实验三图像分割及边缘检测.docx
《实验三图像分割及边缘检测.docx》由会员分享，可在线阅读，更多相关《实验三图像分割及边缘检测.docx（10页珍藏版）》请在冰豆网上搜索。
实验三图像分割及边缘检测
数字图像处理实验报告
学生
王真颖
学生学号
L0902150101
指导教师
梁毅雄
专业班级
计算机科学与技术1501
完成日期
2021年11月06日
计算机科学与技术系
信息科学与工程学院
实验一图像分割与边缘检测
一．实验目的
1.理解图像分割的根本概念；
2.理解图像边缘提取的根本概念；
3.掌握进展边缘提取的根本方法；
4.掌握用阈值法进展图像分割的根本方法。
二．实验根本原理
●图象边缘检测
图像理解是图像处理的一个重要分支，研究为完成某一任务需要从图像中提取哪些有用的信息，以及如何利用这些信息解释图像。
边缘检测技术对于处理数字图像非常重要，因为边缘是所要提取目标和背景的分界限，提取出边缘才能将目标和背景区分开来。
在图像中，边界说明一个特征区域的终结和另一个特征区域的开场，边界所分开区域的部特征或属性是一致的，而不同的区域部的特征或属性是不同的，边缘检测正是利用物体和背景在某种图像特性上的差异来实现的，这些差异包括灰度，颜色或者纹理特征。
边缘检测实际上就是检测图像特征发生变化的位置。
图象边缘检测必须满足两个条件：
一能有效地抑制噪声；二必须尽量准确确定边缘的位置
由于噪声和模糊的存在，检测到的边界可能会变宽或在某些点处发生连续，因此，边界检测包括两个根本容：
首先抽取出反映灰度变化的边缘点，然后剔除某些边界点或填补边界连续点，并将这些边缘连接成完整的线。
边缘检测的方法大多数是基于方向导数掩模求卷积的方法。
导数算子具有突出灰度变化的作用，对图像运用导数算子，灰度变化较大的点处算得的值比拟高，因此可将这些导数值作为相应点的边界强度，通过设置门限的方法，提取边界点集。
一阶导数与是最简单的导数算子，它们分别求出了灰度在x和y方向上的变化率，而方向α上的灰度变化率可以用相应公式进展计算;对于数字图像，应该采用差分运算代替求导。
一幅数字图像的一阶导数是基于各种二维梯度的近似值。
图像f（x,y）在位置（x,y）的梯度定义为以下向量：
（3-4）
在边缘检测中，一般用这个向量的大小，用
表示
（3-5）
函数f在某点的方向导数取得最大值的方向是，方向导数的最大值是称为梯度模。
利用梯度模算子来检测边缘是一种很好的方法，它不仅具有位移不变性，还具有各向同性。
为了运算简便，实际中采用梯度模的近似形式。
或者
传统的边缘检测算法通过梯度算子来实现的，在求边缘的梯度时，需要对每个象素位置计算。
在实际中常用小区域模板卷积来近似快速计算，简单有效，即梯度算子一般采用滤波算子的形式来完成，因此应用很广泛。
模板是N*N的权值方阵，经典的梯度算子模板有：
Sobel模板、Prewitt模板、Roberts模板、Laplacian模板等。
具体模板请见书。
拉普拉斯高斯〔LoG〕算法是一种二阶边缘检测方法。
它通过寻找图像灰度值中二阶微分中的过零点〔ZeroCrossing〕来检测边缘点。
其原理为，灰度级变形成的边缘经过微风算子形成一个单峰函数，峰值位置对应边缘点；对单峰函数进展微分，那么峰值处的微分值为0，峰值两侧符号相反，而原先的极值点对应二阶微分中的过零点，通过检测过零点即可将图像的边缘提取出来。
（a）原图（b）边缘检测后的图（c）阈值处理后的图
图3-1检测具有-45度边缘的图例
●图象分割
图像分割是将图像划分成假设干个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的连通集合。
如不同目标物体所占的图像区域、前景所占的图像区域等。
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。
1.双峰法
先给出原图的直方图，再定出阈值（门限）T，一般取两个峰值间的谷值。
2.P参数法
这种方法用于目标所占图像面积的情况。
设目标在最简单图像f（i,j）中所占的面积s0与图像面积s之比为P=s0/s，那么背景所占面积比为1-P=（s-s0）/s。
一般来说，低灰度值为背景，高灰度值为目标。
如果统计图像f（i,j）灰度值不大于某一灰度t的像元数和图像总像元数之比为1-p时，那么以t为阈值。
3．自适应全局阈值〔单阈值〕
算法步骤如下：
1、初始化阈值T（一般为原图像所有像素平均值）。
2、用T分割图像成两个集合：
G1和G2，其中G1包含所有灰度值小于T的像素，G2包含所有灰度值大于T的像素。
3、计算G1中像素的平均值m1及G2中像素的平均值m2。
4、计算新的阈值：
T＝〔m1＋m2〕/2。
5、如果新阈值跟原阈值之间的差值小于一个预先设定的围，停顿循环，否那么继续2－4步。
全局单阈值分割只适用于很少的图像。
对一般图像采用局部阈值法或多阈值法会得到更好的效果
4.最大类间方差法（OTSU）
设有M-1个阈值：
0≤k1＜k2＜…＜KM-1≤L-1。
将图像分割成M个灰度值的类Cj，〔Cj∈［kj-1+1,…,kj］；j=1,2,…,M;k0=0,kM=L〕，那么各类Cj的发生概率ωj和平均值μj为
（3-1）
（3-2）
式中,ω（0）=0，μ（0）=0。
由此可得各类的类间方差为
（3-3）
将使上式的σ2值为最大的阈值组（k1,k2，…,kM－1），作为M值化的最正确阈值组。
假设取M为2，即分割成2类，那么可用上述方法求出二值化的阈值。
三．
三．实验容与要求
1.分别用Roberts,Sobel和拉普拉斯高斯算子对图像进展边缘检测。
比拟三种算子处理的不同之处；
2.设计一个检测图3-2中边缘的程序，要求结果类似图3-3，并附原理说明。
3．任选一种阈值法进展图像分割.
4．检测出3.3图像的线条，要求完成的结果为二值图像；
四．实验结果与分析
1.分别用Roberts,Sobel和拉普拉斯高斯算子对图像进展边缘检测。
比拟三种算子处理的不同之处；
代码：
I=imread（'eight.tif'）;
imshow（I）
BW1=edge（I,'roberts'）;
figure,imshow（BW1）,title（'用Roberts算子'）
BW2=edge（I,'sobel'）;
figure,imshow（BW2）,title（'用Sobel算子'）
BW3=edge（I,'log'）;
figure,imshow（BW3）,title（'用拉普拉斯高斯算子'）
比拟提取边缘的效果可以看出，sober算子是一种微分算子，对边缘的定位比拟准确，但是会漏去一些边缘细节，而拉普拉斯算子是一种二阶边缘检测算法，他通过寻找图像灰度值中二阶过零点来检测边缘并将边缘提取出来，边缘的细节比拟丰富。
通过比拟可以看出，拉普拉斯算子比sober算子边缘更完整，效果更好。
2.设计一个检测图3-2中边缘的程序，要求结果类似图3-3，并附原理说明。
代码：
I=imread（'lines.png'）;
F=rgb2gray（I）;
subplot（2,2,1）;
imshow（I）;
title（'原始图像'）;
thread=130/255;
subplot（2,2,2）;
imhist（F）;
title（'直方图'）;
subplot（2,2,3）;
J2=im2bw（F,thread）;
imshow（J2）;
title（'分割结果'）;
实验结果:
（3）原理说明：
根据图像的直方图，发现背景和目标的分割值在135左右，将此作为分割值，将图像转换为二值图像。
3．任选一种阈值法进展图像分割.
（1）选取阈值为180进展分割：
I=imread（'lines.png'）;
F=rgb2gray（I）;
subplot（2,2,1）;
imshow（I）;
title（'原始图像'）;
thread=180/255;%阈值为180进展分割
subplot（2,2,2）;
imhist（F）;
title（'直方图'）;
subplot（2,2,3）;
J2=im2bw（F,thread）;
imshow（J2）;
title（'分割结果'）;
实验结果：
将阈值调节到180，明显的看到线条的边缘变得模糊，而背景的线条被消除。
4.检测出3.3图像的线条，要求完成的结果为二值图像：
代码：
I=imread（'line2.png'）;
F=rgb2gray（I）;
subplot（2,2,1）;
imshow（I）;
title（'原始图像'）;
thread=120/255;
subplot（2,2,2）;
imhist（F）;
title（'直方图'）;
subplot（2,2,3）;
J2=im2bw（F,thread）;
imshow（J2）;
title（'分割结果'）;
实验结果：
升级会员 