1、大连交通大学 2011 届本科生毕业设计（论文）1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
2、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
3、和图像理解 2。图 1-1 图像分割在图像工程中的位置大连交通大学 2011 届本科生毕业设计（论文）2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
4、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
5、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
6、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
7、图像分割技术的现状大连交通大学 2011 届本科生毕业设计（论文）3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
8、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。1.3 Matlab 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
9、 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(signal processing)，控制系统(control system)，神经网络(neural network),图像处理(image processing)，鲁棒控制(robust control)，非线性系大连交通大学 2011 届本科生毕业设计（论文）4统控制(nonlinear system control design)，系统辨识 (system identification),小波(wav
10、elet)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
11、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，
12、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。大连交通大学 2011 届本科生毕业设计（论文）5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
13、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 :R1R2R3RN=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) = Tr
14、ue ;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
15、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、大连交通大学 2011 届本科生毕业设计（论文）6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
16、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。
17、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
18、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, 这种不连续可以利用求一阶和二阶导数检测到。当今的局部技术边缘检测方法中, 主要有一次微分 (Sobel 算子、Roberts 算子)、二次微分(拉普拉斯算子等) 和模板操作(Prewitt 算子、Kirsch 算子和 Robinson 算子) 等。这些边缘检测器对边缘灰度值过渡比较尖锐且噪声较小等不太复杂的图像可以取得较好的效果, 但对于边缘
19、复杂( 如边缘模糊、边缘丢失、边缘不连续等) 的图像效果不太理想。此外, 噪声的存在使基于导数的边缘检测方法效果明显降低, 在噪声较大的情况下所用的边缘检测算子通常都是先对图像进行适当的平滑, 抑制噪声,然后求导数, 或者对图像进行局部拟合, 然后再用拟合光滑函数的导数来代替直接的数值导数, 如 Marr 算子、Canny 算子等 5。有关学者曾给出了一种基于彩色边缘的图像分割方法, 这是对传统边缘分割方法只适用于灰度图像状况的一个突破 6。大连交通大学 2011 届本科生毕业设计（论文）7在未来的研究中, 用于提取初始边缘点的自适应阈值选取、用于图像层次分割的更大区域的选取以及如何确认重要边
20、缘去除假边缘将变得非常重要。2.4基于聚类的分割法对灰度图像和彩色图像中相似灰度或色度合并的方法称之为聚类, 通过聚类将图像表示为不同区域即所谓的聚类分割方法。此方法的实质是将图像分割问题转化为模式识别的聚类分析, 如 k 均值、参数密度估计、非参数密度估计等方法都能用于图像分割。常用的聚类分割有颜色聚类分割、灰度聚类分割和像素空间聚类分割。颜色聚类实际上是将相似的几种颜色合并为一色, 描述颜色近似程度的指标是色差, 在标准 CIE 匀色空间中, 色差是用两个颜色的距离来表示的。但是显示器采用的 RGB空间是显示器的设备空间, 与 CIE 系统的真实三原色不同。为简单起见 , 一般采用RGB
21、色空间中的距离来表示 【7】 。灰度聚类是只把图像分成目标和背景两类, 而且仅考虑像素的灰度, 这就是一个在一维空间中把数据分成两类的问题。通过在灰度空间完成聚类, 得到两个聚类中心(用灰度值表征), 聚类中心连线的中点便是阈值。显然这个概念也可以轻松地延扩至多阈值和动态阈值的情况 8。像素空间聚类分割利用了人类视觉系统的研究, 由于人眼在识别物体时总是离不开物体所在的周围环境, 所以图像中灰度的局部变化对于图像处理是相当重要的信息。如果在某些特定的尺度上观察图像, 比如说把图像信号通过一个带通滤波器,滤波的结果将使图像的局部信息更好地被表达 9。通过一个多尺度分解, 轮廓信息可以在大尺度图像
22、上保留下来, 细节或者突变信息可以在中小尺度上体现, 基于多尺度图像特征聚类的分割方法渐渐得到了人们的关注 10-11。2.5结合特定理论工具的分割法图像分割目前尚无通用的理论。近年来, 随着各学科许多新理论和新方法的提出, 人们也提出了许多与一些特定理论、方法和工具相结合的分割技术 12。2.5.1基于数学形态学的分割技术此技术的基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的。如基于图像最大内切圆的数学形态学形状描述图像分割算法、基于目标最小闭合结构元素的数学形态学形状描述图像分割算法、分水岭区域分割法和聚类快速分割法等。由于形态学对图像分割具有优
23、异的特性, 使其在未来的图像分割中起主导作用。但该方法的主要缺陷还是不能很好地解决耗时问题, 将其与一些节约时间的措施结合起来, 是图像分割的一种趋势。2.5.2基于模糊技术的图像分割法基于模糊集合和逻辑的分割法是以模糊数学为基础, 利用隶属度决定图像中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题。该方法在医学图像分析中有大连交通大学 2011 届本科生毕业设计（论文）8广泛的应用, 如基于有偏场的适配模糊聚类分割算法。薛景浩等人提出了一种新的基于图像间模糊散度的阈值化算法以及它在多阈值选择中的推广算法, 采用了模糊集合分别表达分割前后的图像, 通过最小模糊散度准则来实现图像分割中最
24、优阈值的自动提取。该算法针对图像阈值化分割的要求构造了一种新的模糊隶属度函数, 克服了传统 S 函数带宽对分割效果的影响, 有很好的通用性和有效性。2.5.3基于遗传算法的图像分割法遗传算法是基于进化论自然选择机制的、并行的、统计的、随机化搜索方法。在分割复杂的图像时, 人们往往采用多参量进行信息融合, 在多参量参与的最优值求取过程中,优化计算是最重要的, 把自然进化的特征应用到计算机算法中, 能解决很多困难。遗传算法的出现为解决这类问题提供了新而有效的方法, 它不仅可以得到全局最优解, 而且大量缩短了计算时间。魏志成 14等人就提出一种新的图像分割自适应算法的研究, 改进遗传算法的变异算子,
25、 并把单点变异算子与双点变异算子结合, 能有效地改善局部收敛,该算法可保留图像的大部分信息, 对一些复杂图像的处理能得到很好的处理结果, 同时算法在时间上还有很大的优势; 王月兰 15等人提出的基于信息融合技术的彩色图像分割方法, 该方法应用剥壳技术将问题的复杂度降低, 然后将信息融合技术应用到彩色图像分割中, 为彩色分割在不同领域中的应用提供了一种新的思路与解决办法。除此之外, 还有其它许多新的混合算法和模型, 如基于人工神经网络技术的图像分割法 13、基于视觉熵的图像分割 16、基于各种模型(动态轮廓模型、物理模型等) 的分割算法等。大连交通大学 2011 届本科生毕业设计（论文）9第三章
26、 经典图像分割算法的仿真与论证图像分割的传统经典方法大致可分为三种（刘志敏，1998 年）：（1）阈值法:以阈值为界区分物体与背景的简单方法。（2）区域法:仅认定某一个像素集合为一个物体或区域的方法。（3）边缘检测法：通过各种边缘检测算子检测图像边缘的方法。上述这三种方法是图像分割领域最基础也是最经典的算法，近现代衍生出的改进算法都是在这个基础上发展起来的，所以这三种经典算法在图像分割领域中有着牵一发而动全身的关键地位。笔者作为一名学习研究图像分割算法的初学者，在涉猎了大量相关文献资料后决定先从经典算法的分析论证着手 Matlab 程序的设计。3.1 阈值法阈值法主要靠设定阈值来分辨物体与背景
27、。简言之就是在图像的灰度值中，选一适合的阈值，若像素值小于阈值，则判断为背景;大于阈值，则判为物体，因此这种方法很适合于图像中的物体有明显的区域边界且边界为封闭的情况。亦即，若目标物体和背景之间的灰度值有明显差异时，则阈值法可完全分割物体与背景。下图 3-1，3-2，3-3 所示为自动阈值分割的程序仿真图，先取得一张背景单一的图像，然后对其进行自动阈值分割。图 3-1 原始图片图 3-2 自动阈值分割后的图片大连交通大学 2011 届本科生毕业设计（论文）10图 3-3 原图片的直方图通过观察直方图，可以确定目标物体的像素值大于 75，所以确定图像阈值为 75。这与手动用 imhist(I)和
28、 I1=im2bw(I,140/255)这两个语句，通过设阈值为 75 后的分割效果图一致。但是在很多情况下，图像并不像图 3-1 那么单纯，背景上可能有很多的变化。在这种情况下，可能某些区域中所用的阈值，就不能用在别的区域，当然最好的方法就是在不同的区域使用不同的阈值，也就是最好能实现自适应阈值分割，这就是在附录中的程序段实现的极大的方便之处。但同时我们也发现了这个程序的繁琐程度，这也就是阈值分割的弱点。3.2 区域法3.2.1 像素聚类区域成长法从一个种子(seed) 像素开始，通过像素平均灰度、组织纹理以及色彩等性质的检测，将具类似性质的像素逐一纳入所考虑的区域中，使其成长。此方法可以成
29、功地找到像素性质相似的区域，并将其边界标示出来。这种方法一般适合边界明显，背景简单的图像色块。同时需要注意的是，判断邻近像素是否属于同一区域的临界值的选定极为重要，若选取过大，则像素过度聚合，反之，则聚合不够，两者都无法反映该图像区块的真实形状。区域成长法针对不同的实际应用需要根据具体图像的具体特征来确定种子像素和生长及停止准则。因此这种方法的个性太强，所以将重点放在了下面的区域分割与合并法上，后者更有效而且更常用一些。3.2.2 区域分割与合并法(四叉树分解法)首先将图像分割成不重叠的区域，其中最常用的方法是分割成四个大小相同的子图像。若每个子图像内有性质不同的图像存在就将该子图像继续分割，持续这个过程直到没有可再分割的条件为止。接着将具有同性质又相邻的子区域进行合并，直到无法再合并为止，整个图像分割程序才算完整。下图 3-4 即为四叉树分解法的几何展示。
