logo资料库

基于阈值的图像分割方法.doc

发布时间：2022-05-30 发布人：admin 分类：说明书 资料大小：0.24M 资料格式：doc 举报 版权申诉
第1页 / 共13页
第2页 / 共13页
第3页 / 共13页
第4页 / 共13页
第5页 / 共13页
第6页 / 共13页
第7页 / 共13页
第8页 / 共13页
资料共13页，剩余部分请下载后查看
    1 引言
    2图像分割的定义
    3 基于阈值选取的图像分割方法
    3.1基于点的全局阈值选取方法
    3.1.1 p-分位数法
    3.1.2 迭代方法选取阈值
    3.1.3直方图凹面分析法
    3.1.4最大类间方差法
    3.1.5熵方法
    3.1.6最小误差阈值
    3.2基于区域的全局阈值选取方法
    3.2.2简单统计法
    3.2.3 直方图变化法
    3.2.4其它基于区域的全局阈值法
    3.3局部阈值法和多阈值法
    3.3.1局部阈值（动态阈值）
    3.3.2 阈值插值法
    3.3.3水线阈值算法
    3.3.4其它的局部阈值法
    3.3.5多阈值法
    3.3.6基于小波的多域值方法
    3.3.7基于边界点的递归多域值方法
    3.3.8均衡对比度递归多域值方法
    4 结论
    参考文献：
    致　　谢
    安徽大学 本科毕业论文（设计） 题 目： 基于阈值的图像分割方法 学生姓名： 陈沫 学号： P10614082 院（系）：电子科学与技术 专业： 电子信息工程 入学时间： 2006 年 9 月 导师姓名： 王年 职称/学位： 教授/ 博士 导师所在单位： 安徽大学电子科学与技术学院
    目 录 1 引言........................................................................................................................... 1 2 图像分割的定义........................................................................................................ 2 3 基于阈值选取的图像分割方法............................................................................... 2 3.1 基于点的全局阈值选取方法.......................................................................... 3 3.1.1 p-分位数法............................................................................................. 3 3.1.2 迭代方法选取阈值............................................................................... 3 3.1.3 直方图凹面分析法................................................................................ 4 3.1.4 最大类间方差法.................................................................................... 4 3.1.5 熵方法.................................................................................................... 5 3.1.6 最小误差阈值........................................................................................ 5 3.2 基于区域的全局阈值选取方法...................................................................... 6 3.2.2 简单统计法............................................................................................ 7 3.2.3 直方图变化法....................................................................................... 7 3.2.4 其它基于区域的全局阈值法................................................................ 7 3.3 局部阈值法和多阈值法.................................................................................. 8 3.3.1 局部阈值（动态阈值）........................................................................ 8 3.3.2 阈值插值法........................................................................................... 8 3.3.3 水线阈值算法........................................................................................ 8 3.3.4 其它的局部阈值法................................................................................ 9 3.3.5 多阈值法................................................................................................ 9 3.3.6 基于小波的多域值方法........................................................................ 9 3.3.7 基于边界点的递归多域值方法............................................................ 9 3.3.8 均衡对比度递归多域值方法................................................................ 9 4 结论....................................................................................................................... 10 参考文献:....................................................................................................................10 谢..................................................................................................................... 11 致
    基于阈值的图像分割方法 陈沫 （安徽大学 电子科学与技术学院，安徽 合肥 230601） 摘要:图像分割是图像处理和分析中必不可少的部分，具有重要的实际意义。它是根据 图像处理和分析的需要把图像分成各具特性的区域并提取出感兴趣的目标的技术和过程。图 像的分割至今已提出了大量算法，本文介绍了图像分割的定义和基于阈值的图像分割方法— —阈值法。本文旨在通过收集基于阈值的图像分割方法的相关资料, 分析各种分割算法的优 缺点，运用 MATLAB 工具对各种阈值分割算法进行了研究，然后得出分析结论，以此确定 多种分割方法的特点和应用范围。 关键词：图像分割；阈值；图像处理 Based on thresholding for image segmentation methods （College of Electronic Science and Technology, Anhui University, Hefei 230601） CHEN Mo Abstract: Image segmentation is an image processing and analyzing essential part, has important practical significance. It is the technology and processes that segment the image into regions with different characteristics and that extract the target of interest based on image processing and analysis needs of the image There has been a number of algorithms for image segmentation and this paper introduces the definition and image segmentation methods based on thresholdings. This paper aims to collect relevant information based on the thresholdings image segmentation and analyze segmentation algorithms.Using the MATLAB tool ,this research study a variety of segmentation algorithms, then, analysis and conclude, in order to determine a variety of segmentation features and applications. and disadvantages of various the advantages Key words: image segmentation; thresholding; image processing 1 引言 随着计算机科学技术的不断发展以及人们在日常生活中对图像信息的不断需求， 数字图像处理技术在近年来得到了迅速的发展，成为当代科学研究和应用开发中 一道亮丽的风景线[1]。数字图像处理技术以其信息量大、处理和传输方便、应用 范围广等一系列优点，成为人类获取信息的重要来源和利用信息的重要手段，并 在宇宙探测、遥感、生物医学、工农业生产、军事、公安、办公自动化等领域得 到了广泛应用，显示出广泛的应用前景[2]。 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，自 20 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。其中阈值法是一种传统的图像分割方法，因 其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分 割技术．已被应用于很多的领域。例如，在红外技术应用中，红外无损检测中红 外热图像的分割，红外成像跟踪系统中目标的分割；在遥感应用中，合成孔径雷 达图像中目标的分割等；在医学应用中，血液细胞图像的分割，磁共振图像的分 1
    割；在农业工程应用中，水果品质无损检测过程中水果图像与背景的分割。在工 业生产中，机器视觉运用于产品质量检测等等[3]。在这些应用中，分割是对图像 进一步分析、识别的前提，分割的准确性将直接影响后续任务的有效性，其中阈 值的选取是图像阈值分割方法中的关键技术。 2 图像分割的定义 数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、 增强、复原、分割、提取特征等处理的方法和技术。20 世纪 60 年代末,数字图像 处理具备了比较完整的体系,形成了一门新兴的学科。20 世纪 70 年代,数字图像 处理技术得到迅猛的发展,理论和方法进一步完善,应用范围更加广泛。在这一时 期,图像处理主要和模式识别及图像理解系统的研究相联系,如文字识别、医学图 像处理、遥感图像的处理等。20 世纪 70 年代后期到现在,各个应用领域对数字图 像处理提出越来越高的要求,促进了这门学科向更高级的方向发展。特别是在景 物理解和计算机视觉(即机器视觉)方面,图像处理已由二维处理发展到三维理解 或解释[4]。近年来,随着计算机和其它各有关领域的迅速发展,例如在图像表现、 科学计算可视化、多媒体计算技术等方面的发展,数字图像处理已从一个专门的 研究领域变成了科学研究和人机界面中的一种普遍应用的工具.近年来,随着计算 机和其它各有关领域的迅速发展,例如在图像表现、科学计算可视化、多媒体计 算技术等方面的发展,数字图像处理已从一个专门的研究领域变成了科学研究和 人机界面中的一种普遍应用的工具[5]。 在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部 分称为目标或前景(其他部分称为背景)，他们一般对应图像中特定的、具有独特 性质的区域。为了辨识和分析目标，需要将他们分离提取出来，在此基础上才有 可能对目标进一步利用。图像分割就是指把图像分成格局特性的区域并提取出感 兴趣目标的技术和过程。这里特性可以是象素的灰度、颜色、纹理等，预先定义 的目标可以对应单个区域，也可以对应多个区域。现有的图像分割算法有：阈值 分割、边缘检测和区域提取法。本文着重研究基于阈值法的图像分割方法。 3 基于阈值选取的图像分割方法 图像阈值化分割是一种最常用，同时也是最简单的图像分割方法，它特别 适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量， 而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征 提取与模式识别之前的必要的图像预处理过程[6]。图像阈值化的目的是要按照灰 度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的 区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。这样的 划分可以通过从灰度级出发选取一个或多个阈值来实现。 阈值分割法是一种基于区域的图像分割技术，其基本原理是：通过设定不同 的特征阈值，把图像像素点分为若干类．常用的特征包括：直接来自原始图像的 灰度或彩色特征；由原始灰度或彩色值变换得到的特征．设原始图像为  yxf , ， 按照一定的准则在  yxf , 中找到特征值 T，将图像分割为两个部分，分割后的图 2
    像为   yx , f  b   b  0 1 ,( yxf ,( yxf ) )     （1） 一般情况下，阈值运算可以视为图像中某点的灰度、该点的某种局部特性以   yxf 及该点在图像中的位置的一种函数，这种阈值函数可记作  , yxNyxT  ,  , , , ， yx, yxf , 是点 (x，y)的灰度值；  yx, 的局部邻域特性。根 式中，  据对 T 的不同约束，可以得到 3 种不同类型的阈值，即点相关的全局阈值 T ( 只 与 点 的 灰 度 值 有 关 ) ， 区 域 相 关 的 全 局 阈 值 yxfT  yxN , 是点    , T   , yxNT   ,   yxf , (与点的灰度值和该点的局部邻域特征有关)，动态阈值或局 部阈值  , yxNyxT  , ,  ,   yxf , (与点的位置、该点的灰度值和该点邻域特征有关)。 图像阈值化这个看似简单的问题，在过去的四十年里受到国内外学者的广泛 关注，产生了数以百计的阈值选取方法，所有这些阈值化方法，根据使用的是图 像的局部信息还是整体信息，可以分为上下文无关(non-contextual)方法(也叫做基 于点(point-dependent)的方法)和上下文相关(contextual)方法(也叫做基于区域 (region-dependent)的方法)；根据对全图使用统一阈值还是对不同区域使用不同阈 值 ， 可 以 分 为 全 局 阈 值 方 法(global thresholding) 和 局 部 阈 值 方 法(local thresholding，也叫做自适应阈值方法 adaptive thresholding)；另外，还可以分为 双 阈 值 方 法(bilever thresholding) 和 多 阈 值 方 法(multithresholding ) 。 本文分三大类对阈值选取技术进行分析：a.基于点的全局阈值方法；b.基于 区域的全局阈值方法；c.局部阈值方法和多阈值方法。 3.1 基于点的全局阈值选取方法 3.1.1 p-分位数法 1962 年 Doyle 提出的 p-分位数法[7](也称 p-tile 法)可以说是最古老的一种阈值 选取方法。该方法使目标或背景的像素比例等于其先验概率来设定阈值，简单高 效，但是对于先验概率难于估计的图像却不能进行有效地分割。 例如，根据先验知识，已经知道图像目标与背景象素的比例为 PB P0 ,可根 据此条件直接在图像直方图上找到合适的阈值 T，使得  , yxf  T  的象素为目标，  xy  T  的象素为背景。 f 3.1.2 迭代方法选取阈值 初始阈值选取为图像的平均灰度 T0，然后用 T0 将图像的象素点分作两部分， 计算两部分各自的平均灰度，小于 T0 的部分为 TA，大于 T0 的部分为 TB。 计算 T 1  T A T  2 B ,将 T1 作为新的全局阈值代替 T0，重复以上过程，如此 3
    迭代，直至 TK 收敛，即 TK＋1 ＝TK。 经试验表明，对于直方图双峰明显，谷底较深的图像，迭代方法可以较快地 获得满意结果。但是对于直方图双峰不明显，或图像目标和背景比例差异悬殊， 迭代法所选取的阈值不如最大类间方差法有效准确。 3.1.3 直方图凹面分析法 从直观上说，图像直方图双峰之间的谷底，应该是能够进行有效分割的图像 阈值，但是实际的直方图往往是离散的，十分粗糙、参差不齐，尤其是有噪声干 扰时，有可能含有多个谷底，从而难以用既定的算法，实现对不同类型图像直方 图谷底的定位。 Rosenfeld 和 Torre 提出一种方法，构造一个包含直方图 HS 的最小凸多边形 HS  确定 HS 的凹面。若  ih 和  ih 分别表示 HS 与 HS 在灰度级 HS ，由集差 HS 之处的高度，则可以取   使用低通滤波的方法平滑直方图，但是滤波尺度却很难选择。 ih  局部极大值时所对应的灰度级作为阈值。也有人  ih 但此方法容易受到噪声干扰，对不同类型的图像，表现出不同的分割效果， 常得到假的谷底。但此方法对某些只有单峰直方图的图像，也可以作出分割。如： 图1.单峰直方图分割 3.1.4 最大类间方差法 最大类间方差法[8]是由日本学者大津于 1979 年提出的,是一种自适应的阈值 确定的方法,又叫大津法,简称 OTSU。从模式识别的角度看，最佳阈值应当产生 最佳的目标类与背景类的分离性能，此性能我们用类别方差来表征，为此引入类 内方差 2 T ，并定义三个等效的准则测量： W 、类间方差 2 B 和总体方差 2  2  B 2  W   2  T 2  W  2  B 2  T . ， ， (2) 鉴于计算量的考量，人们一般通过优化第三个准则获取阈值。但是此方法也 有其缺陷，kittler 和 Illingworth 的实验揭示：当图像中目标与背景的大小之比很 小时方法失效。 在实际运用中，往往使用以下简化计算公式： 4
    2    T  aWA   2   bWb  2    (3) 其中， 2 为两类间最大方差，WA 为 A 类概率， a 为 A 类平均灰度，Wb 为 B 类概率， b 为 B 类平均灰度，为图像总体平均灰度。 阈值 T 将图像分成 A,B 两部分，使得两类总方差 2 （T）取最大值的 T，即 为最佳分割阈值。 3.1.5 熵方法 八十年代以来，许多学者将 Shannon 信息熵的概念应用于图像阈值化。其基 本思想一般都是利用图像的灰度分布密度函数定义图像的信息熵，根据假设的不 同或视角的不同提出不同的熵准则，最后通过优化该准则得到阈值。Pun 通过使 后验熵的上限最大来确定阈值。Kapur 等人的方法假定目标和背景服从两个不同 的概率分布 p 0 P t , p 1 P t ,  和 , p t P t p t  1 1  P t , p t 1  2  P t ,    tH B  使得熵 t  i  0 p i P t log 2 p i P t ,   tH W p l  , 1  1 P t   1 l 1 1 t  i 定义 p  i P t log 2 p  i P t 1  tHtHtH       W B T (4) (5) 达到最大求得最佳阈值。此方法又称为 KSW 熵方法。 3.1.6 最小误差阈值 此方法来源于Bayes最小误差分类方法。 图 2 .背景类错到目标类的概率示意图 Eb(T)是目标类错分到背景类的概率，Eo(T)是背景类分到目标类的概率 总的误差概率 E(T) ＝ Eb(T) ＋ Eo(T) 使 E(T)取最小值，即为最优分类方法。 在 Kittler 和 Illingworth 于 1986 年提出的最小误差法中，直方图被视为目标 与背景混合集概率密度函数  ip 的估计  ip   | , jipP j  1 0 j  i  ,1,0 l  ;1  j  .1,0 (6) 5
    其中， jP 为先验概率，  ip |  j ~ 2  jN  j , ，求解下列方程可得到 Bayes 最小 误差阈值 2   i   0 2  0  ln 2  0  ln2 P 0   i 2    1 2  1  ln 2  1  ln2 P 1 (7) 遗憾的是上式中 j ， 2 j 和 jP 通常是未知的，Nakagawa 和 Rosenfeld 提倡用 拟合方法从直方图中估计这些参数，但是算法相当复杂，不易实现。 基于点的全局阈值选取方法，除上述主要几种之外还有许多，但大多都是以 上述基本方法为基础，做出的改进方法或者对算法的优化，如使用递推方法以降 低算法复杂性。总的来说，基于点的全局阈值算法，与其它几大类方法相比，算 法时间复杂度较低，易于实现，适合应用于在线实时图像处理系统。 3.2 基于区域的全局阈值选取方法 对一幅图像而言，不同的区域，比如目标区域或背景区域，同一区域内的象 素，往往在位置和灰度级上同时具有较强的一致性和相关性。 而在上述基于点的全局阈值选取方法中，有一个共同的缺点，那就是它们实 际上只考虑了直方图提供的灰度级信息，而忽略了图像的空间位置细节，其结果 就是它们对于最佳阈值并不是反映在直方图的谷点的情况会束手无策，但是我们 通常遇到的很多图像恰恰就是这种情况。另一方面，完全不同的两幅图片却可以 有相同的直方图，所以即使对于峰谷明显的情况，这些方法也不能保证你得到理 想的阈值。于是，人们又提出了很多基于空间信息的阈值化方法。 可以说，局域区域的全局阈值选取方法，是基于点的方法，再加上考虑点邻 域内象素相关性质组合而成，所以这些方法常称为“二维 xxx 方法”。由于考虑 了象素邻域的相关性质，因此对噪声有一定抑止作用。 3.2.1 二维熵阈值分割方法 使用灰度级-局域平均灰度级形成的二维灰度直方图进行阈值选取，这样就 得到二维熵阈值化方法。 图 3.灰度－邻域平均灰度 如图，在 0 区和 1 区，象素的灰度值与邻域平均灰度值接近，说明一致性和 相关性较强，应该大致属于目标或背景区域；2 区和 3 区一致性和相关性较弱， 可以理解为噪声或边界部分。二维熵阈值分割，就是选择（S,T）对，使得目标 6
    分享到：
    赞 收藏

    相关推荐

    资料库

    开发技术

    共收录19306份资料，累计14个分类，关注成员有19位，主要包括：Actionscript,Javascript,PHP,VB,Perl,Delphi,Python,C#,C,Java,C++,Web开发,硬件开发,其它

    热门标签

    Actionscript Javascript PHP VB Perl Delphi Python C# C Java C++ Web开发 硬件开发 其它

    最新资料