彩色图像分割技术研究本科毕业论文设计

word本科毕业设计（论文） （ 2012 届 ）题 目 彩色图像分割技术研究学 院 物理与电子工程学院专 业 电子信息工程班 级08电子信息工程（2）班学 号0830010006学生XXX指导教师志刚 讲师完成日期 2012年3月28 / 33彩色图像分割技术研究Study on Color Image Segmentation学生：XXXStudent: XXXX 指导老师：志刚 讲师Adviser: Lecturer Chen Zhigang学院物理与电子工程学院School of Physics & Electronics EngineeringTaizhou UniversityTaizhou, Zhejiang, China2012年3月March 2012摘要随着计算机处理能力的提高，彩色图像分割技术受到研究者们越来越多的关注。许多研究者在这方面付出了巨大的努力，并取得了相应的成果。本文对目前的彩色分割方法研究的基础上，提出了一种无监督的彩色图像分割算法，即合理结合边缘提取、区域生长和区域合并的方法，实现彩色图像的分割。实验结果表明，获得了良好的分割效果，并且易于实时性的实现。关键词彩色图像分割；边缘检测；区域生长与合并AbstractWith the increasing in puter processing capabilities, the color image segmentation techniques more and more are concerned with by researchers. Many researchers have paid a huge effort in this regard, and obtained the corresponding results. On the basis of the current color segmentation method, an unsupervised color image segmentation algorithms have been proposed in this paper, bining of edge detection, region growing and region merging method to achieve the segmentation of color images. The experimental results show thata good segmentation results can be obtained and real-time performance canbe implemented.Key wordsColor Image Segmentation; Edge Detection; Regional Growth and Merging目 录1. 引言11.1课题的研究背景和意义11.2彩色图像分割的现状21.3本文的容安排52彩色图像分割研究62.1数字图像处理概述62.2常用的颜色空间72.3彩色图像分割方法92.3.1阈值化方法102.3.2基于边缘的分割方法102.3.3基于区域的分割方法123无监督彩色图像分割133.1概述133.2颜色空间的转换143.3Sobel算子边缘提取153.4种子的选取163.5区域生长与合并174实验结果与分析185结论20参考文献21辞231. 引言1.1课题的研究背景和意义在人类所接收的信息中，有80%是来自视觉的图形信息，对获得的这些信息进行一定的加工处理也是目前一种广泛的需求，图像分割就是将图像中感兴趣的部分分割出来的技术。在图像分割的基础上，才能对目标进行特征提取和参数测量，使得更高层的图像分析和理解成为可能。因此，对图像分割的研究在图像处理领域具有非常重要的意义。图像分割作为图像分析的基础，是图像分析过程中的关键步骤。图像分割，顾名思义是将图像按照一定的方法划分成不同的区域，使得同一区域像素之间具有一致性，不同区域间不具有这种一致性。因为人眼对亮度具有适应性，即在一幅复杂图像的任何一点上只能识别几十种灰度级，但可以识别成千上万种颜色，所以许多情况下，单纯利用灰度信息无法从背景中提取出目标，还必须借助于色彩信息。由于彩色图像提供了比灰度图像更加丰富多彩的信息，因此随着计算机处理能力的提高，彩色图像处理正受到人们越来越多的关注。自数字图像处理问世不久就开始了图像分割的研究，吸引了很多研究者为之付出了巨大的努力，在不同的领域也取得了很大的进展和成就，现在人们还一直在努力发展新的、更有潜力的算法，希望实现更通用、更完美的分割结果。目前，针对各种具体问题已经提出了许多不同的图像分割算法，对图像分割的效果也有很好的分析结论。但是，由于图像分割问题所面向领域的特殊性，而且问题本身具有一定的难度和复杂性，到目前为止还不存在一个通用的分割方法，也不存在一个判断分割是否成功的客观标准。对于寻找一种能够普遍适用于各种复杂情况的准确率很高的分割算法，还有很大的探索空间。对图像分割的深入研究不仅会不断完善对自身问题的解决，而且有助于推动模式识别、计算机视觉、人工智能等计算机科学分支的发展。早期由于设备的限制，主要处理的是灰度图像。因此针对灰色图像的分割算法比较多，也比较成熟。随着彩色图像的需求和应用以及人们生活水平的提高，人们越来越关注彩色图像分割，也提出了一些分割方法，但这些方法大部分是灰色图像分割方法扩展出来的，因此还不能满足人们的要求。在彩色图像分割这个领域，由于缺少理论和评估系统的支持，必须经过大量的实验来验证一种分割算法。虽然研究者已经提出了一些有意义的算法，但还没有一种能适应大部分图片的算法，所以进一步研究专门用于彩色图像分割的方法，并且使它具有通用性和更好的分割效果是人们努力的方向。1.2彩色图像分割的现状事实上，人们对灰度图像进行的研究较早，算法也相对成熟。随着计算机处理速度的提高和对图像处理技术的进步，彩色图像使用越来越多，彩色图像分割在最近几年越来越引起了人们的重视，与灰度图像相比，彩色图像不仅包括亮度信息，而且还有更多的有效信息，如色调、饱和度，实际上同样景物的灰度图像所包含的信息量与彩色图像难以相比，人类对色彩的感知更敏感，一幅质量较差的彩色图像似乎比一幅完美的灰度图像更具有吸引力。因此，对彩色图像分割方法的研究有利于克服传统的灰度图像分割方式的不足，是一个更加广阔的研究领域。图像分割的难点在于如何消除噪声和图像本身模糊的干扰。前面已经讲到目前还没有一种或者几种完善的分割方法可以按照人们的想法分割任何一幅图像。所有现存分割方法只能针对某一类型的图像，分割的质量必须靠效果和实际的应用场景来判断。幸运的是人类已经积累了很多经典的图像分割方法，虽然不适用所有类型的图像分割，但是这些方法却是图像分割方法进一步发展的基础。正是因为我们站在巨人的肩膀上，从而产生了新的更有效率更准确的图像分割算法。在早期的图像处理的研究中，图像分割的方法一般被分为2类：一类是边界法，这种方法是假设图像一定有边缘存在；另一类是区域法，这种方法认为被分割后的图像区域一定会具有某些相同的特性，不同的区域的像素则会有不同的特性。图像分割的技术主要有4种：并行边界分割技术、串行边界分割技术、并行区域分割技术和串行区域分割技术。如下图1-1所示：所谓的串行图像分割是指对图像的每一个像素上所做的运算或者处理不依赖图像中其他像素点处理的结果。而在并行算法中，对图像每一个像素的处理依赖其他像素处理后的结果。图像分割不连续的分割灰度相似性边界分割孤立点孤立线 组成边界 边界跟踪区域分割阈值分割 区域分裂合并区域生长自适应并行边界分割技术串行边界分割技术并行区域分割技术串行区域分割技术图1-1经典图像分割方法框架对普通的电脑处理器来说，串行分割方法当然比并行分割有明显的优势，因为并行分割必须在每个图像点完成相同的计算以后再决定是否继续处理或者放弃处理这个像素点或者区域。这种技术明显导致了时间复杂度，但理论上它更可靠更准确。而串行分割则简单，方便一些。目前对彩色图像的分割已经提出了很多算法，最简单的彩色图像分割方法是直接将彩色图像的各个分量进行适当的组合转化为灰度图像，然后利用灰度图像的分割方法进行分割，该方法由于忽略了颜色信息和亮度信息之间的关联，因而分割效果并不十分理想。因此后来人们专门针对彩色图像又提出了很多分割方法，如直方图阈值法、基于区域的提取方法、边缘检测的分割方法、基于主动轮廓模型方法、神经网络方法等等。而且分割的图像的种类也各有不同，分割中用到的图像的模型不同（有物理模型和随机模型），分割的目的不同等，这些图像分割方法的分类也不尽相同。把图像分割方法的发展划分为两个阶段：灰度图像分割方法阶段和彩色图像分割方法阶段。对于灰度图像的分割方法，人们从不同的角度提出了如直方图阈值法，区域生长法，边缘检测法，基于分水岭的方法和神经网络的方法等等。其中直方图法和区域生长法处理的对象是像素；边缘检测和分水岭方法则是对图像纹理基元进行处理；神经网络的方法是利用分类的思想对图像分割的方法。无论是基于哪种分割方法，灰度图像的分割方法都发展得比较成熟了。对于彩色图像的分割方法总的来说可以分为以下三类：基于颜色特征空间的分割方法，基于纹理特征空间的分割方法和基于混合特征的分割方法。基于颜色特征空间的分割方法即是在某一种颜色空间，如RGB颜色空间或者CIE颜色空间通过颜色距离标准来融合像素，这种方法只适合于结构简单并且颜色不多的图像；基于纹理特征空间的分割方法是通过提取图像的像素问颜色差异，将原图像转换为纹理特征图像然后将具有相似纹理特征的像素合并起来，达到分割的效果，这种方法不能直接使用在彩色纹理图像中，因而提出了基于混合特征的分割方法，这种方法融合了前面两种方法的思想，达到对图像的最佳分割效果。彩色图像分割与灰度图像分割的算法相比，大部分算法在分割思想上是一致的，都是基于像素值的相似性和空间的接近性，只是对像素属性的考察以及特征提取等技术由一维转向了多维。这是由于灰度图像和彩色图像存在一个主要的区别，即对于每一个像素的描述，前者是在一维亮度空间上，而后者是在三维颜色空间上。大部分彩色图像的分割方法或思想都是从灰度图像分割方法继承的，因此彩色图像的一部分方法与灰度图像基本相同。但经过试验证明这些直接继承下来的方法不太适合于大部分彩色图像，所以人们对这些方法作了一些改进。总的来说彩色图像分割方法发展到目前阶段，主要采用的分割方法有：(1) 基于阈值的分割方法由于彩色图像不仅有灰度这一个属性，所以使用直方图阈值法会出现很大的不同。大多数方法都是对彩色图像的每个分量分别采用直方图阈值法。由于彩色信息通常由R、G、B或它们的线性或非线性组合来表示，所以用三维数组来表示彩色图像的直方图并在其中选出合适的阈值，并不是一件简单的工作，另一方面确定图像中目标的数目计算量也很大。但这种分割方法不需要先验信息，分割简单。目前，人们通过研究提出了很多新方法：文献5从目标和背景的类间差异性出发，提出通过贝叶斯公式估计背景和目标的概率，寻找这两类概率兼得最大交叉熵的方法；文献6提出了基于量化直方图的最大熵阈值的方法。(2) 基于边缘的分割方法边缘检测是灰度图像分割广泛使用的一种技术，它是基于在区域边缘上的像素灰度变化较剧烈，试图通过检测不同区域的边缘来解决图像分割问题。在灰度图像中，边缘的定义是基于灰度级的突变，而且两个区域的边缘当亮度变化明显时才能被检测出来。在彩色图像中，用于边缘检测的信息更加丰富，如具有相同亮度、不同色调的边缘同样可以被检测出来，相应地，彩色图像边缘的定义也是基于3维颜色空间的不连续性。目前，彩色图像的分割以转移到如何有效的综合利用彩色图像的三通道信息方面。SergeyN.Krjukov等7提出了使用神经网络进行彩色图像的分割方法。他们在RGB颜色空间中将图像的每个像素表示为一个由R、G、B本身的值及其均值和方差这几个特征分量组成的特征向量，并作为神经网络的输入层进行图像分割，其输出层神经元对应于预先定义的要分割的颜色数。采用SergeyN.Krjukov的方法，存在两个限制：第一、它需要有一个学习过程，即预先要给定一幅示教图像让其学习，以产生正确的输出；第二、必须给出输出层结点的神经元数量，也就是说事先必须知道分割出的图像的颜色数。事实上，许多图像输出的颜色数是不一致的，对于一幅复杂的图像其颜色数也难以确定。因此，这一算法在很大程度上受到了限制。文献8中提出了用聚类分析进行彩色图像的分割方法。聚类分析最常用的方法是k-均值法和模糊c-均值聚类方法。目前，基于聚类的彩色图像分割技术一般选择RGB空间作为颜色空间，但采用该颜色空间存在一个缺陷，即它的颜色分量与人的视觉不一致。另外，颜色聚类一般是在三维空间进行的。应用领域的不同、图像质量的好坏及图像色彩的分布和结构的差别决定了很难找到一种通用的分割方法来解决由于这些客观因素所引起的图像分割问题。目前普遍采用的技术是根据实际情况组合不同的方法，分层次的分割图像，针对可能遇到的特殊问题，研究新的方法策略。实际情况反映了今后彩色图像分割的一种发展趋势。1.3本文的容安排想要进一步对图像进行分析、识别、跟踪、理解、压缩编码等高级处理，图像分割是必不可少的前提，分割的准确性将直接影响后续任务的有效性，所以分割算法十分重要。本文针对彩色图像的分割问题进行了研究，由于彩色图像不仅包括亮度信息，而且还有更多的有用信息，如色调、饱和度，为了充分利用这些信息让图像得到更好的分割效果，本文采取一种融合了颜色和空间信息的分割方法。首先输入原真彩色图像，由于彩色图像一般都是使用RGB空间，但是RGB空间存在颜色均匀性差的缺点，所以在本文中把RGB颜色空间转换为HIS颜色空间，HIS颜色空间是从人的视觉系统出发用色调(H)、色饱和度(S)和亮度(I)来描述色彩。该颜色模型可在彩色图像中从携带的彩色信息(色调和饱和度)里消去强度分量的影响，这种彩色描述对人来说是自然的、直观的。由于人的视觉对亮度的敏感程度远强于对颜色浓淡程度，为了便于色彩处理和识别，经常采用HIS空间，它比RGB颜色空间更符合人的视觉特性。进行空间转换后，提取边缘，选取种子，再进行区域生长与合并，最后就得到了分割的结果。本文的研究容主要包括：(1) 针对当前主流的彩色图像分割算法进行了分析、分类、归纳与总结，首先对多年来彩色图像分割领域中出现的彩色空间进行了总结，指出了各类彩色空间在彩色图像分割中的优缺点，为人们进行彩色图像分割时选择合适的彩色空间提供了依据。(2) 本文中讨论了直方图阈值法、聚类法、基于区域的分割方法、边缘检测的分割方法、基于模糊集理论的方法，并且分析了各类方法的优缺点。为人们在不同的应用领域及不同的图像数据条件下选择不同的分割算法提供了一定的依据。(3) 提出一种基于区域生长法的彩色图像分割算法，并在Matlab中实现一幅彩色图像的分割，进而分析此算法的优越性和特点。2彩色图像分割研究2.1数字图像处理概述图像在人类的感知当中扮演着非常重要的角色，人类随时随时都要接触图像。据统计，在人类接受的信息当中，视觉信息占70%以上。在许多场合，图像所传递的信息比其他任何形式所传递的信息更加丰富和实际。由此可见图像传递的信息是非常重要的。图像就是采用各种观测系统获得的，能够为人类视觉系统所感觉的实体。人的视觉系统也是一个观测系统，它得到的图像就是客观景物在人们心目中的有形想象。数字图像处理是指使用数字计算机对图像进行处理。数字图像处理技术起源于20世纪20年代，采用数字压缩技术，通过海底电缆从英国伦敦传输了一幅照片到美国纽约。20世纪50年代，人们开始对数字图像处理技术进行系统的研究。1964年，美国的喷气推进实验室使用数字计算机，处理了太空船“旅行者7号”发回的月球照片，这是数字图像处理技术的一个重要的里程碑，标志着第三代计算机问世后数字图像处理概念开始得到了应用。到了20世纪70年代初，数字图像处理已经形成了较完善的学科体系，并成为一门独立的新学科。近来，随着相关学科的发展，以及各领域对图像处理的要求越来越高，数字图像处理技术得到了更加广泛和迅速的发展。目前，数字图像处理已成为人们认识世界和改造世界的重要方法。数字图像处理学科所涉及的知识相当广泛，具体的方法种类很多。数字图像处理研究方向主要集中在图像获取、图像变换、图像增强、图像恢复、压缩编码、图像分割和图像边缘提取等方面。2.2常用的颜色空间颜色特征是图像的最基本的特征，也是最容易被识别的特征。颜色特征是图像分割中应用最为广泛的特征。与其他特征相比，颜色特征对图像本身的尺寸、方向和观察角度的依赖性很小，颜色特征的提取也相对容易，所以基于颜色特征的图像分割研究受到广泛的重视。图像颜色特征的表达涉及若干问题，本章在介绍最常用的颜色空间，转换、量化等基本问题的基础上，讨论了颜色特征的提取方法。(1) RGB颜色空间对于彩色图像，它的显示必须从三原色RGB概念说起。自然界中的所有颜色都可以由红，绿，蓝(R,G,B)三原色组合而成。某些颜色含有红色成分更多，其他成分少一些。针对含有红色成分的多与少，可以将彩色图像人为地分成0到255共256个等级，0表示包含红色成分255表示含有100%的红色成分。同理可得绿色和蓝色也被分为256个等级。这样，根据红、绿、蓝各种不同的组合我们就能表示出256*256*256(约1600万)种颜色。当一幅图中每个像素被赋不同的RGB值时，就能呈现五彩缤纷的颜色了，这就形成了彩色图像。最强的红，绿，蓝三原色相加产生了白色。1600多万种颜色好像已经够多了，可与可见光谱的色域围相比还是要狭窄很多。RGB颜色空间是基于三基色理论开发的颜色相加的颜色模型，它的物理意义很清晰，且颜色的生成不难实现，因此RGB颜色空间是电子输入设备使用最多的颜色语言，如显示器，扫描仪和数码相机等。RGB颜色空间是和设备无关的，不同的RGB设备再现的颜色不可能完全相同。因为视觉对颜色的感知是非线性的，所以颜色的指定并不真切，这使它的应用围受到了局限。(2) CMY颜色空间CMY色彩系统也是一种常用的色彩表示方式，与RGB颜色空间有两点不同：第一，CMY的三基色分别为青，品红，黄(C,M,Y)；第二，计算机屏幕的显示通常用RGB颜色系统，它通过三种颜色的相加来产生其他颜色，这种方法被称作加色合成法，而CMY颜色空间通过颜色的相加减来产生其他颜色，这种方法被称为减色合成法，CMY颜色空间应用于印刷技术，印刷品通过发射光线的原理再现色彩。（3）YIQ,YUV颜色空间YIQ和YUV都产生一种亮度分量信号和两种色度分量信号。YIQ颜色空间应用于北美的电视系统。这里的Y不是指黄色，而是指颜色的明适度，就是亮度。其实Y就是图像的灰度值：而I和Q则是指色调，即描述图像色彩及饱和度的属性。（4）HIS颜色空间相对于RGB空间来说HIS彩色空间更符合人眼对颜色的感觉和认知。其中H(hue)，S(samration)，I(intensity)分别表示色调，饱和度和亮度。色调是描述纯色的属性(纯黄色、橘黄或红色)，饱和度给出一种纯色被白光稀释的程度的度量，亮度是一个主观的描述子，实际上它是不可能测量的。HSI的几种变体：HSB，HSL，HSV9。HSI彩色空间可以用一个圆柱体来表示，如图2-1所示。色调H由角度表示，其取值围：0360，设0表示红色，则60表示黄色，120表示绿色，240表示蓝色，360表示品红色或绛红色。饱和度S分量是HIS颜色空间中轴线到彩色点的半径的长度。强度I用在轴线方向上的高度表示，圆柱体的轴线描述了灰度级。如强度取最小值时为黑色，强度取最大值时为白色。每个和轴线正交的切面上的点，其强度都是等值的。图2-1HIS彩色空间从RGB到HIS的转换为： (2.1)上面三个式子中如果强度为零，饱和度就没有定义，如果饱和度为零，色调就没有意义。由于HIS模型可以直观的将图像的彩色信息用H和S两个分量表示出来，而不受强度分量的影响，所以HIS空间对于彩色描述图像处理方法是一个理想的工具。(5) CIE彩色空间CIE彩色空间是由国际照明委员会提出的，CIE空间有三个基本量X、Y、Z,通过X、Y、Z能够表示任何一种颜色，X、Y、Z可以利用R、G、B线性表示出来： (2.2)2.3彩色图像分割方法彩色图像分割是彩色图像处理的首要问题，分割彩色图像可以看作是灰度图像分割技术在彩色模型上的应用。目前，大多灰度图像分割技术都可以扩展到彩色图像，许多的彩色图像分割方法不仅可以灰度图像分割方法应用于不同的彩色模型，还可以直接应用于每个颜色分量上，其结果再经过一定的方法进行组合，就可得到最终的分割结果。常用的彩色图像分割方法有阈值化方法、基于边缘的方法、分水岭方法、区域生长法和区域合并法等10-14。2.3.1阈值化方法阈值化是最简单的分割处理，计算代价小速度快，是广泛应用于灰度图像的一种分割技术。当物体或图像区域表征为不变的反射率或其表面光的吸收率时，则可以确定一个亮度常量阈值来分割物体和背景。阈值的选择是阈值分割成功的关键，在整个图像上可以施加单个阈值，也可以使用依赖图像部分而改变的阈值，通常用是利用直方图来选择。阈值化方法对物体彼此不接触，且物体与背景有着明显差异的灰度值时，反映在直方图上就是物体和背景都有不同的峰，选取的阈值就应位于直方图两个不同峰之间的谷上，以便于工作将各个峰分开，得到的分割结果也会更理想。对彩色图像而言，由于它有3个谱段，其直方图是一个3维数组，在这样的直方图中确定阈值则比较困难。一种有效的解决方法就是给每个谱段计算一个平滑的直方图，在每个直方图中找到一个最显著的峰，确定两个阈值分别对应于该峰两侧的局部最小值。根据这些阈值对各个谱段进行分割，最后将各个谱段的每个分割投影到多光谱分割中。阈值化方法不需要先验信息，且计算量较小，但缺点是：(1)单独基于颜色分割得到的区域可能是有缺陷的；(2)在复杂图像的各个分量直方图中并可能不存在明显的谷，用来进行阈值化分割；(3)当像素颜色映射到3个直方图的不同点时，颜色信息会发散；(4)没有利用局部空间信息15。2.3.2基于边缘的分割方法基于边缘的分割方法依赖于由边缘检测子找到的图像边缘，边缘检测得到的图像结果并不能作为分割结果，需要采用后续处理将边缘合并为边缘链，最终得到物体或图像部分的边缘链。不同的边缘检测子所得到的边缘图像是不同的，基于边缘的分割方法常用的有以下几种：(1) 边缘阈值化16因为几乎没有0值像素，但小的边缘值对应于由量化噪声、弱且不规则照明等引起的非显著的灰度变化的边缘图像，所以就应该对边缘图像做简单的阈值化处理去除这些小数值的边缘。简单检测子会是边缘变粗，如果边缘带有方向信息，就可以通过应用边缘数据的非最大抑制来抑制单个边界领域的多个响应，以实现部分矫正。在边缘图像的8-邻域，每个非0幅值的像素，考察由边缘方向指出的两个邻接像素，假如两个邻接像素的幅值都超过当前考察像素的幅值，就将它们标记出去除，直到所有像素都考察过。(2) 边缘松弛法17边界受图像噪声影响较大的边缘图像，在处理的时候很可能会遗漏重要的部分，可以对边缘进行上下文邻域的边缘信度评价来解决这个问题。在两个强边缘间的一个弱边缘构成的一个上下文里，位于其间的弱边缘就很可能属于结果边界的一部分。如果一个边缘没有上下文邻域，那么它有可能就不属于任何边界的一部分。在边缘图像中，裂缝边缘就是进行上下文邻域评价的经典例子。边缘松弛法是一个迭代的过程，边缘信度或者收敛到0或者收敛到1。在迭代的第一次，每个边缘e的信度c(1)(e)可以定义为规化的裂缝边缘幅值，规化可以是基于整幅图像裂缝边缘的全局最大值，也可以是基于该边缘某个大邻域的局部最大值。首先对边缘图像中的所有裂缝边缘计算一个信度c(1)(e)，在每个边缘的上下文邻域，再根据边缘信息c(k)(e)确定其边缘类型，然后根据每个边缘的类型和前面的信度c(k)(e)更新它的信度c(k+1)(e)，直到所有的边缘信度全都收敛到了0或者1。(3) 边界跟踪法18如果区域的边界未知，而区域本身在图像中已定义，则边界可以唯一地被检测出来。边界跟踪法从作为边界元素概率高的像素开始搜索它的相邻像素，把最可能成为下一个边界元素的像素加到边界，从而逐步检测出边界。(4) Hough变换19当图像是由已知形状和大小的物体组成时，分割可以看成是在图像中寻找物体的问题。Hough变换就是解决该问题的典型方法，它通过在图像中移动一个合适形状和大小的掩模，寻找图像与掩模间的关联，它还可以用于重叠的或部分遮挡的物体的分割。Hough变换可以用来检测任意形状的物体，如果待搜索形状的解析公式并不存在，广义Hough变换就会根据在学习阶段中检测到的样本情形构建一个参数曲线描述。基于边缘的分割最常见的问题是由于图像噪声或图像中不恰当信息，而造成在没有边界的地方出现了边缘以及在存在边界的地方却没有出现边缘的情况。2.3.3基于区域的分割方法(1) 分水岭方法数学形态学理论在图像分割的应用中有代表性的是分水岭算法。分水岭算法是一种利用图像形态学、基于区域的分割技术。相比于简单的阈值分割，分水岭算法是一种自适应迭代阈值分割算法。分水岭算法的思想来源于地理学（如图2-2所示），它将梯度幅值图像看成一幅地形图，而梯度幅值对应海拔高度，图像中不同梯度值的区域就对应于山峰和山谷间的盆地。它将图像中每个物体都看成单独的部分，并要求在每个物体的部至少要有一个标记。标记是根据应用的关于该物体的知识，操作者手工或者通过自动程序选择的。物体经标记后就可以用形态的分水岭变换进行区域生长。图2-2 三维空间中的分水岭和集水盆地示意图分水岭的分割算法主要分为两步：排序和泛洪。排序，像素点按梯度值递增排序，相同梯度值的点作为一个梯度层级。泛洪，根据排序扫描像素构建集水盆地，每个集水盆地分派不同的标记，不同积水盆地的水流入就汇集成了坝。分水岭分割后的图像是由几个互不重叠的区域构成。(2) 区域生长法区域生长就是在图像被分成多个区域以及每个区域中像素的位置已知的情况下，从一个已知像素也就是种子像素开始，根据一致性准则向邻接区域生长，将满足准则的像素合并到种子像素所在区域中。当新的点被合并后再用新的区域重复这一过程，直到没有满足条件的像素可被接收时生长过程终止。区域生长示例如图2-3，图2-3(a)给出需要分割的图像，选定两个种子像素（下划线标识），进行区域生长。生长过程是：当所考察的像素与种子像素颜色值差的绝对值小于给定阈值T时，就将该像素标记为与种子像素相同的颜色值。图2-3(b)给出了T3时的区域生长结果，图像被较好的分成了两个区域。 (a) (b)图2-3区域生长例图(3) 区域合并法区域归并方法是指在通过某种初始化分割方法得到的很多小区域上，根据一定的归并标准将满足归并标准的两个邻接区域合并为一个区域，直到所有满足归并标准的邻接区域都被归并起来。在用分割方法分割图像后，结果中可能会出现过分割，利用区域归并方法则可以进一步将相邻的区域按照合并准则合并成起来。制定合并准则是进行合并的重点。3无监督彩色图像分割3.1概述本章主要介绍本文所采用的彩色图像分割方法。输入一幅彩色图像，输出结果是分割后的图像，具体步骤如下：先将彩色图像转换为HIS颜色空间，接下来检测图像边缘，然后选取种子，最后进行区域生长算法，得到最终分割结果。分割方法框图如图3-1所示：原彩色图像颜色空间转换检测边缘选取种子区域生长与合并分割结果图3-1分割方法框图3.2颜色空间的转换图像分割最终效果好坏是由人来判别的，所以在对原图像进行分割时，应选择与人的视觉一致的颜色空间，即在颜色空间计算的距离应该与人观察到的颜色距离一致。第二章介绍的众多颜色空间中，HIS色彩空间根据人的视觉系统，用色调、饱和度、亮度来描述色彩的。这种颜色空间反映了人观察彩色的方式。在HIS系统中，I是指感觉到的颜色明暗程度的量。强度折确定了像素的整体亮度，而不管是什么颜色H和S是包含彩色信息的两个参数。在计算机中，彩色数字图像的存储一般都是RGB颜色空间。而本文的算法采用HIS颜色空间，因此要将图像由RGB颜色空间转换到HIS颜色空间。RGB转换为HIS坐标的转换关系为：(3.1)RGB颜色空间转换为HIS颜色空间的主要程序如下：rgb=im2double(rgb); r=rgb(:,:,1); g=rgb(:,:,2); b=rgb(:,:,3); num=0.5*(r-g)+(r-b); den=sqrt(r-g).2+(r-b).*(g-b); theta=acos(num./(den+eps); H=theta; H(bg)=2*pi-H(bg); H=H/(2*pi); num=min(min(r,g),b); den=r+g+b; den(den=0)=eps; S=1-3.*num./den; H(S=0)=0; I=(r+g+b)/3;3.3Sobel算子边缘提取为了实现无监督的图像分割并合理确定分割区域，采取边缘与区域想结合的方法，边缘部分的准确提取决定了分割的准确度。Sobel算子是边缘检测器中最常用的算子之一。采用3*3邻域可以避免在像素之间插点上计算梯度。考虑如图3-2所示的点i,j周围点的排列。Sobel算子也是一种梯度幅值： (3.2)其中的偏导数用下式计算：(3.3) (3.4)其中常数c=2。和其他的梯度算子都一样，sx和sy可用卷积模板来实现：图3-2用于说明Sobel算子的邻域像素点标记edge函数实现的语法格式如下：BW=edge(I,sobel)BW=edge(I,sobel,thresh)BW=edge(I,sobel,thresh,direction)BW,thresh=edge(I,sobel)Sobel算子边缘检测效果如图3-3所示： （a） （b）图3-3Sobel算子边缘检测效果图3.4种子的选取区域生长算法中，种子的选取非常重要，在本文中的算法中种子的选取有三个原则：(1) 种子的邻域像素不是任何尺度的边缘像素点。(2) 种子与其邻域像素有高度的颜色相似性，通过颜色距离并选择合适的阈值判断。(3) 种子与其邻域像素有高度的纹理相似性，通过纹理距离并选择合适的阈值判断。假如一个像素点满足上述三个条件即可最为种子像素点，由此可知种子的选取选择在边缘围起的区域，使得种子区域生长更为合理，从而能是最终的分割效果更为准确。种子选取效果如图3-4所示：图3-4种子选取效果图3.5区域生长与合并区域生长中选用像素间颜色和纹理的相对欧氏距离作为相似度函数，其相似度表达式为 (3.5) (3.6)式中Dc和Dt分别为相对颜色距离和相对纹理距离，在区域生长过程中，判定阈值不应选地太大，否则容易产生过分割。区域生长之后，会产生多个区域，将这些区域中属于同一区域的进行区域合并，把像素之间特征相对距离变成两个区域平均特征的相对距离判定就可。如图3-5所示为区域生长和区域合并的效果图。 (a)区域生长 (b)区域合并图3-5区域生长和区域合并效果图4实验结果与分析在实验中选取Berkeley图像库中的彩色图像，像素分辨率为321*481。因为每种算法分割出的区域不一致，采用人工涂色往往会造成不同算法的同一区域显示不一样的颜色，为了更好对比分割后的效果，在分割的区域使用该区域像素的平均值涂色。将原图像进行保持边缘信息的自适应滤波，将滤波后的图像进行Sobel边缘检测，因为其平移不变性，在变换域求得多尺度边缘和融合的纹理特征，在区域生长和合并中，颜色特征的阈值分别选择为0.222和0.3。纹理特征的阈值选择分别为0.33和0.44。由于本文的算法是以颜色和纹理特征计算像素与种子，区域与区域之间的相对距离，并且种子的选取远离边缘。如图4-1所示的分割效果看，本文的算法是有效和准确的。同时如图4-2提取指定目标的轮廓与区域，这样为彩色图像的目标匹配，跟踪与识别奠定了不错的基础。本文阐述了一种基于Sobel算子提取边缘和纹理特征，结合了区域生长和区域合并的方法实现了彩色图像的分割，而且能准确提取目标的轮廓与区域，为机器视觉中的目标匹配、跟踪和识别打下了很好的基础。在实验中采用Berkeley图像库中的彩色图像作为样本，从实验的结果中分析，本文的算法具有很好的效果。(a)原图像(b)分割结果(c) 原图像 (d) 分割结果(e) 原图像 (f) 分割结果(g) 原图像 (h) 分割结果图4-1图像分割效果图（a）目标轮廓（b）目标区域图4-2本文方法提取指定目标的轮廓和区域5结论 本文论述了彩色图像分割的目前方法，并提出了一种基于结合边缘提取、区域生长和合并方法的无监督分割算法，并能准确提取目标图像的轮廓与区域，为机器视觉中的目标匹配、跟踪与识别打下良好的基础。在试验中选用Berkeley图像库中的彩色图像作为样本，从实验的结果中分析，本文的算法实现分割的效果良好，论证了本文算法的有效性和准确性。参考文献1曾璐. 彩色图像分割技术研究D.：理工大学硕士论文.2010.2杰. 基于分水岭与区域生长的彩色图像分割算法研究D. ：师大学硕士论文，2009.3章三妹. 基于聚类和区域生长的彩色图像分割方法D.：理工大学硕士论文，2008.4王佳男. 采用基于区域的自动种子区域生长法的彩色图像分割方法D.：东北师大学硕士论文.2007.5 Y.Nakagawa，A.Rsenfeld.Some experimentsonvariablethresholdingJPattern Recognition.1979,11(3):191-2046 严学强，叶秀清，济林基于量化图像直方图的最大熵阈值处理算法J模式识别与人工智能1998,11(3)：352-3587 sergey N.Krjukov,Tatjana O.Semenkova.Backpropagation neural network for adaptive color image segmentation.SPIE 1997 Vol3030，70-748 Arthur R.Weeks,G.Eric Hague.Color Segmentation in the HIS color space using the k-means algorithm.SPIE 1997 Vol3026，143-1549 K M Kim，C S Lee，Y H HaColor image quantization using weighted distortion measure of HVS color activityCIEEE International ference on Pattern Recognition1996：1035-103910 林开颜，吴军辉，徐立鸿彩色图像分割方法综述J中国图象图形学报，2005，1(10)：1-1011 付炜，黄志高，瑞芳基于阈值化分割与小波变换的彩色数字水印算法J电子测量技术，2006，6(29)：129-13112 金军基于子块的区域生长的彩色图像分割算法J计算机工程与应用，2008，44(1)：82-8313 柳萍，阳爱民一种基于区域的彩色图像分割方法J计算机工程与应用，2007，43(6)：37-39，6414 龚巍，林茂松一种改进的边缘生长彩色图像分割方法J微电子学与计算机，2007，24(6)：194-19715 Geman,D. & S.Geman. Stochastic relaxation,Gibbs distribution and Bayesian restoration of imagesJIEEE Transactions on pattern Analysis and Machine Intelli-gence，1984(6) ：721-74116 平，斌，阮波基于边缘信息的图像阈值化分割方法J计算机应用，2004，9(24)：28-3717 胜，新，丽萍，锟多网格法解总变分问题及在医学图像增强中的应用J中国图象图形学报，2004，7(9)：787-79218 梅华，汪东，柳惠秋一种改进的轮廓跟踪算法J机械设计与制造，2008，5：45-4719 田岳鑫Hough变换在小目标检测中的应用J激光与红外，2008，11（38）：1141-1143辞本文是在我的导师志刚讲师的悉心指导下完成的。从论文的选题、研究思路的确定、论文的撰写直到论文修改的整个过程中，老师倾注了大量的心血和精力。在几年的学习生活中，感老师给予我的关心、指导和培养。这三年来，老师严谨的治学态度、诲人不倦的师德和一丝不苟的工作作风使我受益匪浅；他朴实的生活作风、渊博的学识以及对科学研究事业执着追求的精神给我留下了深刻的印象，并使我终生受益，也是我未来学习的榜样！在这里还要感物电学院的所有领导和老师三年来对我的培养和关怀，是他们为我提供了良好的学习环境和机会。感我的父母和家人，没有你们的鼓励和支持我将一事无成。最后，感各位专家和评委的耐心审阅，他们提出了很多宝贵意见和建议。附 件程序清单：主程序：function tu=keyprogram( ) rgb=imread(tree.png);figure;imshow(rgb);rgb=im2double(rgb); r=rgb(:,:,1); g=rgb(:,:,2); b=rgb(:,:,3); num=0.5*(r-g)+(r-b); den=sqrt(r-g).2+(r-b).*(g-b); theta=acos(num./(den+eps); H=theta; H(bg)=2*pi-H(bg); H=H/(2*pi); num=min(min(r,g),b); den=r+g+b; den(den=0)=eps; S=1-3.*num./den; H(S=0)=0; I=(r+g+b)/3; S=im2uint8(S);H=im2uint8(H);I=im2uint8(I);S=double(S);H=double(H);I=double(I);m,n=size(S);figure;imshow(uint8(S);figure;imshow(uint8(H);figure;imshow(uint8(I);S1=S;h1=H;i1=I;for i=1:m for j=1:n if (S(i,j)=100) S1(i,j)=255; else S1(i,j)=0; end endendfigure;imshow(uint8(S1);for i=1:m for j=1:n if (S1(i,j)=0) H(i,j)=0; end endendH1=meanshift(H);figure;imshow(uint8(H1);for i=1:m for j=1:n if (S1(i,j)=255) I(i,j)=0; end endendI1=meanshift(I);figure;imshow(uint8(I1);for i=1:m for j=1:n if (S1(i,j)=0) H1(i,j)=h1(i,j); end endendfor i=1:m for j=1:n if (S1(i,j)=255) I1(i,j)=i1(i,j); end endendhsi=cat(3,H1,S1,I1);figure;imshow(uint8(hsi);end子程序：function p=meanshift(im)r,c=size(im);f=im;new_f_x=zeros(r,c);new_f_y=new_f_x;new_f_gray=f;hs=7;hr=35;c1=-hs:hs;c1=repmat(c1,2*hs+1,1);r1=c1;es=(r1.2+c1.2)/hs2;index=find(es1);es=exp(-es);es(index)=0;for i=hs+1:r-hs for j=hs+1:c-hs k=i;l=j;count=0;flag=1; while(flag=0) count=count+1; rr1=r1+k; cc1=c1+l; er=(f(i,j)-f(k-hs:k+hs,l-hs:l+hs).2)/hr2;index=find(er1); er=exp(-er);er(index)=0; new_k=sum(sum(rr1.*es.*er)/sum(sum(es.*er); new_l=sum(sum(cc1.*es.*er)/sum(sum(es.*er); shift=sqrt(k-new_k)2+(l-new_l)2); k=round(new_k); l=round(new_l); if shift1 flag=0; end if (new_kr-hs | new_lc-hs) k=i;l=j; break; end end er=(f(i,j)-f(k-hs:k+hs,l-hs:l+hs).2)/hr2;er=double(er0);tem=median(tem); new_f_gray(i,j)=tem; new_f_x(i,j)=k;new_f_y(i,j)=l; endendp=new_f_gray;