图像分割毕业论文

整理文档很辛苦,赏杯茶钱您下走!

免费阅读已结束,点击下载阅读编辑剩下 ...

阅读已结束,您可以下载文档离线阅读编辑

资源描述

精品文档。1欢迎下载第一章绪论1.1课题的研究背景及意义随着信息技术的发展和不断深入,人们越来越多的利用计算机来帮助人类获取与处理各种信息。据统计,在人类从外界获得的信息中有75%左右是来自视觉或者说图像信息,它是人类最有效的信息获取和交流方式,图像也因为其所含的信息量大、表现直观而在近年得到的广为宣传和应用的多媒体中占据了重要的地位。图像分割是一种基本的计算机视觉技术,是从图像处理到图像分析的关键步骤。图像分割就是将图像表示为物理上有意义的连通区域的集合,是进行图像分析的第一步工作,也是解决起来比较困难的一个问题。对于那些基于图像分割结果的接下来的任务,如特征提取、目标识别等的质量的好坏都取决于是否有一个质量比较好的图像分割结果,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[1]。1.1.1图像分割在数字图像处理中的地位为了弄清图像分割在数字图像处理中所处的地位,我们引入并使用“图像工程”这个概念。图像技术在广义上是各种与图像有关技术的总称。图像技术种类很多,跨度很大,但可以将它们归在一个整体框架一一“图像工程”之下。图像工程是一个对整个图像领域进行研究应用的新科学,它的内容非常丰富,根据抽象程度和研究方法等的不同可分为三个有特点的层次(如图1-1所示):图像处理、图像分析和图像理解[2]。图1-1图像分割在图像工程中的位置精品文档。2欢迎下载图像处理着重强调在图像之间进行变换以改善图像的视觉效果。图像分析则主要是对图像中感兴趣的目标进行监测和测量,以获得它们的客观信息从而建立对图像的描述。图像理解的重点是在图像分析的基础上,进一步研究图像中各目标的性质和它们之间的相互联系,并得出对原始成像客观场景的解释,从而指导和规划行动。图像处理、图像分析和图像理解具有不同的操作对象,参考图1-1图像处理是比较低层的操作,它主要在图像像素级上进行处理。图像分析则进入了中层,它侧重于对像素集合到目标的表达测量描述。图像理解主要是高层操作,基本上是对从描述中抽象出来的数据符号进行运算推理。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。这些部分常称为目标或前景(其他部分称为背景),它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,需要将它们分离提取出来,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各具特性的区域并提取出感兴趣目标的技术和过程。这里的特性可以是像素的灰度、颜色、纹理等。图像分割是由图像处理过渡到图像分析的关键步骤,在图像工程中占据重要的位置。一方面,它是目标表达的基础,对特证测量有重要的影响。另一方面,因为图像分割及其基于分割的目标表达、特证提取和参数测量等将原始图像转化为更抽象更紧凑的形式,这才使得更高层的图像分析和理解成为可能。1.1.2图像分割的应用领域在实际生产生活中,图像分割的应用也非常广泛,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。例如,在遥感应用中,卫星云图的处理;在医学应用中,脑部MR图像分析;在交通图像分析中,违章车辆车牌区域的分割;在面向对象的图像压缩和基于内容的图像检索中感兴趣区域的提取。在这些应用中,图像分割通常是为了进一步对图像进行分析、识别、压缩编码等,区域提取的准确性将直接影响后继任务的有效性,因此分割的方法和精确程度是至关重要的。也是因为图像分割在数字图像处理中占据了如此举足轻重的地位,所以才会在凡是有数字图像处理出现的地方就必然少不了图像分割的身影。纵观数字图像处理的历史,随着计算机的高速化和大容量化,摄像设备的小型化和高精度化,这在使得图像处理在工作站及个人计算机等小型机上的实现成为可能的同时,更使图像的质量有了突飞猛进的改善。技术的进步带来应用的革新,对人们的生产生活产生了全面而深刻的影响,使得数字图像处理技术在科学研究、工业生产、军事国防及现代管理决策部门等各行各业都得到越来越多的应用,其场合广阔、内容众多、形式新颖、门类齐全,其应用前景可以说是方兴未艾,正向着实时化、大众化、小型化、远程化等多方面迅猛发展。下面列出的表1-1简明扼要地展示了数字图像处理的一些常见应用领域[2]。1.2图像分割技术的现状精品文档。3欢迎下载自20世纪70年代起,对图像分割的研究一直是图像技术研究中的热点和焦点,人们对其的关注和投入不断提高。图像分割作为图像处理中的一项关键技术,至今已提出上千种分割算法,但因至今尚无通用的分割理论,现提出的分割算法也大都是针对具体问题的,并没有一种适合所有图像的通用分割算法。另外,还没有制定出选择适用分割算法的标准,这给图像分割技术的应用带来许多实际问题。比较常用的且分割效果较为理想的有基于形态学的分水岭分割、快速聚类分割、颗粒分割、区域阈值法和边缘检测法等。表1-1数字图像处理的常见应用领域最近几年又出现了许多新思路、新方法或改进算法,而且近年来每年有上百篇有关研究报道发表,2000年Medioni[3]专门撰书对图像分割进行了全面和深入的讨论。传统的分割算法基本以处理灰度图像为主。随着技术的发展,近年来,其它图像如彩色图像、多光谱图像、纹理图像、深度图像、多视图像、运动图像、合成孔径雷达图像等特殊图像也得到了广泛应用。它对分割技术提出了新的要求,引起了分割技术发展的新契机。而小波变换理论的成熟、神经网络技术的引入、模糊理论发展、粗糙集理论的应用为分割技术的发展提供了理论基础。1.3Matlab在图像处理中的应用本文研究图像分割的软件平台是Matlab6.5。该系列软件前身是由美国MathWorks公司于1982年推出的一套高性能的数值计算和可视化软件。它集数值分析、矩阵运算、信号处理和图形显示于一体,其强大的扩展功能为各个领域的应用提供了基础。Matlab工具箱中主要包括信号处理(signalprocessing),控制系统(controlsystem),神经网络(neuralnetwork),图像处理(imageprocessing),鲁棒控制(robustcontrol),精品文档。4欢迎下载非线性系统控制(nonlinearsystemcontroldesign),系统辨识(systemidentification),小波(wavelet)等工具箱(伯晓晨2000年)。这些工具箱给各个领域的研究和工程应用提供了有力的工具。借助于这些“巨人肩上的工具”,各个层次的研究人员可直观方便地进行分析、计算及设计工作,可以大大地节省软件开发时间。针对广泛且蓬勃发展的图像处理而开发的Matlab图像处理工具箱函数更是广大从事图像处理研究人员的利器。他包括了图像变换、图像增强、图像压缩、图像分析、图像分割及识别等大量基本命令和函数。本课题将基于Matlab在图像处理上的强大功能,充分利用已有的Matlab工具箱函数进行图像分割算法的研究探讨。1.4本论文的主要工作及内容安排1.4.1本论文进行的主要工作本课题的研究内容主要包括以下的几个方面:(1)对图像分割的方法做整体的调查概述,归类时下流行的多种分割方法,并对其基本理论和应用方面等做研究和分析。(2)就最经典的几种图像分割方法进行详述。(3)着眼最近流行的形态学分割方法,深入分析数学形态学中的分水岭图像分割,并对其容易产生过分割的缺点进行了改进,最后提出了最佳的一种解决方案。1.4.2各章节的安排第一章是绪论,阐述课题研究的意义、目的及发展现状。介绍本课题研究所采用的基本方法。第二章对图像分割的方法进行整体性的概述,并简要介绍,对图像分割方法产生宏观的印象。第三章对阈值法,区域法和边缘检测法这三种最基本也是最经典的图像分割方法进行验证性实验,并分析了实验结果。第四章深入详尽的阐述了基于形态学的分水岭图像分割方法,对其优缺点均进行了剖析,并针对其容易出现过分割的缺点进行了试探性的解决,并通过Matlab的编程并仿真,最后提出了一种相对较优的综合分割方式。精品文档。5欢迎下载第二章图像分割方法研究综述2.1概述图像分割是依据图像的灰度、颜色、边缘、纹理或者几何特征将图像中具有特定含义的不同区域区分成互不相交的区域,而每一个区域都满足特定区域的一致性。比如对同一物体的图像,一般需要将图像中属于该物体的像素从背景中分割出来,将属于不同物体的像素点分离开。分割出来的区域应同时满足:(1)分割出来的图像区域是均匀的和连通的。其中,均匀是指该区域中的所有像素点都满足基十灰度、纹理、彩色等特征的某种相似性准则,连通是指该区域内任意两点均可以连接。(2)相邻分割区域之间针对选定的某种显著的差异性。(3)分割区域边界应该规整,同时能保证边缘的空间定位精度。下面给出了图像分割的严谨的数学定义以加深理解。令集合R代表整个图像区域,对R的分割可看做将R分成N个满足下列五个条件的非空子集(子区域)R1,R2,…,RN:R1∪R2∪R3∪…∪RN=R;对所有的i和j,任意的i≠j,有Ri∩Rj=空集;对i=1,2,…,N,有P(Ri)=True;对i≠j,有P(Ri∪Rj)=False;对i=1,2,…,N,有Ri是连通的区域.其中P(Ri)是对所有在集合Ri中的元素的逻辑谓词。如果加强分割区域的均匀性约束,则分割区域很容易产生大量的空白和不规整的边缘;但若是过分强调分割后区域之间的性质差异,则又不免造成非同质区域的合并和部分有意义边缘的丢失。经过众多图像处理和机器视觉研究者的长期努力,在满足上述定义的情况下的图像分割算法取得了重大突破,但都是针对某一类型的图像或者某一具体应用,还没有一个单一的标准图像分割算法,没有形成一个统一的成形的图像分割理论;同时,也没有达成一个判断分割成功的客观标准。然而,还是有很多特定的图像分割算法在一定程度上被广泛应用,在其适用的特定范围非常有效。根据所利用的图像信息,图像分割算法大致可以分为四大类:(1)利用图像灰度统计信息的方法,典型的有一维直方图阈值化算法和二维直方图阈值化算法;(2)利用图像图形的空间域信息和光谱信息的分割算法,这类典型包括区域合并、精品文档。6欢迎下载生长法、纹理分割算法和多光谱分割算法等;(3)利用图像中灰度变换最剧烈的区域信息算法是边缘检测算法,这类算法是Marr理论中主要倡导的算法,在图像分割中用的最多,其典型有Canny算法、Marr-Hildreth算法和基于多尺度的边缘检测算法等;(4)利用图像分类技术的像素分类算法。这类算法的典型有统计分类方法、模糊分类方法和神经网络分类方法等,其中最常见的算法是k-means算法。2.2阈值分割法阈值分割法作为一种常见的区域并行技术,就是用一个或几个阈值将图像的灰度直方图分成几类,认为图像中灰度值在同一类中的像素属于同一物体。由于是直接利用图像的灰度特性,因此计算方便简明、实用性强。显然,阈值分割方法的关键和难点是如何取得一个合适的阈值,而实际应用中阈值设定易受噪声和光亮度影响[4]。近年来关于阈值分割法主要有:最大相关性原则选择阈值法、基于图像拓扑稳定状态法、灰度共生矩阵法、熵法、峰值和谷值分析法等。其中,自适应阈值法、最大熵法、模糊阈值法、类间阈值法是对传统阈值法改进较成功的几种算法。更多的情况下,阈值的选择会综合运用两种或两种以上的方法,这也是图像分割发展的一个趋势。阈值法的缺陷主要在于它仅仅考虑了图像的灰度信息,而忽略了图像的空间信息。对于非此即彼的简单图像处理(如一些二值图像的处理)是有效的,但是对于图像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确的分割效果。2.3基于边缘的图像分割法边缘总是以强度突变的形式出现,可以定义为图像局部特性的不连续性,如灰度的突变、纹理结构的突变等。边缘常常意味着一个区域的终结和另一个区域的开始,图像的边缘包含了物体形状的重要信息,它不仅在分析图像时大幅度地减少了要处理的信息量,还保护了目标的边界结构。对于边缘的检测常常借助空间微分算子进行,通过将其模板与图像卷积完成。两个具有不同灰度值的相邻区域之间总存在灰度边缘,而这正是灰度值不连续的结果

1 / 26
下载文档,编辑使用

©2015-2020 m.777doc.com 三七文档.

备案号:鲁ICP备2024069028号-1 客服联系 QQ:2149211541

×
保存成功