图像分割算法在零件图像测量中的应用研究

第17卷第2期2004年06月

唐山学院学报

Journal of Tangshan Co llege

V o l.17N o.2

Jun.2004

图像分割算法在零件图像测量中的应用研究

李庆利1,白荫玖1,周研2,李贺杰1

(1.唐山学院机电工程系,河北唐山063000;唐山钢铁集团有限责任公司,河北唐山063000)

摘要:通过分析图像测量系统的组成,说明了图像分割算法在零件图像测量中的重要地位,综合阐述了目前常用的图像分割算法的特点。针对零件图像测量的实际应用情况,提出了一种新的图像分割算法,实现了对目标边缘的准确检测。在此基础上设计了边缘检测的亚像素细分算法,对目标边缘进行亚像素精确定位,并用实例说明了本算法的可行性。

关键词:图像测量;边缘检测;图像分割;亚像素;精度

中图分类号:T P391.41　文献标识码:A　文章编号:1672349X(2004)02008604

The Study and Appl ica tion of I mage Segm en ta tion A lgor ithm

i n the I mage M ea surem en t of Parts

L IQ ing2li1,BA I Yin2jiu1,ZHOU Ya n2,L I He2jie1

(1.D epartm en t of M echan ical&E lectron ic Engineering T angshan Co llege,T angshan063000;2.T angshan Iron& Steel Group Co.L td,T angshan063000,Ch ina)

Abstract:T h is p ap er first in troduces the i m po rtance of i m age segm en tati on in the i m age m easu rem en t by analyzing configu rati on of the i m age m easu rem en t system,then expounds the p ecu liarities of traditi onal i m age segm en tati on algo rithm and,finally,p u ts fo rw ard a new i m age segm en tati on algo rithm fo r the i m age m easu rem en t.T he new algo rithm u ses the directi on m ask based on classical Sobel m ask in converting gray in to i m age,and app lies the po lynom ial in terpo lati on to subp ixel edge detecti on at directi on of edge on i m age.F inally,som e exam p les are given to dem on strate the effectiveness of the m ethod.

Key W ords:i m age m easu rem en t;edge detecti on;i m age segm en tati on;subp ixel;accu racy

0　引言

数字图像处理技术起源于20世纪20年代。经过几十年的发展,特别是近20年来随着电子计算机技术的飞速发展,数字图像处理技术已经成为工程学、计算机科学、信息学、统计学、物理学、化学、生物学、医学甚至社会科学等领域各学科之间学习和研究的交叉学科。数字图像处理技术的内容非常丰富,根据抽像程度、研究方法和应用场合等的不同,可分为3个各具特点的层次:图像处理、图像分析和图像理解。图像处理强调通过图像的变换以改善图像的视觉效果;图像分析主要是对图像中感兴趣的目标进行检测和测量,以获得它们的客观信息,从而建立对图像的描述;图像理解是在图像分析的基础上,研究图像中各个目标的性质和它们之间的相互联系,以得到对原始成像客观场景的解释,从而指导和规划行动。

数字图像处理技术发展至今,不仅在理论上取得了很大的进展,而且其应用范围也日益扩大,运用CCD摄像机的数字图像处理技术进行物体参数检测的图像测量技术就是其中十分活跃的一个分支。该方法已经在航空航天、遥感及工业探测等许多领域得到了广泛的研究和应用。本文将着重介绍我们应用数字图像处理技术在零件尺寸及形状误差检测中所取得的一些研究成果。

1　图像测量系统的组成及基本工作原理图像测量系统的组成一般包括图像采集系统、图像处理系统、图像输出系统以及与之配套的照明系统、接口硬件和机械平台等。图像采集系统包括CCD摄像机和图像采集卡等设备。它的输入是原始的物理图像,经过采样(空间离散

收稿日期:20031121

作者简介:李庆利(1973-),男,讲师,硕士,主要研究数字图像处理。

化)和量化(灰度值离散化),输出计算机能够方便处理的数字图像(灰度的数字矩阵)。图像处理系统由高速度、高容量的计算机和相应的图像处理及检测算法软件组成。图像处理系统将一幅数字图像变为另一幅经过修改或改进的数字图像,或转换为一种非图像的形式,并根据图像信息获得被测物体的几何信息。

CCD 是电荷耦合传感器(Charge Coup le D evice )的简

称。CCD 摄像机是由电荷耦合元件组成的图像探测器,它将景物通过物镜成像在一块电荷感应光板(电荷耦合探测器)上,用感应光板上的感应电压模拟景物的亮度变化。由于用CCD 实现了光电转换及扫描,因此其体积小、

重量轻、结构紧凑。应用高精度CCD 的二维图像测量系统具有高灵敏度、高分辨率、响应速度快及非接触测量等优点,比现有的机械式、光学式和电磁式测量设备在使用范围和特性方面优越得多。

图1所示为利用CCD 摄像系统进行实时自动测量的系统基本组成结构。进行图像测量的一般技术处理过程为:经

CCD 摄像机和数据采集卡获得图像数据→对图像数据进行

预处理(改善图像质量)→提取图像中被测目标的边缘数据

(边缘检测)→对提取出的目标边缘数据进行处理→得出测

量结果

。

①照明灯具;②工作平台;③被测零件;④CCD 摄像机;⑤计算机

图1　图像测量系统基本结构

2　图像处理系统

图像测量系统由硬件系统和软件系统两大部分组成,因此影响系统测量精度的主要因素在于硬件系统和软件算法两方面。要想提高系统的精度,可以通过提高硬件设备的性能来实现,如选用高分辨率的CCD 摄像机、采用特殊的照明光源等,但这些方法不但提高了设备成本,而且在精度的提高上也并非是万能的;而利用软件来提高测量精度具有方法简单有效、设备成本低的优点。因此,直接影响整个测量精度的边缘检测算法已被广泛地研究。目前,边缘的定位精度已经达到亚像素级。

图像分割是进行目标边缘检测的重要方法。图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。图像分割是进行图像分析的关键步骤,也是一种基本的计算机视觉技术。一般而言,图像分割的依据有两个:

(1)像素的灰度值;(2)像素的灰度梯度值。目前,被普遍使用

的图像分割算法分为两大类,即并行区域分割算法和并行边界分割算法。

并行区域分割的主要依据就是像素的灰度值,该类算法一般包括如下几个步骤:

(1)对原始图像滤波去噪;

(2)对滤波去噪后的图像数据进行二值化处理;(3)提取图像的边缘数据。

由于实际图像中总是存在各种噪声干扰,因此必须先对图像进行滤波降噪。常用的滤波算法有均值滤波、低通滤波和中值滤波等,这些算法对图像中常见的噪声如椒盐噪声、高斯噪声和脉冲噪声等都有较好的滤除效果。目前,中值滤波被广泛使用,滤波效果较佳且编程简单。但滤波算法不同程度地存在着对图像中目标边缘细节的模糊作用(见图2),这对提高测量精度十分不利,尤其是对零件形状误差的检测。图像的二值化算法就是对滤波后的图像设定某一灰度阈值Η,用Η将图像数据划分为大于Η的像素群和小于Η的像素群两部分,然后将两群像素分别赋予不同灰度(通常使用255和0这两级灰度,将灰度图像转换成黑白图像),这样就可将被测目标和背景分离。计算阈值的算法一般有最小误差法、最大方差阈值法、差分直方图法和拉普拉斯直方图法等。其中,最大方差阈值法经实践证明是一种计算效果很好的方法,它是基于最小二乘法推导而得的(结果见图2)。对于一幅目标物和背景有足够对比度的图像,通过阈值运算可以得到二值图像。得到二值图像以后,我们就可通过边界提取的方法,将物体的边界提取出来。边界提取的方法很多,常用的有数学形态学法、边界跟踪法等。并行区域分割算法方法简单,程序实现容易,具有较高的计算效率。但由于滤波处理会改变像素的灰度值,并且图像二值化时,分割阈值Η一般根据图像全部像素的灰度来确定,所以阈值Η对于目标边缘的某些局部不一定适用。因此这类算法对被测目标边缘的定位精度较低。

另一大类图像分割算法为并行边界分割算法,其进行分割的主要依据是像素的灰度梯度值,算法主要步骤有两个:

(1)检测目标的边缘点;(2)组成目标的边界。

目标边缘点的检测通常使用各种微分算子,通过将其模板与图像卷积来完成。两个具有不同灰度值的相邻区域之间总存在灰度边缘。灰度边缘是灰度值不连续(或突变)的结果,这种不连续常可利用求导数方便地检测到。一般常用一阶和二阶导数来检测边缘。人们已经构造出大量的边缘提取算子以运用于各种不同的领域。从经典的Roberts 算子、

Sobel 算子、L ap lacian 算子到M arr 算子等。但上述这些算子

都存在一些不足之处。如Roberts 算子、Sobel 算子和L ap lacian 算子,虽然计算简单、

速度较快,对边缘的定位也较精确,但它们对噪声的干扰都很敏感。实际应用中,也有人试图先对一幅含噪声的图像进行平滑,然后再用经典的边缘提取算子提取边缘。但这样做有如下几点不足之处:(1)通常在平滑掉噪声的同时,物体边缘也不可避免地被模糊化了,这不利于图像特征提取等后续处理;(2)延长了图像处理的时间,对实时性要求较高的场合不适用。于是人们又构造出了一些将噪声滤波与边缘提取相结合的算子,如M arr 算子。但用该算子进行边缘提取过程中,当模板取得较小时,抗噪能力不明显,当模板取得较大时,抗噪能力虽大有提高,但计算费时,且对边缘的定位往往不够准确。

?

78?　第2期 李庆利,白荫玖,周　研,李贺杰:图像分割算法在零件图像测量中的应用研究

(a )原始图像 (b )3×3

均值滤波结果

(c )5×5均值滤波结果 (d )二值化结果

图2　滤波及二值化结果

目前,较好的并行边界分割算法有文献[1]、[2]和[3]介绍的方向算子和十字交叉法。此类算法基于如下原理:通常图像中物体的边缘是连续且光滑的、有一定的约束关系的,而噪声是随机的。在任一边缘点附近沿边缘的走向总能够找到另一边缘点,且这两边缘点之间的灰度差及方向差都不可能很大。但是噪声则不同,一般情况下,沿任一噪声点的方向不太可能找到与其灰度差及方向差都很小的噪声点,不存在连续的噪声点。这样,可以通过方向模板来计算像素的方向(灰度梯度方向),然后根据约束关系确定边缘像素。算法一般需要确定两个分割阈值:灰度阈值和梯度阈值,用灰度阈值初步选取边缘像素点,用梯度阈值和像素的方向来跟踪和确定最终的边缘像素点。梯度阈值的选取直接关系边缘检测的成败,其值的计算复杂。此外,使用并行边界分割算法很难获得单像素宽度且封闭的目标边缘,而这一点对于零件形状误差的检测是非常重要的。

上述边缘检测算法的定位精度只能达到像素级,为了提高测量精度,人们进行了更多的研究。目前,边缘的定位精度已经达到亚像素级。

由傅立叶光学可知,图像测量系统的数学模型是一个对被测物体亮度分布的几次卷积的过程。由于卷积对函数具有平滑的作用,因此,即使物体的亮度分布为较理想的阶跃分布,系统的最终输出也是一个由高到低或由低到高的渐变过程。另一方面,CCD 感光元不但接收照射到自身感光面的光,还感受照射到相邻感光面的光,这同样造成CCD 器件对阶跃边缘的响应信号由明到暗或由暗到明存在一个渐变过程,边缘的亚像素位置恰好存在于这一过渡过程中的斜率最大的位置,因此,可以采用插值或曲线逼近的方法获得边缘点的亚像素位置。通常使用的亚像素细分算法有插值法[4]、空间灰度矩法[5]

和最小二乘估计法[6]

等,各种方法均有各自的优缺点和

适用范围,其中插值法的准确性较好,且计算量最小。

3　边缘检测算法的研究

综上所述,边缘检测是数字图像处理的关键技术之一,对于图像测量尤其重要。本测量系统主要检测截面形状较简单的零件(如圆形、矩形和椭圆形)的尺寸参数及形状误差。由于采用了较好的照明设备,获得的图像质量较高(目标与背景对比较强,噪声干扰较弱)。为了获得较高的目标边缘定位精度,综合采用了上述两种图像分割算法。具体算法为:

(1)使用传统的并行区域分割算法进行边缘检测。首先

应用中值滤波对原始图像进行滤波去噪处理。然后,对图像使用最大方差阈值算法进行二值化。最后,使用腐蚀算法将目标边界提取出来;

(2)使用哈夫变换将获得的目标边界转换为目标的尺寸

参数(以像素为单位);

(3)使用基于经典Sobel 算子改进的方向模板(见图3)

对原始图像求其灰度梯度图像。

(4)依据哈夫变换得到的目标尺寸参数和目标边缘灰度

梯度的性质,进一步对目标边缘进行精确定位和跟踪。这样

处理既可以提高边缘的定位精度,获得单像素宽度、封闭的目标边缘,又可避免在应用传统方向算子或十字交叉算法时复杂的梯度分割阈值的计算,并且为边缘的亚像素定位打下基础。

(5)根据亚像素边缘检测的基本原理和边缘灰度梯度的

性质,进行边缘的亚像素定位(具体算法和计算步骤见参考文献[7])

。

(a )T 0 (b )T 1 (c )T 2 (d )T

3

(e )T 4 (f )T 5 (g )T 6 (h )T 7

图3　方向模板(箭头所指方向即为模板方向)

4　实验结果及结论

理论上该算法的边缘定位精度最高大致可达到1 85.

333个像素。但由于方向模板的数目是有限的,而实际图像

的灰度梯度的方向可取0°～360°范围内任意值,因此,系统的定位误差应大于1 85.333个像素。实验系统选用的是台湾产V iew se V C

823D 彩色摄像机,该摄像机为监控用,使

用短焦距、广角镜头,510(水平)×492(垂直)像素;

M icroview 公司的M V PC I V 2图像采集卡。实验测量了经

过精车的圆柱形零件的端面半径,测量结果见图4和表1。表

1中给出了圆弧边缘的亚像素细分定位与普通边缘检测(不

?88?唐山学院学报 第17卷　

细分)的对比数据,单位为像素。未细分的边缘定位精度为像素级,坐标数据取为整数,细分定位精度可达1 85.333像素,所以细分后数据取小数点后3位。由于圆的直径较大且

取其上部的圆弧段,X 方向为边缘方向,不是边缘点梯度方向,所以表1中的数据X 坐标没有进行细分

。

图4　圆形零件图像(左图)与边缘检测结果(右图,局部,未细分)

表1　圆弧边缘坐标的细分与不细分对比数据

不细分

细分

不细分

细分

X

Y

X

Y

X

Y

X

Y

3794637946.2843724737246.9933784637846.3923714737147.1723774737746.6033704737047.3263764737646.7213694836947.5223754737546.7523684836847.9873744737446.7743674836748.124373

47

373

46.847

366

48

366

48.467

由上述数据可以看出,采用本文所述的亚像素细分算法得到的边缘曲线已比较光滑,锯齿明显减小(因图像是按像素点来打印的,所以细分后的边缘图像打印出来和细分前的边缘图像是一样的)。

图5为利用边缘检测的结果绘制的圆形零件端面的圆

度误差曲线。

以上述算法应用于小尺寸零件尺寸图像测量系统,该系统的实际测量精度已达0.01mm 。因此,以上算法被证明可以有效地提高图像测量系统的精度,并且具有良好的可操作性

。

原始图像 圆度误差曲线

图5　圆度误差测量结果

参考文献:

[1]　佘新平.一种具有抗噪声干扰的图像边缘提取算法的

研究[J ].电子技术应用,1999,(1):4649.

[2]　吴剑锋.一种图像边缘检测的新算法[J ].福州大学学

报(自然科学版),2000,28(4):2628.

[3]　洪海涛.复杂零件参数的图像测量方法[J ].机械工艺

师,2000,(11):2224.

[4]　吴晓波.应用多项式插值函数提高面阵CCD 尺寸测量

的分辨力[J ].仪器仪表学报,1996,7(2):154159.

[5]　王建民.空间矩亚像素细分算法的研究[J ].光学技术,

1999,(4):3742.

[6]　王建民.提高图像测量系统精度的细分算法的研究

[J ].光学.精密工程,1998,6(4):45

49.

[7]　李庆利.一种基于多项式插值的改进的亚像素细分算

法[J ].北京科技大学学报,2003,25(3):280283.

(责任编校:白丽娟)

?

98?　第2期 李庆利,白荫玖,周　研,李贺杰:图像分割算法在零件图像测量中的应用研究

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

图像分割算法研究与实现

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。

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

彩色图像分割介绍

第一章绪论 计算机图像处理在医学领域的应用越来越广泛，白细胞图像的自动判断就是其中的代表之一。它能有效地减少主观干扰，提高工作效率，减轻医生负担。近些年来，计算机硬件技术和光谱成像技术的飞速发展，使得成功研制开发出小型实用的基于多光谱的白细胞图像自动分类识别系统成为可能。 本文研究的主要目的在于对白细胞多光谱图像分割进行初步的探索研究，为系统中其后的白细胞能够准确地分类识别奠定基础。 本章简要阐述了基于多光谱的白细胞图像分割的应用背景和研究意义，回顾了国内外细胞图像分割和多光谱遥感图像分类的研究发展状况，并简要介绍了本论文的主要工作。 §1.1 概述 §1.1.1 白细胞检验 白细胞的光学显微镜检查是医院临床检验项目之一，特别是对各种血液病的诊断占有极其重要的地位。它的任务是观察或测定血液中的各种白细胞的总数、相对比值、形态等，用于判断有无疾病、疾病种类以及严重程度等，特别是对类似白血病这类血液病诊断具有更加重要的意义。 白细胞分类计数的传统方法是将血液制成涂片，染色后，临床医生在显微镜下用肉眼按照有关标准，如核的形状、细胞浆的量和颜色，细胞浆颗粒的大小和颜色，整个细胞形状、稀薄与细胞间的接触等，来观察和检查这样的细胞标本[1]。然而这项工作十分繁重，工作效率低，容易误判，且人工识别误差随检查人员而异。同时通过观察的细胞数目较少，从统计的角度看，因样本集较小而影响诊断结果的可靠性。 计算机图像处理与分析技术伴随着信息技术的不断进步在最近20年间得到了飞速的发展，已经迅速渗透到人类生活和社会发展的各个方面，这为智能化细胞分析仪代替人工方法提供了基础。因此，借助于现代计算机技术结合临床医生的实践经验，采用图像处理技术对图像进行处理，从而对细胞进行识别，对于医学科研与实践，以及临床诊断方面有着现实意义和非常广阔的前景。 目前已经制成的自动白细胞分析仪主要有两种类型： 一类是用组织化学染色法，通过连续流动的系统，以光电效应的方式分别数出单一细胞，并可同时报告白细胞总数、各类细胞的百分率和绝对值。因为该法不是由细胞形态学特点识别各类白细胞，所以不能目视观察白细胞形态，亦不能保留样本，对感染中毒细胞无法识别。 另一类是原型认定型，其工作原理模仿人“脑眼系统”[2]的智能识别过程，运用计算机图像处理和模式识别技术，将从显微镜与相机或摄像机得到的数字化图像进行自动处理分析和分类。与前一种类型的白细胞分类仪器相比，其主要优

彩色图像快速分割方法研究【开题报告】

毕业论文开题报告 电子信息工程 彩色图像快速分割方法研究 一、课题研究意义及现状 图像分割是一种重要的图像技术，不论是在理论研究还是实际应用中都得到了人们的广泛重视。图像分割是我们进行图像理解的基础，是图像处理中的难点之一，也是计算机视觉领域的一个重要研究内容。把图像划分为若干个有意义的区域的技术就是图像分割技术，被划分开的这些区域相互不相交，而且每个区域也必须满足特定区域的一致性条件。 彩色图像反映了物体的颜色信息，比灰度图像提供的信息更多，因此，彩色图像的分割得到了越来越多人的关注，彩色图像分割方法的研究具有很大的价值。彩色图像分割一直是彩色图像处理中一个很重要的问题，它可以看作是灰度图像分割技术在各种颜色空间上的应用。 目前，图像分割的主要方法有：基于区域生长的分割方法、基于边缘检测的分割方法、基于统计学理论的分割方法、基于小波变换法、基于模糊集合理论的方法等多种方法。其中，JSEG算法是一种基于区域生长的图像分割方法，它同时考虑了图像的颜色和纹理信息，分割结果较为准确，受到了广泛的关注。但是JSEG算法要在多个尺度下反复进行局部J值计算和区域生长，同时还要进行基于颜色直方图的区域合并，这样，该算法就显得更为繁琐、复杂。针对这些不足之处，有学者提出了一种结合分水岭与JSEG的图像分割新算法。这种新算法在计算得到图像J后，通过引入分水岭算法直接对J图进行空域分割，然后通过形态后处理完成分割。与原JSEG算法比较，新算法能够得到良好的分割效果，有效的降低了JSEG算法的复杂度。 国内外也有很多学者对彩色图像的分割方法进行研究，也提出了许多有价值的彩色图像分割算法及改进的彩色图像分割算法，而多种分割算法的结合使用也改进了单一算法的不足之处，使得彩色图像的分割结果更加理想。但是从目前对彩色图像的研究来看，由于应用领域的不同、图像质量的好与坏以及图像色彩的分布和结果等一些客观因素引起的差异，我们还没有找到一种能够完全适用于所有彩色图像分割的通用的算法。因此，彩色图像的分割方法仍是一个尚未解决的难题，还需要图像处理领域的研究人员进一步的研究探索。 本研究是对基于JSEG的改进彩色图像分割算法的研究，该算法能够有效降低原JSEG算法的复杂度，提高图像分割效率，在图像分割领域有很重要的意义。该算法是在原JSEG算法的基础上，引入了分水岭算法，降低了原算法的计算量，降低了图像分割时间。 二、课题研究的主要内容和预期目标 主要内容：

彩色图像分割的国内外研究现状

1．阈值分割方法 阈值分割方法的历史可追溯到近40年前，现已提出了大量算法，对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范闱之中的灰度阈值，然后将图像中各个象素的灰度值都与这个阈值相比较，并根据比较结果将对应的像素分为两类。这两类像素一般分属图像的两类区域，从而达到分割的目的。从该方法中可以看出，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。阈值分割方法根据图像木身的特点，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罝的阈值分割方法。若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、概率松弛法、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。薛贵浩、帝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像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。华长发等人提出了一种基于二维熵阈值的图像分割快速算法，使传统二维阈值方法的复杂度从0(W2 S2)降至0(W2/3 S2/3)。赵雪松等人提出的综合全局二值化与边缘检测的图像方法，将全局二值化与边缘检测有效的结合起来，从而达到对信封图分割的理想效果。靳宏磊等人提出的二维灰度直方图的最佳分割方法，找到了一条最佳分割曲线，使该算法得到的分割效果明显优于一维直方图阈值方法。乐宁等人根据过渡区内象素点具有的邻域方向性特点，引入了基于一元线性回归处理的局部区域随机波动消除方法，将图像过渡区算法进行了改进。模糊技术及其日趋成熟的应用也正适应了大部分图像边缘模糊而难以分析的现状，赵初和王纯提出的模糊边缘检测方法能有效地将物体从背景中分离出来，并已在模式识别中的图像预处理和医学图像处理中获得了良好的应用。金立左、夏良正等提出图像分割的自适应模糊阈值法，利用目标一背景对比度自动选取窗宽的方法，并给出了根据目标与摄像机间的相对距离估计目标--背景对比度的算法，克服隶属函数的分布特性及其窗宽对阈值选取的不良影响。其应用于智能电视跟踪系统，对不同对比度和不同距离的海面舰船图像进行阈值分割，有较强的场景适应能力。王培珍、杜培明等人提出了一种用于多阈值图像自动分割的混合遗传算法，针对Papamarkes等提出爬山法的多阈值分割和Olivo提出子波变换的方法只对明显峰值有效而对不明显的峰值无效的缺点，以及结合模糊C-均值算法和遗传算法的两大显著特点而改进的算法，这种分割方法能够快速正

彩色图像分割-RGB模型

成绩评定表学生姓名班级学号 专业电子信息工 程课程设计题目彩色图像分割程序设 计——RGB模型 评 语 组长签字： 成绩 日期201年月日

课程设计任务书 学院信息科学与工程专业电子信息工程 学生姓名班级学号 课程设计题目彩色图像分割程序设计——RGB模型 实践教学要求与任务： 本次课程设计中，主要任务是实现基于RGB模型的彩色图像分割的程序设计，对给定的彩色图像的颜色，使用RGB颜色模型，来对其进处理。 并且设计MATLAB程序，使其能完成输入图像便自动使用RGB 模型来进行图像分割。 工作计划与进度安排： 第一阶段（1-2天）：熟悉matlab编程环境，查阅相关资料； 第二阶段（2-3天）：算法设计； 第三阶段（2-3天）：编码与调试； 第四阶段（1-2天）：实验与分析； 第五阶段（1-2天）：编写文档。 指导教师： 201年月日专业负责人： 201年月日 学院教学副院长： 201年月日

Matlab是当今最优秀的科技应用软件之一，它一强大的科学计算与可视化功能，简单易用，开放式可扩展环境，特别是所附带的30多种面向不同领域工具箱支持，使得它在许多科学领域中成为计算机辅助设计与分析，算法研究和应用开发的基本工具盒首选平台在图像处理中，Matlab也得到了广泛的应用，例如图像变换，设计FIR滤波器，图像增强，四叉树分解，边缘检测，小波分析等等。不同的颜色空间在描述图像的颜色时侧重点不同。如RGB（红、绿、蓝三原色）颜色空间适用于彩色监视器和彩色摄象机，HSI（色调、饱和度、亮度）更符合人描述和解释颜色的方式（或称为HSV，色调、饱和度、亮度），CMY（青、深红、黄）、CMYK（青、深红、黄、黑）主要针对彩色打印机、复印机等，YIQ （亮度、色差、色差）是用于NTSC规定的电视系统格式，YUV（亮度、色差、色差）是用于PAL规定的电视系统格式，YCbCr（亮度单一要素、蓝色与参考值的差值、红色与参考值的差值）在数字影像中广泛应用。 彩色图像的处理有时需要将图像数据在不同的颜色空间中表示，因此，图像的颜色空间之间的转换成为一项有意义的工作。其中RGB在颜色空间转换中其关键作用，是各个空间转换的桥梁。Matlab中的颜色空间转换只涉及到了RGB、HSV、YCbCr、YIQ等，没有包含lαβ和其它颜色空间的转换。 关键字：Matlab；图像处理；RGB

图像分割常用算法优缺点探析

图像分割常用算法优缺点探析 摘要图像分割是数字图像处理中的重要前期过程,是一项重要的图像分割技术,是图像处理中最基本的技术之一。本文着重介绍了图像分割的常用方法及每种方法中的常用算法,并比较了各自的优缺点,提出了一些改进建议,以期为人们在相关图像数据条件下,根据不同的应用范围选择分割算法时提供依据。 关键词图像分割算法综述 一、引言 图像分割决定了图像分析的最终成败。有效合理的图像分割能够为基于内容的图像检索、对象分析等抽象出十分有用的信息,从而使得更高层的图像理解成为可能。目前图像分割仍然是一个没有得到很好解决的问题,如何提高图像分割的质量得到国内外学者的广泛关注,仍是一个研究热点。 多年来人们对图像分割提出了不同的解释和表达,通俗易懂的定义则表述为:图像分割指的是把一幅图像分割成不同的区域,这些区域在某些图像特征,如边缘、纹理、颜色、亮度等方面是一致的或相似的。 二、几种常用的图像分割算法及其优缺点 (一)大津阈值分割法。 由Otsu于1978年提出大津阈值分割法又称为最大类间方差法。它是一种自动的非参数非监督的门限选取法。该方法的基本思路是选取的t的最佳阈值应当是使得不同类间的分离性最好。它的计算方法是首先计算基于直方图而得到的各分割特征值的发生概率,并以阈值变量t将分割特征值分为两类,然后求出每一类的类内方差及类间方差,选取使得类间方差最大,类内方差最小的t作为最佳阈值。 由于该方法计算简单,在一定条件下不受图像对比度与亮度变化的影响,被认为是阈值自动选取的最优方法。该方法的缺点在于,要求得最佳阈值,需要遍历灰度范围0—(L-1)内的所有像素并计算出方差,当计算量大时效率会很低。同时,在实际图像中,由于图像本身灰度分布以及噪声干扰等因素的影响,仅利用灰度直方

彩色图像分割技术研究本科毕业论文

彩色图像分割技术研究本科毕业论文 目录 1. 引言 (1) 1.1．课题的研究背景和意义 (1) 1.2．彩色图像分割的现状 (2) 1.3．本文的容安排 (5) 2．彩色图像分割研究 (6) 2.1．数字图像处理概述 (6) 2.2．常用的颜色空间 (7) 2.3．彩色图像分割方法 (9) 2.3.1．阈值化方法 (10) 2.3.2．基于边缘的分割方法 (10) 2.3.3．基于区域的分割方法 (12) 3．无监督彩色图像分割 (13) 3.1．概述 (13) 3.2．颜色空间的转换 (14) 3.3．Sobel算子边缘提取 (15) 3.4．种子的选取 (16) 3.5．区域生长与合并 (17) 4．实验结果与分析 (18)

5．结论 (20) 参考文献 (21) 谢辞 (23)

1. 引言 1.1．课题的研究背景和意义 在人类所接收的信息中，有80%是来自视觉的图形信息，对获得的这些信息进行一定的加工处理也是目前一种广泛的需求，图像分割就是将图像中感兴趣的部分分割出来的技术。在图像分割的基础上，才能对目标进行特征提取和参数测量，使得更高层的图像分析和理解成为可能。因此，对图像分割的研究在图像处理领域具有非常重要的意义。 图像分割作为图像分析的基础，是图像分析过程中的关键步骤。图像分割，顾名思义是将图像按照一定的方法划分成不同的区域，使得同一区域像素之间具有一致性，不同区域间不具有这种一致性。 因为人眼对亮度具有适应性，即在一幅复杂图像的任何一点上只能识别几十种灰度级，但可以识别成千上万种颜色，所以许多情况下，单纯利用灰度信息无法从背景中提取出目标，还必须借助于色彩信息。由于彩色图像提供了比灰度图像更加丰富多彩的信息，因此随着计算机处理能力的提高，彩色图像处理正受到人们越来越多的关注。 自数字图像处理问世不久就开始了图像分割的研究，吸引了很多研究者为之付出了巨大的努力，在不同的领域也取得了很大的进展和成就，现在人们还一直在努力发展新的、更有潜力的算法，希望实现更通用、更完美的分割结果。目前，针对各种具体问题已经提出了许多不同的图像分割算法，对图像分割的效果也有很好的分析结论。但是，由于图像分割问题所面向领域的特殊性，而且问题本身具有一定的难度和复杂性，到目前为止还不存在一个通用的分割方法，也不存在一个判断分割是否成功

彩色图像分割混合方法

使用直方图c聚类混合方法的彩色图像分割 摘要： 本文提出了一种新的直方图阈值–模糊C-均值混合（htfcm）的方法，这种方法可以应用到模式识别以及计算机视觉特别是彩色直方图等不同领域。该方法采用直方图阈值技术在彩色图像中获得所有尽可能均匀的区域。然后，使用模糊聚类（FCM）算法来提高这些均匀区域的聚类紧凑性。实验结果表明，所提出的低复杂性的htfcm的方法可以比采用蚁群算法进行细分的其他方法，获得更好的聚类结果和分割结果。 1简介 颜色是一个可以用来提取同类区域最重要的低级别的特点，多数时候与对象或对象的部分相关。在24位真彩色图像中，特殊颜色数量通常超过图像大小的一半，可以达到16百万。从人的感知上来说，这些颜色不能被人眼识别，只能靠内部认知空间的30种颜色来区分。由于所有的特殊颜色在感知上非常接近，它们可以被组合来形成同性质的区域来代表图像中的目标对象，因此图像可以变得更有意义并且更容易分析。在图像处理与计算机视觉中，图像分割是图像分析和模式识别的中心任务。这是把一个图像分割成多个区域，这些区域相对于一个或多个特征是同类的。 虽然在科学文献中已经出现许多分割技术，它们可分为基于图像域，基于物理和基于特征空间的分割技术。这些技术已经被广泛使用，但每一种都有其优点和局限.图像域技术把颜色特征和颜色的空间关系应用到同类评估中以便进行分割，这些技术产生具有合理紧凑性的区域但有会存在合适的种子区域选择困难的问题。基于物理技术的方法利用材料的反射特性的物理模型进行具有更多应用的颜色分割，他们的模型可能会产生色彩变化.特征空间技术利用颜色特征作为图像分割的关键和唯一标准来分割图片。因为色彩空间关系被忽略所以分割的区域通常是分散的。但是，这种限制可以通过提高区域紧凑性来解决。 在计算机视觉和模式识别中，由于其聚类有效性和实施简单，模糊C均值（FCM）算法已被广泛用于提高区域的紧凑性。它是一个将像素划分成群集的像素聚类过程，因此在同一集群中的像素最大可能的相似，那些不在同一组群的像素最大程度的不同。由于在视觉上不同的区域尽可能不同，这与分割过程相一致。但是，它的实现往往遇到两个不可避免的困难，确定聚类数和合理选择初始聚类中心。这些初始化困难对分割质量有影响。而聚类数的确定可能影响分割区域和区域性特征方差，获得初始聚类中心会影响聚类的紧凑性和分类的准确性。 最近，一些基于特征的分割技术采用蚁群算法（ACA）的概念对图像进行分割。由于蚁群算法的智能搜索能力，这些技术可以实现图像分割结果的进一步优化。但由于他们计算的复杂性会产生低效率。除了获得良好的分割结果外，[26]提及的改进的蚁群算法（AS）提供了一个解决方案来克服FCM的聚类中心和聚类数初始化条件的敏感性。然而，该技术在特征空间中没有达到非常紧凑的聚类结果。为了提高蚁群算法的性能，[26]介绍了蚁群–模糊C-均值算法(AFHA)。本质上，AFHA算法合并FCM算法和蚁群算法来提高特征空间中聚类结果的紧凑性。然而，由于蚁群算法计算的复杂度它的效率仍然很低。为了增加AFHA算法的效率，[26]介绍了改进的蚁群模糊C均值算法(IAFHA)。IAFHA算法在AFHA算法上增加了一个蚂蚁的子采样的方法以减少计算的复杂性使算法具有更高的效率。虽然IAFHA 的效率得到提高，但还存在较高的计算复杂度。 在本文中，我们提出了一个新的分割方法称为直方图阈值–模糊C-均值混合算法（htfcm）。Htfcm方法主要分为两个模块，即直方图阈值模块和FCM模块。直方图阈值模块用于获取FCM聚类中心和聚类数的初始条件。与蚁群聚类相比这个模块的实现不需要很高的计算复杂度。这就意味着该算法的简单性。 本文的其余部分安排如下：第2节详细地介绍了直方图阈值模块和FCM模块。3节提供了

kmeans图像分割算法

he = imread('f:\3.jpg'); % 读入图像 imshow(he), title('H&E image'); text(size(he,2),size(he,1)+15,... 'Image courtesy of Alan Partin, Johns Hopkins University', ... 'FontSize',7,'HorizontalAlignment','right'); cform = makecform('srgb2lab'); % 色彩空间转换 lab_he = applycform(he,cform); ab = double(lab_he(:,:,2:3)); % 数据类型转换 nrows = size(ab,1); % 求矩阵尺寸 ncols = size(ab,2); % 求矩阵尺寸 ab = reshape(ab,nrows*ncols,2); % 矩阵形状变换 nColors = 3; % 重复聚类3次，以避免局部最小值 [cluster_idx cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean', ... 'Replicates',3); pixel_labels = reshape(cluster_idx,nrows,ncols); % 矩阵形状改变 imshow(pixel_labels,[]); % 显示图像 title('image labeled by cluster index'); % 设置图像标题 segmented_images = cell(1,3); % 细胞型数组 rgb_label = repmat(pixel_labels,[1 1 3]); % 矩阵平铺 for k = 1:nColors color = he; color(rgb_label ~= k) = 0;

(原创)基于MATLAB的彩色图像皮肤区域分割算法研究与实现

通信工程系 综合实习报告 题目：基于MATLAB的彩色图像皮肤区域分割算法研究与 实现 姓名：刘奇 指导教师：杨敏 班序号：11206213 学号：20061002153 成绩： 2009年9 月

目录 第一章引言 (2) 第二章算法理论与实现原理 (3) 2.1肤色分割理论 (3) 2.2常见肤色模型比较 (3) 2.2.1 区域模型............................................................................. 错误！未定义书签。 2.2.2 简单高斯模型 (4) 2.2.3 混合高斯模型 (5) 2.2.4 直方图模型 (5) 2.3常见色彩空间比较 (6) 2.3.1 RGB (6) 2.3.2 HSV (7) 2.3.3 YCbCr (7) 第三章系统设计 (8) 3.1建立肤色模型 (8) 3.2肤色分割步骤 (9) 3.3实现人脸检测 (10) 3.4设计系统GUI (10) 3.4.1 GUI设计步骤........................................................................ 错误！未定义书签。 3.4.2 系统功能描述....................................................................... 错误！未定义书签。第四章系统调试.. (11) 4.1系统功能描述 (11) 4.1.1导入入图像文件 (11) 4.1.2对图像滤波处理 (11) 4.1.3 RGB到YCbCr空间转换 (12) 4.1.4显示似然图 (14) 4.1.5显示二值图 (14) 4.1.6显示皮肤区域分割图 (14) 4.1.7进行人脸检测并加框输出 (14) 4.2 调试难点 (15) 4.2.1 复杂背景下漏检和错检 (15) 4.2.2小图像无法覆盖大图像 (15) 4.2.3人脸检测处理速度过慢 (15) 第五章实习总结 (16) 参考文献 (16) 实习日志 (16)

彩色图像分割的国内外研究现状 (修复的)

图像分割是图像处理中的一项关键技术，自上世纪70年代起一直受到人们的高度重视，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。目前大致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。1．阈值分割方法 阈值分割方法的历史可追溯到近40年前，现已提出了大量算法，对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范闱之中的灰度阈值，然后将图像中各个象素的灰度值都与这个阈值相比较，并根据比较结果将对应的像素分为两类。这两类像素一般分属图像的两类区域，从而达到分割的目的。 2。基于边缘的分割方法 图像最基本的特征是边缘，它是图像局部特性不连续（或突变）的结果。例如，灰度值的突变、颜色的突变、纹理的突变等。边缘检测方法是利用图像一阶导数的极值或二阶导数的过零点信息来提供判断边缘点的基本依据，经典的边缘检测方法是构造对图像灰度阶跃变化敏感的差分算子来进行图像分割，如Robert算子、Sobel算子、Prewitt算子、Laplacian算子等。 3．基于区域的分割方法 区域分割的实质就是把具有某种相似性质的像素连通起来，从而构成最终的分割区域。它利用了图像的局部空间信息，可有效的克服其它方法存在的图像分割空间不连续的缺点，但它通常会造成图像的过度分割。 4．结合特定理论工具的分割方法 图像分割至今为止尚无通用的自身理论。近年来，随着各学科许多新理论和新方法的提出，人们也提出了许多与一些特定理论、方法和工具相结合的分割技术。（1）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。 （2）基于模糊技术的图像分割方法基于模糊集合和逻辑的分割方法是以模糊数学为基础，利用隶属决图像中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题，该方法在医学图像分析中有广泛的应用。 （3）基于人工神经网络技术的图像分割方法，基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对象素进行分类来达到分割的目的。 （4）遗传算法在图像分割中的应用遗传算法是基于进化论自然选择机制的、并行的、统计的、随机化搜索方法。 (5)基于小波分析和变换的分割技术该方法是借助新出现的数学工具小波变换来分割图像的一种方法，也是非常新的一种方法。

基于MATLAB的图像分割算法研究毕业设计

基于MA TLAB的图像分割算法研究 基于MATLAB的图像分割算法研究 摘要 本文从原理和应用效果上对经典的图像分割方法如边缘检测、阈值分割技术和区域增长等进行了分析。对梯度算法中的Roberts算子、Sobel算子、Prewitt算子、拉普拉斯(Laplacian)算子、LoG(Laplacian-Gauss)算子、坎尼（Canny）算子的分割步骤、分割方式、分割准则相互比较可以看出根据坎尼（Canny）边缘算子的3个准则得出的边缘检测结果最满意。而阈值分割技术的关键在于阈值的确定，只有阈值确定好了才能有效的划分物体与背景，但这种方法只对于那些灰度分布明显，背景与物体差别大的图像的分割效果才明显。区域增长的基本思想是将具有相似性质的像素集合起来构成新区域。与此同时本文还分析了图像分割技术研究的方向。 关键词：图像处理图像分割 Abstract This article analyses the application effect to the classics image segmentation method like the edge examination, territory value division technology, and the region growth and so on.For comparing the Roberts operator, Sobel operator, Prewitt operator, the operator of Laplacian and the operator of LoG(Laplacian-Gauss),Canny operator in gradient algorithm,the step, the way and the standard of the image segmentation,we can find out the three standard of Canny edge operator the edge detection result of reaching most satisfy. And the key point of threshold segmentation lie in fixing the threshold value, it is good to have only threshold value to determine it then can be effective to divide object and background,but this kind of method is good to those gray scales,the big difference image effect between the background and obiect. The basic idea of area is to form the new region from similar nature.And also, this paper analyses the research direction of image segmentation technology at the same time. Key words: image processing image segmentation operator

基于图的快速图像分割算法

Efficient graph-based image segmentation 2.相关工作 G=(V ,E)，每个节点V i v 对应图像中一个像素点，E 是连接相邻节点的边，每个边有对应有一个权重，这个权重与像素点的特性相关。 最后，我们将提出一类基于图的查找最小割的分割方法。这个最小割准则是最小化那些被分开像素之间的相似度。【18】原文中叫Component,实质上是一个MST,单独的一个像素点也可以看成一个区域。 预备知识： 图是由顶点集（vertices ）和边集（edges ）组成，表示为，顶点，在本文中即为单个的像素点，连接一对顶点的边具有权重，本文中的意义为顶点之间的不相似度，所用的是无向图。 树：特殊的图，图中任意两个顶点，都有路径相连接，但是没有回路。如上图中加粗的边所连接而成的图。如果看成一团乱连的珠子，只保留树中的珠子和连线，那么随便选个珠子，都能把这棵树中所有的珠子都提起来。如果，i 和h 这条边也保留下来，那么h,I,c,f,g 就构成了一个回路。 最小生成树（MST, minimum spanning tree ）：特殊的树，给定需要连接的顶点，选择边权之和最小的树。上图即是一棵MST 。 本文中，初始化时每一个像素点都是一个顶点，然后逐渐合并得到一个区域，确切地说是连接这个区域中的像素点的一个MST 。如图，棕色圆圈为顶点，线段为边，合并棕色顶点所生成的MST ，对应的就是一个分割区域。分割后的结果其实就是森林。 边的权值： 对于孤立的两个像素点，所不同的是颜色，自然就用颜色的距离来衡量两点 的相似性，本文中是使用RGB 的距离，即

几种图像分割算法在CT图像分割上的实现和比较

第20卷第6期2000年12月北京理工大学学报JOurnaI Of Beijing InStitute Of TechnOIOgy VOI.20NO.6Dec.2000 文章编号21001-0645(2000)06-0720-05几种图像分割算法在CT 图像分割上的 实现和比较 杨 加19吴祈耀19田捷29杨骅2(1-北京理工大学电子工程系9北京1000 1;2-中国科学院自动化研究所9北京1000 0)摘要2对目前几种在图像分割领域得到较多应用的交互式分割 区域生长分割以及阈值 分割算法进行了探讨9并且结合实际CT 片图例分别进行分割实验研究9得到较为满意和 可用性强的结果.实验表明2阈值分割对于CT 切片的效果最好;区域生长分割适宜于对面 积不大的区域进行分割9分割效果较好;基于动态规划的交互式分割算法比较复杂9计算时 间较长9但对于边缘较平滑的区域9同样具有较好的实际效果.几种算法的评估为其在CT 图像分割上的实际应用提供了科学依据. 关键词2图像分割算法;CT 图像分割;交互式分割;阈值分割;区域生长分割 中图分类号2TN 911-73文献标识码2A 收稿日期220000625 基金项目2国家自然科学基金资助项目(69 43001);国家 63 计划项目作者简介2杨加9男91975年生9硕士生. 图像分割可以分解为两个任务9即识别(recOgnitiOn )和描绘(deIineatiOn ).识别的目的在于确定目标物体的大致位置并区别于图像中的其它物体;而描绘的任务在于精确定义和刻画图像中目标物体的区域或边缘的空间范围.人的识别能力通常强于计算机算法9另一方面9计算机算法的描绘能力则优于操作者(人).因此既能利用操作者强大的识别能力9又能利用计算机算法的描绘能力的交互式图像分割则越来越受到人们的关注.在医学领域中9图像分割是病变区域提取 特定组织测量以及实现三维重建的基础9因此图像分割技术在医学图像处理中具有十分重要的意义[1].作者探讨了3种目前在图像分割上得到较多实际应用的分割算法9并结合实际CT 片图例进行了实验研究9得到较为满意和可用性强的结果;最后对这几种方法进行了评估9为这些算法在CT 图像分割上的实际应用提供了科学依据. 1 交互式分割算法1-1基本理论及算法描述 动态规划方法最早应用于图像边缘跟踪[2].可以将图像边缘检测看作一个优化问题[3]9并将其表述为找出一目标函数V =V (I 19I 29I 39~9I H )的最优值M (如取最小值min )9得V 取最优值时的一组自变量值(I 19I 29I 39I 49~9I H 9).若变量离散9目标函数没有特定规律可循时9则该问题将包括一个极大的解空间.如果这个目标函数能够描述成如下形式2 V =V (I 19I 29I 39~9I N )=V 0(I 09I 1)+V 1(I 19I 2)+~+V H-1(I H-19I H )

图像分割方法总结

医学图像分割理论方法概述 医学图像分割就是一个根据区域间的相似或不同把图像分割成若干区域的过程。目前,主要以各种细胞、组织与器官的图像作为处理的对象,图像分割技术主要基于以下几种理论方法。 1.基于统计学的方法 统计方法是近年来比较流行的医学图像分割方法。从统计学出发的图像分割方法把图像中各个像素点的灰度值看作是具有一定概率分布的随机变量,观察到的图像是对实际物体做了某种变换并加入噪声的结果,因而要正确分割图像,从统计学的角度来看,就是要找出以最大的概率得到该图像的物体组合。用吉布斯(Gibbs)分布表示的Markov随机场(MRF)模型,能够简单地通过势能形式表示图像像素之间的相互关系,因此周刚慧等结合人脑MR图像的空间关系定义M arkov随机场的能量形式,然后通过最大后验概率 (MAP)方法估计Markov随机场的参数,并通过迭代方法求解。层次MRF采用基于直方图的DAEM算法估计标准有限正交混合( SFNM)参数的全局最优值,并基于MRF先验参数的实际意义,采用一种近似的方法来简化这些参数的估计。林亚忠等采用的混合金字塔Gibbs随机场模型,有效地解决了传统最大后验估计计算量庞大和Gibbs随机场模型参数无监督及估计难等问题,使分割结果更为可靠。 2.基于模糊集理论的方法 医学图像一般较为复杂,有许多不确定性和不精确性,也即模糊性。所以有人将模糊理论引入到图像处理与分析中,其中包括用模糊理论来解决分割问题。基于模糊理论的图形分割方法包括模糊阈值分割方法、模糊聚类分割方法等。模糊阈值分割技术利用不同的S型隶属函数来定义模糊目标,通过优化过程最后选择一个具有最小不确定性的S函数,用该函数表示目标像素之间的关系。这种方法的难点在于隶属函数的选择。模糊C均值聚类分割方法通过优化表示图像像素点与C各类中心之间的相似性的目标函数来获得局部极大值,从而得到最优聚类。Venkateswarlu等改进计算过程,提出了一种快速的聚类算法。 2. 1 基于模糊理论的方法模糊分割技术是在模糊集合理论基础上发展起来的,它可以很好地处理MR图像内在的模糊性和不确定性,而且对噪声不敏感。模糊分割技术主要有模糊阈值、模糊聚类、模糊边缘检测等。在各种模糊分割技术中,近年来模糊聚类技术,特别是模糊C - 均值( FCM)聚类技术的应用最为广泛。FCM是一种非监督模糊聚类后的标定过程,非常适合存在不确定性和模糊性特点的MR图像。然而, FCM算法本质上是一种局部搜索寻优技术,它的迭代过程采用爬山技术来寻找最优解,因此容易陷入局部极小值,而得不到全局最优解。近年来相继出现了许多改进的FCM分割算法,其中快速模糊分割( FFCM)是最近模糊分割的研究热点。FFCM算法对传统FCM算法的初始化进行了改进,用K - 均值聚类的结果作为模糊聚类中心的初值,通过减少FCM的迭代次数来提高模糊聚类的速度。它实际上是两次寻优的迭代过程,首先由K - 均值聚类得到聚类中心的次最优解,再由FCM进行模糊聚类,最终得到图像的最优模糊分割。