图像分割算法的研究与实现学士学位毕业论文(4)

典型的图像分割方法有阈值法，边缘检测法，区域法。

分析各种图像分割方法可以发现，它们分割图像的基本依据和条件有以下4方面:

(l)分割的图像区域应具有同质性，如灰度级别相近、纹理相似等; (2)区域内部平整，不存在很小的小空洞;

(3)相邻区域之间对选定的某种同质判据而言，应存在显著差异性; (4)每个分割区域边界应具有齐整性和空间位置的准确性。

现有的大多数图像分割方法只是部分满足上述判据。如果加强分割区域的同性质约束，分割区域很容易产生大量小空洞和不规整边缘:若强调不 同区域间性质差异的显著性，则极易造成非同质区域的合并和有意义的边界丢失。不同的图像分割方法总有在各种约束条件之间找到适当的平衡点

[3]

。

2.3阈值法

阈值法的优点是计算简单，速度快，易于实现。尤其是对于不同类的物体灰度值或其他特征值相差很大时，能很有效地对图像进行分割。

阈值法的缺点是当图像中不存在明显的灰度差异或灰度值范围有较大的重叠时，分割效果不理想。并且阈值法仅仅考虑图像的灰度信息而没有考虑图像的空间信息，致使阈值法对噪声和灰度不均匀十分地敏感。在实际应用中，阈值法通常与其他方法结合使用[4]。

阈值分割法是简单地用一个或几个阈值将图像的直方图分成几类, 图像中灰度值在同一个灰度类内的象素属干同一个类。其过程是决定一个灰

度值, 用以区分不同的类, 这个灰度值就叫做“阈值”。它可以分为全局阈值分割和局部阈值分割。所谓全局阈值分割是利用利用整幅图像的信息来得到分割用的阈值, 并根据该阈值对整幅图像进行分割而局部阈值分割是根据图像中的不同区域获得对应的不同区域的阈值, 利用这些阈值对各个区域进行分割, 即一个阈值对应相应的一个子区域, 这种方法也称适应阈值分割。

阈值法是一种简单但是非常有效的方法, 特别是不同物体或结构之间有很大的强度对比时, 能够得到很好的效果它一般可以作为一系列图像处理过程的第一步。它一般要求在直方图上能得到明显的峰或谷, 并在谷底选择阈值。如何根据图像选择合适的阈值是基于阈值分割方法的重点所在, 也是难点所在。

它的主要局限是, 最简单形式的阈值法只能产生二值图像来区分两个不同的类。另外, 它只考虑象素本身的值, 一般都不考虑图像的空间特性, 这样就对噪声很敏感它也没有考虑图像的纹理信息等有用信息,使分割效果有时不能尽如人意[5]。

阈值法的几种阈值选择方法: 全局阈值法 （1）双峰法

对于目标与背景的灰度级有明显差别的图像,其灰度直方图的分布呈双峰状,两个波峰分别与图像中的目标和背景相对应,波谷与图像边缘相对应。当分割阈值位于谷底时,图像分割可取得最好的效果。该方法简单易行,但是对于灰度直方图中波峰不明显或波谷宽阔平坦的图像,不能使用该方法[6]。

假设，一副图像只有物体和背景两部分组成，其灰度图直方图呈现明显的双峰值，如下图:

图1 双峰法灰度直方图

找出阈值T，则可以对整个图像进行二值化赋值。 程序的实现：

通过数组记录直方图中的各像素点值的个数， 再对逐个像素值进行扫描。记录每个像素能作为谷底的范围值，接着找出能作为谷底范围最大的点作为阈值[7]。

实现流程图：

开始 通过数组g[255]读入直方图 逐个查看能每个像素值在直方图中能作为谷底的范围 找出能作为谷底范围最大的像素值作为阈值 根据取得的阈值对图像进行二值化 结束 图2 双峰法实现流程图

（2）灰度直方图变换法

该方法不是直接选取阈值,而是对灰度直方图进行变换,使其具有更深的波谷和更尖的波峰,然后再利用双峰法得到最优阈值。这种方法的一个共同特征是根据像素点的局部特性,对其进行灰度级的增强或减弱的变换。这种方法假设图像由目标和背景组成,并且目标和背景灰度直方图都是单峰分布。

（3）迭代法（最优方法）

它基于逼近的思想，基本算法如下：

<1> 求出图像的最大灰度值和最小灰度值，分别记为Max和Min，令初始阈值为：Tk?（Max?Min）/2，根据阈值Tk将图像分割为前景和背

[5]

景，分别求出两者的平均灰度值Z0和Zb；

<2> 求出阈值Tk?1?(Z0?Zb)/2；

<3> 如果Tk?Tk?1；则所得即为阈值；否则转<2>迭代计算。 迭代所得的阈值分割图象的效果良好， 基于迭代的阈值能区分图象的前景和背景的主要区域所在，但是在图象的细微处还是没有很好的区分度，令人惊讶的是对某些特定图象，微小数据的变化会引起分割效果的巨大变化，两者的数据只是稍有变化，分割效果反差极大，具体原因还有待进一步研究[8]。

局部阈值法

原始图像被分为几个小的子图像,再对每个子图像分别求出最优分割阈值。

（1）自适应阈值

在许多情况下，背景的灰度值并不是常数，物体和背景的对比度在图像中也有变化。这时，一个在图像中某一区域效果良好的阈值在其它区域却可能效果很差。另外，当遇到图像中有阴影、突发噪声、照度不均、对比度不均或背景灰度变化等情况时，只用一个固定的阈值对整幅图像进行阈值化处理，则会由于不能兼顾图像各处的情况而使分割效果受到影响。在这些情况下，阈值的选取不是一个固定的值，而是取成一个随图像中位置缓慢变化的函数值是比较合适的。这就是自适应阈值。

自适应阈值就是对原始图像分块，对每一块区域根据一般的方法选取局部阈值进行分割。由于各个子图的阈值化是独立进行的，所以在相邻子图像边界处的阈值会有突变，因此应该以采用适当的平滑技术消除这种不连续性，子图像之间的相互交叠也有利于减小这种不连续性。

总的来说，这类算法的时间和空间复杂度都较大，但是抗噪能力强，对一些使用全局阈值法不宜分割的图像具有较好的分割效果。

（2）多阈值分割

在多阈值分割中，分割是根据不同区域的特点得到几个目标对象，所以提取每一个目标需要采用不同的阈值，也就是说要使用多个阈值才能将它们分开，这就是多阈值分割。

在实际的应用中，由于噪声等干扰因素，直方图有时不能出现明显的峰值，此时选择的阈值不能得到满意的结果；另外一个就是阈值确定主要依赖于灰度直方图，很少考虑图像中象素的空间位置关系，因此当背景复杂，特别是在同一背景上重叠出现若干个研究目标时，容易丧失部分边界信息，造成图像分割的不完整[9]。 2.4 基于边缘检测的分割方法

边缘(或边沿)是指其周围像素灰度有阶跃变化或“屋顶”变化的那些像素的集合，也即边缘是灰度值不连续的结果，这种不连续常可以用求导数方便的检测到，一般常用一阶导数和二阶导数来检测边缘。边缘广泛存在于物体与背景之间、物体与物体之间、基元与基元之间。因此，它是图像分割所依赖的重要特征，而边缘信息是一种图像的紧描述，所包含的往往是图像中最重要的信息，故对图像提取边缘能极大地降低我们要处理的数据量。

常见的边缘剖面有3种：

（1） 阶梯状边缘：阶梯状的边缘处于图像中两个具有不同灰度值的相邻区域之间，可用二阶导数的过零点检测边缘位置；

（2）脉冲状边缘：主要对应细条状的灰度值突变区域，通过检测二阶导数过零点可以确定脉冲的范围；

（3） 屋顶状边缘：屋顶状边缘位于灰度值从增加到减少的变化转折点，通过检测一阶导数过零点可以确定屋顶 …… 此处隐藏：1482字，全部文档内容请下载后查看。喜欢就下载吧 ……