改进的利用门限的分水岭图像分割算法
２００７年第１２期福建电脑
改进的利用门限的分水岭图像分割算法
李洪军，王继成
（同济大学计算机系上海２０１８０４）
【摘要】：分水岭变换的一些优秀的性质使它在许多不同的图像分割应用中非常常用：它简单并且具有直观性，可以并行实现，并且总是产生完整的图像轮廓。然而，它仍然有许多缺点（过度分割，对噪声敏感，难于检查出细结构物体或者低信噪比的结构）。本文提出一种改进的使用门限的分水岭算法来在不同程度上克服分水岭的这些缺陷。我们把该算法应用在三类图片上，一种具有复杂结构，一种具有低对比度，一种有低的信噪比。本文展示了该算法的分割结果，展示了该算法在这几类图片上出色表现。
【关键词】：图像分割，过度分割，基于沉浸的分水岭算法，标记的分水岭算法
１．前言
１．１分水岭变换
分水岭变换是一种流行的图像分割方法，它来自数学形态学领域［１］。我们把灰度图象看作地形表面，让每一点的像素值代表这点的高度。然后考虑雨水降落到该地表，随着水位不断上升，水会从不同的局部最小点形成汇水盆，而分水岭就是阻挡这些汇水盆相互融合的堤坝。一般情况下，分水岭变换计算的是原始图片的梯度图，这样这些分水岭就正好位于梯度变化大的那些点上。
分水岭变换由于它以下的优点被用在图像处理的许多领域：直观，快速并且可以并行计算，总是产生完整的边界，这样就避免了边界连接的后处理。而且，不少研究人员把分水岭嵌入到多尺度框架中［２］。但是分水岭算法还是有一些致命的缺点，下面列出了最重要的几点［２］。
过度分割。由于大部分图像的梯度图都有许许多多的局部最小，所以分水岭变换的结果是无数的小区域边界，这样的结果毫无意义。通常的解决办法是是使用标记的图片来减少局部最小的数量，即使用带标记的分水岭变换［３］。
对噪声的敏感。局部的一些改变会引起分割结果的明显改变，强烈的噪声有时候使得分水岭变换无法找出真正的边界。其中的一个解决办法是使用各向异性的滤波器。
难以准确检测出低对比度的边界。由于对比度低所以使得信噪比高。所以由于前一个原因，对这种图片分水岭变换仍然无法很好的工作。一般的办法仍然是使用带标记的分水岭变换。而Ｖ．Ｇｒａｕ提出使用基于ＭＲＦ的分水岭变换对核磁共振脑灰白质的分割效果更好。
即使是这样，在医学图像分割中，比起近年来兴起的ｓｎａｋｅｍｏｄｅｌｓ和ｌｅｖｅｌｓｅｔ方法，分水岭变换由于分水线总是位于梯度变换最剧烈的地方，并且总是产生完整的边界，从而在对比度低的图像分割中显示出了无可比拟的优势。这使得让分水岭变换能更好的工作是非常有意义的。
１．２本文所做的工作概览
我们提出一种改进的分水岭算法，它极大程度上改善了分水岭变换的表现。第２部分给出了算法。２．１部分给出了分水岭变换的定义，２．２部分给出标记分水岭变换的算法描述，２．３部分给出了我们改进的算法描述。第３部分给出我们的分割结果和其他分割方法的分割结果。３．１部分给出了低对比度的图像的分割结果。我们的分割结果明显优于直接的分水岭分割结果。并且与常用的带标记的分水岭算法分割结果做了比较。３．２部分给出了对于复杂结构的分割结果，我们的分割结果与带标记的分水岭变换的比较。３．３部分给出了对于低信噪比的图像分割结果，并且与经过去噪后的分割结果进行了比较，显示出该算法对噪声的稳定性。第４部分给出了结论和展望。
２．算法
２．１离散图像的分水岭变换的定义及算法描述２．１．１离散图像的分水岭变换的定义
对于分水岭变换，目前存在着几种定义，文献［４］对这些定义进行了归纳，整理。我们这里所采用的定义是基于沉浸的分水岭变换（ｗａｔｅｒｓｈｅｄｂｙｉｍｍｅｒｓｉｏｎ）。
令ｆ：Ｄ＇Ｎ是一幅灰度图象，它的最大和最小灰度值为ｈ＿ｍａｘ和ｈ＿ｍｉｎ。定义一个从ｈ＿ｍｉｎ到ｈ＿ｍａｘ的水位ｈ不断递增的递归过程。在这个过程中每个与不同的局部最小相关的汇水盆地都不断扩展。定义Ｘ（ｈ）记做在水位ｈ时候汇水盆地的集合的并。在ｈ＋１层，一个连通分量Ｔ（ｈ＋１）或者是一个新的局部最小，或者是一个已经存在的Ｘ（ｈ）中的一个盆地的扩展。对于后者，按邻接关系计算高度为ｈ＋１的每一个点与各汇水盆地的距离。如果一个点与两个个以上的盆地等距离，则它不属于任何盆地，否则它属于与它距离最近的盆地。这样从而产生新的Ｘ（ｈ＋１）。把在高度ｈ出现的局部最小记作ＭＩＮ（ｈ）。把Ｙ（ｈ＋１，Ｘ（ｈ））记作高度为ｈ＋１同时属于Ｘ（ｈ）的点的集合。
定义２．１（基于沉浸的分水岭变换）
分水岭变换［５］Ｗｓｈｅｄ（ｆ）就是Ｘ（ｈ＿ｍａｘ）的补集：
２．１．２分水岭算法直观描述
整个算法模拟水平面从最低的地理高度逐渐沉浸到最高的地理高度。这时水会逐渐从各个局部最小中涌出，形成不同的汇水盆地。随着水位不断升高，当两个不同的汇水盆地将融合时，我们使用堤坝把两个盆地分开。这个堤坝足够高，即使水位到最高也无法使相邻的盆地的水汇合。当水位涨到最高时，将完全沉浸地表，这时候那些堤坝就是产生的轮廓线。
２．２带标记的分水岭算法描述
引入标记是为了控制过度分割。一个标记是属于一副图像的连通分量。我们需要找到有与重要对象相联系得内部标记，同时也要找到与背景相联系得外部标记。取得内部标记和外部标记，就可以使用ｉｍｐｏｓｉｔｉｏｎ技术［５］使梯度图像的局部最小只在这些标记的地方出现。这样所有的局部最小，即汇水盆地的个数就都是已知的。这时再使用分水岭变换，这样就可以避免过度分割。
２．３本文提出的改进的分水岭算法描述
过度分割是由于过多的局部最小而造成。带标记的分水岭算法是用预处理的办法来控制汇水盆地的数量。而本文中的算法则在算法进行的同时，通过融合一些小的，不值得考虑的汇水盆地，从而来控制盆地的数量。当两个盆地即将连通时，标准的分水岭算法就会在他们之间修堤坝来阻挡汇水盆地的相连通。而本文的算法则要进行判断。我们只认为储水量达到一定程度，并且高度达到一定高度的盆地才是我们所要的盆地。不符合这种要求的盆地我们把他们融合给与其相邻的最大的盆地。我们
７７
２００７年第１２期
福建电脑
用两个参数ｗＦａｃｔｏｒ，ｈＦａｃｔｏｒ来决定一个盆地是否应该被融合。
这两个参数取值都在０－１之间。只有大于ｗＦａｃｔｏｒ＊ＦｕｌｌＦｌｏｏｄ并
且高度大于ｈＦａｃｔｏｒ＊（ｈ＿ｍａｘ－ｈ＿ｍｉｎ）的盆地才是一个不可以被融
合的盆地。其中，ＦｕｌｌＦｌｏｏｄ是当水位达到ｈ＿ｍａｘ时整个地表存储
的水量。而ｈ＿ｍａｘ－ｈ＿ｍｉｎ就是这个地形的最大深度。而汇水盆地
深度按照如下公式进行计算：ＤｅｅｐＢａｓｉｎ＝ｈ－Ｂａｓｉｎ＿ｍｉｎ。ｈ是当
前的水位高度，而Ｂａｓｉｎ＿ｍｉｎ是该汇水盆地的最低点。而在水位
为ｈ时，汇水盆地ｍ的储水量计算公式为：
其中，Ｑｕａｎｔｉｔｙｍ（ｉ）是标记为ｍ的盆地，在水位为ｉ时，该盆
地在地表的垂直投影的面积。在离散情况下，就是在ｉ水位时，
组成该盆地的所有像素的个数。当ｗＦａｃｔｏｒ和ｈＦａｃｔｏｒ都取０值时，该算法退化为标准的基于沉浸的分水岭变换。
３．分割结果及比较
３．１低对比度图像的分割
图１低对比度的图像分割
图１左上角的是原始图片是一个电泳现象图，来自文献［３］，右上角为标准的分水岭分割结果，左下角的图片为本文提出的算法分割结果，其中白线代表分割结果。右下角为文献［３］中代标记的分水岭算法分割结果。相比较而言，我们提出的算法和文献［３］中的算法结果不相上下，都明显优于标准的分水岭分割结果。该实验ｗＦｃａｔｅｒ＝０．０４，ｈＦａｃｔｏｒ＝０．３５。
３．２含有复杂结构图片的分割
ｓ图２含有复杂结构图片的分割
图２中，第一张图片是一张经过预处理的肩部的ＣＴ扫描图像。预处理部分使用线性变换使骨组织具有最佳的对比度，并且使得几乎所有的软组织部分变成背景黑色。第二张图片是用ｍａｔｌａｂ７．１使用带标记的分水岭算法分割的得到的最好结果。第三张图像是本文算法的分割结果。注意对比两张图图左上部的一个象台湾岛形状的骨组织分割结果，我们的结果显示出应有的内外轮廓，而ｍａｔｌａｂ做出的结果只显示出一个轮廓，显得不那么合理。而从图像中上部的胸椎的分割结果来看，我们的结果显得更加完整。最后注意一下贯通图片底部的一道明亮弧线，虽然这不属于骨组织，但是对比一下我们会发现，我们得到该弧线完整的上下两个轮廓，而第二张图片仅仅得到一条线。该实验中ｗＦａｃｔｏｒ＝０．０００００５，ｈＦａｃｏｔｒ＝０．１。综合来看，我们的算法对复杂的结构分割显得更为合理。
３．３一张强噪声的图片图３含有强噪声的图像的分割
图３中第一张图片的强噪声显而易见。第二张小图片是带标记的分水岭算法分割结果，由于强噪声，使得ｉｍｐｏｓｉｔｉｏｎ技术使用起来很困难，所以分割结果完全没有意义。第三张小图片是阈值分割的结果，我们手工选择了很多阈值，这张是其中效果最好的一张，但是噪声仍然使结果无法使用。第四张大图片是我们算法的结果，虽然过度分割仍然存在，但是分割结果已经相当合理了。对于这种结果，我们可以通过一些后处理，比如ｋ－ｍｅａｎｓ聚类的融合从而使结果更加实用。或者我们进行简单的平滑操作，第５张大图片显示了经过平滑以后的本文算法做出的分割结果，其中黑线表示分割结果。与前一张图片比起来，我们可以看到，该算法对噪声还是相当稳定的。该实验中ｗＦａｃｔｏｒ＝０．０００５，ｈＦａｃｔｏｒ＝０．７．
４．结论与展望
从上述实验和算法描述可以看出，我们提出的改进的优势在于：
１．保留了分水岭算法的固有优势，如对灰度变化敏感，总是产生完整的边界，简单而且直觉，可以并行计算等。
２．对不同类型的图片在不同程度上极大的改变了分水岭变换过度分割的缺点。并且通过两个参数的调节，可以使该算法最小程度受到噪声的影响，并且可以找出复杂结构的比较准确的轮廓。
３．该算法与现在流行的分水岭变换的预处理和后处理并不矛盾。比如３．３部分，无论使用后处理还是预处理，都可以使分割结果更加优秀。
但该算法仍然有以下不足：
１．由于引入了两个阈值参数，使得全自动的分水岭变换成为半自动，需要人工参与的过程。
２．由于引入了融合过程，使得分水岭变换时间复杂度由近似的线性复杂度变为近似为Ｏ（ｎ２）。并且需要更多的空间来保留中间的一些结果。
进一步的工作可能是通过统计或者利用先验知识的方法尽可能的自动估计出比较好的阈值，使该算法变为全自动的。
参考文献：
１．Ｓ．ＢｅｕｃｈｅｒａｎｄＦ．Ｍｅｙｅｒ，＂Ｔｈｅｍｏｒｐｈｏｌｏｇｉｃａｌａｐｐｒｏａｃｈｔｏｓｅｇｍｅｎｔａｔｉｏｎ：Ｔｈｅｗａｔｅｒｓｈｅｄｔｒａｎｓｆｏｒｍ，＂ｉｎＭａｔｈｅｍａｔｉｃａｌＭｏｒｐｈｏｌｏｇｙｉｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，１９９３，ｖｏｌ．１２，ｐｐ．４３３－４８１
２．Ｖ．Ｇｒａｕ，Ｍ．Ａｌｃａ？ｉｚＲ．Ｋｉｋｉｎｉｓ等，＂ＩｍｐｒｏｖｅｄＷａｔｅｒｓｈｅｄＴｒａｎｓｆｏｒｍｆｏｒＭｅｄｉｃａｌＩｍａｇｅＳｅｇｍｅｎｔａｔｉｏｎＵｓｉｎｇＰｒｉｏｒＩｎｆｏｒｍａｔｉｏｎ＂，ｉｎＩＥＥＥＴＲＡＮＳＡＣＴＩＯＮＳＯＮＭＥＤＩＣＡＬＩＭＡＧＩＮＧ，２００４，ＶＯＬ．２３，ＮＯ．４，ＡＰＲＩＬ，ｐｐ．４４７－４５８．
３．ＲａｆａｅｌＣ．ＧｏｎｚａｌｅｚａｎｄＲｉｃｈａｒｄＥ．Ｗｏｏｄｓ，＂ＤｉｇｉｔａｌＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ（ＳｅｃｏｎｄＥｄｉｔｉｏｎ）＂，ＰｒｅｎｔｉｃｅＨａｌｌ，２００２．
４．Ｊ．Ｂ．Ｔ．Ｍ．ＲｏｅｒｄｉｎｋａｎｄＡ．Ｍｅｉｊｓｔｅｒ，＂Ｔｈｅｗａｔｅｒｓｈｅｄｔｒａｎｓｆｏｒｍ：Ｄｅｆｉｎｉｔｉｏｎｓ，ａｌｇｏｒｉｔｈｍｓａｎｄｐａｒａｌｌｅｌｉｚａｔｉｏｎｓｔｒａｔｅｇｉｅｓ，＂ｉｎＦｕｎｄａｍｅｎｔａＩｎｆｏｒｍａｔｉｃａｅ，２０００，ｖｏｌ．４１，ｐｐ．１８７－２２８．
５．ＬｕｃＶｉｎｃｅｎｔａｎｄＰｉｅｒｒｅＳｏｉｌｌｅ，＂ＷａｔｅｒｓｈｅｄｓｉｎＤｉｇｉｔａｌＳｐａｃｅｓ：ＡｎＥｆｆｉｃｉｅｎｔＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＩｍｍｅｒｓｉｏｎＳｉｍｕｌａｔｉｏｎｓ＂，ＩＥＥＥ，ＴｒａｎｓａｃｔｉｏｎｓＯｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓＡｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，１９９１，Ｖｏｌ．１３，ＮＯ．６，ｐｐ．６８３－
５９８．７８
改进的利用门限的分水岭图像分割算法
２００７年第１２期福建电脑 改进的利用门限的分水岭图像分割算法 李洪军，王继成 （同济大学计算机系上海２０１８０４） 【摘要】：分水岭变换的一些优秀的性质使它在许多不同的图像分割应用中非常常用：它简单并且具有直观性，可以并行实现，并且总是产生完整的图像轮廓。然而，它仍然有许多缺点（过度分割，对噪声敏感，难于检查出细结构物体或者低信噪比的结构）。本文提出一种改进的使用门限的分水岭算法来在不同程度上克服分水岭的这些缺陷。我们把该算法应用在三类图片上，一种具有复杂结构，一种具有低对比度，一种有低的信噪比。本文展示了该算法的分割结果，展示了该算法在这几类图片上出色表现。 【关键词】：图像分割，过度分割，基于沉浸的分水岭算法，标记的分水岭算法 １．前言 １．１分水岭变换 分水岭变换是一种流行的图像分割方法，它来自数学形态学领域［１］。我们把灰度图象看作地形表面，让每一点的像素值代表这点的高度。然后考虑雨水降落到该地表，随着水位不断上升，水会从不同的局部最小点形成汇水盆，而分水岭就是阻挡这些汇水盆相互融合的堤坝。一般情况下，分水岭变换计算的是原始图片的梯度图，这样这些分水岭就正好位于梯度变化大的那些点上。 分水岭变换由于它以下的优点被用在图像处理的许多领域：直观，快速并且可以并行计算，总是产生完整的边界，这样就避免了边界连接的后处理。而且，不少研究人员把分水岭嵌入到多尺度框架中［２］。但是分水岭算法还是有一些致命的缺点，下面列出了最重要的几点［２］。 过度分割。由于大部分图像的梯度图都有许许多多的局部最小，所以分水岭变换的结果是无数的小区域边界，这样的结果毫无意义。通常的解决办法是是使用标记的图片来减少局部最小的数量，即使用带标记的分水岭变换［３］。 对噪声的敏感。局部的一些改变会引起分割结果的明显改变，强烈的噪声有时候使得分水岭变换无法找出真正的边界。其中的一个解决办法是使用各向异性的滤波器。 难以准确检测出低对比度的边界。由于对比度低所以使得信噪比高。所以由于前一个原因，对这种图片分水岭变换仍然无法很好的工作。一般的办法仍然是使用带标记的分水岭变换。而Ｖ．Ｇｒａｕ提出使用基于ＭＲＦ的分水岭变换对核磁共振脑灰白质的分割效果更好。 即使是这样，在医学图像分割中，比起近年来兴起的ｓｎａｋｅｍｏｄｅｌｓ和ｌｅｖｅｌｓｅｔ方法，分水岭变换由于分水线总是位于梯度变换最剧烈的地方，并且总是产生完整的边界，从而在对比度低的图像分割中显示出了无可比拟的优势。这使得让分水岭变换能更好的工作是非常有意义的。 １．２本文所做的工作概览 我们提出一种改进的分水岭算法，它极大程度上改善了分水岭变换的表现。第２部分给出了算法。２．１部分给出了分水岭变换的定义，２．２部分给出标记分水岭变换的算法描述，２．３部分给出了我们改进的算法描述。第３部分给出我们的分割结果和其他分割方法的分割结果。３．１部分给出了低对比度的图像的分割结果。我们的分割结果明显优于直接的分水岭分割结果。并且与常用的带标记的分水岭算法分割结果做了比较。３．２部分给出了对于复杂结构的分割结果，我们的分割结果与带标记的分水岭变换的比较。３．３部分给出了对于低信噪比的图像分割结果，并且与经过去噪后的分割结果进行了比较，显示出该算法对噪声的稳定性。第４部分给出了结论和展望。 ２．算法 ２．１离散图像的分水岭变换的定义及算法描述２．１．１离散图像的分水岭变换的定义 对于分水岭变换，目前存在着几种定义，文献［４］对这些定义进行了归纳，整理。我们这里所采用的定义是基于沉浸的分水岭变换（ｗａｔｅｒｓｈｅｄｂｙｉｍｍｅｒｓｉｏｎ）。 令ｆ：Ｄ＇Ｎ是一幅灰度图象，它的最大和最小灰度值为ｈ＿ｍａｘ和ｈ＿ｍｉｎ。定义一个从ｈ＿ｍｉｎ到ｈ＿ｍａｘ的水位ｈ不断递增的递归过程。在这个过程中每个与不同的局部最小相关的汇水盆地都不断扩展。定义Ｘ（ｈ）记做在水位ｈ时候汇水盆地的集合的并。在ｈ＋１层，一个连通分量Ｔ（ｈ＋１）或者是一个新的局部最小，或者是一个已经存在的Ｘ（ｈ）中的一个盆地的扩展。对于后者，按邻接关系计算高度为ｈ＋１的每一个点与各汇水盆地的距离。如果一个点与两个个以上的盆地等距离，则它不属于任何盆地，否则它属于与它距离最近的盆地。这样从而产生新的Ｘ（ｈ＋１）。把在高度ｈ出现的局部最小记作ＭＩＮ（ｈ）。把Ｙ（ｈ＋１，Ｘ（ｈ））记作高度为ｈ＋１同时属于Ｘ（ｈ）的点的集合。 定义２．１（基于沉浸的分水岭变换） 分水岭变换［５］Ｗｓｈｅｄ（ｆ）就是Ｘ（ｈ＿ｍａｘ）的补集： ２．１．２分水岭算法直观描述 整个算法模拟水平面从最低的地理高度逐渐沉浸到最高的地理高度。这时水会逐渐从各个局部最小中涌出，形成不同的汇水盆地。随着水位不断升高，当两个不同的汇水盆地将融合时，我们使用堤坝把两个盆地分开。这个堤坝足够高，即使水位到最高也无法使相邻的盆地的水汇合。当水位涨到最高时，将完全沉浸地表，这时候那些堤坝就是产生的轮廓线。 ２．２带标记的分水岭算法描述 引入标记是为了控制过度分割。一个标记是属于一副图像的连通分量。我们需要找到有与重要对象相联系得内部标记，同时也要找到与背景相联系得外部标记。取得内部标记和外部标记，就可以使用ｉｍｐｏｓｉｔｉｏｎ技术［５］使梯度图像的局部最小只在这些标记的地方出现。这样所有的局部最小，即汇水盆地的个数就都是已知的。这时再使用分水岭变换，这样就可以避免过度分割。 ２．３本文提出的改进的分水岭算法描述 过度分割是由于过多的局部最小而造成。带标记的分水岭算法是用预处理的办法来控制汇水盆地的数量。而本文中的算法则在算法进行的同时，通过融合一些小的，不值得考虑的汇水盆地，从而来控制盆地的数量。当两个盆地即将连通时，标准的分水岭算法就会在他们之间修堤坝来阻挡汇水盆地的相连通。而本文的算法则要进行判断。我们只认为储水量达到一定程度，并且高度达到一定高度的盆地才是我们所要的盆地。不符合这种要求的盆地我们把他们融合给与其相邻的最大的盆地。我们 ７７
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
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
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
课程设计任务书
目录 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) 第三章程序及结果 (6) 区域生长算法及程序 (6) 图像分割结果 (7) 第四章方法比较 (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)
第一章绪论 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
分水岭算法原理
所谓分水岭算法有好多种实现算法，拓扑学，形态学，浸水模拟和降水模拟等方式。要搞懂就不容易了。WatershedAlgorithm(分水岭算法)，顾名思义，就是根据分水岭的构成来考虑图像的分割。现实中我们可以或者说可以想象有山有湖的景象，那么那一定是水绕山，山围水的情形。而区分高山（plateaus）与水的界线，以及湖与湖之间的间隔或都是连通的关系，就是我们可爱的分水岭（watershed）。为了得到一个相对集中的集水盆，那么让水涨到都接近周围的最高的山顶就可以了，再涨就要漏水到邻居了，而邻居，嘿嘿，水质不同诶，会混淆自我的。那么这样的话，我们就可以用来获取边界高度大，中间灰阶小的物体区域了，它就是集水盆。浸水法，就是先通过一个适当小的阈值得到起点，即集水盆的底；然后是向周围淹没也就是浸水的过程，直到得到分水岭。当然如果我们要一直淹没到山顶，即是一直处理到图像灰阶最高片，那么，当中就会出现筑坝的情况，不同的集水盆在这里想相遇了，我们要洁身自爱，到这里为止，因为都碰到边界了。不再上山。构筑属于自己的分水岭。在计算机图形学中，可利用灰度表征地貌高。图像中我们可以利用灰度高与地貌高的相似性来研究图像的灰度在空间上的变化。这是空域分析，比如还可以通过各种形式的梯度计算以得到算法的输入，进行浸水处理。分水岭具有很强的边缘检测能力，对微弱的边缘也有较好的效果。为会么这么说呢？为什么有很强的边缘检测能力，而又能得到相对集中的连通的集水盆？现实中很好办，我们在往凹地加水的时候，直到它涨到这一块紧凑的山岭边缘就不加了；但是如果有一条小山沟存在，那没办法，在初始阈值分割的时候，也就是山沟与集水盆有同样的极小值，而且它们之间是以这个高度一直连接的。那没关系，我们将它连通。在图像上呢？如何实现？ 看看算法，算法思想是这样的： 首先准备好山和初始的水。这山就是我们的初始图像了，比如用自然获取的图像的梯度来表征山地的每一点的高度吧；而初始的水就是在阈值记为Thre底下，所有的低于这个高度的整个山地都加水，直到这个阈值Thre高度。从而有三个初始量：unsignedchar**Ori_image、 char**Seed_image和int**Label_image。最后一个是为最终的结果做准备的。当然要做好初始化，比如，Ori_image赋值为原图像（256色灰度图）的梯度值，Seed_image则是初始状态下有水的置位，无水的复位，而Label_image则全初始化为0，最终得到的是各点对应的区域号。接下来是考虑将已加的水进行记录，记录成连通的区域，也就是看看有多少个互不相关的集水盆，有五个，那么我们就涨出五个湖，而且尽可能的高，只要大家想到不溢出。在算法上，有多少个连通的区域就记录成多少个数据结构，功夫就在于如何将这些连通的区域连接成一块，并由一个数据结构来表达了。很好，我们准备用一个向量容器来实现初始保存，保存所有标记区域种子队列的数组，里面放的是种子队列的指针
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
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 )
图像处理中的标记分水岭分割算法
图像处理中的标记分水岭分割算法 如果图像中的目标物体是连接在一起的，则分割起来会更困难，分水岭分割算法经常用于处理这类问题，通常会取得比较好的效果。分水岭分割算法把图像看成一幅“地形图”，其中亮度比较强的区域像素值较大，而比较暗的区域像素值较小，通过寻找“汇水盆地”和“分水岭界限”，对图像进行分割。 直接应用分水岭分割算法的效果往往并不好，如果在图像中对前景对象和背景对象进行标注区别，再应用分水岭算法会取得较好的分割效果。有很多图像处理工具箱函数可以用到，如fspecial、imfilter、watershed、lable2rgb、imopen、imclose、imreconstruct、imcomplement、imregionalmax、bwareaopen、graythresh、和imimposemin函数等。 下面进行一个例子，步骤如下。 1、读取图像并求其边界，代码如下。 rgb = imread('');%读取原图像 I = rgb2gray(rgb);%转化为灰度图像 figure; subplot(121)%显示灰度图像 imshow(I) text(732,501,'Image courtesy of Corel',... 'FontSize',7,'HorizontalAlignment','right') hy = fspecial('sobel');%sobel算子 hx = hy'; Iy = imfilter(double(I), hy, 'replicate');%滤波求Y方向边缘 Ix = imfilter(double(I), hx, 'replicate');%滤波求X方向边缘 gradmag = sqrt(Ix.^2 + Iy.^2);%求模 subplot(122); imshow(gradmag,[]), %显示梯度 title('Gradient magnitude (gradmag)') 在这一步骤中，首先读取一套真彩色图像，然后把真色图像转化为灰度图像，结果如图所示：
图像分割技术的原理及方法
浅析图像分割的原理及方法 一．研究背景及意义 研究背景： 随着人工智能的发展，机器人技术不断地应用到各个领域。信息技术的加入是智能机器人出现的必要前提。信息技术泛指包括通信技术、电子技术、信号处理技术等相关信息化技术的一大类技术。它的应用使得人们今天的生活发生了巨大变化。从手机到高清电视等家用电器设备出现使我们的生活越来越丰富多彩。在一些军用及民用领域近几年出现了一些诸如:图像制导、无人飞机、无人巡逻车、人脸识别、指纹识别、语音识别、车辆牌照识别、汉字识别、医学图像识别等高新技术。实现它们的核心就是图像处理、机器视觉、模式识别、智能控制、及机器人学等相关知识。其中图像处理具有重要地位。而图像分割技术是图像分析环节的关键技术。 研究图像分割技术的意义： 人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，同时视觉信息是人类从自然界中获得信息的主要来源，约占人类获得外部世界信息量的80%以上。图像以视觉为基础通过观测系统直接获得客观世界的状态，它直接或间接地作用于人眼，反映的信息与人眼获得的信息一致，这决定了它和客观外界都是人类最主要的信息来源，图像处理也因此成为了人们研究的热点之一。人眼获得的信息是连续的图像，在实际应用中，为便于计算机等对图像进行处理，人们对连续图像进行采样和量化等处理，得到了计算机能够识别的数字图像。数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点，成为计算机视觉和图像处理的重要研究对象。在一幅图像中，人们往往只对其中的某些区域感兴趣，称之为前景，这些区域内的某些空间信息特性(如灰度、颜色、轮廓、纹理等)通常与周围背景之间存在差别。图像分割就是根据这些差异把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。在数字图像处理中，图像分割作为早期处理是一个非常重要的步骤。为便于研究图像分割，使其在实
基于OpenCV的分水岭分割算法的及应用
基于ＯｐｅｎＣＶ的分水岭分割算法的研究及应用 ［摘要］本文对基于形态学分水岭算法进行了深入的研究，并针对其存在的过分割问题对分水岭算 法提出改进：使用区域合并方法限制允许出现的区域的数目，这种改进的方法不仅可以很好地抑制 过分割问题，还能有效分割出图像中的感兴趣区域，以达到提取图像有效边缘信息的目的。将此方 法在ＯｐｅｎＣＶ下进行实验，结果表明这种方法可以有效清除干扰噪声及局部极小值，从而得到精确 的分割结果。 ［关键词］分水岭算法；过分割；区域合并；ＯｐｅｎＣＶ ［中图分类号］ＴＰ３９１．４［文献标识码］Ａ［文章编号］１００８－１７８Ｘ（２０１２）１２－００２０－０３ 燕杨１，２，王云吉２ （１．长春师范学院计算机科学与技术学院，吉林长春 １３００３２；２．吉林大学通信工程学院，吉林长春１３００２２） ［收稿日期］2012-07-16 ［基金项目］吉林省科技发展计划项目青年科研基金（201201112）。 ［作者简介］燕杨（１９８１－），女，吉林长春人，长春师范学院计算机科学与技术学院讲师，博士研究生，从事数字图像处理研究。第３１卷第１２期 Ｖｏｌ．３１Ｎｏ．１２长春师范学院学报（自然科学版）ＪｏｕｒｎａｌｏｆＣｈａｎｇｃｈｕｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ）２０１２年１２月Ｄｅｃ．２０１２ １分水岭算法简介 分水岭算法是基于形态学的图像分割方法，其分割特点为定位精确和分割图像边缘准确，在图像分割领域得到了广泛的应用。在许多实际情况下，我们要分割图像，但无法从背景图像中获得有用信息。分水岭算法在这方面往往是有效的，该算法可以将图像中的边缘转化为“山脉”，将均匀区域转化为“山谷”以便分隔目标。分水岭算法先计算灰度图像的梯度，让亮度值低的点（山谷）、山脊对应的边缘（山头）同时形成，然后从指定点开始持续“灌注”盆地，直到这些区域链接在一起。这种方法产生的标记可以把各个区域合并到一起，合并后的区域又通过“聚集”的方式进行分割，好像图像被“填充”起来一样。与 指示点相连的盆地就为指示点“所拥有” ，从而得到被分割成相应的标记区域的图像。分水岭算法允许用户来标记目标某个部分为目标，或背景的某个部分为背景。用户也可以通过画一条简单的线，告知分水岭算法把这些点组合起来。分水岭算法就会通过“拥有”边沿定义的山谷来分割图像。 分水岭算法定位精确且分割细致，对微弱的物体边缘响应比较敏感，能确保得到目标区域封闭连续边缘。但物体表面一些细微的灰度变化以及图像中的噪声干扰等因素皆会导致对图像过度分割的产生，从而产生过多无用的边缘信息。 本文在对分水岭算法进行了深入的研究的基础上针对其过分割的问题提出改进：使用区域合并方法限制允许出现的区域的数目，这样不仅可以有效地抑制过分割问题，还能较好地分割出图像中的目标区域，以达到提取图像有效边缘信息的目的。 ２原理 ２．１分水岭传统方法 分水岭分割方法是基于拓扑理论的形态学分割方法，它的基本概念是将图像看成地形学上被水覆盖的自然地貌，图像中的每一点像素的灰度值表示这一点海拔的高度，其中每一个局部极小值和它所影响的区域称为集水盆，集水盆的边界形成了分水岭［１］；其思想和形成可以通过模拟“溢流”的过程来说明：首先，20··
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;
分水岭算法
解决分水岭算法的过分割问题 班级：020751 学号：02075087 姓名：刘恺
摘要针对基于分水岭变换的分割算法通常存在过分割现象，提出了一种新的分割算法，采用形态学的运算去除噪声及背景像素的影响，搜索区域极大值点，将分割定位于目标图像，从而达到很好的分割效果，方法从消除过分割及区域轮廓定位等方面均具有很好的分割效果。 关检词图像分割,分水岭变换,数学形态学 Abstract The article is based on watershed algorithm, proposed a method of image segmentation, adopted the morphology arithmetic to eliminate the effect of noise and background pixel, search for the max point in each area, let segmentation orientate as target image, could reach very good segment effect. The method can efficiently eliminate over-segmentation, and hold the position of region contours without evident bias. Key words image segmentation, watershed transform ,mathematical morphology 1.1图像分割综述 把图像分解为一些特定的性质相似的部分（区域或对象），并用这些部分对图像进行分析和描述。一幅图像往往包含许多不同类型的区域，如物体、环境和背景等。图像分析的一个重要方法就是用它们作为基本组成成分对图像进行描述。例如为了在气泡室图片中检出质点碰撞形式并判定其发生位置，就要在图像中分割出气泡的轨迹及其端点。为了从输入的文本中识别出一串字符，首先就要把各个字符从背景和其他字符中分离出来。因此把图像分割为若干子图像，并利用各子图像的特性和它们之间的关系描述图像，对于图像识别和解释、物景分析以及图像的分块处理和存储都有很大的意义。 图像分割基本上是对像素进行分类的过程。例如用某个灰度阈值把图像像素分成“黑”和“白”两类，就可以把黑的对象同白的背景区分开。常用的分割方法有灰度等级阈值法、谱和空间分类法、区域生长法和边缘检测法。 灰度等级阈值法在图像只有两种组成部分的情况下，图像灰度的直方图常常呈现两个峰值。用两个峰值之间的谷值所对应的灰度作为阈值，把所有像素灰度大于或等于阈值的作为一类，小于阈值的作为另一类是一种最基本的两类分割方法。实际应用时为了改善分类的可靠性，可以利用某些附加的信息（例如已知两类区域的面积之比）使阈值的选择更加合理。在类别更多的情况下，可以采用多级阈值把各类分割开来（例如确定两个阈值，就可以把细胞图像分割为胞核、胞浆和背景三部分）。类别越多，图像直方图的峰值就越不明显，分割就更为困难。 谱和空间分类法对于彩色和多光谱图像，可以用像素的几种性质（颜色和谱信号）对像素作比较精细的分类。对于黑白图像，用包括像素本身灰度在内的一组局部性质（例如该像素邻域灰级的均值）在多维空间中进行分类。对于一些复杂图像，这种方法比单独的灰度阈值法效果更好。
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
图像阈值分割技术原理和比较要点
图像阈值分割和边缘检测技术原理和比较
摘要 图像分割是一种重要的图像分析技术。对图像分割的研究一直是图像技术研究中的热点和焦点。医学图像分割是图像分割的一个重要应用领域，也是一个经典难题，至今已有上千种分割方法，既有经典的方法也有结合新兴理论的方法。医学图像分割是医学图像处理中的一个经典难题。图像分割能够自动或半自动描绘出医学图像中的解剖结构和其它感兴趣的区域，从而有助于医学诊断。 阈值分割是一种利用图像中要提取的目标物与其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（目标和背景）的组合，选取一个合适的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生对应的二值图像。 本文先介绍各种常见图像阈值分割和边缘检测方法的原理和算法，然后通过MATLAB 程序实现，最后通过比较各种分割算法的结果并得出结论。 关键词：图像分割；阈值选择;边缘检测；
目录 1.概述 (4) 2.图像阈值分割和边缘检测原理 (4) 2.1.阈值分割原理 (4) 2.1.1．手动（全局）阈值分割 (5) 2.1.2．迭代算法阈值分割 (6) 2.1.3．大津算法阈值分割 (6) 2.2.边缘检测原理 (6) 2.2.1．roberts算子边缘检测 (7) 2.2.2．prewitt算子边缘检测 (7) 2.2.3．sobel算子边缘检测 (7) 2.2.4．高斯laplacian算子边缘检测 (8) 2.2.5．canny算子边缘检测 (8) 3.设计方案 (9) 4.实验过程 (10) 4.1.阈值分割 (12) 4.1.1．手动（全局）阈值分割 (12) 4.1.2．迭代算法阈值分割 (12) 4.1.3．大津算法阈值分割 (12) 4.2.边缘检测 (13) 4.2.1．roberts算子边缘检测 (13) 4.2.2．prewitt算子边缘检测 (13) 4.2.3．sobel算子边缘检测 (13) 4.2.4．高斯laplacian算子边缘检测 (13) 4.2.5．canny算子边缘检测 (14) 5.试验结果及分析 (14) 5.1．实验结果 (14) 5.1.1．手动（全局）阈值分割 (14) 5.1.2．迭代算法阈值分割 (17) 5.1.3．大津算法阈值分割 (18) 5.1.4．roberts算子边缘检测 (19) 5.1.5．prewitt算子边缘检测 (20) 5.1.6．sobel算子边缘检测 (21) 5.1.7．高斯laplacian算子边缘检测 (22) 5.1.8．canny算子边缘检测 (23) 5.2. 实验结果分析和总结 (24) 参考文献 (24)
标记分水岭分割算法
标记分水岭分割算法 Separating touching objects in an image is one of the more difficult image processing operations. The watershed transform is often applied to this problem. The watershed transform finds "catchment basins"(集水盆) and "watershed ridge lines"(山脊线) in an image by treating it as a surface where light pixels are high and dark pixels are low. 如果图像中的目标物体是连接在一起的，则分割起来会更困难，分水岭分割算法经常用于处理这类问题，通常会取得比较好的效果。分水岭分割算法把图像看成一幅“地形图”，其中亮度比较强的区域像素值较大，而比较暗的区域像素值较小，通过寻找“汇水盆地”和“分水岭界限”，对图像进行分割。 Segmentation using the watershed transform works better if you can identify, or "mark," foreground objects and background locations. Marker‐controlled watershed segmentation follows this basic procedure: 直接应用分水岭分割算法的效果往往并不好，如果在图像中对前景对象和背景对象进行标注区别，再应用分水岭算法会取得较好的分割效果。基于标记控制的分水岭分割方法有以下基本步骤： 1. Compute a segmentation function. This is an image whose dark regions are the objects you are trying to segment. 1.计算分割函数。图像中较暗的区域是要分割的对象。 2. Compute foreground markers. These are connected blobs of pixels within each of the objects. 2.计算前景标志。这些是每个对象内部连接的斑点像素。 3. Compute background markers. These are pixels that are not part of any object. 3.计算背景标志。这些是不属于任何对象的像素。 4. Modify the segmentation function so that it only has minima at the foreground and background marker locations.