理工大学毕业论文
结论 .............................................................................................................................................................................. 30 参考文献 ..................................................................................................................................................................... 31 附录Ⅰ 外文文献翻译 ........................................................................................................................................... 32 附录Ⅱ 程序清单 .................................................................................................................................................... 56 致 谢 .......................................................................................................................................................................... 66
V
理工大学毕业论文
第一章 图像分割技术基本现状和发展趋势
1.1图像分割的意义
在一副图像中，我们常常只对其中的某些目标感兴趣，对于这些我们感兴趣的目标，它们通常在要分割的图像中占据一定的区域，而且在某些特性上与周围的图像存在一定的差别。这些差别可能非常明显，也可能十分细微，以至于人眼无法觉察。
图像分割是按一定的制约规则把图像划分为若干个互不相交、具有特定性质的区域，是把我们关注的区域从需要分割的图像中提取出来，以此进行进一步研究分析和处理的技术。图像分割的结果是图像特征提取和识别等图像理解的基础，对图像分割的研究一直是数字图像处理技术的焦点和热点[1]。
图像分割把图像空间分成一些有意义的区域，与图像中各种物体目标相对应。它使得其后的图像分析和识别等处理过程中所要处理的数据量大大减少了，同时又保留了有关图像结构特征的信息。通过对分割结果的描述，能够理解图像中包含的有关信息。图像分割质量直接影响后续图像处理的效果，甚至决定其成败，因此，分割的方法和精确程度至关重要。由此可知，图像分割在图像工程中占据非常重要的位置。
图像分割在不同的领域也有其它的名称，如目标轮廓技术、目标检测技术、阈值化技术、目标跟踪技术等，这些技术本身或其核心实际上也就是图像分割技术。
1.2图像分割技术的基本现状
图像分割算法的研究已经有几十年的历史，一直都受到人们的高度重视。关于图像分割的原理和方法国内外已有不少的研究成果，但一直以来没有一种分割方法适用于所有图像分割处理[1]。
传统的图像分割方法存在着一些不足，无法满足人们的要求，给进一步的图像分析和理解过程带来了困难。随着计算机技术的发展及其相关技术的成熟，结合图像增强等图像处理技术，我们已经能够在计算机上实现图像分割处理过程。然而，到目前为止，人们还没有制定出选择合适分割算法的标准，这给图像分割技术的应用带来许多实际困难。因此，图像分割的研究还在不断深入，是目前图像处理中研究的热点之一[1]。
图像分割在图像工程中起着承上启下的作用，是介于低层次处理和高层次处理的中间层次。早在1965年就有人提出了检测边缘算子边缘检测方法，边缘检测已产生了不少经典算法
[1]。目前越来越多的学者开始将数学形态学、模糊理论、遗传算法理论、分形理论和小波变
换理论等研究成果运用到图像分割中，产生了结合特定数学方法和针对特殊图像分割的先进图像分割技术。
1
理工大学毕业论文
1.3 图像分割技术的发展趋势
由于图像分割技术在当今图像工程的发展过程中起着十分重要的作用，得到了广泛应用，促使人们致力于寻找新的理论和方法来提高图像分割的质量，以满足各方面的需求。
由于遗传算法、统计学理论、神经网络、分形理论以及小波理论等理论在图像分割中广泛应用，图像分割技术呈现出新的发展趋势：
(1)多种特征融合的分割方法。除利用图像的原始灰度特征外，我们还可以利用图像的梯度特征、几何特征(形态、坐标、距离、方向、曲率等)、变换特征(傅立叶谱、小波特征、分形特征等)及统计学特征(纹理、不变矩、灰度均值等)等高层次特征，对于每个待分割的像素，将所提取的特征值组成一个多维特征矢量，再进行多维特征分析。通过多种特征的融合，图像像素能被全面描述，从而获得更好的分割结果[2]。
(2)多种分割方法结合的分割方法。由于目标成像的不确定性以及目标的多样性，单一的分割方法很难对含复杂目标的图像取得理想的分割结果。此时，除需要利用多种特征融合外，还需将多种分割方法结合，使这些方法充分发挥各自的优势，并避免各自的缺点。采用哪种方式结合以获得良好的分割效果是这种方法研究的重点[2]。
2
理工大学毕业论文
第二章 图像分割的主要方法综述
图像分割是图像处理的一项关键技术，从20世纪70年代开始受到人们的高度重视，至今，人们已经提出了上千种分割算法，现在已经提出的分割算法大部分是针对具体问题的，并没有一种适用于所有图像的通用分割算法[3]。而且，至今还没有制定出选择合适分割算法的标准，这给图像分割技术的应用带来许多实际困难。因此，对图像分割的研究还在不断深入之中，它是目前图像处理中研究的热点之一。
图像分割在图像工程中起着承上启下的作用，可以认为是介于低层次处理和高层次处理的中间层次。最近几年又出现了许多新思路、新方法和改进算法。
多年来人们对图像分割提出了不同的解释和表述，借助集合概念对图像分割可给出如下定义：令集合R代表的整个图像区域，对R的图像分割可以看做是将R分成N个满足以下条件的非空子集R1,R2,?,RN。
(1)?Ri?R；
i?1N(2)对于所有的i和j，i?j，有Ri?Rj??； (3)对于i?1,2,?,N，有P?Ri??TRUE； (4)对于i?j，有P?Ri?Rj??FALSE； (5)对于i?1,2,?,N，Ri是连通的区域。
其中P?Ri?是对所有在集合Ri中元素的逻辑谓词，?表示空集。
N?Ri?1i?R
代表分割的所有子区域的并集即为原来的图像，它是图像处理中的每个像素都被处理的保证。
Ri?Rj??指出分割结果中的各个区域是互不重叠的。P?Ri??TRUE表明在分割结果中，每个区域都有其独特的特性。P?Ri?Rj??FALSE表明在分割结果中同一个子区域的像素应当是连通的，也就是说同一个子区域内的任意的两个像素在该子区域内是互相连通的[4]。
这些条件对分割具有一定的指导作用。但是，实际中的图像分析和处理都是针对某种特定的应用，所以条件中的各种关系也需同实际需求结合来设定的。
人们在多年的研究中积累了很多图像分割的方法。图像分割是一个将像素分类的过程，分类的依据可建立在像素间的相似性、灰度不连续性基础之上。对于相似性检测方法（即基于区域的分割方法）主要有：双峰法、区域分裂与合并和自适应阈值分割等；对于灰度不连续性检测方法（即基于边缘的分割方法）主要有：边缘检测、边缘跟踪和霍夫变换等。此外，
3
理工大学毕业论文
还有结合特定理论工具的分割方法，这些方法包括基于形态学分水岭的分割、基于统计模式识别的分割、基于神经网络的分割、基于信息论的分割、基于小波变换的分割等。
2.1 基于边缘的分割方法
基于边缘的分割方法是一种利用图像不同区域间的像素灰度不连续的特点检测出区域间的边缘，从而实现图像分割的方法。
边缘检测是所有基于边缘分割方法的第一步。边缘检测可以根据处理的顺序分为并行边缘检测和串行边缘检测。图像中相邻的不同区域间总是存在边缘，边缘处像素的灰度值是不连续的，可通过求导数的方法检测到，因此，我们常用灰度的一阶或二阶微分算子来进行边缘检测。这种利用常用的微分算子进行边缘检测的方法是一种并行边界技术。而串行边界查找法是一种先检测到边缘再串行连接成闭合边界的方法，这种方法受起始点的影响的程度较大?2?。
这种分割方法实现的难点就在于边缘检测时抗噪性和检测精度之间的矛盾。若提高了检测精度，噪声产生的伪边缘会导致不合理的轮廓；若提高了抗噪性，则会产生轮廓漏检和位置偏差。因此，人们提出了多尺度边缘检测方法，根据实际问题设计多尺度边缘信息的结合方案，以便更好地兼顾抗噪性和检测精度。
2.2基于区域的分割方法
基于区域的分割方法主要包括阈值法和区域分割算法两种。
对于阈值法，首先需要确定一个处于图像灰度取值范围之中的灰度阈值，然后将图像中各个像素的灰度值与之相比较，灰度值大于阈值的像素为一类，灰度值小于阈值的像素为另一类。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?。
常用的阈值选取法有利用图像灰度直方图的双峰法、最大类间方差法、迭代法、灰度拉伸法、最小误差法等。现有的大部分算法的关键都集中在阈值确定的研究上。
这种算法的优点是计算方法简单、运算效率较高、计算速度快。全局阈值法对于灰度相差很大的不同目标和背景能进行有效的分割。当图像的目标和北京的灰度差异不明显或不同目标的灰度值范围有所重叠时，可以采用局部阈值发或动态阈值法。另一方面，这种方法只考虑了像素本身的灰度值，通常不考虑它的空间特征，因而对噪声很敏感。在实际应用中，阈值法常与其他方法结合使用?2?。
而对于区域分割算法，其实质就是把具有某种相似性质的像素连通，从而构成最终的分割区域。它利用了图像的局部空间信息，可以有效地克服其他方法存在的图像分割空间小连续的缺点?2?。
在此类方法中，如果从全图出发，按照区域属性特征一致的准则决定每个像元的区域归
4