method=CV_ADAPTIVE_THRESH_GAUSSIAN_C;//CV_ADAPTIVE_THRESH_MEAN_C 14int threshold_type=CV_THRESH_BINARY; 15int block_size=3;//阈值的象素邻域大小 16int offset=5;//窗口尺寸 17 cvAdaptiveThreshold(smoothImgGauss,adThresImg,max_value,adpative_method, threshold_type,block_size,offset); 18 cvNamedWindow("cvAdaptiveThreshold", CV_WINDOW_AUTOSIZE ); 19 cvShowImage( "cvAdaptiveThreshold", adThresImg ); 20 cvReleaseImage(&adThresImg); 21 /*-------------------------------------------------------------------------- -*/ 22/*最大熵阀值分割法*/ 23IplImage* imgMaxEntropy = cvCreateImage(cvGetSize(imgGrey),IPL_DEPTH_8U,1); 24 MaxEntropy(smoothImgGauss,imgMaxEntropy); 25 cvNamedWindow("MaxEntroyThreshold", CV_WINDOW_AUTOSIZE ); 26 cvShowImage( "MaxEntroyThreshold", imgMaxEntropy );//显示图像 27 cvReleaseImage(&imgMaxEntropy ); 28 /*-------------------------------------------------------------------------- -*/ 29/*基本全局阀值法*/ 30 IplImage* imgBasicGlobalThreshold = cvCreateImage(cvGetSize(imgGrey),IPL_DEPTH_8U,1); 31 cvCopyImage(srcImgGrey,imgBasicGlobalThreshold); he = imread('f:\3.jpg'); % 读入图像 imshow(he), title('H&E image'); text(size(he,2),size(he,1)+15,... 'Image courtesy of Alan Partin, Johns Hopkins University', ... 'FontSize',7,'HorizontalAlignment','right'); cform = makecform('srgb2lab'); % 色彩空间转换 lab_he = applycform(he,cform); ab = double(lab_he(:,:,2:3)); % 数据类型转换 nrows = size(ab,1); % 求矩阵尺寸 ncols = size(ab,2); % 求矩阵尺寸 ab = reshape(ab,nrows*ncols,2); % 矩阵形状变换 nColors = 3; % 重复聚类3次，以避免局部最小值 [cluster_idx cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean', ... 'Replicates',3); pixel_labels = reshape(cluster_idx,nrows,ncols); % 矩阵形状改变 imshow(pixel_labels,[]); % 显示图像 title('image labeled by cluster index'); % 设置图像标题 segmented_images = cell(1,3); % 细胞型数组 rgb_label = repmat(pixel_labels,[1 1 3]); % 矩阵平铺 for k = 1:nColors color = he; color(rgb_label ~= k) = 0; Efficient graph-based image segmentation 2.相关工作 G=(V ,E)，每个节点V i v 对应图像中一个像素点，E 是连接相邻节点的边，每个边有对应有一个权重，这个权重与像素点的特性相关。 最后，我们将提出一类基于图的查找最小割的分割方法。这个最小割准则是最小化那些被分开像素之间的相似度。【18】原文中叫Component,实质上是一个MST,单独的一个像素点也可以看成一个区域。 预备知识： 图是由顶点集（vertices ）和边集（edges ）组成，表示为，顶点，在本文中即为单个的像素点，连接一对顶点的边具有权重，本文中的意义为顶点之间的不相似度，所用的是无向图。 树：特殊的图，图中任意两个顶点，都有路径相连接，但是没有回路。如上图中加粗的边所连接而成的图。如果看成一团乱连的珠子，只保留树中的珠子和连线，那么随便选个珠子，都能把这棵树中所有的珠子都提起来。如果，i 和h 这条边也保留下来，那么h,I,c,f,g 就构成了一个回路。 最小生成树（MST, minimum spanning tree ）：特殊的树，给定需要连接的顶点，选择边权之和最小的树。上图即是一棵MST 。 本文中，初始化时每一个像素点都是一个顶点，然后逐渐合并得到一个区域，确切地说是连接这个区域中的像素点的一个MST 。如图，棕色圆圈为顶点，线段为边，合并棕色顶点所生成的MST ，对应的就是一个分割区域。分割后的结果其实就是森林。 边的权值： 对于孤立的两个像素点，所不同的是颜色，自然就用颜色的距离来衡量两点 的相似性，本文中是使用RGB 的距离，即 本科毕业设计 （2011届） 题目基于阈值的图像分割方法研究与实现 摘要 本毕业设计主要研究基于Hough变换的图像结构提取方法，通过MATLAB语言编程来实现两种典型的图像阈值分割算法（最大类间方差法和迭代法），并对这两种算法进行比较分析。其主要工作步骤如下： 首先介绍数字图像处理和图像分割的基本理论知识。接着对几种图像分割方法进行了介绍。然后了解图像阈值化原理，并在此基础上对两种典型的图像阈值分割算法（最大类间方差法和迭代法）的原理进行了介绍。最后通过MATLAB语言编程实现这两种算法，分别得到这两种算法的分割性能，并对这两种算法的分割性能进行比较。结果表明在大多数情况下，最大类间方差法比迭代法更稳定。 关键词：数字图像处理；阈值化；最大类间方差法；迭代法；直方图 ABSTRACT The main aim of this thesis is to analyze image segmentation method based on thresholding, then implement two typical algorithms (Otsu method and Iterative method) by MATLAB language programming, and compare the two algorithms. Its main work procedure is as follows: First the basic theories of digital image processing and image segmentation are introduced. Then several image segmentation algorithms are introduced. Based on knowing the theory of image thresholding, we introduce the theory of two typical algorithms (Otsu method and Iterative method). Finally through MATLAB language programming, we can get the segmentation performance of the two algorithms respectively, and compare the two algorithm’s segmentation performance. The result shows that Otsu method is more stable than Iterative method in most cases. Key words：digital image processing; thresholding; Otsu method; Iterative method; image histogram. clc; clear; I=imread('d:\1.jpg'); subplot(221);imshow(I);title('原图像'); I1=rgb2gray(I); %双峰法 newI=im2bw(I1,150/255); subplot(222),imshow(newI);title('双峰法阈值分割后的图像'); %迭代法阈值分割 ZMax=max(max(I)); ZMin=min(min(I)); TK=(ZMax+ZMin)/2; bCal=1; iSize=size(I); while(bCal) iForeground=0; iBackground=0; ForegroundSum=0; BackgroundSum=0; for i=1:iSize(1) for j=1:iSize(2) tmp=I(i,j); if(tmp>=TK) iForeground=iForeground+1; ForegroundSum=ForegroundSum+double(tmp); else iBackground=iBackground+1; BackgroundSum=BackgroundSum+double(tmp); end end end ZO=ForegroundSum/iForeground; ZB=BackgroundSum/iBackground; TKTmp=uint8((ZO+ZB)/2); if(TKTmp==TK) bCal=0; else TK=TKTmp; end end disp(strcat('迭代后的阈值：',num2str(TK))); newI=im2bw(I,double(TK)/255);图像分割算法开题报告
图像的阈值分割及边缘检测技术
关于图像分割算法的研究
基于阈值的图像分割方法--论文
灰度阈值分割算法
图像分割方法综述
基于MATLAB的图像阈值分割技术
图像分割算法研究与实现
基于阈值的灰度图像分割
图像分割阈值选取技术综述
数字图像灰度阈值的图像分割技术matlab
图像分割常用算法优缺点探析
几种常见的阈值分割算法核心代码
kmeans图像分割算法
基于图的快速图像分割算法
基于阈值的图像分割方法研究与实现
阈值分割算法