基于阈值的图像分割方法.docx

《基于阈值的图像分割方法.docx》由会员分享，可在线阅读，更多相关《基于阈值的图像分割方法.docx（15页珍藏版）》请在课桌文档上搜索。

1、 目 录摘 要1关键词1ABSTRACT2KEY WORDS2引言31 基于点的全局阈值选取方法41.1 最大类间交叉熵法5 1.2迭代法62基于区域的全局阈值选取方法72.1简单统计法82.3 直方图变化法93局部阈值法和多阈值法103.1水线阈值算法113.2变化阈值法124仿真实验结论12参考文献13附录基于阈值的图像分割方法摘要：图像分割多年来一直受到人们的高度重视，至今这项技术也是趋于成熟，图像分割方法类别也是不胜枚举，近年来每年都有上百篇有关研究报道发表。图像分割是由图像处理进到图像分析的关键环节，是指把图像分成各具特性的区域并提取出有用的目标的技术和过程。在日常生活中，人们对图片

2、的要求也是有所提高，在对图像的应用中，人们经常仅对图像中的某些局部感兴趣，这些局部就对应图像中的特定的区域，为了辨识和分析目标局部，就需要将这些有关局部别离提取出来，因此就要应用到图像分割技术。关键词：图像分割；阈值；matlabBased on thresholding for image segmentation methodsAbstract：Image segmentation is a indispensable part of image processing and analysis, have important practical significance.It is acc

3、ording to the needs of image processing and analysis of the image into each area and extract the characteristic of technology and process of interested target.Image segmentation methods and types have a lot of different categories, some segmentation operation can be directly applied to all images, w

4、hile others can only apply to special image.The purpose of this paper is to through the collection of image segmentation method based on threshold related information, analysis the advantages and disadvantages of various segmentation algorithm, using the MATLAB tools to threshold segmentation algori

5、thm is studied.Keywords:image segmentation; The threshold value; matlab引言在现代科学中，随着计算机科学技术的不断开展，人们在日常生活中对图像信息的需求急剧暴涨，人们对图像得要求也越来越高，p图软件，美颜相机等等也是越来越受大众喜爱，对此，数字图像处理技术在近年来也是得到了迅速的开展和改良，成为当下学科领域的热门焦点。图像分割是图像识别和计算机视觉至关重要的预处理。没有正确的分割就不可能有正确的识别。但是，进展分割仅有的依据是图像中像素的亮度与颜色，由计算机自动处理分割时，将会遇到各种困难。例如，光照不均匀、噪声的影响、图像

6、中存在不清晰的局部，以与阴影等，常常发生分割错误。因此图像分割是需要进一步研究的技术。人们希望引入一些人为的知识导向和人工智能的方法，用于纠正某些分割中的错误，是很有前途的方法。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。图像分割的方法也是不胜枚举。其中阈值法就是一种传统而又简单实用的图像分割方法，也是最根底和最广泛的分割方法。这些方法都广泛应用于各个领域，比如，红外技术应用，医药技术应用，农业工程技术应用，工业产业等行业。1：基于点的全局阈值选取方法1.1最大类间交叉熵法在取阈值分割中，一般要求月至的选取要使分割的目标与背景尽可能的差异，假设图像

7、有目标1和背景2两类像素，可以用交叉熵来度量目标和背景间的差异，将这种类间差异性用原始图像p中的个像素点S判决到目标和背景两类区域的两个后验概率p(1/s),p(2/s)之间的交叉熵的平均值表示，通过最大化将像素点判决到不同的区域的后验概率来求最优的阈值。在这里，我们设X是一幅具有L级灰度级的图像，其中第i级像素为个，其中i的值在0L-1之间，图像的总像素点个数为：第i级出现的概率为：图像的总平均灰度级为：类像素所占面积的比例为：类像素所占面积的比例为：类像素的平均灰度为：类像素的平均灰度为：其中，那么类间方差公式为：1.2迭代法 迭代法求阈值的原理： 基于逼近的思想，步骤如下： 1 求出图象

8、的最大灰度值和最小灰度值，分别记为ZMAX和ZMIN，令初始阈值T0=(ZMAX+ZMIN)/2； 2 根据阈值TK将图象分割为前景和背景，分别求出两者的平均灰度值ZO和ZB 3 求出新阈值TK+1=(ZO+ZB)/2； 4 假设TK=TK+1，那么所得即为阈值；否那么转2，迭代计算。2：基于区域的全局阈值选取方法2.1简单统计法简单统计法是一种基于简单的图像统计的根底阈值选取方法。阈值通过简单统计法可以直接计算得到，从而防止了去分析灰度直方图。该方法的计算公式为 (8) 其中， 2.2 直方图变化法 实际的说，直方图的谷底是非常理想的分割阈值，现实很难操作，而且在实际应用中，图像也会受到噪声

9、等其他环境等的影响从而使其直方图上原本别离的峰之间的谷底被填充，或者目标和背景的峰相距很近或者大小差不多。 直方图变化的根本思想是利用一些像素领域的局部性质对原来的直方图进展变换已得到一个新的直方图，比照原直方图，或者峰之间的谷更深了。或者谷转变成峰从而更好检测了。借助前面的梯度算子作用于领域可以得到该像素的梯度值。3：局部阈值法和多阈值法 3.1水线阈值算法分水岭图像分割算法是借助地形学的概念进展操作的，这种方法近年来得到了广泛的使用，该算法要操作需要掌握相关的数学形态学的理念和方法。该算法是串行计算过程，得到的是目标的边界，这种方法是通过确定分水岭的位置而进展的图像分割，但由于各区域部像素

10、的灰度很相近，相邻区域的像素灰度差距比拟大，可以先计算一幅图的梯度图，再找梯度图的分水岭。 3.2变化阈值法有时候图像中有如下一些情况：有阴影，照度不均匀，各处的比照度不同，突发噪声，背景灰度变化等，在这些情况下，如果只用一个固定的全局阈值对整幅图像进展分割，那么由于不能兼顾图像各处的情况而使分割效果受到影响。有一种解决方法就是用与象素位置相关的一组阈值来对图像各局部分别进展分割。这种与坐标相关的阈值也叫动态阈值，此方法也叫变化阈值法。例如，一幅照度不均左边亮右边暗的原始图像为：图4.原始图像图5.阈值低，对亮区效果好，那么暗区差图6.阈值高，对暗区效果好，那么亮区差图7.按两个区域取局部阈值

11、的分割结果4：仿真实验结论阈值法是一种传统但有简单有效实用的根底图像分割方法。图像的的变化是无穷无尽的，在实际应用中，通常将多种分割算法有效地结合在一起使用以获得更好的分割效果。除了以上介绍的方法外，还存在着多种不同的其他有效方法，在此，就不多介绍，此外，本片论文也存在在一些描述不是很清楚的地方，希望有缘读者可以提供相关建议和意见，一定多加感。参考文献：1 夏得深，傅德胜.现代图像处理技术与应用.东南大学出版,20012余成波.数字图像处理与MATLAB实现M.:大学,2003.3直芳,游胜志等.基于多尺度彩色形态矢量算子的边缘检测.中国图像图形学报 2002 (9) 888-8934周铭,周

12、惠.基于遗传算法的自适应聚类图像阈值分割方法.计算机工程与应用J，2005,5(6):231-245. 5杰，黄朝兵. 数字图像处理与MATLAB实现.电子工业,20106 吴一全,朱兆达.图像处理中阈值选取方法30年(1962-1992)的进展一.数据采集与处理J,1993,9(3):193-201.7 吴一全,朱兆达.图像处理中阈值选取方法30年(1962-1992)的进展二.数据采集与处理8 王茜蓓,中,莉.一种基于自适应阈值的图像分割算法.理工大学学报J,2003，23(4):531-524.9 Sahoo P K et al. A survey of thresholding tec

13、hniques. Computer Vision, Graphics and Image ProcessingJ,1988,41(3):233-260.10 Doyle W.Operations useful for similarity-invariant pattern recognition JACMJ,1962, 9(2):259-26711 Perez A, Gonzalez R C.An iterative thresholding algorithm for image segmentation. IEEE TransJ,1987,9(6):742-751.附录：I=imread(tsaml.jpg);I=double(I);T=(min(I(:)+max(I(:)/2;done=false;i=0;while doner1=find(IT);Tnew=(mean(I(r1)+mean(I(r2)/2; done=abs(Tnew-T)1;T=Tnew;i=i+1;endI(r1)=0;I(r2)=1;figure;imshow(I)2：a=imread(img.bmp);imshow(a)figure;imhist(a)15 / 15