基于改进直方图的分割研究.docx
《基于改进直方图的分割研究.docx》由会员分享，可在线阅读，更多相关《基于改进直方图的分割研究.docx（15页珍藏版）》请在冰豆网上搜索。
基于改进直方图的分割研究
本科生毕业设计论文
基于改进直方图的分割研究
院系：
电子信息工程学系
专业：
通信工程
班级：
072
学号：
710705248
指导教师：
吴晓
职称（或学位）：
副教授
2011年4月
原创性声明
本人郑重声明：
所呈交的论文（设计），是本人在导师的指导下，独立进行研究工作所取得的成果。
除文中已经注明引用的内容外，本论文（设计）不含任何其他个人或集体已经发表或撰写过的作品成果。
对本论文（设计）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。
学生签名：
年月日
指导声明
本人指导的同学的毕业论文（设计）题目大小、难度适当，且符合该同学所学专业的培养目标的要求。
本人在指导过程中，通过网上文献搜索及文献比对等方式，对其毕业论文（设计）内容进行了检查，未发现抄袭现象，特此声明。
指导教师签名：
年月日
目录
1绪论2
1.1数字图像处理与图像分割概述2
1.2发展及现状2
1.3研究背景及意义2
2直方图分割2
2.1设计分析2
2.2研究方法3
2.3常规直方图分割3
2.4加噪后的常规直方图分割6
3基于灰度梯度散射图法8
3.1灰度和梯度8
3.2灰度梯度散射图8
4结论10
结束语10
致谢10
参考文献11
附录12
基于改进直方图的分割研究
蔡国汉
（电子信息工程学系指导教师：
吴晓）
摘要：
通常人们只对图像的某个部位感兴趣，为了将人们感兴趣的部分从图像中分离出来，人们就得对图像进行分割。
由于现实生活中的图像往往存在噪声干扰,所以给图像加入了一定量的高斯噪声用来模拟分割中可能遇到的实际情况。
在噪声的干扰下常规的直方图分割并没有得出很好的分割效果，所以论文提出了灰度梯度散射图的分割方法。
从分割效果来看用灰度梯度散射图法对图像进行分割能够较快而且较准确地分割出目标，关键的一点是它对噪声不敏感或者说噪声对它的影响很少。
关键词：
灰梯度散射图;直方图分割;阈值;噪声
Abstract:
Usuallypeopleareinterestedinsomepartsoftheimage,inordertoseparatethepartwhichpeopleareinterestedinfromtheimage,peopleshouldachieveimagesegmentation.Becausereal-lifeimageoftenexiststhenoiseinterference,joinacertainamountofgaussiannoisetotheimagetosimulatetheactualsituationwhichsegmentationmightencounter.Underthenoise’sinterruptonthehistogramimagesegmentationmethoddoesnotdrawagoodsegmentationeffect,sothisarticlepresentsagreygradientscatteringfiguresegmentationmethod.Judgingfromthedivisionresults,usingthegreygradientscatteringfiguremethodtoachieveimagesegmentationcansegmentthetargetrapidlyandaccurately,themostimportantisthatthemethodisnotsensitivetonoiseornoisehasrareinfluenceonit.字典-查看字典详细内容朗读
显示对应的拉丁字符的拼音
字典-查看字典详细内容
朗读
显示对应的拉丁字符的拼音
字典-查看字典详细内容
Keywords:
greygradientscatteringfigure;histogramimagesegmentation;threshold;noise
1绪论
1.1数字图像处理与图像分割概述
数字图像处理技术[1]其工作原理是实现了图像信号与数字信息之间的转换，并将最终结果交由计算机处理。
1964年美国运用计算机处理从太空发回的图像并取得了很好的效果，这个标志着图像处理大规模应用的开始。
通过几十年的发展以及计算机技术的成熟，现在数字图像处理已经衍生出诸如：
图像分割、图像识别、图像增强等众多新的分支，它们在人们生活的不同领域扮演着重要的角色。
图像分割是图像处理的一个重要步骤，在人们进行图像处理研究的初期就已经受到人们的高度重视。
经过几十年来的发展，人们已经提出了上千种的分割方法[2]。
1.2发展及现状
图像分割[3]就是将图像按照人们的意愿分成许多个区域，使这些区域具有不重叠的特性或者该区域具有实际意义异或是几个区域的图像特征相差不大。
图像分割使得人们分离出目标区域，同时人们可以对图像的特征进行提取或者是对目标的一些参数进行一些简单的测量，为人们进行更深入的图像研究提供了基础。
噪声的干扰和图像模糊是人们进行分割时会遇到的主要问题。
虽然不时都会有新的方法被提出，但是还没有出现一种方法能够适合所有或者说大部分的图像。
1.3研究背景及意义
通常而言，人们的注意力一般会集中在图像的某个特定部分，它们一般占据着一定的范围，并且和周围的环境或者物体存在着一定的差异如轮廓、颜色等。
由于人眼的局限性，人们可能无法察觉一些细微的部分。
过去由于人类所获得知识的局限性使得人们无法提取出自己所想要的那部分，但是随着计算机图像处理技术的发展这个问题已经得到比较圆满的解决了。
对图像进行分割的作用在于人们可以辨别与分析图像中自己想要的那部分，识别操作的重要一环就是分割。
分割的方法有很多,其中直方图分割[4]是最简单、最基本、最贴近普通群众的方法。
但在实际的分割当中，人们往往会发现这样一个现象：
由于噪声的干扰所以原本很分明的谷被填平，这样就使得人们在对谷进行检测遇到了很大的麻烦。
所以论文提出了灰度梯度散射图[5]的分割方法，通过先对给定的加入一定量的高斯噪声桔子照片进行分析后进行常规直方图分割；然后对加入噪声的图片分别进行灰度梯度散射图法进行分割，并比较。
通过对实验结果进行理论分析得出一般改进直方图分割的规律。
2直方图分割
2.1设计分析
从大体上看，直方图分割过程主要是阈值的提取与图像分割。
根据matlab处理后出现的直方图如图1所示，可以根据该直方图取到合适的阈值，然后再根据所取的阈值对图像进行分割。
具体过程是：
①通过matlab处理目标图像。
②根据处理所得到的直方图找到合适的阈值。
③根据上步所取得的阈值分割图像。
④得到分割后的图像。
图1直方图
2.2研究方法
图2为大家简要的展示了论文的具体工作流程。
图2流程图
2.3常规直方图分割
这里主要是为了找出改进直方图分割的方法，所以首先要进行的是对给定的图像进行常规直方图分割。
常规直方图分割主要用到通过通道对目标图像进行处理、得到该图像的直方图、阈值选取[6]、通过选取好的阈值对给定的图像进行分割。
从具体的算法上：
（1）通过通道对目标图像进行处理
首先将目标图像经过通道进行处理，常见的通道有RGB、lab、CMYK、HIS，通过实验发现CMYK通道主要是用于印刷而RGB通道受光线影响较大只有lab通道受光线影响较小。
因此选择lab通道对图像进行处理结果如图3所示。
图3处理后的目标图像图
（2）阈值选取
1极小值点阈值
如果将直方图的包络看做是一条曲线，则选取直方图的谷课借助求曲线极小值的方法。
设
代表直方图，那么极小值点应满足如公式
（1）所示：
或
（1）
和这些极小值点对应的灰度值就可用作分割阈值。
2迭代式阈值选择
迭代式阈值选择方法的基本思想是：
开始时选择一个阈值作为初始估计值，然后按某种策略不断地改进这一估计值，直到满足给定的准则为止。
迭代过程中，关键之处在于选择什么样的阈值改进策略。
好的阈值改进策略应该具备两个特征：
一是能够快速收敛，二是在每一个迭代过程中，新产生阈值优于上一次的阈值。
下面介绍一种迭代式阈值选择算法，其具体步骤如下：
1）选择图像灰度的中值作为初始阈值
2）利用阈值
把图像分割成两个区域---
和
，用下式计算区域
和
的灰度均值
和
，如公式
（2）所示：
，
（2）
3）计算出
、
后用下式计算出新的阈值
，如公式（3）所示：
（3）
4）重复步骤2～3直到
和
的差小于某个给定值。
从目标图像的直方图（如图4所示）中们可以看出，由于桔子相对于背景会暗一点而且背景的面积远远大于桔子的面积，而且从图4中可以看出这个直方图的横坐标代表的是图像的灰度值，纵坐代表的是图像的像素个数，所以可以认定图中波峰较小的那个代表的是目标区域而另外那个高点的波峰则代表的是背景区域。
由于桔子边缘的相对于背景来说会暗一点但是它相对于桔子来说有相对两点而且桔子边缘的面积既小于背景同时也小于桔子，所以两个波峰之间的波谷可以确定是桔子的边缘。
根据上述阈值的选取方法然后运用matlab自动算出所需要的阈值。
图4目标图像直方图
（3）图像分割
根据上述所选取的阈值开始分割图像。
阈值分割的原理：
首先在灰度允许的取值范围内选一个或多个灰度阈值，之后将所选取好的阈值和图像的各个像素的灰度值进行比较。
最后根据比较的结果将它们划分到各自所属的不同区域，进而实现分割目的。
根据上面所选的阈值笔者运用matlab对目标图像进行分割得到的结果如图5所示。
从图5可以看出分割效果除了桔子上部分有点小瑕疵外其余的部分都还不错，这说明了之前选择的阈值选择方法是正确的,实验选取的阈值较好的完成了自己的使命。
图5分割结果图
2.4加噪后的常规直方图分割
由于实际的情况很可能有噪声的干扰所以给目标图像加入均值为0，方差为0.2的高斯噪声。
经过处理后的目标图像如图6所示。
图6加噪后的目标图像图
（1）阈值选取
从加噪后图像直方图可以看出由于噪声的干扰所以原本很分明的谷被填平致使不能明确阈值大小所以后续的分割也就成为了奢望。
经过处理后目标图像直方图如图7所示。
图7加噪后目标图像直方图
（2）图像分割
为了模拟现实的情况所以给目标图像加入均值为0，方差为0.2的高斯噪声。
如图8所展示的直方图中可以看出在噪声的干扰下直方图中原本很明显的波谷被填平了，致使人们无法对该直方图的波谷进行检测。
因此无法按照之前所说的方法进行阈值选取，为了后续分割的进行选择了个阈值对目标图像进行分割得到的结果如图8所示。
图8加噪后的分割结果图
从上图的分割效果与之前分割效果相比可以发现两个分割效果差别有多么的大。
即使只加入了一定量的高斯噪声但是就这点高斯噪声导致直方图中原本分离的分之间的波谷被填平，使得人们对谷的检测遇到了很大的问题，导致无法选到合适的阈值。
这样分割就无法进行下去，所以论文尝试着给它们随便选个阀值，但是图8所展示的效果是远远不能达到人们的要求。
从这个实例中可以发现噪声对于常规的直方图分割影响是多么的大，但是现实的生活中又不可避免的存有噪声，所以这就导致了常规直方图分割的局限性。
3基于灰度梯度散射图法
3.1灰度和梯度
灰度的定义很多在图像分割中它可以认为是图像的亮度，简单一点就是指黑白图像中的颜色深度，它的范围一般是从0到255，颜色越深的它相对应的灰度值就越小，颜色越淡的灰度值就越大。
其中黑色对应的灰度值是0，而白色对应的灰度值为255。
梯度得定义也很多在图像分割中就是代表图像灰度值显著变化的地方，简单一点就是指图像灰度变化的明显程度。
就拿目标图像来说吧，背景的梯度值就比较小而且有些地方的梯度值可能会为0因为背景的像素之间灰度值相差不大，同样这个理论也适合桔子的部分，因为它里面的像素值同样也相差不大所以梯度值也就相对小。
但是桔子的边缘区域又是另外一番景象了，由于桔子和背景之间的像素相差较大所以相对应的梯度值也就会比较大。
3.2灰度梯度散射图
灰度梯度散射图[7]也可以将它看做是一个二维直方图，它的横坐标代表的是灰度值，纵坐标代表的是梯度值。
从它的统计值中可以得到图中任一点的像素个数。
图9灰度梯度散射图
图9就是一个典型的灰度-梯度散射图，从图中可以发现该图的横轴代表的是灰度值而纵轴则代表梯度值，同时从该图中了解到散射图一般会有2个接近灰度轴的聚类，它们接近灰度轴但又不与灰度轴相连而且这两个聚类是相互分开的，同时可以从图中发现这两个聚类的梯度值还是相对比较低的。
根据之前所阐述的梯度概念，可以发现一般来说由于背景或者目标内部变化的程度相对于边缘的变化小的多了，所以可以这样认为：
在一般情况下一幅图像中边缘上的梯度值会远远大于图像上目标与背景的梯度值。
从图中还可以发现有两个大小比较分明的聚类，它们可以明确表示出背景、目标图像、以及目标图像边缘的像素个数。
因此从中可以了解到该目标图像的背景所占的面积相对于目标图像的面积大挺多的。
由于背景所属的聚类比较靠近灰度值零点而目标所属的聚类则是相对远离灰度值零点，所以从中可以判断出改目标图像相对于背景会亮一些。
这两个聚类的形状和它们内部像素的相关程度有关，如果某个聚类内像素的相关性很强或者梯度算子[8]对噪声不太敏感，那么它就会相应地集中并且接近灰度轴。
否则这个聚类就会相应地远离灰度轴。
从图像中笔者还发现了图中还会有较少对应目标边界和背景边界上的像素点，这些边缘像素处于背景像素和目标像素之间，这是由于目标图像的边缘的亮度相对于背景像素的亮度稍微高点当然也有可能相同但是它又比目标像素的亮度低点或者有些相同所以边缘像素只能处在背景像素与目标像素之间。
同时又可以从图中发现边缘像素的梯度值要比背景像素的梯度或者目标像素的梯度都高。
从梯度的定义中可以了解到梯度就是指图像灰度变化的明显程度，由于背景与目标之间变换比较明显，所以边缘像素的梯度值也就相应的比背景像素的梯度和目标像素的梯度大了，因此它就相应的远离灰度轴。
这些边缘像素聚类的轮廓形状以及它们的分布与梯度算子的种类有关。
假如对其使用了一阶微分算子，而且边缘还是斜坡的，那么这个边缘像素的聚类将与背景像素聚类和目标像素聚类相连接。
在这种情况下这个边缘聚类将和边缘坡度成正比而远离灰度轴。
人们可以根据不同区域的像素在散射图的分布情况，同时结合使用梯度阈值与灰度阈值将它们分开。
为了增加说服力，笔者根据上述分析运用灰度梯度散射图法对10个光照条件不同或者环境不一的桔子照片进行分割。
在实际的分割当中大家或多或少都会遇到类似图像模糊问题或者噪声干扰等问题所以提前给这些将要处理的图像进行了加噪处理，用来模拟现实的图像分割中会遇到的难题。
笔者从10个分割好的图像中选取了比较典型的图像（如图10所示）。
（a）
（b）
图10改进后的分割效果图
图10中图a是在阳光充足的大白天的条件下拍摄的，而图b是在晚上日关灯的条件下拍摄的，a与b是在同一个环境但是光照条件不同的情况下拍摄的。
图10中的2个照片那个较好的模拟人们在实际分割中会遇到的问题具有较好的说服力。
虽然笔者预先给它们加入了一定量的高斯噪声但是从上图的分割效果来看运用灰度梯度散射图来对图像进行分割较好的解决了人们进行常规直方图分割时由于噪声的干扰所以原本很分明的谷被填平，这样就使得人们在对谷进行检测遇到了很大的麻烦。
从上图显示出来的分割效果可以看出用灰-梯度散射图法对图像进行分割能够较快而且较准确地分割出目标，关键的一点是它对噪声不敏感或者说噪声对它的影响很少。
4结论
笔者先是运用常规的直方图分割的方法来处理目标图像，但在噪声的干扰下而常规的方法并没有得到比较好的分割结果。
所以笔者提出了灰-梯度散射图法的分割方法。
从分割效果来看用灰-梯度散射图法对图像进行分割能够较快而且较准确地分割出目标，最关键的一点是它对噪声不敏感或者说噪声对它的影响很少。
结束语：
随着图像分割受到的关注度越来越高，人们对其的研究也日益加深。
研究的成果还是比较喜人的，虽然研究成果比较喜人但是依然存在着不少的问题。
现在主要存在这两个问题：
一是没有一种普遍的分割算法；二是没有一个能广泛适用于各类情况的分割评价。
希望随着人们对于图像分割研究的深入图像分割所残留的问题能够得到很好的解决。
致谢：
本次毕业设计能顺利地进展并完成，我非常感谢指导老师吴晓。
从毕业设计的选题、指导到最终设计的完成，吴晓老师都一直耐心地指导，给予我最大的帮助。
吴晓老师不仅教会我设计中的理论知识，他严谨踏实的工作作风、认真负责的工作态度更是深深地感染着我。
在此我向吴晓老师表示最真诚的感谢。
同时，我也要感谢这一段时间和我一起奋斗的同学们，我们互相帮助，互相理解，互相研究，完成最后的毕业设计，在此我想对你们说：
真的非常感谢你们。
参考文献：
[1]姚敏．数字图像处理[M]．北京：
机械工业出版社，2008：
2．
[2]王爱民，沈兰荪．图像分割研究综述[J]．测控技术，2000，19（5）：
1-5．
[3]张德丰．详解MATLAB数字图像处理[M]．北京：
电子工业出版社，2010：
249．
[4]杨杰．数字图像处理及MATLAB实现[M]．北京：
电子工业出版社，2010：
149-150．
[5]张洪刚，陈光，郭军编著．图像处理与识别[M]．北京：
北京邮电大学出版社，2006：
102-103．
[6]韩晓军．数字图像处理技术与应用[M]．北京：
电子工业出版社，2009：
38．
[7]何东健．数字图像处理[M]．西安：
西安电子科技大学出版社，2008：
86．
[8]刘刚．MATLAB数字图像处理[M]．北京：
机械工业出版社，2010：
199-200．
[9]闫敬文．数字图像处理:
MATLAB版[M]．北京：
国防工业出版社，2007．
[10]赖志国等编著．matlab图像处理与应用[M]．北京：
国防工业出版社，2007．
附录
部分matlab程序
常规直方图分割
I=imread（'NO8lab.jpg'）;%读入经lab通道装换后的图像
J=imread（'NO8.jpg'）;%读入原始图像
figure;imhist（a）;%求出直方图
xlabel（'直方图'）;%设置图像标题
newI=im2bw（I,110/255）;%阈值分割
figure;%建立图形
subplot（1,2,1）;imshow（J）;%显示处理后的图像
xlabel（'原始图像'）;%设置图像标题
subplot（1,2,2）;imshow（newI）;%显示处理后的图像
xlabel（'分割后的图像'）%设置图像标题
加噪
I=imread（'NO8lab.jpg'）;%读入图像
figure;%建立图形
subplot（1,2,1）,imshow（I）;%显示原始图像
xlabel（'lab通道转换后图像'）;%设置图像标题
J=imnoise（I,'gaussian',0.2）;%加均值为0，方差为0.2的高斯噪声
subplot（1,2,2）,imshow（J）;%显示处理后的图像
xlabel（'加噪后图像'）;%设置图像标题
升级会员 