图像分割算法研究(大学毕业设计论文)


安徽工程大学毕业设计(论文) 图像分割算法研究 摘 要 图像分割是指把图像分解成各具特性的区域并提取出感兴趣目标的技术和过程,它 是计算机视觉领域的一个重要而且基本的问题,分割结果的好坏将直接影响到视觉系统 的性能。因此从原理、应用和应用效果的评估上深入研究图像分割技术具有十分重要的 意义。本课题主要介绍了图像分割的基本知识,研究了图像分割的两大类算法,即基于 边缘检测的方法和基于区域生成的方法。采用 MATLAB 仿真了所有分割过程,得到了 比较理想的分割结果,并分析了各个算法的优点和不足之处,以及适用于何种图像。 基于边缘检测方法种类繁多,主要介绍基于 EDGE 函数、检测微小结构、四叉树分 解和阈值分割的方法实现对图像的边缘检测及提取。而基于区域的图像分割方法主要包 括区域生长法和分裂-合并分割方法。通过多次的实验过后,总结出一般的图像分割处 理可以用 EDGE 函数。而特定的图像应用阈值分割、检测微小结构和四叉树分解比较简 单。 虽然近年来人们在图像分割方面做了大量的研究工作,但由于尚无通用的分割理 论,因此现已提出的分割算法大都是针对具体问题的,并没有一种适合于所有图像的通 用的分割算法,有待于进一步解决。 关键字:图像分割;边缘检测;区域生成;阈值分割 I 朱北侠:图像分割算法研究 Research of image segmentation algorithm Abstract Image Segmentation is the technique and the process to segment an image into different sub-mages with different characters and to extract the interested objects from the image. It is an important and basic procedure in the field of computer vision, the quality of image segmentation directly affects the performance of vision system. Therefore, from the theory, application and evaluation of application effect of depth of image segmentation is of great significance. This issue introduces the basics of image segmentation, image segmentation of the two major algorithms have been done, that is based on edge detection method and the method based on regional produce. Segmentation process is simulated and the results have shown perfect. Advantages and disadvantages of each algorithm are discussed at the end of the paper, and to apply to each image. Edge detection method based on a wide range of EDGE-based functions are introduced, the detection of minimal structure, quadtree decomposition and threshold segmentation method to realize the edge detection and extraction. The region-based image segmentation methods include region growing and division - combined segmentation. Through many experiments later, summed up the general image segmentation can be EDGE function. The specific application of image segmentation, the detection of minimal structure and quadtree decomposition is simple. Although a lot of image segmentation research has been done in recent years, but there is not general theory of segmentation, the proposed segmentation algorithm has been mostly issue-specific, and there is not a suitable segmentation algorithm for all common image, remains to be resolved. Keywords: Image segmentation; Edge detection; Region segmentation; Threshold segmentation II 安徽工程大学毕业设计(论文) 目 录 引 言 ............................................................................................................................... - 1 - 第 1 章 绪 论................................................................................................................. - 2 - 1.1 基本概念 ................................................................................................................. - 2 - 1.1.1 图像和数字图像 ........................................................................................... - 2 - 1.1.2 图像分割的定义 ........................................................................................... - 2 - 1.2 图像分割研究的发展和意义 ................................................................................. - 3 - 1.2.1 图像技术的发展 ........................................................................................... - 3 - 1.2.2 图像分割的研究意义 ................................................................................... - 3 - 1.2.1 图像分割的研究现状及发展趋势 ............................................................... - 4 - 1.3 论文的主要工作 ..................................................................................................... - 5 - 第 2 章 图像分割技术的基本算法..................................................................................... - 6 - 2.1 阈值分割算法 ......................................................................................................... - 6 - 2.1.1 直方图阈值的双峰法 ................................................................................... - 6 - 2.1.2 迭代法 ........................................................................................................... - 8 - 2.1.3 大律法 ......................................................................................................... - 10 - 2.2 边缘检测算法研究 ............................................................................................... - 11 - 2.2.1 拉普拉斯高斯算子 ..................................................................................... - 12 - 2.2.2 Canny算子.................................................................................................... - 14 - 2.2.3 一阶微分算子 ............................................................................................. - 16 - 2.3 区域分割算法研究 ............................................................................................... - 19 - 2.3.1 区域生长的原理和步骤 ............................................................................. - 19 - 2.3.2 生长准则和过程 ......................................................................................... - 20 - 2.3.3 分裂合并 ..................................................................................................... - 22 - 第 3 章 图像分割在车牌号系统识别中应用的介绍....................................................... - 25 - 3.1 车牌图像二值化算法 ........................................................................................... - 25 - 3.1.1 阈值的选取 ................................................................................................. - 26 - 3.1.2 试验及试验结果 ......................................................................................... - 27 - 3.2 车牌字符分割基本方法 ....................................................................................... - 27 - 3.2.1 投影分割 ..................................................................................................... - 28 - 3.2.2 基于聚类分析的字符分割 .......................................................................... - 28 - 3.2.3 基于模板匹配的字符分割 .......................................................................... - 28 - 3.2.4 直方图合并和分裂的处理 ......................................................................... - 29 - 总结与展望......................................................................................................................... - 30 - 致 谢 ............................................................................................................................. - 31 - 参考文献............................................................................................................................. - 32 - 附录A 英语引文及翻译 .................................................................................................... - 33 - 附录B 主要参考文献的题录及摘要 ................................................................................ - 37 - III 朱北侠:图像分割算法研究 IV 插图清单 图 2-1 直方图的双峰与阈值............................................................................................. - 7 - 图 2-2 双峰法分割前后的图像......................................................................................... - 7 - 图 2-3 迭代法分割前后的图像......................................................................................... - 9 - 图 2-4 大律法分割前后的图像....................................................................................... - 11 - 图 2-5 拉普拉斯运算模板............................................................................................... - 13 - 图 2-7 can ny算子边缘检测 ............................................................................................. - 16 - 图 2-8 Roberts算子模板 .................................................................................................. - 16 - 图 2-9 Sobel算子模板...................................................................................................... - 17 - 图 2-10 Pre witt算子模板 ................................................................................................... - 17 - 图 2-1 1 三种微分算子边缘检测....................................................................................... - 18 - 图 2-12 区域生长示例....................................................................................................... - 20 - 图 2-13 图像的四叉树分解示意图................................................................................... - 22 - 图 2-14 四叉树分解结构................................................................................................... - 24 - 图 3-1 汽车牌照自动识别系统....................................................................................... - 25 - 图 3-2 具有明显双峰的直方图....................................................................................... - 26 - 图 3-3 车牌二值化........................................................................................................... - 27 - 图 3-4 分割后的车牌字符显示图像............................................................................... - 29 - 安徽工程大学毕业设计(论文) 引 言 图像分割是数字图像处理中的一项关键技术,它使得其后的图像分析,识别等高级 处理阶段所要处理的数据量大大减少,同时又保留有关图像结构特征的信息。由于分割 中出现的误差会传播至高层次处理阶段,因此分割的精确程度是至关重要的,多年来一 直受到研究人员的高度重视,被认为是计算机视觉中的一个瓶颈。 图像分割是图像处理中的主要问题,也是计算机视觉领域低层次视觉中的主要问 题,同时它又是一个经典难题。由于问题的重要性和困难性,从七十年代起图像分割问 题就吸引了很多研究人员为之付出了巨大的努力,但到目前为止还未存在一个通用的方 法,也不存在一个判断分割是否成功的客观标准。 近几年来,很多研究人员做了大量的工作,提出了很多实用的分割算法,随着统计 学理论、模糊集理论、神经网络、形态学理论、小波理论等在图像分割中的应用日渐广 泛,遗传算法、尺度空间、多分辨率方法、非线性扩散方程等近期涌现的新方法和新思 想也不断被用于解决分割问题,国内外学者提出了不少针对一些具体应用的好的分割方 法。本文针对当前主流的灰度图像分割算法进行了分析、分类、归纳和总结,指出了各 类方法的优缺点,为人们在不同的应用场合及不同的图像数据条件选择不同的分割算法 提供了一定的依据。需要指出的是,由于从不同的角度将得到不同的分类结果,本文中 涉及方法的分类并不是绝对的,而且许多分割方法还是多种简单方法的综合体,我们只 能大致将它们分为属于最能反映其特点的某一类。 - 1 - 朱北侠:图像分割算法研究 第 1 章 绪 论 1.1 基本概念 1.1.1 图像和数字图像 图像就是用各种观察系统以不同的形式和手段观察客观世界而获得的,可以直接的 或间接的作用于人眼而产生视知觉的实体。科学研究和试验表明,人类从外界获得的信 息 75%来自于视觉系统,也就是说,人类的大部分信息都是从图像中获得的。图像是人 们从出生以来体验到的最重要、最丰富、信息量获得最大的部分。 图像能以各种各样的形式出现,例如,可视和不可视的,抽象的和实际的,适于计 算机处理的和不适于计算机处理的。就其本质来说,可以将图像分为两大类: 一类是模拟图像,包括光学图像、照相图像和电视图像等,例如,在生物医学研究 中,人们在显微镜下看到的图像就是一幅光学模拟图像,照片、用线条画的图、绘画也 都是模拟图像。模拟图像处理速度快,但精度和灵活性差,不易查找和判断。 另一类是将连续的模拟图像经过离散化处理后变成计算机能够识别的点阵图像,成 为数字图像。严格的数字图像是一个经过等距离矩形网格采样,对幅度进行等间隔量化 的二维函数,因此,数字图像就是实际上就是被量化的二维采样数组。 与模拟图像相比,数字图像具有以下显著特点: (1)精度高:目前的计算机技术可以将一幅模拟图像数字化为任意的二维数组,即数 字图像可以由无限个像素组成,每个像素的亮度可以量化为 12 位(即 4096 个灰度级), 这样的精度使数字图像与彩色图像的效果相差无几; (2)处理方便:由于数字图像本质上是一组数据,所以可以用计算机对它进行任意 方式的修改,例如,放大、缩小、改变颜色、复制和删除某一部分等; (3)重复性好:模拟图像(例如,照片)即便使用非常好的底片和相纸,也会随着 时间的流逝而褪色、发黄,而数字图像可以储存在光盘中,上百年后再用计算机重现也 不会有丝毫的改变。 1.1.2 图像分割的定义 在图像的研究和应用中,人们往往只对一幅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(可以对应单个区域,也可以对应 多个区域),称之为目标或前景;而其它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。所谓图像分割,从 广义上来讲,是根据图像的某些特征或特征集合(包括灰度、颜色、纹理等)的相似性 准则对图像像素进行分组聚类,把图像平面划分成若干个具有某些一致性的不重叠区 域。这使得同一区域中的像素特征是类似的,即具有一致性;而不同区域间像素的特征 存在突变,即具有非一致性。 从集合的角度出发,图像分割定义如下: 设R代表整个图像区域,对R的分割可看作将R分成若干个满足一下 5 个条件的非空 子集(子区域) 1R 2, R ,… , nR 。 - 2 - 安徽工程大学毕业设计(论文) (1)即分割成的所有子区域的并应能构成原来的区域 R。 (2)对所有的 i 和 j 及 i j,有 即分割成的各子区域互不重叠。  iRR j (3)对于 ;有1, 2,i  …,n  iPR TRUE 。即分割得到的属于同一区域的像素应具有 某些相同的特性。 (4)对于i ,有 。即分割得到的属于不同区域的像素应具有不 同的性质。 j ijP R R FALSE (5)对于 ;1, 2,i  …,n iR 是连通的区域。即同一子区域的像素应当是连通的。 1.2 图像分割研究的发展和意义 1.2.1 图像技术的发展 图像处理是人类视觉延续的重要手段,可以使人们看到任意波长上所测得的图像。 例如,借助的伽马相机、X 光机,人们可以看到红外和超声图像;借助 CT,人们可以 看到物体内部的断层图像;借助相应工具,人们可以看到立体图像和剖视图像。几十年 前,美国在太空探索中拍回了大量的月球图片,但是由于种种环境因素的影响,这些图 片是非常不清晰的,为此,人们对这些照片进行了一些图像处理手段,使照片中的重要 信息得以清晰再现。正是这一方法产生的效果引起了巨大的轰动,从而促进了图像处理 技术的蓬勃发展。 总体来说,图像处理技术的发展大致经历了初创期、发展期、普及期和实用化期四 个阶段。初创期开始于 20 世纪 60 年代,当时的图像采用像素型光栅进行扫描显示,大 多采用中、大型机进行处理。在这一时期,由于图像存储成本高,处理设备造价高,因 而其应用面很窄。20 世纪 70 年代进入发展期,开始大量采用中、小型机进行处理,图 像处理也渐渐改用光栅扫描显示方式,特别是出现了 CT 和卫星遥感图像,对图像处理 的发展起到了很好的促进作用。到了 20 世纪 80 年代,图像处理技术进入普及期,此时 的微机能够担当起图形图像处理的任务。VLSI 的出现更使得处理速度大大提高,其造 价也进一步降低,极大地促进了图像图像系统的普及和应用。20 世纪 90 年代是图像技 术的实用化时期,图像处理的信息量巨大,对处理速度的要求极高。 21 世纪的图像处理技术要向高质量化方面发展,主要体现在以下几点: a.高分辨率、速度高:图像处理技术发展的最终目标是要实现图像的实时处理, 这在移动目标的生成、识别和跟踪上有着重要意义; b.立体化:立体化包括的信息量最为丰富和完整,未来采用数字全息技术将有助 于达到这个目的; c.智能化:其目的是实现图像的智能生成、处理、识别和理解。 1.2.2 图像分割的研究意义 图像分割是数字图像处理中的一项关键技术,它使得其后的图像分析,识别等高级 - 3 - 朱北侠:图像分割算法研究 处理阶段所要处理的数据量大大减少,同时又保留有关图像结构特征的信息。由于分割 中出现的误差会传播至高层次处理阶段,因此分割的精确程度是至关重要的,多年来一 直受到研究人员的高度重视,被认为是计算机视觉中的一个瓶颈。图像分割是一种重要 的图像技术,在不同领域中有时也用其它名称:如目标轮廓(object delineation)技术,阈 值化(threshold)技术,图像区分或求差(image discrimination)技术,目标检测(target detection)技术,目标识别(target recognition)技术,目标跟踪(target tracking)技术等,这些 技术本身或其核心实际上也就是图像分割技术。图像分割是图像处理、分析的一项基本 内容。 图像分割的应用非常广泛,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。图像分割在工业自动化、在线产品检验、生产程控、文件图像处理、遥感图像、 保安监视、以及军事、体育、农业工程等方面都有广泛的应用。例如:在遥感图像中, 合成孔径雷达图像中目标的分割、遥感云图中不同云系和背景分布的分割等;在医学应 用中,脑部 MR 图像分割成灰质(GM)、白质(WM)、脑脊髓(CSF)等脑组织和其它 脑组织区域(NB)等;在交通图像分析中,把车辆目标从背景中分割出来等;在面向 对象的图像压缩和基于内容的图像检索中将图像分割成不同的对象区域等。在各种图像 应用中,只要需对图像目标进行提取,测量等都离不开图像分割。图像分割的准确性将 直接影响后续任务的有效性,因此图像分割具有十分重要的意义。 1.2.1 图像分割的研究现状及发展趋势 对图像分割来说,如果不利用关于图像或所研究目标的先验知识,任何基于数学工 具的解析方法都很难得到很好的效果。因此,在更多的时候,人们倾向于重新设计一个 针对具体问题的新算法来解决所而临的图像分割问题。这在只有少量图像样本的时候, 利用各种先验知识,设计一个具有针对性的算法进行图像分割是比较容易的。但是当需 要构建一些实用的机器视觉系统时,所面临的将是具有一定差异性、数量庞大的图像库, 此时如何很好的利用先验知识,设计一个对所有待处理图像都实用的分割算法将是一件 非常困难的任务。其次,由于缺乏一个统一的理论作为基础,同时也缺乏对人类视觉系 统(human vision system,HVS)机理的深刻认识,构造一种能够成功应用于所有图像的 统一的图像分割算法,到目前为止还是难以实现的。那么,我们是否能研究出针对不同 特点的图像使用不同的分割方法,以期都能获得满意的分割结果呢?遗憾的是迄今为止 还没有一个完善的理论来指导如何根据图像的特点来选择合适的法[1]。 现实生活中在分割一幅图像时,多是依据经验和直觉去选择方法,通过反复实践来 找到一种最佳的方法。与计算机科学技术的确定性和准确性相比,图像分割更像是一种 艺术行为,有经验的人能比较容易的选用出适当的方法,使不同的图像都得到最佳的分 割效果。但是,当要处理的图像十分庞大时,图像分割就像是流水线上的一道简单工序, 这种艺术行为就显得无能为力了。随着图像技术和多媒体技术的发展,包括图像、音频 和视频等信息的多媒体数据己经广泛用于 Internet 和企事业信息系统中,而且越来越多 的商业活动、信息表现和事务交易中都将包括多媒体数据,自然也就包含了大量的图像, 基于内容的图像检索(intent based image retrieval,CBIR)的广泛应用就是一个例子,这些 常常都是以图像分割作为基础的。 纵观图像分割技术这些年的发展,其中有几个明显的趋势[2]: 第一,大量学者致力于将新的概念、新的方法引入图像分割领域,如这几年逐渐引 起人们重视的模糊算法、神经网络与遗传算法、小波分析、粗集理论、数学形态学等理 - 4 - 安徽工程大学毕业设计(论文) 论都先后被应用于图像分割领域,为该领域中的研究注入了新的活力,有效的解决了原 有理论的一部分缺陷,改善了分割效果,更重要的是为图像分割问题的最终解决开拓了 新的思路。随着基础理论研究的深化,这一趋势是必将会继续下去。 第二,人们非常重视多种分割算法的有效结合。综合使用 2 种或 2 种以上的方法, 能够部分克服单独的图像分割算法难以对一般图像取得令人满意的分割效果的问题,占 据了分割领域中现有文献的大部分,而采取什么样的结合方式才能体现各种方法的优 点,弥补各自的不足,取得好的预期效果,在未来将仍是人们关注的主要问题之一。 第三,针对特定领域的特殊问题,利用这些领域的专业知识来辅助解决图像分割问 题,越来越多的吸引了研究人员的注意力。相应的,对图像分割作为一个统一对象的研 究在逐渐弱化。医学图像处理中的病理图像分割、工业图像分割、安全图像处理中的保 密信息提取、军事图像处理中的雷达图像分割及卫星图像分割、交通图像处理中的车牌 识别等都是近几年来图像分割领域中讨论较多的热点问题。 1.3 论文的主要工作 论文的第一章是绪论,介绍了图像和数字图像的基本概念、图像分割的研究意义、 图像分割的研究现状和发展趋势。第二章详细介绍基于阈值分割算法、边缘检测分割算 法和区域分割算法。第三章介绍图像分割算法中最大类间方差法在车牌号识别系统中的 应用。第四章为对论文工作的总结及对未来的展望。 - 5 - 朱北侠:图像分割算法研究 第 2 章 图像分割技术的基本算法 2.1 阈值分割算法 阈值分割法是一种简单的基于区域的分割技术,是一种广泛使用的图像分割技术, 它利用图像中要提取的目标和背景在灰度特性上的差异,把图像视为具有不同灰度级的 两类区域的组合,选取一个合适的阈值,以确定图像中每个像素点是属于目标还是属于 背景。它不仅可以极大的压缩数据量,而且也大大简化了图像信息的分析和处理步骤。 阈值法是首先确定一个处于图像灰度级范围内的灰度阈值 T,然后将图像中每个像素的 灰度值都与这个阈值 T 比较,根据它是否超过阈值 T 而将该像素归于两类中的一类。常 用的方法就是设定某一阈值 T,用 T 将图像分割成大于阈值 T 的像素群(目标)和小于阈 值 T(背景)的像素群两部分。这两类像素一般属于图像中的两类区域,所以对像素根据 阈值分类达到了区域分割的目的。输入图像是  ,F xy,输出图像是 , B xy,则:    1,(, ) 0, F xy TBxy F xy T    (2-1) 从该方法中可以看出,确定一个最优阈值是分割的关键,同时也是阈值分割的一个 难题。阈值分割实质上就是按照某个准则求出最佳阈值的过程。现有的大部分算法都是 集中在阈值确定的研究上。 目前己提出的阈值化方法很多[3],相应的分类也有很多种,阈值化分割方法根据图 像本身的特点,可分为单阈值分割方法和多阈值分割方法;也可分为基于像素值的阈值 分割方法、基于区域性质的阈值分割方法和基于坐标位置的阈值分割方法。若根据分割 算法所具有的特征或准则,还可以分为直方图峰谷法、最大类空间方差法、最大墒法、 模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。 2.1.1 直方图阈值的双峰法 该阈值化方法的依据是图像的直方图,通过对直方图进行各种分析来实现对图像的 分割。图像的直方图可以看作是像素灰度值概率分布密度函数的一个近似,设一幅图像 仅包含目标和背景,那么它的直方图所代表的像素灰度值概率密度分布函数实际上就是 对应目标和背景的两个单峰分布密度函数的和。图像二值化过程就是在直方图上寻找两 个峰、一个谷来对一个图像进行分割,也可以通过用两级函数来近似直方图[4]。 若灰度图像的直方图,其灰度级范围为 0,1, Li  …, -1,当灰度级为k时的像素数为 kn ,则一幅图像的总像素数N为: 1 01 0 L i i Nnnn  1L   …+n (2-2) 灰度级 i 出现的概率为: - 6 - 安徽工程大学毕业设计(论文) 01 ii i L nnp Nnn n1  (2-3) 当灰度图像中画面比较简单且对象物的灰度分布比较有规律时,背景和对物象在图 像的灰度值方图上各自形成一个波峰,由于每两个波峰间形成一个低谷,因而选择双峰 间低谷处所对应的灰度值为阈值,可将两个区域分离。 把这种通过选取直方图阈值来分割目标和背景的方法称为直方图阈值双峰法。如图 2-1 所示,在灰度级 和 两处有明显的波峰,而在 t 处是一个谷点。 1t 2t 图 2-1 直方图的双峰与阈值 具体实现的方法四先做出图像  ,f xy的灰度直方图,若出现背景目标物两区域部 分所对应的直方图呈双峰且有明显的谷底,则可以将谷底点所对应的灰度值作为阈值 t, 然后根据阈值进行分割就可以将目标从图像中分割出来。这种方法适用于适用于目标和 对景的灰度差较大,直方图有明显谷底的情况。 直方图双峰法阈值分割图像程序 I=imread('cameraman.png'); imhist(I); newI=im2bw(I,150/255); subplot(121),imshow(I) subplot(122),imshow(newI) (a) 原始图像 (b) 分割后图像 图 2-2 双峰法分割前后的图像 - 7 - 朱北侠:图像分割算法研究 将原始图像和阈值分割后的图像比较,可以发现有些前景图像和背景图像的灰度值 太接近,导致有些前景图像没有从背景中分离出来,图像失真了。 双峰法比较简单,在可能情况下常常作为首选的阈值确定方法,但是图像的灰度直 方图的形状随着对象、图像输入系统,输入环境等因素的不同而千差万别,当出现波峰 间的波谷平坦、各区域直方图的波形重叠等情况时,用直方图阈值难以确定阈值,必须 寻求其他方法来选择适宜的阈值。 2.1.2 迭代法 迭代式阈值选取的基本思路是:首先根据图像中物体的灰度分布情况,选取一个近似 阈值作为初始阈值,一个较好的方法就是将图像的灰度均值作为初始阈值;然后通过分 割图像和修改阈值的迭代过程获得认可的最佳阈值[5]。迭代式阈值选取过程可描述如下。 (1)选取一个初始阈值 T。 (2)利用阈值T把给定图像分割成两组图像,记为 1R 和 2R 。 (3)计算 1R 和 2R 均值 和1u 2u 。 (4)选取新的阈值 T,且 12 2 uuT  (2-4) (5)重复第(2)~(4)步,直至 1R 和 2R 均值 和1u 2u 不再变化为止。 具体实现时,首先根据初始开关函数将输入图逐个图像分为前景和背景,在第一遍 对图像扫描结束后,平均两个积分器的值以确定一个阈值。用这个阈值控制开关再次将 输入图分为前景和背景,并用做新的开关函数。如此反复迭带直到开关函数不在发生变 化,此时得到的前景和背景即为最终分割结果。迭代所得的阈值分割的图像效果良好。 基于迭代的阈值能区分出图像的前景和背景的主要区域所在,但在图像的细微处还没有 很好的区分度。对某些特定图像,微小数据的变化却会引起分割效果的巨大改变,两者 的数据只是稍有变化,但分割效果却反差极大。对于直方图双峰明显,谷底较深的图像, 迭代方法可以较快地获得满意结果,但是对于直方图双峰不明显,或图像目标和背景比 例差异悬殊,迭代法所选取的阈值不如其它方法。 迭代法阈值分割图像程序和结果如下: I=imread('rice.png'); 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; - 8 - 安徽工程大学毕业设计(论文) 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); subplot(121),imshow(I) subplot(122),imshow(newI) (a) 原始图像 (b)分割后图像 图 2-3 迭代法分割前后的图像 迭代后的阈值:131 迭代所得的阈值分割的图像效果良好。基于迭代的阈值能区分出图像的前景的主要 - 9 - 朱北侠:图像分割算法研究 区域所在,但在图像的细微处还没有很好的区分度。总的来说迭代法比双峰法分割的效 果有很大的提高。 2.1.3 大律法 图像记t为前景与背景的分割阈值,前景点数占图像比例为 ,平均灰度为 ;背 景点数占图像比例为 ,平均灰度为 ,则图像的总平均灰度为: 0w 0u 1w 1u 00 1uwu wu1 (2-5) 从最小灰度值到最大灰度值遍历t,当t使得值    00 112gw u u w uu  2 (2-6) 最大时t即为分割的最佳阈值。 大津法可作如下理解[6]:该式实际上就是类间方差值,阈值t 分割出的前景和背景 两部分构成了整幅图像,而前景取值 ,概率为 ,背景取值 ,概率为 ,总均值 为u,根据方差的定义即得该式。因方差是灰度分布均匀性的一种度量,方差值越大,说 明构成图像的两部分差别越大,当部分目标错分为背景或部分背景错分为目标都会导致 两部分差别变小,因此使类间方差最大的分割意味着错分概率最小。直接应用大津法计 算量较大,因此在实现时采用了等价的公式 0u 0w 1u 1w  01 012gww u u (2-7) 在 MATLAB 中,graythresh 函数实现用大津法计算全局图像的阈值。下面分别使用 graythresh 函数和前面所说的等价公式计算阈值。 大律法阈值分割图像程序和结果如下: I=imread('coins.png'); subplot(131),imshow(I); title('原始图像') level=graythresh(I); BW=im2bw(I,level); subplot(132),imshow(BW) title('graythresh 计算阈值') disp(strcat('graythresh 计算灰度阈值:',num2str(uint8(level*255)))) - 10 - 安徽工程大学毕业设计(论文) (a) 原始图像 (b) graythresh 计算阈值 图 2-4 大律法分割前后的图像 在测试中发现,大津法选取出来的阈值非常理想,表现较为良好。虽然它在很多情 况下都不是最佳的分割,但分割质量通常都有一定的保障,可以说是最稳定的分割。 2.2 边缘检测算法研究 数字图像的边缘检测是图像风格、目标区域的识别、区域形状提取等图像分析领域 中十分重要的基础。边缘检测技术在数字图像处理中非常重要,因为边缘是图像中所要 提取的目标和背景的分界线,只有提取出了边缘才能将背景和目标区域分开来。 两个既有不容灰度值的相邻区域之间总存在边缘,边缘是灰度值不连续的结果这种 不连续通常可以利用求倒数的方法方便的检测到。一般常用一阶导数和二阶导数来检测 边缘。 边缘检测的基本思想首先是利用边缘增强算子,突出图像中的局部边缘,然后定义 系那个数的“边缘强度”,通过设值阈值的方法提取边缘点集。但是优于噪声和图像模 糊的愿意,检测到的边界可能会有间断的情况发生。所以边缘检测包含两个内容: (1)用边缘算子提取边缘点集; (2)在边缘点集中取出某些边缘点,填充一些边缘点,再将得到的边缘点集连接为线。 常用的检测算子有微风算子、log 算子和 canny 算子。 在 MATLAB 图像出了工具箱中,提供了 edge 函数利用以上算子来检测灰度图形的 边缘。 函数:edge。 功能:利用各个算子来做边缘算检测。 语法格式: BW=edge(I,method) BW=edge(I,method,thresh) BW=edge(I,method,thresh,direction) 说明: I 是输入图像。Method 是使用算子的类型,“sobel”是其默认值,表示用导数的 sobel 近似值检测边缘,那些梯度最大点返回边缘;为“prewitt”时表示用导数的 prewitt 近似 值检测边缘;为“roberts”时表示用导数的 roberts 近似值检测边缘;为“log”时表示 使用高斯滤波器的拉普拉斯运算对 I 进行滤波,通过寻找 0 相交检测边缘;为“zerocross” 时表示使用指定的滤波器的拉普拉斯运算对 I 进行滤波,通过寻找 0 相交检测边缘;为 “canny”时表示用拉普拉斯算子检测边缘。Thresh 是指定的阈值,所有不强于 thresh - 11 - 朱北侠:图像分割算法研究 的边都被忽略。diredtion 是对于“sobel”和“prewitt”方法制定方向。diredtion 是字符 串,为“horizontal”表示水平方向,为“vertical”表示垂直方向,为“both”表示两个 方向(默认值)。BW 是返回的二进制图像。在二进制图像中,数值 1 代表找到的边缘, 数值 0 代表其他像素。 edge 函数提供的最有效的边缘检测方法。该方法的优点在于,使用两种不同的阈值 分别检测强边缘和弱边缘,并且仅当弱边缘和强边缘相连时,才将弱边缘包含在输出图 像中。因此,这种方法不容易被噪声“填充”,更容易检测出真正的弱边缘。) 基于边缘检测的分割方法可以说是人们最早研究的方法,基于在区域边缘上的像素 灰度值的变化往往比较剧烈,它试图通过检测不同区域间的边缘来解决图像分割问题。 边缘检测技术可以按照处理的顺序分为串行边缘检测以及并行边缘检测。在串行边 缘检测技术中。当前像素点是否属丁欲检测的边缘,取决于先前像素的验证结果;而在 并行边缘检测技术中.一个像素点是否属于欲检测的边缘,取决于当前正在检测的像素 点以及该像素点的一些相邻像索点,这样该模型可以同时用于检测图像中的所有像素 点,因而称之为并行边缘检测技术。 最简单的边缘检测方法是井行微分算子法,它利用相邻区域的像素值不连续的性 质,采明一阶或二阶导数来检测边缘点。 2.2.1 拉普拉斯高斯算子 拉普拉斯—高斯算子(Laplacian of Gaussian算子,通常缩写为log算子)是一种二阶 微分算子,将在边缘处产生一个陡峭的零交叉。Log算子是一个线性的、移不变的算子, 它通过寻找图像灰度值中二阶微分是0的点来检测边缘点。对一个连续函数 , f xy,其 在,x y 处的log算子定义如下: 拉普拉斯算子是常用的边缘检测算子,它是各向同性的二阶导数 22 2 22(, ) f ffxy x y    (2-8) 经边缘检测后的图像g(x,y)为 2(, ) (, ) (, )gxy f xy k f xy (2-9) 式中,系数k与扩散效应有关。图像  ,f xy经过拉普拉斯运算后得到检测出边缘图 像 。需要注意的是,对系数k的选择要合理,太大会使图像中的轮廓边缘产生过 冲,太小则边缘不明显。 ,gxy 对数字图像来讲, ,f xy的二阶偏导数可以表示为 - 12 - 安徽工程大学毕业设计(论文)  2 2 2 2 (,) ( 1,)(,) (,) ( 1), ( 1,)( 1,)2 (,) (,) ( , 1) ( , 1) 2 ( , ) fxy f x y fxy fxy fx y xfx y fx y fxy fxy fxy fxy fxy y            (2-10) 为此拉普拉斯算子 2 (, )f xy 为 22 2 22(, ) ( 1,) ( 1,) (, 1)4(,) 15(,)[(1,)(1,)(,1)(,1)(,)5 fffxy xy fx y fx y fxy xy f xy fx y fx y fxy fxy fxy        (2-11) 可见数字图像在,x y 点的拉普拉斯边缘检测值,可以由 ,x y 点的灰度值减去该点 邻域的平均灰度值来求得。 另外,式(2-11)还可以表示成模板的形式,如图 2-5 所示。从模板形式容易看出,如 果在图像中的一个较暗的区域中出现了一个亮点,那么用拉普拉斯运算就会使这个亮点 变得更亮。因为图像中的边缘就是那些灰度发生跳变的区域,所以拉普拉斯算子在边缘 检测中很有用。同梯度算子一样,拉普拉斯算子也增强了噪声,有时用拉普拉斯算子在 进行边缘检测时,可将图像进行平滑处理。 可以用log算子检测细胞图像。 图 2-5 拉普拉斯运算模板 具体程序和结果如下: I=imread('rice.png'); BW1=edge(I,'log'); subplot(1,2,1);imshow(I);title('原图像'); subplot(1,2,2);imshow(BW1);title('log边缘检测结果'); - 13 - 朱北侠:图像分割算法研究 (a) 原图像 (b) log 边缘检测结果 图 2-6 log 算子边缘检测 2.2.2 Canny算子 Canny算子是一种比较新的边缘检测算子,具有很好的边缘检测性能,得到了越来 越广泛的应用。Canny 算子边缘检测的方法是寻找图像梯度的局部最大值。梯度是用高 斯滤波器的导数计算的。Canny 方法使用两个阈值来分别检测强边缘和弱边缘,而且仅 当强边缘和弱边缘相连时,弱边缘才会包含在输出中。因此,此方法不容易受噪声的干 扰,能够检测到真正的弱边缘。 Canny 算子对检测阶跃性边缘时效果极好,去噪能力强。但由于检测阈值固定,当 检测具有模糊边缘的图像时,很可能导致平滑掉部分边缘信息。因此,为了能更精确地 检测出目标边界,可先对图像进行预处理,将其分割成若干子图像,然后针对每幅子图 像中具体情况选用不同的阈值,采用针对各子图所选择的阈值对图像进行动态阈值分 割。实际应用时可以根据需要来调整子图像的大小,以获取所需的大小,这应该是一种 可行的方法。 Canny 把边缘检测问题转换为检测单元函数极大值的问题。在高斯噪声中,一个典 型的边缘代表一个阶跃的强度变化。根据这个模型,一个好的边缘检测算子应具有的 3 个指标位: 1)低失误概率,既要减少将真正的边缘丢失也要减少将非边缘判为边缘。 2)高位置精度,检测出的边缘应在真正的边界上。 3)对每个边缘有惟一的响应,得到的边界为单像素宽。 为此,Canny 提出了判定边缘检测算子的 3 个准则: 1)信噪比准则。 2)定义精度准则。 3)单边缘响应准则。 在 Canny 的假设下,对于一个带有 Gaussian 白噪声的阶跃边缘,边缘检测算子是一 个与图像函数 进行卷积的滤波器 f,这个卷积滤波器应该平滑掉白噪声并找到边 缘位置。问题是怎样确定一个能够使三个准则得到优化的滤波器函数。 ,gxy 根据第一个准则,滤波器函数 f 对边缘 G 影响由下面的卷积积分给出: - 14 - 安徽工程大学毕业设计(论文) ()()w w HGxfx  dx (2-12) 假设区域 ,ww 外函数 f 的值为 0,则数学上三个准则的表达式为   0 2 0 w w w Afxdx SNR nfx      dx (2-13) 2 0 (0) ()w w AfLocalization n f xdx   (2-14) 1/2 2 '2 () () zc fxdx x f xdx            (2-15) 信噪比 SNR 是输入信号与噪声的比值,它的值越大说明信号越强;Lacalization 是 检测到的边缘真正边缘距离的倒数,这个值越大说明检测的边缘的距离越小,二者越接 近; zcx 是一个约束 条件,它代表 零交叉点间的平均距离,说明滤波器 f 在校区域 内 对同一个边不会有太多的响应。Canny 把上面三个公式结合起来 / zcSN Locazation xR ,并试图找到能够使之最大化的滤波器,但结果太复杂,最后 Canny 证明了 Gaussian 函数的一阶导数是该优化的边缘检测滤波器的有效近似。 'f 下面是算法的基本步骤: 1)用 Gaussian 滤波器对图像进行卷积; 2)计算图像梯度的幅值和方向; 3)对梯度图像应用非极大值抑制(置零)。 以用 canny 算子来检测细胞图像。 具体程序和结果如下: I=imread('rice.png'); BW1=edge(I,'canny'); subplot(1,2,1);imshow(I);title('原图像'); subplot(1,2,2);imshow(BW1);title('canny 算子检测图像'); - 15 - 朱北侠:图像分割算法研究 (a) 原图像 (b) canny 算子检测图像 图 2-7 canny 算子边缘检测 2.2.3 一阶微分算子 微分算子具有突出灰度变化的作用,对图像运用微分算子,灰度变化较大的点处算 得的值较高,因此这些微分值可作为相应的边界强度,所以可以通过对这些微分值设置 阈值,提取边界的点集。一阶微分算子常用的有 roberts 算子、sobel 算子和 prewitt 算子 (1) Roberts 边缘检测算子 根据计算梯度原理,采用对角线方向相邻两像素之差得 Roberts 算子为:  1/22 2(, ) (, ) ( 1, 1) (, 1) ( 1,)Rxy f xy f x y f xy f x y (2-16)  (, ) (, ) ( 1, 1) , 1 ( 1,)Rxy fxy fx y f xy fx y (2-17) 并可由以下 2 个22 的算子模板(卷积算子)共同实现 0 1 -1 0 1 0 0 -1 图 2-8 Roberts 算子模板 两个模板为 , f xy在 x 方向和 y 方向的一阶差分。适当选取阈值 T,并做如下判 断:如果 ,R xy T 则,x y 为阶跃状边缘点,   ,R xy 为边缘图像。 Roberts 算子采用对角线方向相邻两像素之差近似梯度幅值检测边缘。检测水平和 垂直边缘效果好于倾斜边缘,定位精度高,但对噪声敏感。 (2) Sobel 边缘检测算子 Sobel 算子有两个卷积计算核,如图 2-9 所示。图像中的每个点都用这两个核作卷 积,第一个核通常对垂直边缘相应最大,第二个核对水平边缘相应最大。两个卷积的最 大值作为该点输出值,运算结果是一幅边缘幅度图像。 Sobel 算子定义为: - 16 - 安徽工程大学毕业设计(论文)  22 x ySdd (2-18) 图 2-9 Sobel 算子模板      1, 1 2 , 1 1, 1 1, 1 2 , 1 1, 1 xdfxy fxyfxy fx y fxy fx y         (2-19)      1, 1 2 1, 1, 1 1, 1 2 1, 1, 1 ydfxy fxyfxy fx y fx y fx y         (2-20) Sobel 算子通常对灰度渐变和噪声较多的图像处理得较好。 Sobel 算子的设计步骤如下: 1)用高斯滤波器对图像滤波,去除图像中的噪声。 2)由于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 点处算得的值较高,通过设计阈值的方法,提取边界点集。 3)对提取边缘后的图像进行连接和细化,使其形成一条有意义的边界。 Sobel 算子利用像素点上下、左右邻点的灰度加权算法,根据在边缘点处达到极值这一 现象进行边缘检测。 (3) Prewitt 算子 Prewitt 算子有两个卷积计算核,如下图 2-10 所示作卷积的方法和 Sobel 算子的方法 相似。 1 1 1 0 0 0 1 0 1 1 0 -1 1 0 0 1 0 -1 . 图 2-10 Prewitt 算子模板 用模板表示为: 101 101 101 xd    , 111 000 111 yd     下面就用 edge 函数调用 sobel 算子、roberts 算子和 prewitt 算子检测图像 rice.png 的 边缘,并进行比较。 I=imread('rice.png'); BW1=edge(I,'sobel'); - 17 - 朱北侠:图像分割算法研究 BW2=edge(I,'roberts'); BW3=edge(I,'prewitt'); subplot(2,2,1); imshow(I);title('原图像'); subplot(2,2,2); imshow(BW1);title('sobel 算子提取结果'); subplot(2,2,3); imshow(BW2);title('roberts 算子提取结果'); subplot(2,2,4); imshow(BW3);title('prewitt 算子提取结果'); (a) 原图像 (b) sobel 算子提取结果 (c) roberts 算子提取结果 (d) prewitt算子提取结果 图 2-11 三种微分算子边缘检测 在对 rice.png 的分析中可以看出,使用 Roberts 算子的检测结果比较好。但是并不是 每种图像都用 Roberts 算子的效果好。各种算子适合使用的情况见表 2-1。 - 18 - 安徽工程大学毕业设计(论文) 表 2-1 各种算子检测边缘情况 算子 最佳情况 Roberts 对具有陡峭的低噪声的图像处理效果较好。但是利用 Roberts 算 子提取边缘的结果边缘比较粗,因此边缘定位不是很准确 Sobel 对灰度渐变和噪声较多的图像处理效果较好。Sobel 算子对边缘 定位比较准确 Prewitt 对灰度渐变和噪声较多的图像处理效果较好 Log 拉普拉斯高斯算子经常出现双像素边界,并且该检测方法对噪声 比较敏感;所以,很少用拉普拉斯高斯算子边缘检测,而是用来判 断边缘像素是位于图像的明区还是暗区 Canny 此方法不容易受噪声的干扰,能够检测真正的弱边缘。在 edge 函数中,最有效的边缘检测方法是 Canny 方法。该方法的优点在于, 使用两种不同的阈值分别检测强边缘和弱边缘,并且仅当弱边缘和 强边缘相连时,才将若边缘包含在输出图像中。因此,这种方法不 容易被噪声“填充”,更容易检测出真正的弱边缘 2.3 区域分割算法研究 2.3.1 区域生长的原理和步骤 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的起点,然后将种子像素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像素继续进行上面的过程,直到再没有满 足条件的像素可被包括进来。这样一个区域就长成了。 图 2-12 给出已知种子点进行区域生长的一个示例。图 2-12(a)给出需要分割的图像, 设己知有两个种子像素(标为深浅不同的灰色方块),现要进行区域生长。这里采用的判 断准则是:如果所考虑的像素与种子像素灰度值差的绝对值小于某个阈值 T,则将该像素 包括进种子像素所在区域。图 2-12(b)给出了 3T  时的区域生长结果,整幅图被较好地 分成 2 个区域;图 2-12(c)给出了 1T  时的区域生长结果,有些像素无法判定;图 2-12(d) 给出了 时的区域生长结果,整幅图都被分在一个区域中了。由此可见阈值的选择 是很重要的。 6T  从示例可知,在实际应用区域生长方法时需要解决 3 个问题:①如何选择一组能正 确代表所需要区域的种子像素;②如何确定在生长过程中能将相邻像素包括进来的准 则;③如何确定生长终止的条件或规则。 第一个问题通常可以根据具体图像的特点来选取种子像素。例如,在红外图像检测 技术中,通常目标的辐射都是比较大,所以可以选择图像中最亮的像素作为种子像素。 如果没有图像的先验知识,那么可以借助生长准则对像素进行相应的计算。如果计算结 果可以看出聚类的情况,那么可以选择聚类中心作为种子像素。 第二个问题的解决不但依赖具体问题的特征,还与图像的数据类型有关。如果图像 是 RGB 彩色图像,那么如果使用单色准则就会影响分割结果。另外,还需要考虑像素 间的连通性,否则有时会出现无意义的分割结果。 - 19 - 朱北侠:图像分割算法研究 一般生长过程在进行到没有满足生长准的像素时停止。但常用的基于灰度、纹理、 彩色的准则大都基于图像中的局部性质,并没有充分考虑生长的“历史”。为增加区域 生长的能力需考虑一些于尺寸、形状等图像和目标的全局性质有关的准则。在这种情况 下常需对分割结果建立一定的模型或辅以一定的先验知识。 10475 10477 01455 20565 22564 115 5 5 115 5 5 115 5 5 115 5 5 115 5 5 (a) (b) 11571 11577 11511 21511 22511 11111 11111 11111 11111 11111 (c) (d) 图 2-12 区域生长示例 2.3.2 生长准则和过程 区域生长的一个关键是选择合适的生长或相似准则,大部分区域生长准则使用图像 的局部性质。生长准则可根据不同原则制定,而使用不同的生长准则会影响区域生长的 过程。下面介绍 3 种基本的生长准则和方法。 (1) 灰度差准则 区域生长方法将图像的像素为基本单位来进行操作,基本的区域灰度差方法主要有 如下步骤: ①对图像进行逐步扫描,找出尚没有归属的像素; ②以该像素为中心检查它的邻域像素,将邻域中的像素逐个与它比较,如果灰度差 小于预先确定的值,将它们合并; ③以新合并的像素为中心,返回到步骤②,检查新像素的邻域,直到区域能进一步 扩张; ④返回到步骤①,继续扫描直到不能发现没有归属的像素,则结束整个生长过程。 采用上述方法得到的结果对区域生长起点的选择有较大依赖性。为克服这个问题可 采用下面的改进方法: ①设灰度差的阈值为零,用上述方法进行区域扩张,使灰度相同像素合并; ②求出所有邻接区域之间的平均灰度差,并合并具有最小灰度差的邻接区域; ③设定终止准则,通过反复进行上述步骤②中的操作将区域依次合并直到终止准则 满足为止。 另外,当图像中存在缓慢变化的区域时,上述方法有能会将不同区域逐步合并而产 生错误。为克服这个问题,可不用新像素的灰度值去与邻域像素灰度值比较,而用新像 素所在区域的平均灰度值去与各邻域像素的灰度值进行比较。 - 20 - 安徽工程大学毕业设计(论文) 对一个含 N 个像素的图像区域 R,其均值为: 1 (, ) R mfxN  y (2-21) 对像素是否合并的比较测试表示为:  max ,f xy m T  (2-22) 其中 T 为给定的阈值。 区域生长的过程中,要求图像的同一区域的灰度值变化尽可能小,而不同的区域之 间,灰度差尽可能大。下面分两种情况进行讨论: 1)设区域为均匀的,各像素灰度值为 m 与一个零均值高斯噪音的叠加。当测试某个 像素是否合并时,条件不成立的概率为:  2 2 2 exp 22 T zpT dz   (2-23) 这就是误差概率函数,当 T 取 3 倍的方差时,误判概率为 1-99.7%。这表明,当考 虑灰度均值时,区域内的灰度变化应尽量小。 2)设区域为非均匀,且由两部分不同目标的图像像素构成。这两部分像素在 R 中所 占比例分别为 和 ,灰度值分别为 和 ,则区域均值为1q 2q 1m 2m 11 2 2qm qm 。对灰度值为 m 的像素,它与区域均值的差为:  11122mSmqmqm  (2-24) 可知正确的判决概率为:  1 2 mPT P T S P T Sm (2-25) 这表明,当考虑灰度均值时,不同部分像素间的灰度差距应尽量大。 (2) 灰度分布统计准则 这里考虑以灰度分布相似性作为生长准则来决定区域的合并,具体步骤为: ①把图像分成互不重叠的小区域; ②比较邻接区域的累积灰度直方图根据灰度分布的相似性进行区域合并; ③设定终止准则,通过反复进行步骤②中的操作将各个区域依次合并直到终止准则 满足。 这里对灰度分布的相似性常用两种方法检测(设  1hz,  2hz分别为两邻接区域的累 积灰度直方图): Kolmogorov-Smirnov 检测:    12max z hz hz (2-26) Smoothed-Difference 检测:    12 z hz hz (2-27) 如果检测结果小于给定的阈值,即将两区域合并。 - 21 - 朱北侠:图像分割算法研究 采用灰度分布相似合并法生成区域的效果与微区域的大小和阈值的选取关系密切, 一般说来微区域太大,会造成因过渡合并而漏分区域:反之,则因合并不足而割断区域。 而且,图像的复杂程度,原图像生成状况的不同,对上述参数的选择有很大影响。通常, 微区域大小 q 和阈值 T 由特定条件下的区域生成效果确定。 (3) 区域形状准则 在决定对区域的合并时也可以利用对目标形状的检测结果,常用的方法有两种: ①把图像分割成灰度固定的区域,设两邻区域的周长分别为 和 ,把两区域共同 边界线两侧灰度差小于给定值的那部分长度设为 L,如果( ,为预定阈值): 1P 2P 1T 1 12min , L Tpp  (2-28) 则合并两区域; ②把图像分割成灰度固定的区域,设两邻接区域的共同边界长度为 B,把两区域共 同边界线两侧灰度差小于给定值的那部分长度设为 L,如果( 为预定阈值) 2T 2 L TB  (2-29) 则合并两区域。 上述两种方法的区别是:第一种方法是合并两邻区域的共同边界中对比度较低部分 占整个区域边界份额较大的区域,而第二种方法则是合并两邻接区域的共同边界中对比 度较低部分比较多的区域。 2.3.3 分裂合并 上面介绍的区域生长方法是先从单个种子像素开始通过不断接纳新像素最后得到 整个区域。另一种分割的想法可以是先从整幅图像开始通过不断分裂得到各个区域。实 际中常先把图像分成任意大小不断重叠的区域,然后再合并或分裂这些区域以满足分割 的要求。 R R11 R12 R13 R14 R2 R3 R1 R2 R3 R 4 (a) 四叉树分裂 (b) 四叉树结构 图 2-13 图像的四叉树分解示意图 在这类方法中,最常见的方法四叉树分解法。设 R 代表整个正方形图像区域图所示, P 代表逻辑谓词。从最高层开始,把 R 连续地分裂成越来越小的 1/4 的正方形子区域 iR , R12R11 R13 R4 R14 - 22 - 安徽工程大学毕业设计(论文) 并且始终使 。换句话说,如果iPR TRUE  iPR FALSE 那么就将图像分为 4 等分。 如此类推,直到 iR 为单个像素。 如果仅仅允许使用分裂,最后有可能出现相邻的两个区域具有相同的性质但并没有 合成一体的情况。为解决这个问题,在每次分裂后允许其后继续分裂或合并。这里合并 只合并那些相邻且合并后组成的新区域满足逻辑谓词 P 的区域。 总结前面所述的基 本分裂合并算法步骤如下: ①对任一个区域,如果 就将其分裂成不重叠的 4 等分; iPR FALSE ②对相邻的两个区域 iR 和 jR 创门也可以大小不同,即不在同一层,如果条件 满足,就将它们合并起来; ijPR R TRUE ③如果进一步的分裂或合并都不可能了,则结束。 对图像 rice.png 进行四叉树分解的程序和结果如下: subplot(1,2,1); imshow(I); title('原始图像'); S=qtdecomp(I,0.2); N=full(S); subplot(1,2,2); imshow(N); title('分解的图像显示'); [vals,r,c]=qtgetblk(I,N,2); [vals1,r,c]=qtgetblk(I,N,4); [vals2,r,c]=qtgetblk(I,N,8); [vals3,r,c]=qtgetblk(I,N,16); [vals4,r,c]=qtgetblk(I,N,32); [vals5,r,c]=qtgetblk(I,N,1); size(vals);size(vals1);size(vals2); size(vals3);size(vals4);size(vals5); - 23 - 朱北侠:图像分割算法研究 (a) 原始图像 (b) 分解的图像显示 图 2-14 四叉树分解结构 - 24 - 安徽工程大学毕业设计(论文) 第 3 章 图像分割在车牌号系统识别中应用的介绍 伴随着世界汽车数量的增加城市交通监控就越来越显得重要在车辆自动收费、失窃 车辆的查寻、停车场车辆的出入行驶等许多应用场合,汽车牌照自动识别系统的作用就 不可避免的凸现出来。与其它类型的识别系统一样,汽车牌照自动识别系统也是建立图 像处理技术和模式识别技术的基础上。作为该系统关键技术的车牌的定位和车牌字符的 分割,大致可归属于图像分割的范围,而车牌字符的识别则可划为图像理解和模式识别 理论范畴。 汽车牌照自动识别系统[7],要实现车牌字符的识别,往往需要这么几个步骤:图像的 预处理、车牌的定位、车牌字符的分割和字符的识别(见图 3-1)。 车牌的定位 车牌字符的分割 字符的识别 图像预处理 识别结果输出 图像输入 图 3-1 汽车牌照自动识别系统 其中车牌的定位和车牌的字符分割是字符识别的基础与前提,这两个环节的处理质 量将直接关系到整个车牌识别系统的性能,车牌图像的二值化在整个车牌识别系统中也 起着重要的作用。下面我们主要就汽车牌照的二值化算法和字符分割处理做一些研究和 探讨。 3.1 车牌图像二值化算法 经过边缘检测算法处理过的图像,其中边缘部分与图像其他部分的灰度明显不同。 但要在上面所获取的灰度图像中准确的求取车辆牌照,仍是一件困难的事情。为获取更 好的、清晰的边缘,得到准确的车牌照外形参数值,需对上述图像进行二值化运算,也 就是阈值法运算。 阈值分割相当十对图像进行二值化,就是对每一个像素点确定一个阈值,根据阈值 确定当前像素是前景还是背景点。实质上是将图像中的每个像素按一定阈值进行分类, 将图像转换成只有两个等级(黑、白)的二值图像。大十此阈值的像素点置成黑(白),而 小于此阈值的像素点置成白(黑)。 直接的阈值分割在处理前景与背景有较强对比的图像时特别有用,此时需要的计算 - 25 - 朱北侠:图像分割算法研究 复杂度小。当物体的灰度级比较集中时,简单设置灰度级阈值提取物体是一个有效的方 法[8]。 3.1.1 阈值的选取 阈值法分割相当十对图像进行二值化,其中阈值的选取是关键。如果定的过高,偶 然出现的物体点就会被认为是背景;定的过低,则会发生相反的情况。阈值的选取直接影 响分割的结果。一般来说,整体阈值法对质量较好的图像较为有效,而局部阈值法则适 应十较复杂的图像。 (1) 全局最佳阈值 在全局阈值方法中对图像分割往往存在一个最佳的阈值,最佳全局阈值确定的常用 方法一般有下面几种[9]: 1)实验法。如果分割之前知道图像的一些特征,那么阈值确定比较简单,只要试验 不同的阈值,然后看是否满足已知特征即可。不过这种方法需要知道图像的某些特征, 而有时这些特征是事前不可知的。 2)最小误差方法。这种方法是假设背景与前景的灰度分布都是正态分布。这种阈值 选取方法类似十通信中的信号接收后的电平判决,都是从概率上找到一个最优阈值。不 过这种方法遇到的挑战之一就是自然图像的前景和背景的灰度分布是否为正态分布。 3)直方图法。采用一个阈值的方法比较容易受到噪音的影响,这些影响会在直方图 中出现虚极值而导致阈值选取的误差。用直方图分析的方法,可以从直方图上看到多个 峰值,而每两个峰值之间的谷点就可以作为分割的阈值。如果前景物体内部灰度值分布 比较均匀,背景灰度值的分布也是比较均匀的,这个图像的灰度直方图将有明显双峰效 果,如图 3-2 所示,则值 T 可以作为阈值。 图 3-2 具有明显双峰的直方图 (2) 自适应阈值选取 当照明不均匀、有突发噪音,或者背景灰度变化比较大时,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,可对图像按 照坐标分块,对每一块分别选一个阈值进行分割。这类算法的时间复杂度和空间复杂度 比较大,但是抗噪音能力比较强,对采用全局阈值不容易分割的图像有较好的效果[10]。 自适应阈值选取比较简单的方法是每个像素确定以它为中心的一个邻域窗口,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。考虑到复杂性和可行性, 可以选择以当前像素的 8 邻域窗口。 - 26 - 安徽工程大学毕业设计(论文) max min 2T  (3-1) 也可以采用均值设定阈值: 8 1 8 i i p T   (3-2) 对图像分块后的每个子块可以采用图 3-2 的直方图分析,如果某个子块内有目标和 背景,则直方图呈双峰。如果块内只有目标或背景,则直方图没有双峰,可以根据邻域 各块分割得到的参数插值进行分割。 (3) 此论文选用方法 借助具有明显双峰的灰度直方图的思想,可以试图通过多种方法寻求这个最佳阈 值。在本课题中对采集的图像分析发现,前景物体(车辆)内部灰度值分布比较均匀,与 背景区域灰度变化不大。通过反复的比较和实验,发现利用全局阈值法能很好的达到实 验要求。 3.1.2 试验及试验结果 (a) 原灰度图像 (b) 二值化图像 图 3-3 车牌二值化 3.2 车牌字符分割基本方法 字符分割的目的是在正确提取出车牌图片之后,将车牌图像分为七个独立的字符子 图像。字符分割主要的工作是:首先对车牌定位提取的牌照图像进行预处理,得到利于 字符分割的二值化图像:然后根据不同的分割方法进行字符切分,最后切分好的图像送 交字符识别系统进行识别。 目前字符分割的方法有很多,比较经典的字符分割方法主要有以下几种[11]。 - 27 - 朱北侠:图像分割算法研究 3.2.1 投影分割 1.投影分割的原理 投影分割方法的原理是首先将车牌图像转换为二值图像(设白色为 1,黑色为 0), 然后将车牌像素灰度值按垂直方向累加,即所谓的垂直投影。由于车牌中字符之间的灰 度值通常为 0,因此,投影图将会在字符之间形成谷底,或者说在字符处形成波峰(一种 特殊的波峰)。通过寻找两个波峰之间的谷点,将其作为字符分割的位置,完成字符的 分割[12]。 2.特点 此方法比较常用,主要是针对在车牌定位、图像预处理后比较规则的车牌图像。它 的优点是程序逻辑设计简单,循环执行功能单一,便于设计和操作,程序执行时间短。 缺点是由于车牌图像通常会有噪声,产生字符的断裂和交叠等情况,在投影时字符之间 的谷底会受到很大影响,造成谷底不明显,严重时谷底会消失,造成字符分割误差甚至 错误,最终影响字符的识别。因此该方法对车牌字符的断裂和交叠问题,解决得不很理 想。 3.2.2 基于聚类分析的字符分割 1.聚类分析法的原理 基于聚类分析的字符分割原理是按照属于同一个字符的像素构成一个连通域的原 则,再结合牌照字符的高度、间距的固定比例关系等先验知识,来分割车牌图像中的字 符。 2.特点 它的优点是该方法的准确度比较高,而且分割精确。它的缺点是该方法的速度比投 影分割法慢,适合用于图像不大的分割处理上[13]。 3.2.3 基于模板匹配的字符分割 1.模板匹配法的原理 该方法是另外一种形式的水平投影法,只是比水平投影法设计的程序更加周密,边 界划分得更加精确。在二值图上计算竖直积分投影的平滑曲线,搜索平滑曲线的局部最 小(波谷)值得到一个波谷位置序列。然后,将相邻两个波谷分别作为左右边界提取出一 组矩形区,并根据一定的规则对矩形序列进行删除、分裂、合并和调整大小。 2.特点 优点:程序执行时间与水平投影方法相近,较好地解决了汉字不连通问题、较好地 解决了车牌字符分割中存在的如复杂背景的干扰、车牌尺寸的变化、车牌磨损造成字符 粘连等难题。 缺点:程序逻辑设计复杂,循环扫描执行功能较多,对车牌中的左右边框的分割有 待改进,对一些特殊车牌如上下两行字符的车牌,本算法并不适用。 - 28 - 安徽工程大学毕业设计(论文) 3.2.4 直方图合并和分裂的处理 1.原理 实际使用中的汽车牌照往往会受到污渍、颜色剥落和变形等因素的影响,使牌照图 像存在较大的噪声干扰。而在图像的二值化过程中会因部分信息丢失,成待分割的车牌 照字符模糊,字符之间粘连、断裂、残缺不全等。上述因素将严重影响字符分割的质量, 因此为保证字符图像分割的质量,需要在分割之前对车牌照二值图像的水平、垂直两方 向的投影直方图进行分裂与合并处理[14]。 所谓直方图分裂,就是把直方图中本应分离但却粘连在一起的区域分离开来。所谓 直方图合并,就是把直方图中本应连续但却分离的区域连接起来。对于分裂的处理,是 设定一个阈值,在直方图中把小于此阈值的部分去掉,而保留那些函数值大于此阈值的 直方图部分。这样一来,直方图将变成不连续的“山”字型。经过这种分裂处理,可以 有效地消除字符之间的粘连造成的影响。 2.字符图像的分割 在车牌照图像二值化的过程中,字符与边框被置为黑色,底色被置为白色,因而在 车牌照图像中除字符和边框以外其余大部分为白色,这一特点体现在图像的二维灰度直 方图中便是直方图呈明显的峰值分布,利用这一特点,可以比较容易地进行字符图像的 分割[15]。 汽车牌照字符是规范的印刷字体,其字符的宽高比、字符间距以及笔画宽度等都是 严格按照国家标准制造的。虽然在拍摄以及图像处理过程中会引入一些干扰,但车牌的 这些固有的参数以及相互之间的关系不会发生太大的变化,可以用来作为字符分割的先 验知识。 经直方图分裂和合并处理并分割后的字符图像如图 3-4 所示。可以看到,分割出的 字符图像已经比较适合于进行识别了。 图 3-4 分割后的车牌字符显示图像 - 29 - 朱北侠:图像分割算法研究 总结与展望 对灰度图像分割算法的研究已经有几十年的历史,借助各种理论至今已经提出了上 千种各种类型的分割算法,而且这方面的研究还在积极进行中。这个层次研究的重要性 也己为人们广泛承认。尽管人们在灰度图像的分割方面做了许多研究工作,但是由于尚 无通用的分割理论,因此现己提出的分割算法大都是针对具体问题的,并没有一个适合 于所有灰度图像的通用的分割算法。本文针对当前主流的灰度图像分割算法进行了分 析、分类、归纳和总结,指出了各类方法的优缺点,为人们在不同的应用场合及不同的 图像数据条件下选择不同的分割算法提供了一定的依据。当然本中的分类也不是绝对 的,从不同的角度还应该有别的分类方法。 阈值分割算法中,直方图阈值双峰法是通过变换直方图,使求谷值转换为极大值的 方法;迭代法和大律法则是通过类间方差公式的不同变换来计算阈值。在边缘检测算法 中,在比较复杂的图像中,用 Roberts 算子得不到较好的边缘检测,而相对较复杂的 Prewitt 和 Sobel 算子检测效果较好。拉普拉斯算子在边缘检测中很有用,同梯度算子一 样,拉普拉斯算子也增强了噪声,有时用拉普拉斯算子在进行边缘检测时,可将图像进 行平滑处理。Canny 算子是几种算子中最优的边缘检测算子,此方法不容易受噪声的干 扰,能够检测到真正的弱边缘。区域生长法是根据事先定义的相似性准则,将图像中满 足相似性准则的像素或子区域聚合成更大区域的过程,分裂合并法的基础是四叉树表示 法。最后详细介绍了图像分割算法在门牌号识别系统中的应用,本此方法的应用很简单、 稳定有效,因而应用比较广泛。 虽然近年来人们在图像分割方面做了大量的研究工作,但由于尚无通用的分割理 论,因此现已提出的分割算法大都是针对具体问题的,并没有一种适合于所有图像的通 用的分割算法。虽然人们试图对分割建立模型并根据模型进行分割,但并不太成功。另 外,给定一个实际图像如何选择合适的分割算法也还没有一定的标准。因此,下列问题 需要进一步深入研究: (1)如何根据不同图像的特点,选择合适的分割方法。论文虽然对图像分割方法进 行了研究,但这还远远不够,还需要进一步结合图像及其描述特征的特点进行深入的研 究。 (2)寻找运算速度快,精确率高的图像分割算法也是图像分割中的研究重点。伴随 着数字图像处理的应用领域不断扩大,实时处理技术己成为研究的热点,在实时图像处 理系统中,算法的运行时间成为一个新的问题。 (3)新方法、新概念的引入和多种方法的综合运用。现有的任何一种单独的图像分割 算法都难以对一般图像取得令人满意的分割效果,因而应重视把各种分割方法综合起来 运用。 - 30 - 安徽工程大学毕业设计(论文) 致 谢 时光飞逝,四年的本科生学习生活转眼就要结束,值此论文完成之际,我要向四年 来支持、帮助、关心过我的老师、同学和亲友表示衷心感谢。 首先要感谢我的导师金震妮,正因为有了金老师的悉心指导和关怀,这篇论文才得 以顺利完成。从跟她学习以来,她就十分关心我的学习和生活,并给予了我无私的指导 和帮助。特别是从论文的选题、论文各阶段的进展到论文的最后定稿,都提出了许多宝 贵的意见。在学习期间,我深深感受到了她严谨的治学精神、良好的工作作风,谦逊的 为人风格,渊博的学术知识。从她身上学到的东西,将使我终生受用! 其次,要感谢我大学期间的所有任课老师,尤其是我的数字图像老师张明艳,从她 那里我汲取了丰富的知识以及分析、解决问题的思路和方法。感谢电气工程学院全体老 师四年来给予的帮助和关心。同时,我要特别感谢我的大学同学王小亮、石吉龙、王洋 洋、鲍洪、胥晓明、杨志航、谭超、孙超、江浩等在我大学期间给予我学习、生活上的 帮助、支持与鼓励。另外,在课题的研究中,论文所引参考文献的作者们留下的大量宝 贵资料,为课题的顷利完成提供了有力支撑,在此向他们表示衷心的感谢。 最后,感谢我的父母和家人,我还要衷心感谢我的父母及家人,感谢他们对我一如 既往的支持。因为他们的鼓励,即使在生活学习最困难的时候我也从来不曾失掉勇气和 对未来的信心。他们的期望永远是我前进的动力。祝愿他们永远健康快乐! - 31 - 朱北侠:图像分割算法研究 参考文献 [1] 刘中合,王瑞雪.数字图像处理技术现状与展望[J].计算机时代,2003 [2] 龚炜,石青云,程民德.数字空间中的数学形态学[M].北京:科学出版社,1997,54-60 [3] 崔屹,数字图像处理技术及应用,电子工业出版社[M],1997 [4] 江泽涛,朱颖一种基于插值的图像分割方法[J].计算机工程与应用,2005(7):47-48 [5] 赵椿荣,赵忠明等,数字图像处理导论[M],西北工业大学出版社,1996 [6] 吴健康,数字图像分析[M],人民邮电出版社,1989 [7] 陈寅鹏,丁晓青复杂车辆图象中的车牌定位与字符分割方法[J].红外与激光工程, 2004 [8] 戴淡.基于网络数据库的汽车牌照自动识别系统[D].浙江大学 2001 [9] 李介谷等,图像处理技术[M],上海交通大学出版社,1988 [10]Gonalez R C, Woods R E. Digital image Processing, 3rd.ed, Addisonwesley[M], 1992 [11]Lu Xiao-Bo, Ling Xiao-Jing, Liu Bi. License plate character recognition based on the combined features[J].Chinese Journal of Scientific Instrument[J], 2006, 27(7):698-701 [12]J.Kender,Saturation,hue,and normalized color: calculation,digitization effects,and use, Computer Science Technical Report,Carnegie Mellon University[M],1976 [13]Ping-Sung Liao, Tse-Sheng Chen and Pau-Choo ChungA fast Algorithm for Multilevel Th reshold,Journal of Information Science and Engineering[J],2001,17,713-727 [14]Haralick R H, Shanmugam K, Dinstein I. Texture feature for image classification. EEE Trans on SMC[J],1973,3:610-621 [15]Simona E. Grigorescu, Nicolai Petkov and Peter Kruizinga. Comparison of TextureFeatur es Based on Gabor Filters. IEEE Transactions on image processing[J].2002,11(10):1160- 1167 - 32 - 安徽工程大学毕业设计(论文) 附录A 英语引文及翻译 Digital Image Processing The numeral picture processing is to pass a calculator to carry on cleaning a Zao voice to the picture, strengthen, recover, partition, withdraw a characteristic etc. processing of method and technique.Numeral picture processing of creation with quick development main under the influence of three factor:a is a calculator of development;Two is mathematics of development;(especially Discrete Mathematics theories of foundation with perfect)Three the agriculture being extensive herding industry, forestry, environment, military, industry and medical science etc. of application need of growth. 20 century 20's, picture processing first time application in improvement London and New York of the bottom of sea electric cable send out of picture quality.50's to 20 centuries, digital computer development arrive certain of level after, numeral picture processing just real cause people's interest.1964 the United States blow out gas propulsion laboratory to carry on processing with the large quantity the moon photograph that the calculator send back to"go back and forth the seventh" space craft, receive obvious of effect.20 century the end of 60's, numeral picture processing had more integrity of system, formation a newly arisen academics.20 century 70's, numeral picture processing the technique get fast fierce development, theories and method further perfect, application more extensive.Here at that time period, picture processing main with the mode identify and picture comprehension system of research mutually contact, such as the writing identify, medical science picture processing, Yao picture of processing etc..20 century after the 70's period to now, each application the realm logarithms word picture processing put forward more and more Gao of request, promote this academics to more high class of direction development.Especially at scenery comprehension and calculator sense of vision(namely machine sense of vision), picture processing already from two dimensions processing development arrive 3D comprehension or explanation.In recent years, along with calculator and other each relevant realm of quick development, for example at picture performance, science calculation can see to turn, multimedia calculation technique etc. of development, numeral picture processing already from a ly specializedly of the research the realm become science research and the man-machine interface of a kind of widespread application of tool. The picture processing tool box provide 1 set to all-directionsly according to standard calculate way and sketch tool and used for carry on a picture processing, analysis, can see to turn with calculate way development.Can use it to acquire a higher and clear degree towards having a Zao picture or deteriorating a picture to carry on to the Zao or the revivification, strengthen picture with, withdraw a characteristic, analysis shape and veins and carry on match to two picture.The big and parts of function all is write with the open type MATLAB language in the tool box.This mean can check calculate way, modification source code with establish from definition function.Picture processing tool box at biometrics, Yao feeling, supervision, gene expression, microscope technique, semi-conductor test, the picture spread the feeling machine realms such as design, color science and material science etc. to provide support for the engineer and the scientist.It also promoted picture processing technique of - 33 - 朱北侠:图像分割算法研究 teaching. Digital image processing (Digital Image Processing) is also known as computer image processing, which refers to image signals into digital signals and processed by computer to its process. Digital image processing first appeared in the 20th century 50's, when the computer has been developed to a certain level, people began using computers to handle graphics and image information. Digital image processing as a discipline of about 60 formed in the early 20th century. The purpose of the early image processing to improve image quality, which human subjects, to improve the human visual effect for the purpose. Image processing, the input is low-quality images, the output is to improve the quality of the image after the commonly used methods of image processing, image enhancement, restoration, coding, compression. Real success the first time the application is the U.S. Jet Propulsion Laboratory (JPL). Their space probe Ranger 7 sent back in 1964, several thousand copies of the moon photos using the image processing techniques, such as geometric correction, gray transformation, remove noise and other methods to deal with, and considered the position of the sun and the moon environment affected by the computer successfully drawn map of the lunar surface, was a great success. Then sent back to the spacecraft for nearly 100,000 photos more complex image processing, which won the lunar topographic maps, color maps and panoramic mosaic, was a remarkable achievement for the human lunar initiative has laid a solid basis, but also to promote the digital image processing the birth of the discipline. Aerospace Technology in the future, such as Mars, Saturn and other planets in the detection study, digital image processing technology has played a huge role. Another digital image processing made great achievements in medicine, the results obtained. 1972 UK EMI engineers Housfield invented X-ray diagnosis for head computed tomography device, which is what we usually CT (Computer Tomograph). CT's basic approach is based on people's head section of the projection, by computer processing to reconstruct the cross-section images, called image reconstruction. 1975 EMI company has successfully developed a whole body CT device used to obtain all parts of the body clear clear sectional images. In 1979, this non-invasive diagnostic techniques won the Nobel Prize, indicating that it has made a landmark contribution to mankind. At the same time, many applications in image processing technology has drawn considerable attention and has made significant pioneering achievements, are these fields of aerospace, biomedical engineering, industrial inspection, robot vision, public security administration of justice, military guidance, arts and culture , so that image processing into a compelling, ambitious prospect of a new discipline. With further development of image processing technology, from the mid-70s, as computer technology and artificial intelligence, scientific thinking, the rapid development of digital image processing to a higher, deeper level. It has begun to study how to interpret images using a computer system, to achieve a similar understanding of the human visual system outside world, which is known as image understanding or computer vision. Many countries, particularly developed countries invest more manpower and resources to the study made a number of important research results. One representative of the results of the 70's Marr MIT made visual computing theory, this theory into the field of computer vision, the dominant thinking of more than ten years later. Although the method of image understanding theory research progress has been achieved, but it itself is a more difficult area of research, there are many difficulties, because their vision of mankind itself, so computer vision is a new areas which will be explored. - 34 - 安徽工程大学毕业设计(论文) 数字图像处理 数字图像处理是通过计算机对图像进行去除噪声、增强、复原、分割、提取 特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影 响:一是计算机的发展;二是数学的发展(特别是离散数学理论的创立和完善);三是 广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。 20 世纪 20 年代,图像处理首次应用于改善伦敦和纽约之间海底电缆发送的图 片质量。到 20 世纪 50 年代,数字计算机发展到一定的水平后,数字图像处理才真正 引起人们的兴趣。1964 年美国喷气推进实验室用计算机对“徘徊者七号”太空船发 回的大批月球照片进行处理,收到明显的效果。20 世纪 60 年代末,数字图像处理具 备了比较完整的体系,形成了一门新兴的学科。20 世纪 70 年代,数字图像处理技术 得到迅猛的发展,理论和方法进一步完善,应用范围更加广泛。在这一时期,图像处理 主要和模式识别及图像理解系统的研究相联系,如文字识别、医学图像处理、遥感 图像的处理等。20 世纪 70 年代后期到现在,各个应用领域对数字图像处理提出越 来越高的要求,促进了这门学科向更高级的方向发展。特别是在景物理解和计算机 视觉(即机器视觉)方面,图像处理已由二维处理发展到三维理解或解释。近年来,随 着计算机和其它各有关领域的迅速发展,例如在图像表现、科学计算可视化、多媒 体计算技术等方面的发展,数字图像处理已从一个专门的研究领域变成了科学研究 和人机界面中的一种普遍应用的工具。 图像处理工具箱提供一套全方位的参照标准算法和图形工具,用于进行图像 处理、分析、可视化和算法开发。可用其对有噪图像或退化图像进行去噪或还原、 增强图像以获得更高清晰度、提取特征、分析形状和纹理以及对两个图像进行匹 配。工具箱中大部分函数均以开放式 MATLAB 语言编写。这意味着可以检查算 法、修改源代码和创建自定义函数。图像处理工具箱在生物测定学、遥感、监控、 基因表达、显微镜技术、半导体测试、图像传感器设计、颜色科学及材料科学等 领域为工程师和科学家提供支持。它也促进了图像处理技术的教学。 数字图像处理(Digital Image Processing)又称为计算机图像处理,它是指将图像 信号转换成数字信号并利用计算机对其进行处理的过程。数字图像处理最早出现于 20 世纪 50 年代,当时的电子计算机已经发展到一定水平,人们开始利用计算机来处理图 形和图像信息。数字图像处理作为一门学科大约形成于 20 世纪 60 年代初期。早期的图 像处理的目的是改善图像的质量,它以人为对象,以改善人的视觉效果为目的。图像处 理中,输入的是质量低的图像,输出的是改善质量后的图像,常用的图像处理方法有图 像增强、复原、编码、压缩等。首次获得实际成功应用的是美国喷气推进实验室(JPL)。 他们对航天探测器徘徊者 7 号在 1964 年发回的几千张月球照片使用了图像处理技术, 如几何校正、灰度变换、去除噪声等方法进行处理,并考虑了太阳位置和月球环境的影 响,由计算机成功地绘制出月球表面地图,获得了巨大的成功。随后又对探测飞船发回 的近十万张照片进行更为复杂的图像处理,以致获得了月球的地形图、彩色图及全景镶 嵌图,获得了非凡的成果,为人类登月创举奠定了坚实的基础,也推动了数字图像处理 这门学科的诞生。在以后的宇航空间技术,如对火星、土星等星球的探测研究中,数字 图像处理技术都发挥了巨大的作用。数字图像处理取得的另一个巨大成就是在医学上获 得的成果。1972 年英国 EMI 公司工程师 Housfield 发明了用于头颅诊断的 X 射线计算机 断层摄影装置,也就是我们通常所说的 CT(Computer Tomograph)。CT 的基本方法是 根据人的头部截面的投影,经计算机处理来重建截面图像,称为图像重建。1975 年 EMI 公司又成功研制出全身用的 CT 装置,获得了人体各个部位鲜明清晰的断层图像。1979 - 35 - 朱北侠:图像分割算法研究 年,这项无损伤诊断技术获得了诺贝尔奖,说明它对人类作出了划时代的贡献。与此同 时,图像处理技术在许多应用领域受到广泛重视并取得了重大的开拓性成就,属于这些 领域的有航空航天、生物医学工程、工业检测、机器人视觉、公安司法、军事制导、文 化艺术等,使图像处理成为一门引人注目、前景远大的新型学科。随着图像处理技术的 深入发展,从 70 年代中期开始,随着计算机技术和人工智能、思维科学研究的迅速发 展,数字图像处理向更高、更深层次发展。人们已开始研究如何用计算机系统解释图像, 实现类似人类视觉系统理解外部世界,这被称为图像理解或计算机视觉。很多国家,特 别是发达国家投入更多的人力、物力到这项研究,取得了不少重要的研究成果。其中代 表性的成果是 70 年代末 MIT 的 Marr 提出的视觉计算理论,这个理论成为计算机视觉 领域其后十多年的主导思想。图像理解虽然在理论方法研究上已取得不小的进展,但它 本身是一个比较难的研究领域,存在不少困难,因人类本身对自己的视觉过程还了解甚 少,因此计算机视觉是一个有待人们进一步探索的新领域。 - 36 - 安徽工程大学毕业设计(论文) 附录B 主要参考文献的题录及摘要 [1] 何东健.数字图像处理.西安电子科技大学出版社,2003 摘要:本书系统地介绍了数字图像处理的基本理论、基本算法以及进行图像处理、编程 的方法。全书共 11 章,首先介绍了数字图像处理的特点与发展、数字图像处理和色度 学等基础知识;其次简要介绍了图像编程的方法与步骤;在此基础上,详细论述了图像 增强与平滑、图像分割与边缘检测、图像的几何变换、频域处理、数学形态学及其应用、 图像特征与理解、图像编码以及图像复原等内容。 关键词:图像处理;算法;图像增强与平滑;图像分割;边缘检测;图像几何变换 [2] 章毓晋.图像分割北京科学出版社,2001 摘要:本书对图象分割的基本原理,典型方法,实用技术和研究进展进行了比较详细的 介绍和讨论。图像分割是指把图象分成各具特性的区域并提取出感兴趣目标的技术和过 程。图象分割的研究可分为三个层次:图象分割算法,分割算法评价,评价方法系统研 究。 关键词:图像分割 [3] 董长虹.Matlab 图像处理与应用.国防工业出版社,2004,165 -171 摘要:Matlab 语言是当今国际上科学界最具影响力、也是最有活力的软件。它提供强大 的科学运算、灵活的程序设计流程、高质量的图形可视化界面设计、便捷的与其他程序 和语言接口的功能。 关键词:Matlab [4] 夏良正.数字图像处理.南京:东南大学出版社 1999 摘要:本书比较全面地论述了数字图像处理的基本概念、理论和系统组成。全书共分 10 章,主要内容有图像信息的基本知识,图像变换、压缩编码、增强、复原、分割、 描述、分类和图像知识表示,最后介绍图像系统。各章末附有习题以供选用。本书是对 1999 年出版的《数字图像处理》一书的修订,对部分章节内容,如图像信息基本知识、 压缩编码和复原等作了较大幅度修改。对目前新发展的图像处理方法和理论,如小波变 换、分形、模糊集、人工神经网络及数学形态学等新的计算智能信息处理理论在图像处 理中的应用以及彩色图像处理作了适当的补充介绍。 关键词:图像处理;图像变换;压缩编码;增强;复原;分割 [5] 扬帆.数字图像处理与分析,北京航空航天大学出版社,2007,259-269 摘要:近年来,图像信息处理已经得到一定的发展,但随着图像处理要求的不断提高, 应用领域不但扩大,图像理论也必须不断提高、补充和发展。图像的处理已经从可见光 谱扩展到红外、紫外灯非可见光谱,从静止图像发展到运动图像,从物体的外部延伸到 物体的内部,以及人工的智能化处理等。文中介绍了图像和数字图像的概念。 关键词:图像;图像处理 [6] 张虹,赵宝军等.数字图像处理与分析,2007,113-117 摘要:阈值分割法由于没有或很少考虑空间关系,使多阈值选择受到限制,基于区域的 分割方法可以弥补这些不足。该方法利用的图像的空间性质,认为分割出来的属于同一 区域的像素具有相似的性质,其概念是相当直观的。传统的区域分割法有区域生长法和 分裂合并法,文中就这两种方法做了详细介绍。 关键词:阈值分割;区域分割;区域生长;分裂合并 [7] 李俊山,李旭辉.数字图像处理.清华大学出版社,2007,167-171 - 37 - 朱北侠:图像分割算法研究 - 38 - 摘要:随着计算机技术、微电子技术的发展,数字图像处理技术已在国民经济的各个领 域得到了十分广泛的应用,并已成为信息领域中的核心技术之一。文中着重介绍了图像 分割的一些方法,例如,阈值分割,边缘检测,分裂合并等。 关键词:图像分割;阈值分割;边缘检测;分裂合并 [8] 牛欣,沈兰荪.汽车牌照识别技术的研究.测控技术.18(12):14-17.1999 摘要:汽车牌照识别系统在现代交通交通监控和管理中有着广阔的应用前景。本文首先 介绍了汽车牌照识别系统,然后对其关键技术进行了论述,最后对汽车牌照识别技术存 在的问题及发展的方向进行了讨论。 关键词:汽车;牌照;识别 [9] 阎建国,高亮,卢京潮.图象处理技术在车牌识别中的应用.电子技术应用.2000 (1):17-18 摘要:利用数字图象处理技术研究开发汽车牌照自动识别系统。从汽车图象中确定车牌 位置,提取车牌字符的微结构特征,通过与所建的专用字典库中的字符标准模板匹配比 较,获得车牌号码,试验结果表明该方案是有效的。 关键词:数字图像处理;字符识别;车牌识别 [10] 余艳春,刘国柱,王波. 车辆牌照自动识别技术研究.微计算机信息.2007 摘要:随着科技的发展,车牌识别系统得到了很多应用,文中采用投影法进行倾斜校正, 用不同的方法对光照不同的图像分别进行二值化处理,字符识别部分采用模板匹配及特 征点匹配相结合的方法,提高了识别速度和准确性。文章所采用的合理且实用的图象处 理方案,能够使车牌识别系统获得理想清晰的车牌图像。 关键词:车牌识别;图像处理;二值化;图像匹配
还剩41页未读

继续阅读

下载pdf到电脑,查找使用更方便

pdf的实际排版效果,会与网站的显示效果略有不同!!

需要 20 金币 [ 分享pdf获得金币 ] 11 人已下载

下载pdf