图像分割算法的比较与分析.docx
《图像分割算法的比较与分析.docx》由会员分享，可在线阅读，更多相关《图像分割算法的比较与分析.docx（14页珍藏版）》请在冰豆网上搜索。
图像分割算法的比较与分析
中北大学
课程设计说明书
学生姓名：
学号：
学生姓名：
学号：
学生姓名：
学号：
学生姓名：
学号：
学院：
信息与通信工程学院
专业：
电子信息工程
题目：
信息处理综合实践:
图像分割算法的比较与分析
指导教师：
陈平职称:
副教授
2014年12月29日
中北大学
课程设计任务书
14/15学年第一学期
学院：
信息与通信工程学院
专业：
电子信息工程
学生姓名：
学号：
课程设计题目：
信息处理综合实践:
图像分割算法的比较与分析
起迄日期：
2015年1月5日～2015年1月16日
课程设计地点：
电子信息工程专业实验室
指导教师：
陈平
系主任：
王浩全
下达任务书日期:
2014年12月29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）利用自适应阈值、区域、分水岭、形态学四种方法，对图像进行分割；
（2）对四种方法分割的结果，进行对比分析，并给出量化结果；
（3）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。
课程设计任务书
4．主要参考文献：
1.阮秋琦等.数字图像处理（第三版）.北京：
电子工业出版社.2011
2.冈萨雷斯等.数字图像处理（MATLAB版）.北京：
电子工业出版社.2001
3.杨杰等.数字图像处理及MATLAB实现：
学习与实验指导.北京：
电子工业出版社.2010
4.刘卫国等.MATLAB程序设计与应用.北京：
高等教育出版社.2006
5.许国根等.模式识别与智能计算的MATLAB实现.北京：
北京航空航天大学出版社.2012
5．设计成果形式及要求：
毕业设计说明书
仿真结果
6．工作计划及进度：
2015年
1月5日~1月9日：
查资料；
1月10日~1月13日：
在指导教师指导下设计方案；
1月14日~1月15日：
撰写课程设计说明书；
1月16日：
答辩
系主任审查意见：
签字：
年月日
第一章绪论 ...........................................1
研究目的和意义................................1
图像分割的研究进展............................1
第二章区域生长法分割图像............................4
区域生长法介绍.................................4
区域生长法的原理 ...............................4
区域生长法的实现过程...........................5
第3章程序及结果.....................................6
区域生长算法及程序.............................6
图像分割结果..................................7
第4章方法比较.......................................8
阈值法.......................................8
区域法.......................................8
分水岭法......................................8
形态学方法....................................9
第五章总结 ..........................................10
参考文献 .............................................11
第1章绪论
研究目的和意义
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。
许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割;但某些分割方法只是适合于某些特殊类型的图像分割，所以分割结果的好坏需要根据具体的场合及要求衡量。
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。
图像分割是由图像处理到图像分析的关键步骤，在图像工程中占有重要位置。
一方面，它是目标表达的基础，对特征测量有重要的影响。
另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象、更紧凑的表达形式，使得更高层的图像分析和理解成为可能。
因此在实际应用中，图像分割不仅仅要把一幅图像分成满足上面五个条件的各具特性的区域，而且要把其中感兴趣的目标区域提取出来。
只有这样才算真正完成了图像分割的任务，为下一步的图像分析做好准备，使更高层的图像分析和理解成为可能。
图像分割在很多方面，如医学图像分析，交通监控等，都有着非常广泛的应用，具有重要的意义。
（1）分割的结果常用于图像分析，如不同形式图像的配准与融合，结构的测量，图像重建以及运动跟踪等。
（2）在系统仿真，效果评估，图像的3D重建以及三维定位等可视化系统中，图像分割都是预处理的重要步骤。
（3）图像分割可在不丢失有用信息的前提下进行数据压缩，这就降低了传输的带宽，对提高图像在因特网上的传输速度至关重要。
（4）分割后的图像与噪声的关系减弱，具有降噪功能，便于图像的理解。
图像分割的研究进展
图像分割是图像处理中的一项关键技术，至今已提出上千种分割算法。
但因尚无通用的分割理论，现提出的分割算法大都是针对具体问题的，并没有一种适合所有图像的通用分割算法。
前人的方法主要有三大类：
阈值分割方法、边缘检测方法和区域提取方法。
（1）阈值分割方法
阈值分割法分为全局阈值法和局部阈值分割法。
所谓局部阈值分割法是将原始图像划分成较小的图像，并对每个子图像选取相应的阈值。
在阈值分割后，相邻子图像之间的边界处可能产生灰度级的不连续性，因此需用平滑技术进行排除。
局部阈值法常用的方法有灰度差直方图法、微分直方图法。
局部阈值分割法虽然能改善分割效果，但存在以下几个缺点：
①每幅子图像的尺寸不能太小，否则统计出的结果无意义。
②每幅图像的分割是任意的，如果有一幅子图像正好落在目标区域或背景区域，而根据统计结果对其进行分割，也许会产生更差的结果。
③局部阈值法对每一幅子图像都要进行统计，速度慢，难以适应实时性的要求。
全局阈值分割方法在图像处理中应用比较多，它在整幅图像内采用固定的阈值分割图像。
经典的阈值选取以灰度直方图为处理对象。
根据阈值选择方法的不同，可以分为模态方法、迭代式阈值选择等方法。
这些方法都是以图像的直方图为研究对象来确定分割的阈值的。
另外还有类间方差阈值分割法、二维最大熵分割法、模糊阈值分割法以及共生矩阵分割法等等。
（2）基于边缘检测法
边缘检测法是一种处理不连续性图像的分割技术。
图像的大部分信息不会只存于某个特定的区域，而是存于不同区域的边缘上，而且人的视觉系统在很大程度上都是根据图像边缘差异对图像进行识别分析的。
所以通过对图像的边缘信息检测，可以实现对图像的分割。
按照处理技术可以分为并行边缘检测技术和串行边缘检测技术。
检测过程中可以通过空域微分算子来完成卷积。
这些微分算子包括、Sobel梯度算子、Prewitt梯度算子、综合正交算子等。
这些方法主要是对检测图像中灰度的变化，图像边缘是灰度突变的地方。
在有噪声时，得到的边缘常是孤立不连续的，为了得到完整的边缘信息，还需进行边界闭合处理。
边界闭合是根据像素梯度的幅度及梯度方向满足规定的条件将边缘素连接起来，就有可能得到闭合的边界。
（3）基于区域分割法
区域分割法主要包括：
区域生长和分裂合并法，其分割过程后续步骤的处理要根据前面步骤的结果进行判断而确定。
区域生长法是根据预先规定好的指标，提取图像中相互连接区域的方法，它是利用区域一致性准则对目标进行分割。
规定的指标包括图像的灰度信息，边缘，某种特性。
区域生长法一般都会放在一系列过程中使用，不会单独使用。
它主要的缺陷是，每一个需要提取的区域，都必须先给出种子点，然后提取出和种子一样，符合规定的指标的区域，这样有多少区域就必须给出多少个种子数。
这种法对噪声也很敏感，会造成分割区域不连续。
相反的，局部且大量的噪声会使影响会使原本来分开的区域连接起来。
分裂合并法是从整个图像出发，将图像分割成各个子区域，再把前景的区域合并起来，这样就实现了目标的提取。
分裂合并法的目标区域由一些相互连通的像素组成的，如果把图像分割到像素级的话，就可以判断该像素是否为目标像素。
当所有的分割的子区域都判断完，把目标区域就可得到前景目标。
这种方法处理复杂图像时效果较好，但算法比较复杂，计算量也比较大，在分裂过程中可能会破坏目标区域的边界。
第二章区域生长法分割图像
区域生长法介绍
区域生长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法，从初始区域（如小邻域或甚至于每个象素）开始，将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或其它小区域为止。
区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。
区域生长方法是一种比较普遍的方法，在没有先验知识可以利用时，可以取得最佳的性能，可以用来分割比较复杂的图象，如自然景物。
但是，区域增长方法是一种迭代的方法，空间和时间开销都比较大。
区域生长是一种串行区域分割的图像分割方法。
区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止。
区域生长的好坏决定于 1.初始点（种子点）的选取；2.生长准则；3.终止条件。
区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标的提取。
区域生长法的原理
区域生长的基本思想是将具有相似性质的像素集合起来构成区域。
具体先对每个需要分割的区域找一个种子像素作为生长起点，然后将种子像素和周围邻域中与种子像素有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。
将这些新像素当作新的种子继续上面的过程，直到没有满足条件的像素可被包括进来。
这样一个区域就生长成了。
图1给出已知种子点进行区域生长的一个示例。
图1（a）给出需要分割的图像，设已知两个种子像素（标为深浅不同的灰色方块），现要进行区域生长。
设这里采用的判定准则是：
如果考虑的像素与种子像素灰度值差的绝对值小于某个门限T，则将该像素包括进种子像素所在的区域。
图1（b）给出了T=3时的区域生长结果，整幅图被较好地分成2个区域；图1（c）给出了T=1时的区域生长结果，有些像素无法判定；图1（c）给出了T=6时的区域生长的结果，整幅图都被分在一个区域中了。
由此可见门限的选择是很重要的。
图1
区域生长是一种古老的图像分割方法，最早的区域生长图像分割方法是由Levine等人提出的。
该方法一般有两种方式，一种是先给定图像中要分割的目标物体内的一个小块或者说种子区域（seedpoint），再在种子区域基础上不断将其周围的像素点以一定的规则加入其中，达到最终将代表该物体的所有像素点结合成一个区域的目的；另一种是先将图像分割成很多的一致性较强，如区域内像素灰度值相同的小区域，再按一定的规则将小区域融合成大区域，达到分割图像的目的，典型的区域生长法如T.C.Pong等人提出的基于小面（facet）模型的区域生长法，区域生长法固有的缺点是往往会造成过度分割，即将图像分割成过多的区域。
区域生长法的实现过程
（1）对图像顺序扫描找到第1个还没有归属的像素，设该像素为（x0,y0）；
（2）以（x0，y0）为中心,考虑（x0,y0）的4邻域像素（x,y）如果（x0,y0）满足生长准则,将（x,y）与（x0,y0）合并（在同一区域内）,同时将（x,y）压入堆栈；
（3）从堆栈中取出一个像素,把它当作（x0,y0）返回到步骤2；
（4）当堆栈为空时返回到步骤1；
（5）重复步骤1-4直到图像中的每个点都有归属时生长结束。
第三章区域生长程序及结果
区域生长程序
image=imread（''）;
I=rgb2gray（image）;
figure,imshow（I）,title（'灰度图像'）;
I=double（I）/255;
[y,x]=getpts;%获得区域生长起始点
y1=round（x）;%横坐标取整
x1=round（y）;%纵坐标取整
[M,N]=size（I）;%获取图像大小
stack=[y1,x1];%将生长起始点灰度值存入stack中
suit=1;%储存符合区域生长条件的点的个数
Y=zeros（M,N）;%作一个全零与原图像等大的图像矩阵Y，作为输出图像矩阵
Y（y1,x1）=1;%将种子点的灰度值置1
count=1;%记录每次判断一点周围八点符合条件的新点的数目
threshold=;%阈值
sum=I（y1,x1）;%存灰度值
adaptM=stack（1,1）;
adaptN=stack（1,2）;
greyvalue=I（adaptM,adaptN）;
whilesuit>0
adaptM=stack（1,1）;
adaptN=stack（1,2）;
foru=-1:
1%在围围八点找符合条件的点
forv=-1:
1
ifadaptM+u<（M+1）&adaptN+u>0&adaptN+v<（N+1）&adaptN+v>0
ifabs（I（adaptM+u,adaptN+v）-greyvalue）<=threshold&Y（adaptM+u,adaptN+v）==0
suit=suit+1;
stack（suit,1）=[adaptM+u];%把符合点的坐标存入堆栈
stack（suit,2）=[adaptN+v];
Y（adaptM+u,adaptN+v）=1;%符合点灰度值置1
count=count+1;
sum=sum+I（adaptM+u,adaptN+v）;%累加灰度值
end
end
end
end
greyvalue=sum/count;%获新种子点的灰度值
stack=stack（2:
1:
suit,:
）;%栈内存放所有符合条件点的坐标
suit=suit-1;%减去suit初始值
end
figure,imshow（Y）,title（'分割后图像'）
图像分割结果
灰度图区域生长图
第四章方法比较
阈值法
自适应阈值就是对原始图像分块，对每一块区域根据一般的方法选取局部阈值进行分割。
由于各个子图的阈值化是独立进行的，所以在相邻子图像边界处的阈值会有突变，因此应该以采用适当的平滑技术消除这种不连续性，子图像之间的相互交叠也有利于减小这种不连续性。
总的来说，这类算法的时间和空间复杂度都较大，但是抗噪能力强，对一些使用全局阈值法不宜分割的图像具有较好的分割效果。
区域法
基于区域的分割技术有两种基本形式：
区域生长和分裂合并。
前者是从单像素出发，逐渐合并以形成所需的分割结果；后者是从整个图像出发逐渐分裂或合并以形成所需要的分割结果。
与阈值方法不同，这类方法不仅考虑了像素的相似性，还考虑了空间上的邻接性，因此可以有效消除孤立噪声的干扰，具有很强的鲁棒性。
而且，无论分裂还是合并，都能够将分割深入到像素级，因此可以保证较高的分割精度。
区域生长算法的优点是计算简单，特别适合于分割小的结构。
缺点是需要人工交互以获得种子点，同时对噪声也比较敏感。
当对区域面积较大的图像分割时计算缓慢。
分裂合并算法的优点是不需要预先指定种子点。
缺点是分裂合并算法可能会使分割区域的边界被破坏。
分水岭法
分水岭算法是一种基于区域分割的图像分割方法。
该算法的思想来源于浸没模拟的过程。
由于分水岭变化吧输入图像中的对象与极小点标记相关联，其中的山顶线对应于对象的边界，因此对图像实施分水岭变换可以把图像分割成各个对象区域。
分水岭算法与其他大量的分割算法相比，获得的边界连续，精度高，并且速度快。
但它的不足之处在于过分割，即图像分割成过多的小区域而是感兴趣的目标物淹没在其中。
形态学方法
基于数学形态学的分割技术其基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的。
如杨杰提出基于图像最大内切圆的数学形态学形状描述图像分割算法和基于目标最小闭包结构元素的数学形态学形状描述图像分割算法、分水岭区域分割法和聚类快速分割法等。
由于形态学对图像分割具有优异的特性，使其在未来的图像分割中起主导作用。
但该方法的主要缺陷是还不能很好地解决耗时问题，将其与一些节约时间的措施结合起来，是图像分割的一种趋势。
第五章总结
本文主要工作总结
通过对大量文献的阅读，在对图像分割领域研究现状和研究内容有了一定了解的基础上，本文围绕图像分割技术的理论基础及其实际应用情况，主要进行了以下几个方面的研究工作：
（1）对图像分割的概念进行详细的陈述。
（2）对图像分割的常用方法进行分析和总结；根据图像分割所基于的原理不同，把图像分割方法主要分为基于阈值分割、基于边缘检测分割和基于区域分割三大类，并对他们做了简单的介绍和比较。
（3）提出本次图像分割的方案，并且对方案进行详细的论述以及分析。
（4）运用MATLAB软件进行实验，展示实验现象，得到了较好的效果，根据实验现象对图像分割进行分析，运用相关的图像分割评价标准来对分割出来的图像进行分析，根据数据说明图像分割结果的优劣，总结本次图像分割方案的优缺点。
心得体会
通过这次课程设计，我对数字图像处理这一门课有了更深的了解，学习了许多以前忽略掉的知识。
在完成课程设计的过程中，我遇到了一些问题，比如程序运行出错，刚开始很苦恼，不知如何解决。
后来在组长的帮助下，以及查阅相关资料，我的问题得到了解决。
这让我明白了，遇到问题不能畏惧，要与同学交流，也要善于从书本里找答案。
参考文献
[1]阮秋琦等.数字图像处理（第三版）.北京：
电子工业出版社.2011
[2]冈萨雷斯等.数字图像处理（MATLAB版）.北京：
电子工业出版社.2001
[3]杨杰等.数字图像处理及MATLAB实现：
学习与实验指导.北京：
电子工业出版社.2010
[4]刘卫国等.MATLAB程序设计与应用.北京：
高等教育出版社.2006
[5]许国根等.模式识别与智能计算的MATLAB实现.北京：
北京航空航天大学出版社.2012
升级会员 