自动分布阈值图像多目标分割算法_罗三定

收稿日期:2008-03-31

作者简介:罗三定(1955—),男,湖南浏阳人,教授,博士,研究方向:图像处理、智能信息处理(E -mail :zhangsong8207@https://www.wendangku.net/doc/6e7837897.html, );张中良(1982—

),男,河南南阳人,硕士研究生,研究方向:计算机数字图像处理。文章编号:1003-6199(2008)02-0077-04

自动分布阈值图像多目标分割算法

罗三定,张中良

(中南大学信息科学与工程学院,湖南长沙　410083)

摘　要:为解决照度不均匀条件下亮度特征不同的多个目标图像分割问题,根据目标局部区域的灰度特征,用分布式阈值进行图像二值化分割处理,提出模糊因子可调的快速序贯性平滑滤波算法,调节模糊因子对图像快速滤噪和自动生成近似照度图像,凭借照度图像生成分布式阈值图像,给出不同类型图像的模糊系数表,快速地分割出明暗不同的目标。实验和工业视觉系统应用均表明算法分割效果和速度均好于最优局部阈值算法,可满足实时处理要求。

关键词:图像分割;快速模糊;序贯性滤波;多目标中图分类号:TP309 文献标识码:A

A F ast Multi -target Image Segmentation Algorithm

B ased

on Distributed Thresholding Image

L UO San 2ding ,ZHAN G Zhong 2liang

(School of Information Science and Engineering ,Central S outh University ,Changsha 410083,China )

Abstract :With the segmentation request of complex images having a number of targets with different brightness characteris 2

tics generated by uneven illumination ,this paper analyses local gray features between multi targets and neighborhood ,uses dis 2tributed thresholds to segment the image ,proposes fast sequential filtering with adjustable fuzzy factor with mild fuzzy coefficient to preprocess image and with severe fuzzy coefficient to generate a threshold image as local thresholds and extracts multi -target successfully.Finally this paper gives the fuzzy coefficient table according to the different types of images.Experimental and indus 2trial visual applications show that the segmentation results are better and fast using this algorithm.

K ey w ords :image segmentation ;fast fuzzy ;sequential filtering ;multi -target

1　引　言

工业机器视觉中常用二值化快速分割目标区

域,应用场合环境光照不均或光照均匀但目标物体表面光反射率不一致时,都会表现为一类明暗分布不均的图像,其主要特点是:在每个局部区域内目标相对背景有较明显的灰度差异,但难以找到适合全局范围的单一阈值予以区分,无疑进行二值化目标分割是无法进行的。本文将光照不均(如图1)和光反射不均(如图2)图像都归结为非均匀照度图像,研究这类图像的快速分割具有普遍意义。

若能获得光照场数据,则可以通过灰度补偿使图像光照趋于均匀,有利于选取合适的阈值。遗憾的是难以直接获得光照场数据,图像灰度补偿便无法进行。物体表面具有的不同特性是造成非均匀的反射场的原因,一般情况下也难以获得实际反射模型[1]。

本文基于估计光照场数据,动态调整各处分割阈值的基本思想,分析了已有方法的弱点,提出了模糊因子可调的快速序贯性平滑滤波算法,估计出近似照度图像,并生成分布式阈值图像,快速地分割出明暗不同的目标,大量实验表明分割速度与效果明显优于已有算法。

第27卷第2期2008年6月

计　算　技　术　与　自　动　化Computing Technology and Automation

Vol 127,No 12

　J un.2008

图1　

照度不均的棒材端面

图2　反射率不同的多个物体

2　现有分割算法缺点分析

众所周知,对于阈值分割关键在于阈值选取,

无论是何种单阈值选取方法均不能适应于照度非均匀的图像。为处理照度非均匀图像的二值化问题,当前主流算法是采用分块[2]选取合适阈值逐块处理的,为避免块交界处的突变,还可以采用双线性插值改进算法使阈值均匀过渡,形成分布式的阈值图像。然而存在两方面问题:

1)分块大小难以确定,过大无法同时适应明暗变化的目标分割,过小又难以得到足够的灰度信息以供局部阈值选取;

2)无论采用峰谷法[3]、统计法[4]、最优分割法,还是O TSU [5],各小块均要进行较复杂的阈值选取运算,耗时较多。

邢延超等提出的基于多阈值融合的分割方法[6],是根据灰度差异,求取每个阈值下的连通域并建立连通树,利用连通体元的概念,通过计算连通体元的增长率控制连通域的增长来实现图像分割,具有分割精度高的优点。但此算法是基于灰度平稳和渐进变换提出的,而现实中的照度不均匀图像各个区域之间并不是渐进变化甚至出现粘连,且此方法空间复杂度和时间复杂度都很高。

同同滤波[1]思想是在频域内削弱光照影响,使暗部物体亮度提升,亮部物体则下降,使之趋于均匀。但同态滤波处理频域变换耗时巨大,不能用于实时性要求高的场合。其基本思想却具有很好的启发意义。只要能够得到近似的亮度分布,就能根据目标局部区域的灰度特征,形成分布式阈值集合构成所谓阈值图像,图像二值化分割处理就变得十分简单了。

3　基于阈值图像的多目标分割

一个图像A ,其图像中某象素点A (i ,j )的值对应于另一个待分割图像B 对应此位置点B (i ,j )的阈值,则称此图像A 为图像B 的阈值图像。阈值图像中每个点的值独立,应反映待分割图像中对应点周围的平均照度。

311　阈值图像的分割算法框架

本文采用阈值图像对灰度图像进行分布多阈值分割。具体分割框架如图3所示。

1)对原图像滤波,获取去噪图像;

2)对原图像照度估计,获得分布式阈值图像;

3)按照阈值图像对去噪图像多阈值分割。

图3　阈值图像分割框架图

框架中需解决的问题是如何进行照度估计,获得阈值图像。

一般情况下照度变化是缓慢的。在较小区域内,背景的灰度变化小于背景和目标的灰度差。只要区域内同时包含目标与背景,区域内的平均值灰度就可作为区域内图像的分割阈值。这样照度高的区域分割阈值高,照度低的区域分割阈值低。所以区域平均灰度可以作为该区域的照度估计值。

根据上述思路可以推断,对于目标上的任意像素点的灰度值只要融合了最近处背景像素的灰度信息就可以作为该像素点的分割阈值。同理,也可以确定任意背景像素点的分割阈值。这种相邻背景和目标之间灰度相互融合产生的图像就是阈值图像。平滑滤波算法可以起到区域内灰度值融合的作用,例如均值滤波、中值滤波算法。问题是当模板过大时,这些算法计算复杂且计算量大;不容易根据目标调节模板大小和确定模板的系数。

为解决这些问题,本文提出一种平滑度和平滑方向均可调的序贯性快速滤波算法。312　序贯性快速滤波算法

序贯性快速滤波算法是一种加权平滑滤波算法,其一维的基本计算式如公式1所示:

f (p cur )←αf (p last )+(1-α

)f (p cur )p l st ←p cur

(1)

其中:

1)p cur 和p l st 指算法迭代时当前点和前一点的位置,f (p cur )和f (p l st )指当前点和前一点的灰度值;

2)α是平滑度控制因子,范围为0≤α≤1;

87计算技术与自动化2008年6月

3)p l st←p cur表示每次迭代后点的位置更新。

此算法满足线性叠加,应用到二维图像中可分解为水平和垂直两种迭代方向,水平方向可以先从

左到右后再从右到左,垂直方向可以先从上到下后再从下到上。为保证对称性,需左右上下依次各做一次,称为双向加权序贯性平滑滤波。

31211　滤波处理的信息扩散

一维加权序贯性滤波,通过从左到右、从右到左两次处理,由迭代公式1得到如公式2的推导。经过双向处理之后,信息向四周扩散。

p0=0

p1=αp0+βp1+βp1

p2=αp1+βp2=αβp1+βp2

p3=αp2+βp3=α2βp1+αβp2+βp3

……

p n=αp n-1+βp n=

αn-1βp

1+

αn-2βp2+…+αβp n-1+βp n(2)

表1　一维点信息扩散表

…kα2kαk kαkα2…

一维点经过水平方向处理后信息扩散分布如表1所示,假定本点保留信息系数为k,则与本点距离为n的点得到信息为kαn,扩散后其总和仍为原来点信息,可以求得本点保留信息的系数k= (1-α)/(1+α)。

表2　二维点信息扩散表

kα3kα2kα3

kα3kα2kαkα2kα3

kα2kαk kαkα2

kα3kα2kαkα2kα3

kα3kα2kα3

双向加权序贯平滑算法通过从左到右、从右到左、从上到下以及从下到上四个方向上的多次处理,二维点信息扩散分布如表2所示,假定本点保留信息系数k,则距离本点街区距离为n的信息为kαn,扩散后其总和仍为原来点信息,可以求得本点保留信息的系数k=(1-α)2/(1+α)2。

因此经过滤波之后图像中各点保留其原有信息为p(x,y)=[(1-α)2/(1+α)2]f(x,y),最终信息z(x

,y)=p(x,y)+α[p(x-1,y)+p(x +1,y)+p(x,y-1)+p(x,y+1)]+α2……由此可见,这种扩散模式,最后各点的信息扩散到周围点,本点又融合了其周围点的信息

,相当于一种散焦模糊操作,处理方式类似于高斯滤波(如图4所示,上部为一维扩散,下部为二维扩散)。α越大表示保留当前点的信息越少,而与周围点的关系越大,模糊程度越强。当α较小时,称为轻度模糊,反之,为重度模糊。

图4　孤立点在不同值的扩散情况(反演)

31212　滤波处理的性质

这种序贯扩散滤波方式,融合了周围点的信息,表现为平滑滤波,图5列出了3×3模板的平均滤波和本文序贯性滤波方法的比较图,可见,α为0.4时的平滑滤噪效果相当于平均滤波。计算速度快,每点的值运算只与迭代前点的值有关,而不是一个邻域运算,在编程实现时,可利用迭代时处理点的位置仅是前后两点的关系,仅利用移动指针就可迅速取值。平滑度可调,通过调节模糊因子α,可以迅速得到不同程度的模糊图像,算法时间复杂度不变。

图5　平滑滤波效果比较

313　滤波图像和阈值图像快速获得

本文的序贯性滤波可以通过调节模糊因子α得到不同模糊程度的模糊图像。对灰度图像用小的平滑因子滤波得到预处理图像,当α取值在0.2<α<0.3时,能够很好地消除高斯等噪声并保留目标信息,得到好的轻度模糊图像作为预处理图像;调节模糊因子α得到图像的重度模糊图像,迅速求取阈值图像。

重度模糊图像模糊因子α的选取与目标大小有一定关系,大目标周围点的范围比较广,为求得其周围的平均照度,需要较大程度的模糊。因此,当要提取大目标时,需要选用较大的模糊系数。为了保证阈值图像和预处理图像之间保证一定的容差,目标区域和背景区域需要相互受到对方渗透影响率为β,由序贯性滤波二维点信息传播规律来看,其应有αn2≥β,可求得背景和目标相互渗透的范围n≤logαβ。并根据实践结果,得到模糊系数列表(如表3所示)。

需要对生成的模糊图像进行灰度动态范围的调整,提升背景区域的阈值,而降低目标区域的阈值。最简单的采用线性调整即可。

97

第27卷第2期罗三定等:自动分布阈值图像多目标分割算法

表3　不同大小目标的模糊系数表

直径121416182022252830轻度模糊

0.250.250.250.250.250.280.30.350.35重度模糊

0.80

0.80

0.80

0.80

0.80

0.85

0.88

0.90

0.90

4　实　验

实验针对具有照度不均匀的图片进行了大量测试,现列举几个例子。

例1　

照度不均匀的四个矩形目标的分割

图6　四个不同灰度矩形目标的分割结果

例2　

照度不均匀的在线棒材图片的分割

图7　在线棒材图片的分割

通过上述实验,结果验证了算法的有效性。从

图6和图7中可以看出,多阈值融合算法只对灰度平稳且渐变的图像有效,分块方法分块大小难以确定。本文算法中轻度模糊不仅滤除了图像噪声,还保留了图像中各目标信息,重度模糊能够得到图像的阈值图像作为分割阈值对图像进行很好分割。

5　结　论

本文提出了一种利用代替图像平均照度的阈值图像作为分割阈值的多阈值图像分割法。文中首先分析了照度不均匀图像分割阈值需融合周围点信息的特性,然后提出一种平滑系数和方向均可调的快速序贯平滑滤波,分析了其扩散特性,利用其深度模糊可以很好的估计图像的照度场,最后利用深度模糊图作为阈值图像进行多阈值分割,同时给出了模糊系数求取规则。实验证明,本方法简单、通用,能有效的分割照度不均匀图像,并提高了运算速度,满足实时性要求。此算法已成功应用于棒材在线计数生产实践中。

参考文献

[1]　冈萨雷斯.数字图像处理(第二版)[M ].北京:电子工业出版

社,2002.

[2]　李了了,等.基于大津法的图像分块二值化算法[J ].微计算

机信息,2005,21(8-3):76-77.

[3]　王丙文,等.模糊阈值分割算法在具有双峰直方图图像中的

应用[J ].现代电子技术,2001,10:3-5.

[4]　崔冰,等.基于统计模式识别的岩石节理图像分割方法[J ].

计算机工程与应用,2006,10:213-215.

[5]　Otsu N.Discriminant and least square threshold selection [J ].

In :Proc 4I J CPR ,1978:592-596.

[6]　邢延超,谈正.基于多阈值融合的图像分割[J ].计算机学报,

2004.02,27(2):252-256.

08计算技术与自动化2008年6月

图像分割算法开题报告

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

基于MATLAB的图像阈值分割技术

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){,(

基于阈值的图像分割方法--论文

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

灰度阈值分割算法

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/6e7837897.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

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

关于图像分割算法的研究

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

数字图像灰度阈值的图像分割技术matlab

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

基于阈值的灰度图像分割

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

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-

几种常见的阈值分割算法核心代码

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);

图像分割算法研究及实现

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。

基于阈值的图像分割方法研究与实现

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.

图像分割技术的研究背景及意义

图像分割技术的研究背景及意义 1概述 2图像分割技术的研究背景及意义 2.1阈值分割方法 2.2基于边缘的分割方法 2.3基于区域的分割方法 2.4 结合特定理论工具的分割方法 1概述 图像的研究和应用中，人们往往对图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域（可以对应单一区域，也可以对应多个区域），称之为目标或前景；而其他部分称为图像的背景。为了辨识和分析目标，需要把目标从一幅图像中孤立出来，这就是图像分割要研究的问题。 2图像分割技术的研究背景及意义 图像分割是图像处理中的一项关键技术，也是一经典难题，发展至今仍没有找到一个通用的方法，也没有制定出判断分割算法好坏的标准，对近几年来出现的图像分割方法作了较为全面的综述，探讨了图像分割技术的发展方向，对从事图像处理研究的科研人员具有一定的启发作用。 图像分割是图像分析的第一步，图像分割接下来的任务，如特征提取、目标识别等的好坏，都取决于图像分割的质量如何。由于该课题的难度和深度，进展比较缓慢。图像分割技术自20世纪70年代起一直受到人们的高度重视，虽然研究人员针对各种问题提出了许多方法，但迄今为止仍然不存在一个普遍适用的理论和方法。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题。最近几年又出现了许多新思路、新方法或改进算法，对一些经典方法和新出现的方法作了概述，并将图像分割方法分为阈值分割方法、边缘检测方法、区域提取方法和结合特定理论工具的分割方法4类。

2.1阈值分割方法 阈值分割方法的历史可追溯到近40前，现已提出了大量算法。阈值分割法就是简单的用一个或几个阈值将图像的直方图分成几类，图象中灰度值在同一个灰度类内的像素属于同一个类。它是一种PR法。其过程是决定一个灰度值，用以区分不同的类，这个灰度值就叫阈值。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用整幅图像的信息来得到分割用的阈值，并根据该阈值对整幅图像进行分割；而局部阈值分割是根据图像中的不同区域获得对应的不同区域的阈值，利用这些阈值对各个区域进行分割，即一个阈值对应一个相应的子区域，这种方法也叫称为适应阈值分割。可以看出，确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据分割算法所有的特征或准则，还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松驰法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。 目前提出了许多新方法，如严学强等人提出了基于量化直方图的最大熵阈值处理算法，将直方图量化后采用最大熵阈值处理算法，使计算量大大减小。薛景浩、章毓晋等人提出基于最大类间后验交叉熵的阈值化分割算法，从目标和背景的类间差异性出发，利用贝叶斯公式估计象素属于目标和背景两类区域的后验概率，再搜索这两类区域后验概率之间的最大交叉熵。这种方法结合了基于最小交叉熵以及基于传统香农熵的阈值化算法的特点和分割性能，取得很好的通用性和有效性，该算法也容易实现二维推广，即采用二维统计量（如散射图或共生矩阵）取代直方图，以提高分割的准确性。俞勇等人提出的基于最小能量的图像分割方法，运用了能量直方图来选取分割阈值。任明武等人提出的一种基于边缘模式的直方图构造新方法，使分割阈值受噪声和边缘的影响减少到最小。程杰提出的一种基于直方图的分割方法，该方法对Ostu准则的内在缺陷进行了改进，并运用对直方图的预处理及轮廓追踪，找出了最佳分割阈值。此方法对红外图像有很强的针对性，付忠良提出的基于图像差距度量的阈值选取方法，多次导出Ostu方法，得到了几种与Ostu类似的简单计算公式，使该方法特别适合需自动产生阈值的实时图像分析系统。陈向东、常文森等人提出了基于小波变换的图像分数维计算方法，利用小波变换计算图像的分数维准确性高的特性。结果表明计算出的图像分数维准确，而且通过应用快速小波变换可以满足实时计算的要求，为实时场景分析提供有效的方法。建立在积分几何和随机集论基础之上的数学形态学以其一整套变换、概念和算法为数学工具，提供了并行的、具有鲁棒性的图像分割技述。它不仅能得到图像中各种几何参数的间接测量，反映图像的体视特性，而

阈值分割算法

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);

数字图像处理实验_阈值分割算法

《数字图像处理》实验 9.编写程序，实现阈值分割算法． %9.编写程序，实现阈值分割算法． %这段代码的想法是通过相邻两个像素的平均值的比较来确定阈值的选取。 %通过f(i-1,j-1),f(i,j),f(x,+1,j+1)这三个两两相邻的像素的平均值来比较。 %若两个平均值的差值小于某一个指定的值，这取这个平均值作为新的阈值。 %这样可以把图像中像素比较平缓的部分和像素差别比较大的部分分割开来。 clear; f = imread('text.jpg'); f=rgb2gray(f); f = im2double(f); g=f; [m,n] = size(f); x=0.1;%x作为判断的值，两个平均值的差不小于x; d = false; while~d fori=2:m-1%为确保f(i,j)的取值在原图的范围内需要保证的范围。 forj=2:n-1 t = (f(i-1,j-1)+f(i,j))/2;%求三个两两相邻的像素点的像素的平均值t1 = (f(i,j)+f(i+1,j+1))/2;

d = abs(t1-t)

图像阈值分割算法分析与实现

九江学院学士学位论文 摘要 图像阈值分割算法分析与实现是图像处理领域的一个基本的、重要的研究课题。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。 图像阈值分割法是一种最常用，同时也是最简单的图像分割方法，它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量，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的必要的图像预处理过程。图像阈值化的目的是要按照灰度级对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。本文首先介绍了图像分割发展现状，其次对图像分割的基础做了简单的介绍，最后重点对双峰法阈值分割、分水岭阈值分割、0tsu阈值分割作了详细分析与研究，并且把这三种算法的分割效果进行了简单的比较，结果发现各阈值分割方法都有各自的优劣性，需要根据图像的实际情况选择适合的方法。分割结果的好坏或者正确与否，目前还没有一个统一的评价判断准则，分割的好坏必须从分割的效果和实际应用场景来判断。 关键词：直方图；图像分割；阈值；算法

图像阈值分割算法分析与研究 The analysis and implementation of image threshold Segmentation algorithm Abstract The analysis and implementation of image threshold segmentation algorithm is a basic and important research topic. The so-called image threshold segmentation is mean to divide the grayscale, color, space, texture, geometry and other features into several disjoint areas, so that these characteristics in the same area, showing the consistency or similarity, while showing different in different regions . The segmentation of image threshold method is one of the most commonly and simple image segmentation method, it is especially suitable for the target and background occupy different gray-scale range of the image. It not only can greatly compress the amount of data, but also greatly simplifies the analysis and processing steps. In many cases, image analysis, feature extraction and pattern recognition are till the necessary image pre-processing process. The purpose of image threshold is to divide each subset of the formation of a region corresponding into the realistic scenery according to the gray level pixel, each region consistent with the properties of adjacent regional distribution of this a consistent attribute. This division can select one or more threshold starting from the gray level. This paper first introduces the development status of image segmentation, followed by a brief introduction on the basis of image segmentation, and finally focus on the apex method threshold segmentation, watershed threshold segmentation and 0tsu threshold segmentation are analyzed and researched in detail, and made a simple comparison with the segmentation results of the three algorithms and found that each threshold segmentation method has its own advantages and disadvantages, you need to select the appropriate method according to the actual situation of the image. There are no single evaluation criterion about Segmentation result is good or bad, right or wrong, , the segmentation good or bad are based on the segmentation results and determine on the actual scenarios . Keywords: histogram; image segmentation; threshold; algorithm