基于MATLAB的圖像分割算法研究與仿真.doc

《基于MATLAB的圖像分割算法研究與仿真.doc》由會員分享，可在線閱讀，更多相關(guān)《基于MATLAB的圖像分割算法研究與仿真.doc（34頁珍藏版）》請?jiān)谘b配圖網(wǎng)上搜索。

1、摘 要隨著信息化程度的加深,圖像作為包含大量信息的載體形式越來越能體現(xiàn)出它強(qiáng)大的信息包含能力。圖像分割是進(jìn)行圖像分析的關(guān)鍵步驟，也是進(jìn)一步理解圖像的基礎(chǔ)。圖像分割在圖像工程中位于圖像處理和圖像分析之間。圖像分割就是把圖像分割成一系列有意義、各具特征的目標(biāo)或區(qū)域的過程。雖然圖像分割算法有很多種，但是到目前位置還沒有通用的圖像分割算法。論文綜述了閾值分割、區(qū)域生長、分裂合并和邊緣檢測圖像分割算法。首先介紹了圖像分割的研究意義及國內(nèi)外研究現(xiàn)狀。接著介紹了閾值分割、區(qū)域生長、分裂合并和邊緣檢測圖像分割算法的基本原理及其MATLAB仿真結(jié)果。最后介紹了MATLAB圖形用戶界面設(shè)計(jì)。MATLAB仿真結(jié)果表

2、明：各種圖像分割算法各有其優(yōu)缺點(diǎn)及其適用范圍。因此，在對一幅圖像進(jìn)行分割之前，首先要對圖像進(jìn)行判斷分析，然后再選擇恰當(dāng)?shù)姆指钏惴ǎ@樣才能得到比較令人滿意的分割效果。關(guān)鍵詞：圖像分割；閾值分割；區(qū)域生長；分裂合并；邊緣檢測；MATLABAbstractAs a media containing great amount of information, image embodies its powerful ability with the deepening of informationization. Image segmentation is not only a key step bef

3、ore image analysis, but also the basis of further understanding image. Image segmentation locates between image process and image analysis. The process of dividing an image into a series of meaningful and characteristic objects or regions is called image segmentation. Although there are many kinds o

4、f image segmentation algorithms, there is no general image segmentation algorithm by now. This paper summarizes such image algorithms as threshold segmentation, region growing ，split and merge as well as edge detection. Firstly, research meaning and state around the world of image segmentation is in

5、troduced. Secondly, basic principle and MATLAB simulation results of threshold segmentation, region growing, split and merge as well as edge detection image segmentation algorithm is introduced. Finally, graphic user interface of MATLAB is introduced. The MATLAB simulation results demonstrate that d

6、ifferent image segmentation algorithms are of different advantages and disadvantages as well as its application. Therefore, image should be analyzed first and then appropriate image segmentation algorithm is selected before segmentation so as to acquire satisfactory results. Key words: image segment

7、ation；threshold segmentation; region growing; split and merge ; edge detection; MATLAB目 錄 1 引 言11.1 圖像與數(shù)字圖像處理11.2 研究圖像分割處理的意義11.3 圖像分割技術(shù)的背景和國內(nèi)外研究現(xiàn)狀22 圖像目標(biāo)分割與提取技術(shù)的方法綜述42.1 閾值分割42.1.1概述42.1.2全局閾值52.1.3局部閾值52.1.4動態(tài)閾值62.2 區(qū)域生長和分裂合并62.2.1區(qū)域生長法62.2.2區(qū)域合并和分裂72.3 邊緣檢測82.3.1微分算子82.3.2邊界連接113 MATLAB仿真程序123.1

8、閾值算法MATLAB仿真結(jié)果123.1.1 閾值算法MATLAB仿真結(jié)果123.1.2小結(jié)143.2 基于MATLAB的幾種常用邊緣檢測代碼(見附錄)：143.2.1 邊緣檢測MATLAB仿真結(jié)果143.2.2 小結(jié)154 MATLAB GUI設(shè)計(jì)164.1 MATLAB簡介164.2 圖形用戶界面GUI164.3 GUI設(shè)計(jì)原理及簡介164.4 設(shè)計(jì)方法174.4.1圖形用戶界面設(shè)計(jì)工具174.4.2菜單設(shè)計(jì)184.4.3對話框設(shè)計(jì)184.4.4句柄圖形184.4.5 圖形對象句柄命令194.5 總結(jié)195 結(jié)論與展望205.1 結(jié)論205.2 展望20致 謝21參考文獻(xiàn)22附 錄23III

9、基于MATLAB的圖像分割算法研究與仿真1 引 言 據(jù)研究，在人類所接受到的全部信息中，約有75%80%是通過視覺系統(tǒng)得到的，和語言或文字信息相比，圖像包含的信息量更大、更直觀、更確切，因而具有更高的使用效率和更廣泛的適應(yīng)性。當(dāng)我們獲得一副巨大的圖像時(shí)，進(jìn)行合理地分割和處理，可以獲得對圖像的進(jìn)一步識別、分析和理解。這些都是我們的日常工作所需要的。1.1 圖像與數(shù)字圖像處理 客觀世界在空間上是三維(3-D)的，但一般從客觀景物得到的圖像是二維(2-D)的。一幅圖像可以定義為一個(gè)二維函數(shù)f(x,y)，這里 x和y 表示表示2-D空間中一個(gè)坐標(biāo)點(diǎn)的位置，而幅值f則代表圖像在坐標(biāo)(x,y)上的某種性質(zhì)

10、的數(shù)值。例如常用的圖像一般是灰度圖，這時(shí)f表示灰度值，它常對應(yīng)客觀景物被觀察到的亮度。 日常所見圖像多是連續(xù)的，即f(x,y)的值可以任意實(shí)數(shù)。為了能用計(jì)算機(jī)對圖像進(jìn)行加工，需要把連續(xù)的圖像在坐標(biāo)空間x，y和幅值f都離散化。這種離散化了的圖像就是數(shù)字圖像，數(shù)字圖像是由有限的元素組成的，每個(gè)元素都有一個(gè)特定的位置和幅值，這些元素稱為圖像像素。數(shù)字圖像常用矩陣來描述。一幅MN個(gè)像素的數(shù)字圖像，其像素灰度值可以用M行、N列的矩陣G表示：在存儲圖像時(shí)，一幅M行、N列的數(shù)字圖像（MN個(gè)像素），可以用一個(gè)MN的二維數(shù)組T來表示。圖像的各個(gè)像素灰度值可按一定的順序存放在數(shù)組T中。習(xí)慣上把數(shù)字圖像左上角的像素

11、定義為第(1，1)個(gè)像素，右下角的像素定義為第（M,N）個(gè)像素。數(shù)字圖像處理，就是把數(shù)字圖像經(jīng)過一些特定數(shù)理模式的加工處理，以達(dá)到有利于人眼視覺或某種接收系統(tǒng)所需要的圖像的過程。如對被噪聲污染的圖像除去噪聲，對信息微弱的圖像進(jìn)行增強(qiáng)，對失真的圖像進(jìn)行幾何校正等。隨著計(jì)算機(jī)軟硬件技術(shù)的突飛猛進(jìn)，以及數(shù)字處理技術(shù)的不斷發(fā)展，數(shù)字圖像處理在科學(xué)研究、工業(yè)生產(chǎn)、國防以及現(xiàn)代管理決策等各行各業(yè)都得到越來越多的應(yīng)用1。1.2 研究圖像分割處理的意義數(shù)字圖像目標(biāo)分割與提取是數(shù)字圖像處理和計(jì)算機(jī)視覺領(lǐng)域中一個(gè)備受關(guān)注的研究分支。因?yàn)樵谀繕?biāo)分割與提取過程中可以利用大量的數(shù)字圖像處理的方法，加上其在計(jì)算機(jī)視覺、模

12、式識別等領(lǐng)域中的廣泛應(yīng)用，都吸引了眾多研究者的注意。相信對這一問題的深入研究不僅會不斷完善對這一問題的解決，而且必將推動模式識別、計(jì)算機(jī)視覺、人工智能等計(jì)算機(jī)科學(xué)分支的發(fā)展。圖像分割和邊緣檢測的問題在近二十年中得到了廣泛的關(guān)注和長足的發(fā)展，國內(nèi)外很多研究人士提出了很多方法，在不同的領(lǐng)域取得了一定的成果。但是對于尋找一種能夠普遍適用于各種復(fù)雜情況的準(zhǔn)確率很高的分割和檢測算法，還有很大的探索空間。邊緣提取和分割是圖像分析的經(jīng)典研究課題之一，目前的理論和方法仍存在許多不足之處，仍在不斷改進(jìn)和發(fā)展。需要說明的是：邊緣與物體間的邊界并不等同，邊緣指的是圖像中像素的值有突變的地方，而物體間的邊界指的是現(xiàn)實(shí)

13、場景中的存在與物體之間的邊界。有可能有邊緣的地方并非邊界，也有可能邊界的地方并無邊緣，因?yàn)楝F(xiàn)實(shí)中的物體是三維的，而圖像只具有二維信息，從三維到二維的投影成像不可避免的會丟失一部分信息；另外成像的過程中的光照和噪聲也是不可避免的重要因素。正是因?yàn)檫@些原因，基于邊緣的圖像分割仍然是當(dāng)前圖像研究中的世界級難題，目前研究者們正在試圖在邊緣提取中加入高層的語義信息。由于圖像的多意性和復(fù)雜性，許多分割的工作無法依靠計(jì)算機(jī)自動完成，而手工分割又存在工作量大，定位不準(zhǔn)確的難題，因此，人們提出了一些人工交互和計(jì)算機(jī)自動定位相結(jié)合的方法，利用各自的優(yōu)勢，實(shí)現(xiàn)目標(biāo)輪廓的快速定位。相信這些交互式方法的應(yīng)用，必將推動圖

14、像目標(biāo)分割與提取這一既具有廣闊的應(yīng)用前景又具有重要的學(xué)術(shù)價(jià)值的課題的進(jìn)一步研究，也必將成為一個(gè)更為獨(dú)立和活躍的研究領(lǐng)域。1.3 圖像分割技術(shù)的背景和國內(nèi)外研究現(xiàn)狀所謂圖像分割就是根據(jù)目標(biāo)與背景的先驗(yàn)知識，對圖像中的目標(biāo)、背景進(jìn)行標(biāo)記、定位，然后將要識別的目標(biāo)從背景或其他偽目標(biāo)中分離出來。圖像分割是圖像理解的重要組成部分，其目的是將目標(biāo)和背景分離，為目標(biāo)識別、精確定位等后續(xù)處理提供依據(jù)，其結(jié)果將直接影響到其后的信息處理過程。如何快速、有效地將感興趣的目標(biāo)從復(fù)雜的背景中分割出來一直是國內(nèi)外研究的熱點(diǎn)。分割問題的困難在于圖像數(shù)據(jù)的模糊和噪聲的干擾。到目前為止，還沒有一種或者幾種完善的分割方法，可以按

15、照人們的意愿準(zhǔn)確的分割任何一種圖像。實(shí)際圖像中景物情況各異，具體問題具體分析，需要根據(jù)實(shí)際情況選擇適合的方法。分割結(jié)果的好壞或者正確與否，目前還沒有一個(gè)統(tǒng)一的評價(jià)判斷準(zhǔn)則，分割的好壞必須從分割的效果和實(shí)際應(yīng)用場景來判斷。不過在人類研究圖像的歷史中，還是積累了許多經(jīng)典的圖像分割方法。雖然這些分割方法不適合所有類型的圖像分割，但是這些方法卻是圖像分割方法進(jìn)一步發(fā)展的基礎(chǔ)。事實(shí)上，現(xiàn)代一些分割算法恰恰是從經(jīng)典的分割方法衍生出來的。早期的圖像研究中，圖像的分割方法主要可以分為兩大類。一類是邊界方法，這種方法的假設(shè)是圖像分割結(jié)果的某個(gè)子區(qū)域在原來的圖像中一定會有邊緣存在；一類是區(qū)域方法，這種方法的假設(shè)是

16、圖像分割結(jié)果的子區(qū)域一定會有相同的性質(zhì)，而不同區(qū)域的像素沒有共同的性質(zhì)。這兩種方法都有缺點(diǎn)和優(yōu)點(diǎn)，有的學(xué)者也試圖把兩者結(jié)合起來進(jìn)行圖像分割，隨著計(jì)算機(jī)處理能力的提高，很多方法不斷涌現(xiàn)，如基于彩色分量分割、紋理圖像分割。所使用的教學(xué)工具和實(shí)驗(yàn)手段也是不斷的擴(kuò)展，從時(shí)域信號到頻域信號處理，近來小波變換也應(yīng)用在圖像分割當(dāng)中。隨著各種理論的不斷成熟和完善，圖像分割技術(shù)已經(jīng)獲得了長足的進(jìn)步，并廣泛地應(yīng)用到了醫(yī)學(xué)、遙感、紅外等多個(gè)領(lǐng)域。現(xiàn)在國內(nèi)外很多大學(xué)和科研機(jī)構(gòu)都設(shè)有專門的機(jī)器視覺實(shí)驗(yàn)室對這方面的技術(shù)進(jìn)行更加深入的研究，相信隨著這方面研究的不斷深入，更新更好的方法將會不斷被提出和應(yīng)用。2 圖像目標(biāo)分割與

17、提取技術(shù)的方法綜述圖像分割是一種重要的圖像技術(shù)，在理論研究和實(shí)際應(yīng)用中都得到了人們的廣泛重視?？墒?，圖像分割的方法和種類有很多，有些分割運(yùn)算可直接應(yīng)用于任何圖像，而另一些只能適用于特殊類別的圖像。有些算法需要先對圖像進(jìn)行粗分割，因?yàn)樗麄冃枰獜膱D像中提取出來的信息。例如，可以對圖像的灰度級設(shè)置門限的方法分割。值得提出的是，沒有唯一的標(biāo)準(zhǔn)的分割方法。許多不同種類的圖像或景物都可作為待分割的圖像數(shù)據(jù)，不同類型的圖像，已經(jīng)有相對應(yīng)的分割方法對其分割，同時(shí)，某些分割方法也只是適合于某些特殊類型的圖像分割。分割結(jié)果的好壞需要根據(jù)具體的場合及要求衡量。圖像分割是從圖像處理到圖像分析的關(guān)鍵步驟，可以說，圖像分

18、割結(jié)果的好壞直接影響對圖像的理解。本文將重點(diǎn)介紹一些常用的方法，灰度閾值法、邊緣檢測與邊界連接、區(qū)域生長、區(qū)域分裂與合并等等2。2.1 閾值分割2.1.1概述閾值化是最常用的一種圖像分割技術(shù)，其特點(diǎn)是操作簡單，分割結(jié)果是一系列連續(xù)區(qū)域。灰度圖像的閾值分割一般基于如下假設(shè)：圖像目標(biāo)或背景內(nèi)部的相鄰像素間的灰度值是高度相關(guān)的，目標(biāo)與背景之間的邊界兩側(cè)像素的灰度值差別大，圖像目標(biāo)與背景的灰度分布都是單峰的。如果圖像目標(biāo)與背景對應(yīng)的兩個(gè)單峰大小接近，方差較小且均值相差比較大，則該圖像的直方圖具有雙峰性。閾值化?？梢杂行Х指罹哂须p峰性質(zhì)的圖像。閾值分割過程如下：首先確定一個(gè)閾值T，對于圖像中的每個(gè)像素，

19、若灰度值大于T，則將其設(shè)置為目標(biāo)點(diǎn)（值為1），否則設(shè)置為背景點(diǎn)（值為0），或則相反，從而將圖像分為目標(biāo)區(qū)域與背景區(qū)域。同理，在編程實(shí)現(xiàn)時(shí)，也可以將目錄像素設(shè)置為255，背景像素設(shè)置為0，或則相反，從而將圖像分為目標(biāo)區(qū)域與背景區(qū)域。用公式可表示為： (2.1)在編程實(shí)現(xiàn)時(shí)，也可以講目標(biāo)像素設(shè)置為255，背景像素設(shè)置為0，或則相反。當(dāng)圖像中含有多個(gè)目標(biāo)且灰度差別較大時(shí)，可以設(shè)置多個(gè)閾值實(shí)現(xiàn)多閾值分割。多閾值分割可表示為： (2.2)式中：為一系列分割閾值；k為賦予每個(gè)目標(biāo)區(qū)域的標(biāo)號；m為分割后的目標(biāo)區(qū)域數(shù)減1。閾值分割的關(guān)鍵是如何確定適合的閾值，不同的閾值其處理結(jié)果差異很大，會影響特征測量與分析等

20、后續(xù)過程。如圖2.1所示，閾值過大，會過多的把背景像素分為目標(biāo)；而閾值過小，又會過多的把目標(biāo)像素錯誤分為背景。確定閾值的方法有多種，可以分為不同類型。如果選取的閾值僅與各個(gè)像素的灰度有關(guān)，則稱為局部閾值；如果選取的閾值不僅和局部有關(guān)，還和像素的位置有關(guān)，則稱為動態(tài)閾值或則自適應(yīng)閾值。閾值一般可用下式表示： (2.3)式中：f(x,y)是點(diǎn)(x,y)處的像素灰度值：p(x,y)是該像素鄰域的某種局部性質(zhì)。圖2.1 不同閾值時(shí)圖像分割結(jié)果當(dāng)圖像目標(biāo)和背景之間灰度對比較強(qiáng)時(shí)，閾值選取較為容易。實(shí)際上，由于不良的光照原因或則過多的圖像噪聲的影響，目標(biāo)與背景之間的對比往往不夠明顯，此時(shí)閾值選取并不容易。

21、一般需要對圖像進(jìn)行預(yù)處理，如圖像平滑去噪，再確定閾值進(jìn)行分割3。2.1.2全局閾值當(dāng)圖像目標(biāo)與背景之間具有高對比度時(shí)，利用全局閾值可以成功的分割圖像。而確定全局閾值的方法很多，如極小點(diǎn)閾值法，迭代閾值法，最優(yōu)閾值法，Qtsu閾值算法，最大熵法，p參數(shù)法等。當(dāng)具有明顯的雙峰性質(zhì)時(shí)，可直接從直方圖的波谷處選取一個(gè)閾值，也可以根據(jù)某個(gè)準(zhǔn)則自動計(jì)算出閾值。實(shí)際使用時(shí)，可根據(jù)圖像特點(diǎn)確定合適的閾值方法，一般需要用幾種方法進(jìn)行對比試驗(yàn)，以確定分割效果最好的閾值。2.1.3局部閾值當(dāng)圖像目標(biāo)與背景在直方圖上對應(yīng)的兩個(gè)波峰陡峭、對稱且雙峰之間有較深的波谷或雙峰相距很遠(yuǎn)時(shí)，利用前面介紹的全局閾值方法可以確定具有

22、較好分割效果的閾值。但是，由于圖像噪聲等因素的影響，會使用圖像直方圖雙峰之間的波谷被填充或則雙峰相距很近。另外，當(dāng)圖像目標(biāo)與背景面積差別很大時(shí)，在直方圖上的表現(xiàn)就是較小的一方被另外一方淹沒。上面這兩種情況都使得本應(yīng)具有雙峰性質(zhì)的圖像基本上變成單峰，難以檢測到雙峰之間的波谷。為了解決這個(gè)問題，除了利用像素自身的性質(zhì)外，還可以借助像素領(lǐng)域的局部性質(zhì)（如像素的梯度值與拉普拉斯值）來確定閾值，這就是局部閾值。常用的兩種局部閾值方法有直方圖變換法和散射圖法。2.1.4動態(tài)閾值在許多情況下，由于光照不均勻等因素的影響，圖像背景的灰度值并不恒定，目錄與背景的對比度在圖像中也會變化，圖像中還可能存在不同的陰影

23、。如果只使用單一的全局閾值對整幅圖像分割，則某些區(qū)域的分割效果好，而另外一些區(qū)域的分割效果可能很差。解決方法之一就是使閾值隨圖像中的位置緩慢變化，可以將整幅圖像分解為一系列子圖像，對不同的子圖像使用不同的閾值進(jìn)行分割，這種與像素坐標(biāo)有關(guān)的閾值就稱為動態(tài)閾值或自適應(yīng)閾值。子圖像之間可以部分重疊，也可以只相鄰。圖像分解之后，如果子圖像足夠小，則受光線等因素的影響就會較小，背景灰度也更均勻，目標(biāo)與背景的對比度也更一致。此時(shí)可選用前面介紹的全局閾值方法來確定各個(gè)子圖像的閾值。下面簡要介紹一下動態(tài)閾值方法，其基本步驟如下： 將整幅圖像分解為一系列相互之間有50%重疊的子圖像。 檢測各子圖像的直方圖是否具

24、有雙峰性。如果是，則采用最優(yōu)閾值法確定該子圖像的閾值，否則不進(jìn)行處理。 根據(jù)已得的部分子圖像的閾值，插值得到其他不具備雙峰性質(zhì)的子圖像的閾值。 根據(jù)各子圖像的閾值插值得到所有像素的閾值。對于每個(gè)像素，如果其灰度值大于該點(diǎn)處的閾值，則分為目標(biāo)像素，否則分為背景像素。2.2 區(qū)域生長和分裂合并圖像分割時(shí)把圖像分解為若干個(gè)有意義的子區(qū)域，而這種分解時(shí)基于物體有平滑均勻的表面，與圖像中強(qiáng)度恒定或緩慢變化的區(qū)域相對應(yīng)，即每個(gè)子區(qū)域都具有一定得均勻性質(zhì)。邊緣所包圍的部分可以看做是區(qū)域；或通過尋找閾值，使得分割后所得同一區(qū)域中的各像素灰度分布具有同一統(tǒng)計(jì)特性。這種分割雖然沒有明顯地使用分割定義中的均勻測度度

25、量，但在根據(jù)直方圖確定閾值時(shí)，實(shí)際上已經(jīng)隱含了某種測量度量。 區(qū)域分割，是直接根據(jù)事先確定的相似性準(zhǔn)則，直接取出若干特征相近或相同像素組成的區(qū)域。常用的方法有區(qū)域生長法，區(qū)域分裂與合并等。2.2.1區(qū)域生長法區(qū)域生長（region growing）是指將成組的像素或區(qū)域發(fā)展成更大區(qū)域的過程。從種子點(diǎn)的集合開始，從這些點(diǎn)的區(qū)域增長是通過將與每個(gè)種子點(diǎn)有相似屬性像強(qiáng)度、灰度級、紋理顏色等的相鄰像素合并到此區(qū)域。它是一個(gè)迭代的過程，這里每個(gè)種子像素點(diǎn)都迭代生長，直到處理過每個(gè)像素，因此形成了不同的區(qū)域，這些區(qū)域它們的邊界通過閉合的多邊形定義。區(qū)域生長中的主要問題如下：表示區(qū)域的初始化種子的選擇：在區(qū)

26、域生長過程中，這些不同區(qū)域點(diǎn)合適屬性的選擇?；趫D像具體屬性的像素生長不一定是好的分割。在區(qū)域生長過程中，不應(yīng)該使用連通性或鄰接信息。相似性：相似性表示在灰度級中觀察在兩個(gè)空間鄰接像素之間或像素集合的平均灰度級間的最小差分，它們將產(chǎn)生不同的區(qū)域。如果這個(gè)差分比相似度閾值小，則像素屬于相同的區(qū)域。區(qū)域面積：最小面積閾值與像素中的最小區(qū)域大小有關(guān)。在分割的圖像中，沒有區(qū)域這個(gè)閾值小，它由用戶定義。區(qū)域生長的后處理（region growing post-processing）：由于非優(yōu)化參數(shù)的設(shè)置，區(qū)域生長經(jīng)常會導(dǎo)致欠生長或過生長。人們已經(jīng)開發(fā)了各種各樣的后處理。從區(qū)域生長和基于邊緣的分割中，后處

27、理能獲得聯(lián)合分割的信息。更加簡單的后處理是根據(jù)一般啟發(fā)法，并且根據(jù)最初應(yīng)用的均勻性標(biāo)準(zhǔn)，減少分割圖像中無法與任何鄰接區(qū)域合并的最小區(qū)域的數(shù)量。 在場景中區(qū)域間的鄰接關(guān)系可以由區(qū)域鄰接圖（region adjacency graph, RGA）表示。在場景中的區(qū)域由在RGA的節(jié)點(diǎn)集合表示 N = N1, N2, . , Nm，這里，節(jié)點(diǎn)Ni表示在場景中的區(qū)域Ri ，并且區(qū)域Ri的屬性存儲在節(jié)點(diǎn)的數(shù)據(jù)結(jié)構(gòu)Ni中。在Ni和Nj之間的邊緣Eij表示在區(qū)域Ri和Rj之間的連接。如果在區(qū)域Ri里存放一個(gè)像素與在區(qū)域Rj彼此相鄰，那么兩個(gè)區(qū)域Ri和Rj是相鄰的。鄰接可能是4連通或8連通的。鄰接關(guān)系是自反（r

28、eflexive）和對稱（symmetric）的，但不一定是可傳遞（transitive）的。下圖顯示具有6個(gè)截然不同區(qū)域的場景鄰接圖。圖2.2 被分割成6個(gè)不同的區(qū)域當(dāng)它表示區(qū)域鄰接圖（RAG）是，二進(jìn)制矩陣A成為鄰接矩陣（adjacency matrix）。在RAG里，當(dāng)節(jié)點(diǎn)Ni和Nj鄰接，在A中，aij是1。因?yàn)猷徑雨P(guān)系是自反的，矩陣的對角元素都是1。在上圖的多區(qū)域場景鄰接矩陣（關(guān)系）如下所示。2.2.2區(qū)域合并和分裂由于在場景中分割單一大區(qū)域，分割算法可能產(chǎn)生許多個(gè)小區(qū)域。在這種情況下，較小的區(qū)域需要根據(jù)相似性合并，并且使較小的區(qū)域更緊密。簡單的區(qū)域合并算法如下所述。步驟1：使用閾值集

29、合將圖像分割為R1，R2，R，Rm。步驟2：從圖像的分割描述中生成區(qū)域鄰接圖（region adjacency graphics，RAG）。步驟3：對于每個(gè)Rj，i = 1，2，m，從RAG中確定所有Rj，ji，如Ri和Rj鄰接。步驟4：對于所有i和j，計(jì)算在Ri和Rj之間合適的相似性度量Sij。步驟5：如果SijT,那么合并Ri和Rj步驟6：根據(jù)相似性標(biāo)準(zhǔn)，重復(fù)步驟3步驟5，直到?jīng)]有合并的區(qū)域?yàn)橹?。合并的另一個(gè)策略是根據(jù)兩個(gè)區(qū)域之間的邊緣強(qiáng)度。在這個(gè)方法中，在鄰接區(qū)域之間的合并是根據(jù)兩個(gè)區(qū)域間沿標(biāo)定邊界長度的邊緣強(qiáng)度。如果邊緣強(qiáng)度小，即邊緣點(diǎn)較弱(welk)，如果合并沒有大量改變平均像素強(qiáng)度

30、值，那么可以合并兩個(gè)區(qū)域。還有這種情況：由于錯誤的預(yù)處理分割，產(chǎn)生了太小的區(qū)域。這歸結(jié)于不同區(qū)域錯誤合并成一個(gè)區(qū)域。在這種情況下，在分割區(qū)域中灰度值的變化可能高于閾值(T)，因此，需要將區(qū)域分裂成更小的區(qū)域，這樣每個(gè)更小的區(qū)域都有均勻小方差。分裂和合并可能結(jié)合在一起用于復(fù)雜場景的分割，基于規(guī)則可以指導(dǎo)分裂和合并運(yùn)算的應(yīng)用3。2.3 邊緣檢測圖像的邊緣是圖像最基本的特征，它是灰度不連續(xù)的結(jié)果。通過計(jì)算一階導(dǎo)數(shù)或二階導(dǎo)數(shù)可以方便地檢測出圖像中每個(gè)像素在其領(lǐng)域內(nèi)的灰度變化，從而檢測出邊緣。圖像中具有不同灰度的相鄰區(qū)域之間總存在邊緣。常見的邊緣類型有階躍型、斜坡型、線狀型和屋頂型。階躍型邊緣是一種理想

31、的邊緣，由于采樣等緣故，邊緣處總有一些模糊，因而邊緣處會有灰度斜坡，形成了斜坡型邊緣。斜坡型邊緣的坡度與被模糊地程度成反比，模糊程度高的邊緣往往表現(xiàn)為厚邊緣。線狀型邊緣有一個(gè)灰度突變，對應(yīng)圖像中的線條；而屋頂型邊緣兩側(cè)的灰度斜坡相對平緩，對應(yīng)粗邊緣。2.3.1微分算子對于斜坡型邊緣，在灰度斜坡的起點(diǎn)和終點(diǎn)，其一階導(dǎo)數(shù)均有一個(gè)階躍，在斜坡處為常數(shù)，其他的地方為零；其二階導(dǎo)數(shù)在斜坡起點(diǎn)產(chǎn)生一個(gè)向上的脈沖，在終點(diǎn)產(chǎn)生一個(gè)向下的脈沖，其他地方為零，在兩個(gè)脈沖之間有一個(gè)過零點(diǎn)。因此，通過檢查一階導(dǎo)數(shù)的極大值，可以確定斜坡型邊緣；通過檢測二階導(dǎo)數(shù)的過零點(diǎn)，可以確定邊緣的中心位置。對于線狀型邊緣，在邊緣的起

32、點(diǎn)與終點(diǎn)處，其一階導(dǎo)數(shù)都有一個(gè)階躍，分別對應(yīng)極大值和極小值；在邊緣的起點(diǎn)與終點(diǎn)處，其二階導(dǎo)數(shù)都對應(yīng)一個(gè)向上的脈沖，在邊緣中心對應(yīng)一個(gè)向下的脈沖，在邊緣中心兩側(cè)存在兩個(gè)過零點(diǎn)。因此，通過檢測二階差分的兩個(gè)過零點(diǎn)，就可以確定線狀型邊緣的范圍；檢測二階差分的極小值，可以確定邊緣中心位置。屋頂型邊緣的一階導(dǎo)數(shù)和二階導(dǎo)數(shù)與線狀型類似，通過檢測其一階導(dǎo)數(shù)的過零點(diǎn)可以確定屋頂?shù)奈恢?。由于上述分析可以得出以下結(jié)論：一階導(dǎo)數(shù)的幅值可用來檢測邊緣的存在；通過檢查二階導(dǎo)數(shù)的過零點(diǎn)可以確定邊緣的中心位置；利用二階導(dǎo)數(shù)在過零點(diǎn)附近的符號可以確定邊緣像素位于邊緣的暗區(qū)還是亮區(qū)。另外，一階導(dǎo)數(shù)和二階導(dǎo)數(shù)對噪聲非常敏感，尤其

33、是二階導(dǎo)數(shù)。因此，在邊緣檢測之前應(yīng)考慮圖像平滑，減弱噪聲的影響。在數(shù)字圖像處理中常利用差分近似微分來求取導(dǎo)數(shù)。邊緣檢測可借助微分算子（包括梯度算子和拉普拉斯算子）在空間域通過模版卷積來實(shí)現(xiàn)4。算子名稱模板H1模板H2特點(diǎn)Roberts各向同性；對噪聲敏感；模板尺寸為偶數(shù)，中心位置不明顯Prewitt引入了平均因素，對噪聲有抑制作用；操作簡便Sobel引入了平均因素，增強(qiáng)了最近像素的影響，噪聲抑制效果比Prewitt要好Krisch噪聲抑制作用較好；需求出8個(gè)方向的響應(yīng)這里(只給出2個(gè)方向的模板)Isotropic權(quán)值反比于鄰點(diǎn)與中心點(diǎn)的距離，檢測沿不同方向邊緣時(shí)梯度幅值一致，即具有各向同性表2

34、.1 常用的梯度算子(1) 梯度算子常用的梯度算子如表2.1所示（星號代表模版中心）。梯度算子一般由兩個(gè)模板組成，分別對應(yīng)梯度的兩個(gè)偏導(dǎo)數(shù)，用于計(jì)算兩個(gè)相互垂直上的邊緣相應(yīng)。在計(jì)算梯度幅值時(shí)，可用公式（2.4）或公式（2.5），在適當(dāng)?shù)拈撝迪?，對得到梯度圖像二值化即可檢測出有意義的邊緣。 (2.4) (2.5)Krisch算子由8個(gè)模板組成，其他模板繞其中心旋轉(zhuǎn)得到，每個(gè)模板都對特定的邊緣方向做出最大響應(yīng)。當(dāng)把最大響應(yīng)的模板的序號輸出時(shí)，就構(gòu)成了邊緣方向的編碼。Prewitt算子和Sobel算子也可以像Krisch算子那樣，擴(kuò)展到兩個(gè)對象方向，使其在對角線向上做出最大響應(yīng)。Prewitt和So

35、bel算子在兩個(gè)對角線方向上的模板如圖2.2所示 (a)Prewitt算子和方向模板 (b)Sobel算子方向模板圖2.2Prewitt算子和Sobel算子檢測對角方向邊緣的模板(2) 高斯-拉普拉斯(LOG)算子 (2.6) 拉普拉斯算子由式子(2.6)定義，常用的三個(gè)拉普拉斯模板見上。其中，第一個(gè)模板在水平和垂直4個(gè)方向上具有各向同性，而第二個(gè)模板在水平、垂直和對角線8個(gè)方向上具有各向同性。然而，拉普拉斯算子一般不直接用于邊緣檢測，因?yàn)樗鳛橐环N二階微分算子對噪聲相當(dāng)敏感，常產(chǎn)生雙邊緣，而且不能檢測邊緣方向。主要利用拉普拉斯算子的過零點(diǎn)性質(zhì)確定邊緣檢測的位置，以根據(jù)其值得正負(fù)來確定邊緣檢測

36、位于邊緣的暗區(qū)還是明區(qū)。高斯-拉普拉斯(LOG)算子把高斯平滑濾波器和拉普拉斯銳化濾波器結(jié)合起來實(shí)現(xiàn)邊緣檢測，即先通過高斯平滑抑制噪聲，以減輕噪聲對拉普拉斯算子的影響，再進(jìn)行拉普拉斯運(yùn)算，通過檢測其過零點(diǎn)來確定邊緣位置。因此，高斯-拉普拉斯算子是一種性能較好的邊緣檢測器。二維高斯平滑函數(shù)表示如下： (2.7)其中,是高斯分布的均方差，圖像被模糊的程度與其成正比。令，上式對r求二階導(dǎo)數(shù)來計(jì)算其拉普拉斯值，則有 (2.8) 上式是一個(gè)軸對稱函數(shù)，由于其曲面形狀（剖面圖）很像一頂墨西哥草帽，所以又叫墨西哥草帽函數(shù)。給定均方差后，對其離散化就可以得到相應(yīng)的LOG算子模板，圖2.3是常用的55模板之一（

37、模板并不唯一）。利用LOG算子檢測邊緣時(shí)，可直接用其模板與圖像卷積，也可以先與高斯函數(shù)卷積，再與拉普拉斯模板卷積，兩者是等價(jià)的。由于LOG算子模板一般比較大，因而用第二種方法可以提高速度。圖2.3LOG算子剖面及常用的55模板(3)Canny邊緣檢測Canny邊緣檢測算子是一個(gè)非常普遍和有效地算子。Canny算子首先對灰度圖像用均方差為伽馬的高斯濾波器進(jìn)行平滑，然后對平滑后圖像的每個(gè)像素計(jì)算梯度幅值和梯度方向。梯度方向用于細(xì)化邊緣，如果當(dāng)前像素幅值不高于梯度方向上兩個(gè)鄰點(diǎn)的梯度幅值，則抑制該像素響應(yīng)，從而使得邊緣細(xì)化，這種方法稱之為非最大抑制。該方法也可以結(jié)合其他邊緣檢測算子來細(xì)化邊緣。為了便

38、于處理，需要將梯度方向量化到8個(gè)鄰域方向上。Canny算子使用了兩個(gè)幅值閾值，高閾值用于檢測梯度幅值大的強(qiáng)邊緣，低閾值用于檢測梯度幅值較小的弱邊緣。低閾值通常取為高閾值的一半。邊緣細(xì)化后，就開始跟蹤具有高幅值的輪廓。最后，從滿足高閾值的邊緣像素開始，順序跟蹤連續(xù)的輪廓段，把與強(qiáng)邊緣連接的弱邊緣連接起來5。2.3.2邊界連接由于噪聲等因素的影響，各種算子的檢測結(jié)果通常是一些分散的邊緣，沒有形成分割區(qū)域所需要的閉合邊界。為此，需要將檢測出的邊緣像素按照某種標(biāo)準(zhǔn)連接起來，常用的一種方法是根據(jù)鄰近的邊緣像素在梯度幅值和梯度方向上具有一定相似性而將它們連接起來，設(shè)T是幅度閾值，A是角度閾值，若像素(p,

39、q)在像素(x,y)的鄰域內(nèi)，且他們的梯度幅度和梯度方向分別滿足一下兩個(gè)條件： (2.9) (2.10)式中：(x,y)點(diǎn)處的梯度方向定義見式子(2.5)。另外，利用數(shù)學(xué)形態(tài)學(xué)的一些操作也可以實(shí)現(xiàn)邊界連接。3 MATLAB仿真程序3.1 閾值算法MATLAB仿真結(jié)果3.1.1 閾值算法MATLAB仿真結(jié)果經(jīng)典的閾值分割算法(見附錄)：圖3.1 lenna閾值分割圖3.2 blood閾值分割圖3.3 couple閾值分割圖3.4 rice閾值分割圖3.5 cameraman閾值分割3.1.2小結(jié)由圖3.1到圖3.5不難推出這樣一個(gè)結(jié)論：圖像的直方圖清晰地反映了圖像的雙峰特性，圖像3.1、3.3和

40、3.4都不是這個(gè)特點(diǎn)，因此閾值法很難做大圖像分割，往往會帶來圖像失真。而其他的圖像由直方圖可以看出，有較好的雙峰性，再選擇適當(dāng)?shù)腡值（閾值），分割圖像的效果將會達(dá)到很不錯的效果，為我們提供有價(jià)值的信息。3.2 基于MATLAB的幾種常用邊緣檢測代碼(見附錄)： 3.2.1 邊緣檢測MATLAB仿真結(jié)果圖3.6 不同微分算子的邊緣檢測效果(a)Sobel算子；(b)Canny方法圖3.7 Sobel 算子和Canny方法邊緣檢測效果3.2.2小結(jié)在邊緣檢測方面，一般通過數(shù)學(xué)變換和MATLAB函數(shù)來完成對圖像的邊緣檢測。其中梯度算子中Sobel算子要比另外2種算子邊緣檢測效果好。而edge函數(shù)提供

41、的最有效的邊緣檢測方法是Canny方法。Canny方法比較不容易被噪聲“填充”，更容易檢查出真正的弱邊緣。4 MATLAB GUI設(shè)計(jì)4.1 MATLAB簡介Matlab是美國的math works公司推出的一個(gè)科技應(yīng)用軟件，它是由Matrix(矩陣)和Laboratory(實(shí)驗(yàn)室)的前三個(gè)字母組成。經(jīng)過十幾年的發(fā)展和完善，目前已成為在科學(xué)分析和計(jì)算領(lǐng)域的主流軟件。MATLAB中包括了被稱作工具箱（TOOLBOX）的各類應(yīng)用問題的求解工具。工具箱實(shí)際上是對MATLAB進(jìn)行擴(kuò)展應(yīng)用的一系列MATLAB函數(shù)（稱為M文件），它可用來求解各類學(xué)科的問題，包括信號處理、圖象處理、控制系統(tǒng)辨識、神經(jīng)網(wǎng)絡(luò)等

42、。隨著MATLAB版本的不斷升級，其所含的工具箱的功能也越來越豐富，因此，應(yīng)用范圍也越來越廣泛，成為涉及數(shù)值分析的各類工程師不可不用的工具。MATLAB中包括了圖形界面編輯GUI，改變了以前單一的“在指令窗通過文本形的指令進(jìn)行各種操作”的狀況。這可讓使用者也可以像VB、VC、VJ、DELPHI等那樣進(jìn)行一般的可視化的程序編輯。它將數(shù)值分析，矩陣計(jì)算，科學(xué)數(shù)據(jù)可視化以及非線性動態(tài)系統(tǒng)的建模和仿真等諸多強(qiáng)大功能集成在一個(gè)易于使用的視窗環(huán)境中，為科學(xué)研究，工程設(shè)計(jì)以及必須進(jìn)行有效數(shù)值運(yùn)算的眾多學(xué)科領(lǐng)域提供了一種簡潔高效的編程工具。借助于這種編程環(huán)境，任何復(fù)雜計(jì)算問題及其解的描述都十分符合人們的邏輯思

43、維方式和數(shù)學(xué)表達(dá)習(xí)慣，用戶只須列出簡單的數(shù)學(xué)表達(dá)式，其結(jié)果便以數(shù)字或圖形等方法表現(xiàn)出來。并在很大程度上擺脫了傳統(tǒng)非交互式程序設(shè)計(jì)語言的編程模式，為自然科學(xué)和工程設(shè)計(jì)諸多領(lǐng)域提供強(qiáng)大環(huán)境。Matlab的特點(diǎn)是：它具有高效的數(shù)值運(yùn)算及符號計(jì)算功能，使用戶從繁雜的數(shù)值計(jì)算分析中解脫出來；它具備圖形處理功能，實(shí)現(xiàn)計(jì)算結(jié)果和編程的可視化；友好的用戶界面及接近數(shù)學(xué)表達(dá)式的自然化語言，是學(xué)者易于學(xué)習(xí)和掌握；為擁護(hù)提供大量方便的處理工具，是計(jì)算機(jī)輔助分析，設(shè)計(jì)，仿真，教學(xué)等領(lǐng)域不可缺少的基礎(chǔ)軟件。Matlab最重要的特點(diǎn)就是易于擴(kuò)展，允許用戶自行構(gòu)建指定功能的M文件，進(jìn)而構(gòu)成適合用戶要求的工具箱，這大大擴(kuò)展了

44、MATLAB的適用范圍。4.2 圖形用戶界面GUI用戶界面是人，即用戶與計(jì)算機(jī)（或程序）之間交互作用的工具和方法，是進(jìn)行信息交流的方式。如鍵盤，鼠標(biāo)，話筒都可成為與計(jì)算機(jī)交換信息的接口。圖形用戶界面（Graphical User Interfaces ，GUI）則是由窗口、光標(biāo)、按鍵、菜單、文字說明等對象（Objects）構(gòu)成的一個(gè)用戶界面。用戶通過一定的方法（如鼠標(biāo)或鍵盤）選擇、激活這些圖形對象，使計(jì)算機(jī)產(chǎn)生某種動作或變化，比如實(shí)現(xiàn)計(jì)算、繪圖等。圖形用戶界面的功能是讓用戶定制用戶與matlab的交互方式，使操作更簡便。4.3 GUI設(shè)計(jì)原理及簡介用戶圖形界面（GUI）是程序的圖形化界面。一個(gè)

45、好的GUI 能夠使程序更加容易的使用。它提供用戶一個(gè)常見的界面，還提供一些控件，例如，按鈕，列表框，滑塊，菜單等。用戶圖形 界面應(yīng)當(dāng)是易理解且操作是可以預(yù)告的，所以當(dāng)用戶進(jìn)行某一項(xiàng)操作，它知道如何去做。例如，當(dāng)鼠標(biāo)在一個(gè)按鈕上發(fā)生了單擊事件，用戶圖形界面初始化它的操作，并在按鈕的標(biāo)簽上對這個(gè)操作進(jìn)行描述。 創(chuàng)建MATLAB 用戶圖形界面必須由三個(gè)基本元素: 1 組件。在matlab GUI中的每一個(gè)項(xiàng)目（按鈕，標(biāo)簽，編輯框等）都是一個(gè)圖形化組件。組件可分為三類：圖形化控件（按鈕，編輯框，列表，滾動條等），靜態(tài)元素（窗口和文本字符串），菜單和坐標(biāo)系。圖形化控件和靜態(tài)元素函數(shù)uicontrol創(chuàng)建

46、，菜單由函數(shù)uimenu和uicontextmenu創(chuàng)建，坐標(biāo)系經(jīng)常用于顯示圖像化數(shù)據(jù)，由函數(shù)axes創(chuàng)建。2 圖像窗口（Figure）。GUI的每一個(gè)組件都必須安排圖像窗口中。以前，我們在畫數(shù)據(jù)圖像時(shí)，圖像窗口會被自動創(chuàng)建。但我們還可以用函數(shù)figure來創(chuàng)建圖像窗口，空圖像窗口經(jīng)常用于放置各種類型的組件。3 回調(diào)。最后，如果用戶用鼠標(biāo)或用鍵盤鍵入一些信息，那么程序就要有相應(yīng)的動作。鼠標(biāo)單擊或鍵入信息是一個(gè)事件，如果matlab程序運(yùn)行相應(yīng)的函數(shù)，那么 matlab函數(shù)肯定會有所反應(yīng)。例如，如果用戶單擊一按鈕，這個(gè)事件必然導(dǎo)致相應(yīng)的matlab語句執(zhí)行。這些相應(yīng)的語句被稱為回調(diào)。只要執(zhí)行GU

47、I的單個(gè)圖形組件，必然有一個(gè)回調(diào)callback.Callback屬性：是連接程序界面整個(gè)程序系統(tǒng)的實(shí)質(zhì)性功能的紐帶。該屬性值應(yīng)該為一個(gè)可以直接求值的字符串，在該對象被選中和改變時(shí)，系統(tǒng)將自動地對字符串進(jìn)行求值。4.4 設(shè)計(jì)方法Matlab中的GUI的建立有兩種方式。第一種是直接通過程序編寫的方式產(chǎn)生對象，即利用uicontrol，uimeum等函數(shù)以編寫M文件的方式來開發(fā)整個(gè)GUI。程序編寫建立GUI對象的優(yōu)點(diǎn)在于GUI菜單的建立比較齊全，并且程序代碼的通用性很高。但這種方法的最大缺點(diǎn)就是GUI對象在界面上位置的配置，如果不熟悉GUI的用戶會比較難以控制。另一種方式是直接在matlab的GU

48、I編輯界面GUIDE來建立。這個(gè)界面非常實(shí)用，只要直接通過鼠標(biāo)將對象拖到目的地，就可以快速的建立出整個(gè)GUI框架，布局然后在隨界面自動生成的M文件里面添加函數(shù)或程序代碼。這種方式在M文件的管理上也比較4.4.1圖形用戶界面設(shè)計(jì)工具M(jìn)ATLAB的用戶界面設(shè)計(jì)工具共有6個(gè),它們是: 圖形用戶界面設(shè)計(jì)窗口:在窗口內(nèi)創(chuàng)建,安排各種圖形對象。 菜單編輯器(Menu Editor):創(chuàng)建,設(shè)計(jì),修改下拉式菜單和快捷菜單。 對象屬性查看器(Property Inspector):可查看每個(gè)對象的屬性值,也可修改設(shè)置對象的屬性值。 位置調(diào)整工具(Alignment Tool):可利用該工具左右,上下對多個(gè)對象

49、的位置進(jìn)行調(diào)整。 對象瀏覽器(Object Browser):可觀察當(dāng)前設(shè)計(jì)階段的各個(gè)句柄圖形對象。 Tab順序編輯器(Tab Order Editor):通過該工具,設(shè)置當(dāng)用戶按下鍵盤上的Tab鍵時(shí),對象被選中的先后順序。4.4.2菜單設(shè)計(jì) 建立用戶菜單要建立用戶菜單可用uimenu函數(shù),因其調(diào)用方法不同,該函數(shù)可以用于建立一級菜單項(xiàng)和子菜單項(xiàng)。 菜單對象常用屬性菜單對象具有Children,Parent,Tag,Type,UserData,Visible等公共屬性,除公共屬性外,還有一些常用的特殊屬性。 快捷菜單快捷菜單是用鼠標(biāo)右鍵單擊某對象時(shí)在屏幕上彈出的菜單.這種菜單出現(xiàn)的位置是不固定

50、的,而且總是和某個(gè)圖形對象相聯(lián)系.在MATLAB中,可以使用uicontextmenu函數(shù)和圖形對象的UIContextMenu屬性來建立快捷菜單15。4.4.3對話框設(shè)計(jì)對話框的控件在對話框上有各種各樣的控件,利用這些控件可以實(shí)現(xiàn)有關(guān)控制.下面先介紹這些控件。按鈕(Push Button). 雙位按鈕(Toggle Button). 單選按鈕(Radio Button). 復(fù)選框(Check Box). 列表框(List Box). 彈出框(Popup Menu). 編輯框(Edit Box). 滑動條(Slider). 靜態(tài)文本(Static Text). 邊框(Frame).按鈕組（Bo

51、tton Group）。對話框的設(shè)計(jì)一.建立控件對象MATLAB提供了用于建立控件對象的函數(shù)uicontrol，其調(diào)用格式為：對象句柄=uicontrol(圖形窗口句柄，屬性名1，屬性值1，屬性名2，屬性值2，)，其中各個(gè)屬性名及可取的值和前面介紹的uimenu函數(shù)相似，但也不盡相同二.控件對象的屬性MATLAB的10種控件對象使用相同的屬性類型，但是這些屬性對于不同類型的控件對象，其含義不盡相同。除Children、Parent、Tag、Type、UserData、Visible等公共屬性4.4.4句柄圖形句柄圖形是對底層圖形命令集合的總稱，它實(shí)際上進(jìn)行生成圖形的工作。句柄圖形的層次關(guān)系如下

52、：圖4.1 句柄層次圖形4.4.5 圖形對象句柄命令句柄系統(tǒng)可以從底層(1ow level)創(chuàng)建和操作線、面、文字、圖像等基本圖形對象指令。4.5 總結(jié)本章主要介紹了MATLAB GUI設(shè)計(jì)，包括其設(shè)計(jì)原理，設(shè)計(jì)工具，設(shè)計(jì)方法和如何制作一個(gè)GUI界面。5 結(jié)論與展望5.1 結(jié)論數(shù)字圖像目標(biāo)分割與提取是數(shù)字圖像處理和計(jì)算機(jī)視覺領(lǐng)域中一個(gè)備受關(guān)注的研究分支，也是圖像處理領(lǐng)域的一個(gè)經(jīng)典難題。經(jīng)過近二十年的不斷研究和探討，數(shù)字圖像目標(biāo)分割與提取在不同領(lǐng)域取得了很大發(fā)展，但是目前還沒有一個(gè)通用的算法或標(biāo)準(zhǔn)能夠勝任所有不同的應(yīng)用，該問題也沒有形成一個(gè)通用的自身理論。通過學(xué)習(xí)和實(shí)踐經(jīng)典的圖像目標(biāo)分割與提取的

53、算法，我對這一領(lǐng)域的歷史和發(fā)展現(xiàn)狀有了較為清楚的認(rèn)識。在現(xiàn)在的研究水平下，想找出一種通用的技術(shù)或方法是很困難的。每一種算法都有其自身的優(yōu)點(diǎn)和缺點(diǎn)，有其特定的適用范圍，因此首先明確研究對象的性質(zhì)是至關(guān)重要的，這樣在使用算法時(shí)才可以有的放矢。經(jīng)典的算法雖然在應(yīng)用上已被新的算法所取代，但經(jīng)典算法中的很多思想都具有相當(dāng)重要的價(jià)值，它們是新算法研究和提出的基礎(chǔ)。通過本次畢業(yè)設(shè)計(jì)，我得到了許多收獲。不但對數(shù)字圖像目標(biāo)分割與提取鄰域的基本理論和基本知識有了較為全面的了解，在對新知識學(xué)習(xí)的過程中，自己原有的知識和理論也得到了進(jìn)一步的鞏固，同時(shí)自己的編程能力也得到了一定程度的提高。另外，在畢業(yè)設(shè)計(jì)過程中，我所學(xué)

54、的知識得到了系統(tǒng)地整理和運(yùn)用，這既是對我四年學(xué)習(xí)的檢查，也為我今后在工作上的學(xué)習(xí)打下了堅(jiān)實(shí)的基礎(chǔ)。因?yàn)闀r(shí)間倉促，再加上本人水平有限，在畢業(yè)設(shè)計(jì)過程中存在不少不足之處。我將以此為鑒，在今后的學(xué)習(xí)和生活過程中不斷改進(jìn)。5.2 展望分割問題的困難在于圖像數(shù)據(jù)的模糊和噪聲的干擾。到目前為止，還沒有一種或者幾種完善的分割方法，可以按照人們的意愿準(zhǔn)確的分割任何一種圖像。實(shí)際圖像中景物情況各異，具體問題具體分析，需要根據(jù)實(shí)際情況選擇適合的方法。分割結(jié)果的好壞或者正確與否，目前還沒有一個(gè)統(tǒng)一的評價(jià)判斷準(zhǔn)則，分割的好壞必須從分割的效果和實(shí)際應(yīng)用場景來判斷。不過在人類研究圖像的歷史中，還是積累了許多經(jīng)典的圖像分割

55、方法。雖然這些分割方法不適合所有類型的圖像分割，但是這些方法卻是圖像分割方法進(jìn)一步發(fā)展的基礎(chǔ)。事實(shí)上，現(xiàn)代一些分割算法恰恰是從經(jīng)典的分割方法衍生出來的16。致 謝值此論文完成之際，謹(jǐn)向所有曾給予我鼓勵、關(guān)心和幫助的老師、同學(xué)、朋友表示深深的謝意！首先要感謝我的導(dǎo)師顧斌杰，在整個(gè)畢業(yè)設(shè)計(jì)的過程中，他給了我各方面的悉心指導(dǎo)，使我有可能完成論文。他嚴(yán)謹(jǐn)求實(shí)的作風(fēng)和淵博深厚的學(xué)識深深的感染了我。我還要感謝我們班以及我們系我所認(rèn)識的同學(xué)，是你們給了我好的環(huán)境和鼓勵幫助，讓我順利的完成了這次的設(shè)計(jì)。感謝在我成長過程中所有關(guān)心我、幫助我的人們。 參考文獻(xiàn)1 夏得深，傅德勝.現(xiàn)代圖像處理技術(shù)與應(yīng)用.東南大學(xué)出

56、版,2001：200-2102 K.R.Castleman. 數(shù)字圖像處理.電子工業(yè)出版社,1998：120-1303 岡薩雷斯.數(shù)字圖像處理（MATLAB版）.電子工業(yè)出版社,2005：210-2404 劉直芳,游勝志等.基于多尺度彩色形態(tài)矢量算子的邊緣檢測.中國圖像圖形學(xué)報(bào) 2002 (9)： 888-8935 潘晨,顧峰.基于3D直方圖的彩色圖像分割方法.中國圖像圖形學(xué)報(bào) 2002 (8) ：800-8056 李宏貴,李興國.一種基于函數(shù)的圖像邊緣檢測算法.中國圖像圖形學(xué)報(bào) 2003(2) ：188-1927 J. Shi and J. Malik. “Normalized cuts a

57、nd image egmentation”.Proc. of CVPR, 1997：731-7378 W.Y. Ma and B.S. Manjunath.“Edge flow: a framework of boundary detection and image segmentation”.Proc. of CVPR, 1997：744-7499S. Belongie, et. al. “Color- and texture-based image segmentation using EM and its application to content-based image retrie

58、val”. Proc. Of ICCV, 1998：675-68210G.Kuntimad and H.S.Ranganath.“Perfect Image Segmentation Using Pulse Coupled NeuralNetworks”.IEEE trans. on NeuralNetworks,Vol.10,No.3, 199911 孫祥，徐流美，吳清.MATLAB 7.0 基礎(chǔ)教程.清華大學(xué)出版社，2005：320-33012 WU Z , LEAHY R .An op timal graph theoretic app roach to data clustering:

59、 theory and its app lication to image segmentation J .IEEE Transactions on Pattern Analysis and Machine Intelligence,1993, 15 (11) : 1101-111313 SH I J, Malik J. Normalized Cuts and Image SegmentationA . Pro2ceedings of IEEE Conference on ComputerVision and Pattern Recog2 nitionC , 1997： 731-73714 W

60、ANG S , SISKUND JM. Image segmentation with ratio cut J .IEEE Transactions on Pattern Analysis and Machine Intelligence,2003, 25 (6) : 675-69015 GRADYLJ . Space 2Variant ComputerVision : A Graph 2Theoretic App roachD . Boston University, 2004：65-9816 S Wang，J M SiskindImage segmentation with ratio c

61、utJIEEE Trans on PAMI，2003；25(6)：675-690附 錄閾值算法：fname=uigetfile(*.bmp,*.tif,*.jpg,請選擇一副圖片);I=imread(fname);subplot(2,2,1),imshow(I),title(原始圖像);subplot(2,2,2),imhist(I),title(原始圖像直方圖);G1=threshold(I,120);G2=threshold(I,50);subplot(2,2,3),imshow(G1),title(T=120時(shí)的圖像分割);subplot(2,2,4),imshow(G2),title(T=50時(shí)的圖像分割);以下是threshold子函數(shù)的程序代碼如下：fu