第3章 图像分割(上)

水平集图像分割方法研究

生物医学图像分割方法研究 1、图像分割概述 图像是用各种观测系统以不同形式和手段观测客观世界所获得的，可以直接或间接作用于人眼并产生视觉感知的实体。在现实生活之中，大约有75%左右的信息来源于人眼（图像），也就是说人类大部分的信息是视觉信息，从图像中得到。所以，对图像的认识和理解一直是人类视觉研究中非常重要的问题。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割是计算机视觉领域中最古老也是研究最广泛的问题之一。任何图像处理系统，医学图像或是工业图像，图像分割都是一个关乎系统成败的关键问题。 现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于边缘的分割方法、基于区域的分割方法以及基于特定理论的分割方法等。 1、基于阈值的分割方法。 阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。因此，该类方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。阈值分割当面比较有名的方法有最大类间方差法(OTSU)、基于直方图的阈值方法和熵方法等。 2、基于边缘的分割方法 所谓边缘是指图像中两个不同区域的边界线上连续的像素点的集合，是图像局部特征不连续性的反映，体现了灰度、颜色、纹理等图像特性的突变。通常情况下，基于边缘的分割方法指的是基于灰度值的边缘检测，它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这一观测基础上的方法。 阶跃型边缘两边像素点的灰度值存在着明显的差异，而屋顶型边缘则位于灰度值上升或下降的转折处。正是基于这一特性，可以使用微分算子进行边缘检测，即使用一阶导数的极值与二阶导数的过零点来确定边缘，具体实现时可以使用图像与模板进行卷积来完成。常用的边缘检测算子有sobel，canny和laplace等等。

【CN110223271A】血管图像的自动水平集分割方法及装置【专利】

(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910364864.4 (22)申请日 2019.04.30 (71)申请人 深圳市阅影科技有限公司 地址 518102 广东省深圳市宝安区西乡街 道臣田社区宝民二路东方雅苑2层B37 (72)发明人 王纯亮　张超　赵清华　毛益进　 (74)专利代理机构 北京康信知识产权代理有限 责任公司 11240 代理人 赵囡囡 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06T 7/136(2017.01) (54)发明名称 血管图像的自动水平集分割方法及装置 (57)摘要 本发明公开了一种血管图像的自动水平集 分割方法及装置。其中，该方法包括：获取初始血 管模型，其中，初始血管模型是基于初始血管模 型对应的血管的中心线和半径函数确定的，半径 函数用于描述血管区域；在局部流明统计模型的 基础上，对初始血管模型进行水平集分割，得到 分割后的血管模型，其中，局部流明统计模型包 括血管沿中心线上的横截面的流明阈值。本发明 解决了相关技术中采用传统全局阈值水平集无 法实现冠状动脉血管进行精准建模的技术问题。权利要求书2页 说明书13页 附图6页CN 110223271 A 2019.09.10 C N 110223271 A

权　利　要　求　书1/2页CN 110223271 A 1.一种血管图像的自动水平集分割方法，其特征在于，包括： 获取初始血管模型，其中，所述初始血管模型是基于所述初始血管模型对应的血管的中心线和半径函数确定的，所述半径函数用于描述血管区域； 在局部流明统计模型的基础上，对所述初始血管模型进行水平集分割，得到分割后的血管模型，其中，所述局部流明统计模型包括所述血管沿中心线上的横截面的流明阈值。 2.根据权利要求1所述的方法，其特征在于，在局部流明统计模型的基础上，对所述初始血管模型进行水平集分割之后，还包括： 利用分割后的血管模型对所述中心线和所述半径函数进行修正，以得到修正后的初始血管模型，直至所述中心线和所述半径函数满足第一预定条件； 利用分割后的血管模型对所述局部流明统计模型进行修正，以对所述局部流明统计模型的流明阈值进行修正，直到所述局部流明统计模型满足第二预定条件； 在修正后的局部流明统计模型的基础上，基于水平集分割方式对修正后的初始血管模型进行水平集分割。 3.根据权利要求1所述的方法，其特征在于，获取所述初始血管模型包括： 获取所述初始血管模型对应的血管图像； 对所述血管图像进行预处理，得到初始血管模型； 其中，对所述血管图像进行预处理，得到初始血管模型包括： 生成所述血管图像对应的血管的初始中心线，同时建立所述血管图像对应的血管的初始半径函数； 基于所述初始中心线以及所述初始半径函数进行建模，得到所述初始血管模型。 4.根据权利要求2所述的方法，其特征在于，在局部流明统计模型的基础上，对所述初始血管模型进行水平集分割包括： 在所述局部流明统计模型的基础上，确定所述初始血管模型对应的血管沿中心线的多个横截面中每个横截面处所述水平集分割方式的分割阈值，其中，所述分割阈值包括：上限阈值和下限阈值； 利用所述分割阈值对所述初始血管模型进行分割。 5.根据权利要求4所述的方法，其特征在于，在所述局部流明统计模型的基础上，确定所述初始血管模型对应的血管沿中心线的多个横截面中每个横截面处所述水平集分割方式的分割阈值包括： 通过第一公式确定所述多个横截面中每个横截面的分割阈值的上限阈值，其中，所述第一公式为：T upper＝μ+p upper*ρ，T upper表示所述分割阈值中的上限阈值，μ表示所述多个横截面中每个横截面的平均流明值，p upper表示所述上限阈值的百分比，ρ表示所述多个横截面中每个横截面的流明值标准差；以及， 通过第二公式确定所述多个横截面中每个横截面的分割阈值的下限阈值，其中，所述第二公式为：T lower＝μ-p lower*ρ，T lower表示所述分割阈值中的上限阈值，μ表示所述多个横截面中每个横截面的平均流明值，p upper表示所述下限阈值的百分比，ρ表示所述多个横截面中每个横截面的流明值标准差。 6.根据权利要求3所述的方法，其特征在于，在对所述血管图像进行预处理，得到初始血管模型之前，还包括： 2

图像分割技术与MATLAB仿真知识讲解

图像分割技术与M A T L A B仿真

中南民族大学 毕业论文(设计) 学院: 计算机科学学院 专业: 自动化年级:2012 题目: 图像分割技术与MATLAB仿真 学生姓名: 高宇成学号:2012213353 指导教师姓名: 王黎职称: 讲师 2012年5月10日

中南民族大学本科毕业论文（设计）原创性声明 本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。本人完全意识到本声明的法律后果由本人承担。 作者签名：年月日

目录 摘要 0 Abstract 0 引言 (2) 1 图像分割技术 (3) 1.1 图像工程与图像分割 (3) 1.2 图像分割的方法分类 (4) 2 图像分割技术算法综述 (5) 2.1 基于阈值的图像分割技术 (5) 2.2边缘检测法 (6) 2.3 区域分割法 (8) 2.4 基于水平集的分割方法 (9) 2.5 分割算法对比表格 (9) 3基于水平集的图像分割 (11) 3.1 水平集方法简介 (11) 3.2 水平集方法在图像分割上的应用 (12) 3.3 仿真算法介绍 (13) 3.4 实验仿真及其结果 (14) 结论 (22) 致谢 (23) 参考文献 (23)

图像分割技术研究及MATLAB仿真 摘要：作为一项热门的计算机科学技术，图像分割技术已经在我们生活中越来越普及。顾名思义这项技术的目的就是，将目标图像从背景图像中分离出去。由于这些被分割的图像区域在某些属性上很相近，因此图像分割与模式识别以及图像压缩编码有着密不可分的关系。完成图像分割所采用的方法各式各样，所应用的原理也不同。但他们的最终目的都是把图像中性质相似的某些区域归为一类，把性质差异明显的不同区域分割开来。通常在分割完成之后，我们就要对某些特定区域进行分析、计算、评估等操作，因而分割质量的好坏直接影响到了下一步的图像处理[1]，因此图像分割是图像处理的一个关键步奏。图像分割技术在各个领域都有着及其重要的意义；在工业上有卫星遥感，工业过程控制监测等等；在医学方面，水平集的分割方法还可以通过医学成像帮助医生识别模糊的病变区域；在模式识别领域还可应用到指纹扫描、手写识别、车牌号识别等等。 本课题的研究内容是对图像分割技术的几种常用的方法进行综述和比较，并基于其中一种方法进行MATLAB仿真测试，给出性能分析比较结果。 关键字：图像分割，MATLAB仿真，模式识别 Image Segmentation and Matlab Simulation Abstract:Image segmentation is to image representation for the physically meaningful regional connectivity set, namely according to the prior knowledge of target and background, we on the image of target and background of labeling and localization, then separate the object from the

基于水平集的gac模型的图像分割报告

偏微分方程与图像处理(GAC的水平集方法)

实验二 GAC 的水平集方法 一 实验目的 采用GAC 模型的水平集方法检测图像中对象的轮廓，以便有效地进行分割。 二 原理分析 推广GAC 模型的水平集方法对应的PDE 为： u gc u g u gk u t ?=?+???+?? （3.31） 按照上式，曲线运动将受两种“力”的支配，第一种力来自于曲率几何形变—曲率运动（gc u gk u ?+?），不过它的强弱还要受到因子()g I ?的影响。 I ?为图象I(x,y)的梯度模值，函数g (r) 是可以是任何具有单调减性的函数。 因为图象梯度模值I ?在图象的边缘附近有较大值，从而使g(I ?)取极小的值，故在图象边缘附近，该作用力将会变的很小，因此有时将边缘函数()g I ?称之为边缘停止函数。常数c 的作用是加速曲线向内部收缩。 第二种力来自于g 的梯度(1,2)g αα?= ，它是一种不论当前C 的局部是在对象内部或外部，都能将曲线引向边界的“吸引力”。从而g u ??? 总是使曲线向着更接近于边界线的方向运 动，最终达到贴近对象边界的稳定状态。 由于这两种作用使曲线演化可最终达到紧靠轮廓这一稳定状态而不再继续演化。 采用单边迎风方案，根据（1.76）式的数值方案实现上式： 考虑到 0g >,0c > 可得： (1) () () {n n ij ij ij u u t g c +-=+?? () () () () max(1,0)min(1,0)max(2,0)min(2,0)x ij x ij y ij y ij D u D u D u D u αααα-+-+++++ (0) 2 (0) 212 [()()]}n ij ij x ij y ij g k D u D u ++ (2.1) 其中 () 2222 [(max(,0))(min(,0))(max(,0))(min(,0))] x ij x ij y ij y ij D u D u D u D u -+-+-? =+++ (2.3) ,1,1 (0) 2 i j i j x ij u u D u +--= 中心差分 (2.2)

基于MATLAB的图像分割算法研究

摘要 本文从原理和应用效果上对经典的图像分割方法如边缘检测、阈值分割技术和区域增长等进行了分析。对梯度算法中的Roberts算子、Sobel算子、Prewitt算子、拉普拉斯(Laplacian)算子、LoG(Laplacian-Gauss)算子、坎尼（Canny）算子的分割步骤、分割方式、分割准则相互比较可以看出根据坎尼（Canny）边缘算子的3个准则得出的边缘检测结果最满意。而阈值分割技术的关键在于阈值的确定，只有阈值确定好了才能有效的划分物体与背景，但这种方法只对于那些灰度分布明显，背景与物体差别大的图像的分割效果才明显。区域增长的基本思想是将具有相似性质的像素集合起来构成新区域。与此同时本文还分析了图像分割技术研究的方向。 关键词：图像处理图像分割 Abstract This article analyses the application effect to the classics image segmentation method like the edge examination, territory value division technology, and the region growth and so on.For comparing the Roberts operator, Sobel operator, Prewitt operator, the operator of Laplacian and the operator of LoG(Laplacian-Gauss),Canny operator in gradient algorithm,the step, the way and the standard of the image segmentation,we can find out the three standard of Canny edge operator the edge detection result of reaching most satisfy. And the key point of threshold segmentation lie in fixing the threshold value, it is good to have only threshold value to determine it then can be effective to divide object and background,but this kind of method is good to those gray scales,the big difference image effect between the background and obiect. The basic idea of area is to form the new region from similar nature.And also, this paper analyses the research direction of image segmentation technology at the same time. Key words: image processing image segmentation operator

基于水平集的牙齿CT图像分割技术

龙源期刊网 https://www.360docs.net/doc/f417092625.html, 基于水平集的牙齿CT图像分割技术 作者：汪葛王远军 来源：《计算机应用》2016年第03期 摘要：牙齿的计算机断层扫描（CT）图像中存在边界模糊、相邻牙齿粘连等情况，且拓扑结构较为复杂，要实现准确的牙齿分割非常困难。对传统的牙齿CT图像分割方法，特别是近年来用于牙齿分割的水平集方法进行介绍，对其水平集函数中各能量项进行研究，并通过对比实验体现水平集方法的优越性。基于水平集的牙齿CT图像分割方法中水平集函数的能量项主要包括：竞争能量项、梯度能量项、形状约束能量项、全局先验灰度能量项、局部灰度能量项。实验结果表明基于混合模型的水平集方法分割效果最佳，切牙与磨牙分割准确率分别为88.92%和92.34%，相比自适应阈值和传统水平集方法，分割准确率总体提升10%以上。在综合利用图像信息和先验知识的基础上，通过对水平集函数中能量项进行优化和创新，有望进一步提高分割的准确率。 关键词：牙齿锥形束计算机断层扫描（CBCT）图像；图像分割；水平集；能量项；混合模型 中图分类号： TP391.413 文献标志码：A 0引言 近年来，人体组织器官的可视化技术已经成为计算机辅助诊断的重要工具。由于牙齿的计算机断层扫描（Computer Tomography， CT）图像同时包含了牙冠和牙根的解剖信息，为重建完整的牙齿模型提供了可靠数据。而牙齿的分割作为牙齿模型重建工作中的一个重要步骤，对牙齿分割方法的研究具有重要意义。 牙齿的形状和牙根的具体位置等信息对牙齿的正畸手术、种植手术、根管治疗等临床操作非常重要。通常手术前需 要对这些信息进行手动测量和获取，这个过程往往非常耗时，而且其准确性也不能达到非常高的要求。因此，通过获得牙齿的三维数字模型可以为口腔疾病的诊断和手术治疗方案的制定等提供完整的解剖信息，极大地提高诊断的准确性和手术的成功率。为了获得精确的三维信息，则必须要求对牙齿CT图像进行准确分割。目前基于水平集的图像分割算法已广泛应用于医学图像分割领域，这一类算法可以很好地解决外形复杂和拓扑结构变化剧烈的情况。本文主要针对水平集方法（Level Set Method， LSM）在牙齿CT图像分割应用中的研究进展进行综 述和讨论。 3结语

基于阈值的灰度图像分割讲解

灰度阈值化方法的研究----CPT算法 主要内容： 第一章：绪论 第二章：图像的预处理 第三章：图像分割概述 第四章：灰度阈值化图像分割方法 第五章：CPT算法及其对它的改进 第六章：编程环境及用PhotoStar对改进的CPT算法和其他算法的实现 第七章：实验结果与分析 第一章：绪论 1.1数字图像处理技术的发展 人类传递信息的主要媒介是语音和图像。据统计，在人类接受的信息中，听觉信息占20％，视觉占60％，其他如味觉、触觉、嗅觉总的加起来不过占20％。所以，作为传递信息的重要媒体和手段——图像信息是十分重要的。【5】对于图像信息的处理，即图像处理当然对信息的传递产生很大影响。 数字图像处理技术起源于20世纪20年代，当时通过海底电缆从伦敦到纽约传输了一幅图片，它采用了数字压缩技术。1964年美国的喷气处理实验室处理了太空船“徘徊者七号”发回的月球照片，这标志着第三代计算机问世后数字图像处理概念得到应用。其后，数字图像处理技术发展迅速，目前已成为工程学、计算机科学、生物学、医学等领域各学科之间学习和研究的对象。 经过人们几十年的努力，数字图像处理这一学科已逐渐成熟起来。人们总是试图把各个学科应用到数字图像处理中去，并且每产生一种新方法，人们也会尝试它在数字图像处理中的应用。同时，数字图像处理也在很多学科中发挥着它越来越大的作用。 1.2图像分割概述和本论文的主要工作 图像分割的目的是把图像空间分成一些有意义的区域，是数字图像处理中的重要问题，是计算机视觉领域低层次视觉问题中的重要问题，同时它也是一个经典的难题。几十年来，很多图像分割的方法被人们提出来，但至今它尚无一个统一的理论。 图像分割的方法很多，有早先的阈值化方法、最新的基于形态学方法和基于神经网络的方法。 阈值化方法是一种古老的方法，但确是一种十分简单而有效的方法，近几十年人们对阈值化方法不断完善和探索，取得了显著的成就，使得阈值化方法在实际应用中占有很重要的地位。 本文将主要对图像分割的阈值化方法进行探讨。在对阈值化方法的研究过程中，本人首先将集中精力对效果比较好的阈值化方法进行探讨，并对其存在的不足加以改进，从而作出性能优良的计算机算法；由于目前很多方法各有其特点，所以将对具有不同特点的图像用不同的方法处理进行研究。在论文正文部分还将其应用到实践中去，并对其加以评价。 第二章：图像的预处理 2.1图像预处理的概述 由于切片染色和输入光照条件及采集过程电信号的影响，所采集的医学图

基于形变模型的图像分割技术研究

中图分类号：TP751.1 O241.8 单位代码：10425 学号：S0509712 基于形变模型的图像分割技术研究 Research on Image Segmentation Technique Based on Deformation Model 学科专业：计算数学 研究方向：优化与控制理论及其数值计算 作者姓名：冷英华 指导教师：黄炳家 教授 二〇〇八年四月

Research on Image Segmentation Technique Based on Deformation Model A Thesis Submitted for the Degree of Master Candidate：Leng Yinghua Supervisor：Prof. Huang Bingjia School of Mathematics & Computational Sciences China University of Petroleum (East China)

关于学位论文的独创性声明 本人郑重声明：所呈交的论文是本人在指导教师指导下独立进行研究工作所取得的成果，论文中有关资料和数据是实事求是的。尽我所知，除文中已经加以标注和致谢外，本论文不包含其他人已经发表或撰写的研究成果，也不包含本人或他人为获得中国石油大学（华东）或其它教育机构的学位或学历证书而使用过的材料。与我一同工作的同志对研究所做的任何贡献均已在论文中做出了明确的说明。 若有不实之处，本人愿意承担相关法律责任。 学位论文作者签名：日期：年月日 学位论文使用授权书 本人完全同意中国石油大学（华东）有权使用本学位论文（包括但不限于其印刷版和电子版），使用方式包括但不限于：保留学位论文，按规定向国家有关部门（机构）送交学位论文，以学术交流为目的赠送和交换学位论文，允许学位论文被查阅、借阅和复印，将学位论文的全部或部分内容编入有关数据库进行检索，采用影印、缩印或其他复制手段保存学位论文。 保密学位论文在解密后的使用授权同上。 学位论文作者签名：日期：年月日 指导教师签名：日期：年月日

基于聚类分析的图像分割研究毕业论文

毕业论文声明 本人郑重声明： 1．此毕业论文是本人在指导教师指导下独立进行研究取得的成果。除了特别加以标注地方外，本文不包含他人或其它机构已经发表或撰写过的研究成果。对本文研究做出重要贡献的个人与集体均已在文中作了明确标明。本人完全意识到本声明的法律结果由本人承担。 2．本人完全了解学校、学院有关保留、使用学位论文的规定，同意学校与学院保留并向国家有关部门或机构送交此论文的复印件和电子版，允许此文被查阅和借阅。本人授权大学学院可以将此文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本文。 3．若在大学学院毕业论文审查小组复审中，发现本文有抄袭，一切后果均由本人承担，与毕业论文指导老师无关。 4.本人所呈交的毕业论文，是在指导老师的指导下独立进行研究所取得的成果。论文中凡引用他人已经发布或未发表的成果、数据、观点等，均已明确注明出处。论文中已经注明引用的内容外，不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究成果做出重要贡献的个人和集体，均已在论文中已明确的方式标明。 学位论文作者（签名）： 年月

关于毕业论文使用授权的声明 本人在指导老师的指导下所完成的论文及相关的资料（包括图纸、实验记录、原始数据、实物照片、图片、录音带、设计手稿等），知识产权归属华北电力大学。本人完全了解大学有关保存，使用毕业论文的规定。同意学校保存或向国家有关部门或机构送交论文的纸质版或电子版，允许论文被查阅或借阅。本人授权大学可以将本毕业论文的全部或部分内容编入有关数据库进行检索，可以采用任何复制手段保存或编汇本毕业论文。如果发表相关成果，一定征得指导教师同意，且第一署名单位为大学。本人毕业后使用毕业论文或与该论文直接相关的学术论文或成果时，第一署名单位仍然为大学。本人完全了解大学关于收集、保存、使用学位论文的规定，同意如下各项内容：按照学校要求提交学位论文的印刷本和电子版本；学校有权保存学位论文的印刷本和电子版，并采用影印、缩印、扫描、数字化或其它手段保存或汇编本学位论文；学校有权提供目录检索以及提供本学位论文全文或者部分的阅览服务；学校有权按有关规定向国家有关部门或者机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权大学可以将本学位论文的全部或部分内容编入学校有关数据库和收录到《中国学位论文全文数据库》进行信息服务。在不以赢利为目的的前提下，学校可以适当复制论文的部分或全部内容用于学术活动。 论文作者签名：日期： 指导教师签名：日期：

第四章 图像分割

第四章 医学图像分割 医学图像分割是高级医学图像分析和解释系统的核心组成部分。医学图像的分割为目标分离、特征提取和参数的定量测量提供了基础和前提条件，使得更高层的医学图像理解和诊断成为可能。 第一节 分割的概念 所谓医学图像分割，就是根据医学图像的某种相似性特征（如亮度、颜色、形状、纹理、面积、位臵、局部统计或频谱特征等）将医学图像划分为若干个互不相交的连通区域的过程。 区域作为图像分割中像素的连通集合和基本分割单位，定义为4连通区域和8连通区域。 在数学上，医学图像分割可以用集合论模型予以描述：已知一幅医学图像I 和一组相似性约束条件i C ( ,2,1=i )，对I 的分割就是求取它的一个划分的过程，即: N j 1= j R =I , ],1 [,,,N k j k j R R k j ∈≠?=φ 其中， j R 为同时满足所有相似性约束条件i C ( ,2,1=i )的连通像素点的集 合，即我们所谓的图像区域；N 为不小于2的正整数,表示分割后区域的个数。 医学图像分割方法可以划归为三大类：基于阈值的分割方法、基于边缘的分割方法和基于区域的分割方法。 近年来，新概念、新思想和新方法应用于复杂二维医学图像和高维医学图像或者图像序列的分割，其中包括数学形态学、模糊理论、神经网络、遗传算法、小波分析和变换等。极大地改善了医学图像的分割效果。 人工分割的精度最高，分割结果难以重现。半自动方法在很大程度上仍然依赖于操作者的主观经验和知识。研究高效、实用的全自动分割方法是近年来图像分割方法的研究重点。到目前为止既不存在一种通用的图像分割方法，也不存在一种准确评价分割成功与否的客观标准。 第二节 阈值分割 阈值法是一种常用的将图像中感兴趣目标与图像背景进行分离的图像分割方法，用一个或几个阈值将图像灰度直方图分成两段或多段，而把图像中灰度

图像分割

第8章 知识要点 图像分割是图像检索、识别和图像理解的基本前提步骤。本章主要介绍图像分割的基本原理和主要方法。 图像分割算法一般是基于灰度值的两个基本特性之一：不连续性和相似性。 基于灰度值的不连续性的应用是根据灰度的不连续变化来分割图像，比如基于边缘提取的分割法，先提取区域边界，再确定边界限定的区域。 基于灰度值的相似性的主要应用是根据事先制定的相似性准则将图像分割为相似的区域，比如阈值分割和区域生长。 8.1 本章知识结构

8.2 知识要点 1. 图像分割 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（其它部分称为背景），它们一般对应图像中特定的、具有独特性质的区域。为了检索、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。 图像分割是由图像处理过渡到图像分析的关键步骤。一方面，它是目标表达的基础，对特征测量有重要的影响；另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等，能将原始图像转化为更抽象更紧凑的形式，所以使得更高层的图像分析和理解成为可能。 图像分割的应用非常广泛，几乎出现在有关图像处理的所有领域中，并涉及各种类型的图像。图像分割在基于内容的图像检索和压缩、工业自动化、在线产品检验、遥感图像、医学图像、保安监视、军事、体育、农业工程等方面都有广泛的应用。例如：在基于内容的图像检索和面向对象的图像压缩中，将图像分割成不同的对象区域等；在遥感图像中，合成孔径雷达图像中目标的分割，遥感云图中不同云系和背景分布的分割等；在医学应用中，脑部图像分割成灰质、白质、脑脊髓等脑组织和其它脑组织区域等；在交通图像分析中，把车辆目标从背景中分割出来等。在各种图像应用中，只要需要对图像目标进行提取、测量等，就都离不开图像分割。图像分割的准确性将直接影响后续任务的有效性，因此图像分割具有十分重要的意义。 图像分割是图像处理和计算机视觉中的重点和难点之一，提出的各种类型的分割算法达上千种之多。这些分割算法都是针对某一类型图像和某一具体的应用问题而提出的，并没有一种适合所有图像的通用分割算法，通用方法和策略仍面临着巨大的困难。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。 2. 边缘点检测 边缘定义为图像局部特性的不连续性，具体到灰度图像中就是图像差别较大的两个区域的交界线，广泛存在于目标物与背景之间、目标物与目标物之间。边缘点检测就是要确定图像中有无边缘点，若有还要进一步确定其位置。具体实施时，一要根据实际应用环境及被检测的边缘类型确定检测算子和判断准则，二要依据沿着边缘走向的灰度值缓变或不变，而垂直于边缘走向的灰度则突变的特性。通常边缘类型表现为阶跃式、脉冲式和屋顶式。 边缘检测有多种方法，主要用一阶微分算子，所选取模板不同对图像处理的效果也不同。用二阶微分算子（如Laplacian算子）检测边缘时，可能会把噪声当边缘点检测出来，而真正的边缘点会被噪声淹没而未检测出。为此，Marr和Hildreth提出了Laplacian of Gaussian算子，简称LoG算子。该方法是先采用Gaussian算子对原图像进行平滑，然后施以Laplacian算子，这样就克服了Laplacian算子对噪声敏感的缺点，减少了噪声的影响。 3. Hough变换 Hough变换是考虑像素间的整体关系，在预先知道区域形状的条件下，利用Hough变换可以方便地得到边界曲线而将不连续的边缘像素点连接起来。所以Hough变换的主要优点就在于受噪声和曲线间断的影响较小，是将边缘点连接成边缘线的全局最优方法。 Hough变换的基本思想在于不同坐标系下点-线的对偶关系。Hough变换把在图像空间中的检测问题转化为参数空间的简单累加统计问题。它用于直线检测的基本策略为：由图像空间的边缘点去计算参数空间中共线点的可能轨迹，并在一个累加器中对计算出的共线点计数。Hough变换不仅可以检测直线，还可以检测圆、椭圆、抛物线等形状的曲线。

matlab图像分割毕业设计

数字图像的多分辨率分析处理方法研究 —基于小波变换的医学图像分割的研究 电信学院电子信息工程专业 摘要 图像分割是一种重要的图像分析技术。对图像分割的研究一直是图像技术研究中的热点和焦点。医学图像分割是图像分割的一个重要应用领域，也是一个经典难题，至今已有上千种分割方法，既有经典的方法也有结合新兴理论的方法。 本论文首先介绍了双峰法以及最大类方差自动阈值法，然后重点介绍一种基于小波变换的图像分割方法,该方法先对图像的灰度直方图进行小波多尺度变换,然后从较大的尺度系数到较小的尺度系数逐步定位出灰度阈值。最后，对这几种算法的分割效果进行了比较。实验结果表明,本设计能够实时稳定的对目标分割提取，分割效果良好。 医学图像分割是医学图像处理中的一个经典难题。图像分割能够自动或半自动描绘出医学图像中的解剖结构和其它感兴趣的区域，从而有助于医学诊断。 关键词：小波变换；图像分割；阈值

Abstract The image segmentation is an important technology of image processing. It is still a hot point and focus of image processing.Medical image segmentation is an important application in the field of image segmentation, and it is also a classical difficult problem for researchers. Thousands of methods have been put forward to medical image segmentation. Some use classical methods and others use new methods. In this paper ,first introduced the petronas method and maximum between class variance .Then focus introduced a method of image segmentation based on wavelet transform is discussed. In this method, the wavelet multiscale transform of image gray histogram is done first .Moreover , the gray threshold is gradually found out from large scale coefficients to small scale coefficients. Finally,the effects of the methods in segmentation are compared . The experimental results indicate that the system can obtain a good performance of image segmentation. Medical image segmentation is a classical puzzle for researchers. Image segmentation is the method to delineate anatomic structures or other interested regions automatically or semi-automatically, which is helpful to diagnosis and plays a crucial role in many medical imaging applications. Key words：Wavelet Transform; Image Segmentation；threshold