MATLAB纹理分割方法对细胞图片分割
在Matlab中使用语义分割进行图像分割和场景理解
在Matlab中使用语义分割进行图像分割和场景理解图像分割是计算机视觉中的一个重要任务，它旨在将图像中的像素划分成具有相似特征的区域。
而语义分割是图像分割的一种高级形式，不仅给出图像中像素的空间划分，还为每个像素赋予语义标签，从而使计算机具备理解图像内容的能力。
在本文中，我们将探讨如何使用Matlab中的语义分割方法来实现图像分割和场景理解，并分析其应用场景和优势。
一、什么是语义分割语义分割是一种像素级别的图像分割技术，它能够将图像中的每个像素划分为属于不同类别的区域。
与传统的图像分割方法相比，语义分割不仅仅关注图像的低级特征，还能够理解图像中物体的语义信息。
例如，在一张室外场景的图像中，语义分割可以将像素分为天空、道路、建筑物等不同的类别，从而使计算机具备对图像场景的理解能力。
二、Matlab中的语义分割方法在Matlab中，有多种语义分割方法可供选择。
其中，常用的一种方法是基于深度学习的语义分割。
深度学习是一种通过多层神经网络模型来学习图像特征和语义信息的方法。
在深度学习框架中，常用的语义分割模型有FCN（全卷积神经网络）、UNet、SegNet等。
以FCN为例，其主要思想是将全连接层替换为卷积层，使网络能够接受任意尺寸的输入图像，并生成与输入图像相同尺寸的输出。
其网络结构分为编码器和解码器两部分。
编码器由多个卷积层和池化层组成，负责提取图像中的高级特征。
解码器由上采样层和卷积层组成，将编码器提取的特征重新恢复到原始图像尺寸，并且为每个像素预测一个语义标签。
三、语义分割的应用语义分割在计算机视觉中有广泛的应用。
一方面，它可以帮助计算机实现对图像的理解和认知，从而为其他任务（如目标检测、图像分析等）提供更好的基础。
另一方面，它也为许多实际应用场景提供了可能性。
在自动驾驶领域，语义分割可以帮助车辆识别道路、车辆和行人等不同的类别，并根据不同的语义信息做出相应的决策。
在医学影像分析中，语义分割可以帮助医生自动分割出病变区域，从而辅助诊断和治疗。
如何使用Matlab进行图像识别与图像分割任务
如何使用Matlab进行图像识别与图像分割任务引言：在当今数字化时代，图像识别与图像分割任务在各个领域中扮演着重要的角色，如医学影像、自动驾驶、安防监控等。
而MATLAB作为一款强大的数值计算工具，提供了便捷且高效的方法来完成这些任务。
本文将讨论如何使用MATLAB进行图像识别与图像分割任务，并分享相关技巧和方法。
一、图像识别基础1.1 MATLAB图像处理工具箱在进行图像识别任务之前，首先需要安装和加载MATLAB图像处理工具箱。
该工具箱为我们提供了一系列用于处理和分析图像的函数和工具。
在MATLAB命令窗口中输入“ver”命令可以查看当前已经安装的工具箱列表，确保图像处理工具箱已被正确安装。
1.2 图像预处理在进行图像识别任务之前，往往需要对图像进行预处理，以提高后续处理的准确性和效率。
一般而言，图像预处理包括灰度化、平滑处理、边缘检测等步骤。
例如，可使用MATLAB中的imread函数读取图像，并使用rgb2gray函数将图像转换为灰度图像。
接着可以使用imfilter函数进行平滑处理，以去除图像中的噪声。
最后，可以使用边缘检测算法（如Canny算法）提取图像的边缘信息。
通过这些预处理步骤，我们可以得到一幅适合进行后续图像识别处理的图像。
二、图像识别任务2.1 特征提取在进行图像识别任务时，首先需要明确要识别的目标，然后提取相关特征以进行分类或匹配。
在MATLAB中，可以使用图像处理工具箱中的函数来进行特征提取。
例如，若要识别一幅图像中的人脸，可以使用Haar级联分类器来实现。
MATLAB提供了一个名为“vision.CascadeObjectDetector”的类来实现该功能。
使用此类，可以调用detect函数来检测图像中的人脸，并返回人脸位置的信息。
另外，还可以使用SURF（加速稳健特征）算法来提取图像中的关键点和描述子。
通过比较描述子的相似程度，可以实现图像的匹配和识别。
使用MATLAB中的vision套件下的vision.SURF函数，可以方便地进行SURF算法的特征提取。
matlab 分割算法 -回复
matlab 分割算法-回复Matlab 分割算法Matlab 是一种强大的数值计算和科学与工程数据分析的编程环境。
在这个环境中，有许多用于图像处理和计算机视觉的函数和工具箱。
分割算法是其中一个关键方面，它可以在图像中识别和提取出感兴趣的部分。
分割算法的基本目标是将图像分成若干个区域，每个区域内的像素具有相似的特征，例如颜色、纹理或灰度。
这个过程有助于图像理解、对象识别和跟踪，以及更高级的计算机视觉任务。
在Matlab 中，有几种常用的图像分割算法，例如阈值法、区域生长法和基于边缘的算法。
下面将一步一步详细介绍这些算法的原理和实现步骤。
1. 阈值法：阈值法是最简单的图像分割方法之一。
它基于像素灰度值的阈值来将图像分为两个区域：一个是小于或等于阈值的区域，另一个是大于阈值的区域。
在Matlab 中，这个算法可以使用`imbinarize` 函数来实现。
首先需要选择合适的阈值，可以通过Otsu 自适应阈值法或试验法来确定。
2. 区域生长法：区域生长法是基于像素相似性的图像分割方法。
它从一个或多个种子像素开始，通过选择相邻像素并比较其与当前区域的相似度来逐步扩展区域。
这个算法在Matlab 中可以使用`regiongrowing` 函数来实现。
首先需要选择适当的种子点，并设定相似度的判别条件。
3. 基于边缘的算法：基于边缘的算法是利用图像中物体边缘的特征进行分割的方法。
常见的基于边缘的算法包括Canny 边缘检测算法和边缘检测器。
在Matlab 中，可以使用`edge` 函数来检测边缘，然后使用`imfill` 函数填充边缘内的区域，从而实现分割。
除了这些基本的算法，Matlab 中还有其他更高级的图像分割算法可供选择，如基于图的分割、基于聚类的分割和基于深度学习的分割。
其中，基于深度学习的分割算法如U-Net 和Mask R-CNN 在近年来非常受关注。
总结起来，Matlab 提供了丰富的图像分割算法和工具，可以根据具体需求选择合适的方法。
使用Matlab进行图像分割的方法研究
使用Matlab进行图像分割的方法研究引言:图像分割技术在计算机视觉领域具有重要的应用价值。
它可以将一幅图像划分成若干个区域，将相似的像素点归为一组，从而提取出感兴趣的目标。
Matlab作为广泛使用的科学计算软件，提供了丰富的图像处理工具包，为图像分割领域的研究提供了许多便利。
本文将通过对Matlab中常用的图像分割方法的研究，探讨如何使用Matlab进行图像分割。
一、基于阈值的图像分割方法1.1 简单阈值法简单阈值法是一种最常用的图像分割方法之一。
它基于图像灰度值的差异，将像素点分成两类：黑色和白色。
具体实现上，我们需先选择合适的阈值，然后将图像中灰度值小于阈值的像素点设为黑色，灰度值大于等于阈值的像素点设为白色。
Matlab提供了丰富的图像处理函数，可以通过一行简洁的代码实现简单阈值法。
1.2 自适应阈值法简单阈值法在图像灰度均匀性较好的情况下效果较好，但在图像灰度不均匀的情况下会出现分割效果不佳的情况。
而自适应阈值法则可以根据图像的局部灰度特性进行分割，从而提高图像分割的准确性。
Matlab中提供了一系列的自适应阈值法函数，比如局部均值法、局部中值法等，可以根据具体的需求选择合适的方法进行图像分割。
二、基于边缘的图像分割方法2.1 Roberts算子Roberts算子是一种经典的图像边缘检测算法，它通过对图像进行微分运算，提取出图像边缘的特征。
在Matlab中，我们可以使用函数"edge"结合Roberts算子进行图像分割，并得到图像的边缘信息。
通过对提取得到的边缘信息进行二值化处理，即可将图像分成物体和背景两部分。
2.2 Canny算子Canny算子是一种常用的边缘检测算法，它通过利用图像中像素点的梯度变化信息来提取出图像的边缘。
在Matlab中，我们可以使用函数"edge"结合Canny算子进行图像分割。
Canny算子具有较好的抗干扰性和边缘连接性，因此在图像分割中使用广泛。
在Matlab中进行图像分割和图像分析的技术
在Matlab中进行图像分割和图像分析的技术图像分割和图像分析是计算机视觉领域中重要的研究方向之一。
它们可以帮助我们从一幅图像中提取出不同的物体或区域，并对这些物体或区域进行特征提取和分析。
在实际应用中，图像分割和图像分析被广泛应用于医学影像、环境监测、人脸识别等领域。
而Matlab作为一种强大的数学软件和编程语言，提供了丰富的图像处理工具箱，使我们能够简单、高效地实现图像分割和图像分析。
一、图像分割图像分割是将一幅图像划分成若干个不相交的子区域的过程。
常见的图像分割方法有阈值分割、边缘分割、区域生长等。
阈值分割是根据像素强度的差异将图像划分为前景和背景两个区域。
在Matlab中，可以使用imbinarize函数来实现简单的阈值分割。
边缘分割是通过检测图像中的边界来进行分割，常用的边缘检测算法包括Canny算法、Sobel算法等。
在Matlab中，可以使用edge函数来实现边缘分割。
区域生长是一种基于像素相似性的分割方法，通过将相邻的像素进行合并来形成连续的区域。
在Matlab中，可以使用regiongrowing函数来实现区域生长分割。
二、图像分析图像分析是对图像进行进一步处理和分析的过程。
它可以提取出图像中感兴趣的特征信息，如形状、纹理、颜色等，并进行量化和比较。
常见的图像分析方法有特征提取、特征匹配、目标识别等。
特征提取是从图像中提取出一些具有代表性的特征，常用的特征包括灰度直方图、颜色矩、纹理特征等。
在Matlab中，可以使用imhist函数来计算图像的灰度直方图，使用rgb2gray函数将彩色图像转换为灰度图像。
特征匹配是将一个图像的特征与另一个图像的特征进行比较，以判断它们是否相似。
常用的特征匹配算法包括最小均方差匹配、归一化互相关匹配等。
在Matlab中，可以使用normxcorr2函数来实现归一化互相关匹配。
目标识别是在图像中找到特定对象或模式的过程。
常用的目标识别算法包括模板匹配、模型匹配等。
MATLAB技术图像分割方法
MATLAB技术图像分割方法MATLAB技术在图像分割方法中的应用图像处理在现代科学技术中占据着重要的地位，图像分割作为图像处理的一项关键技术，被广泛应用于医学影像、计算机视觉等领域。
其中，MATLAB作为一种强大的数学软件工具，提供了丰富的图像处理函数和库，为图像分割方法的研究和应用提供了很多方便和支持。
一、介绍图像分割的概念和意义图像分割是将一幅图像划分为若干个具有独立特征的区域的过程，目的是从复杂的图像中提取出目标区域，为后续的图像识别、分析等任务提供基础。
图像分割在医学影像领域中尤为重要，可以帮助医生准确定位和分析病灶，提高疾病诊断和治疗效果。
此外，在计算机视觉、目标检测等领域，图像分割也扮演着重要的角色。
二、基于阈值的图像分割方法阈值法是最简单且最常用的图像分割方法之一，它根据图像灰度值的不同，将图像分为多个分割区域。
在MATLAB中，可以通过编写简单的代码实现基于阈值的图像分割。
首先，使用imread函数读入图像，然后将图像转换为灰度图。
接着，使用imhist函数计算图像的灰度直方图，并选择合适的阈值将图像分割为目标区域和背景区域。
最后，使用imshow函数显示分割结果。
三、基于边缘检测的图像分割方法边缘检测是一种常用的图像分割技术，它通过检测图像中的边缘信息来实现分割。
MATLAB中提供了多种边缘检测算法的函数，如Sobel、Canny等。
可以通过调用这些函数实现图像的边缘检测。
首先，使用imread函数读入图像，并将图像转换为灰度图。
然后，使用边缘检测函数对图像进行处理，提取出边缘信息。
最后，使用imshow函数显示分割结果。
四、基于聚类的图像分割方法聚类是一种常用的图像分割技术，它通过将图像中的像素按照某种相似度准则划分为不同的簇来实现分割。
在MATLAB中，可以利用聚类算法进行图像分割，如K均值聚类、谱聚类等。
首先，使用imread函数读入图像，并将图像转换为待处理的特征矩阵。
图像分割Matlab代码
图像分割Matlab代码图像分割Matlab代码 (一)图像边缘检测不同方法比较将Roberts、Sobel、Prewitt、LOG、Canny算子等经典图像分割算法对灰度图像分割的结果进行比较。
Matlab 代码如下:%% 图像边缘检测不同方法比较% Roberts、Sobel、Prewitt、LOG、Canny算子对灰度图像分割的结果比较clc;clear all;close all;f=imread('8_256_lena.bmp','bmp'); subplot(2,3,1);subimage(f);title('原始图像');[g, t]=edge(f,'roberts',[],'both'); subplot(2,3,2);subimage(g);title('Roberts算子对图像分割的结果');[g, t]=edge(f,'sobel',[],'both'); subplot(2,3,3);subimage(g);title('Sobel算子对图像分割的结果');[g, t]=edge(f,'prewitt',[],'both'); subplot(2,3,4);subimage(g);title('Prewitt算子对图像分割的结果');[g, t]=edge(f,'log'); subplot(2,3,5);subimage(g);title('LOG算子对图像分割的结果'); [g, t]=edge(f,'canny'); subplot(2,3,6);subimage(g);title('Canny算子对图像分割的结果');(二)区域生长法分割图像区域生长法分割图像，matlab代码如下: %% 区域生长法分割图像clc;clear all;close all;f=imread('rice_1.bmp','bmp'); % f=imread('rice.png','png'); %f=imread('8_256_lena.bmp','bmp'); subplot(1,2,1);subimage(f);%选择三个种子点seedx=[63, 10, 85];%rice图的生长点seedy=[30, 56, 60];% seedx=[100, 150, 227];%lena图的生长点% seedy=[56, 130, 189];hold onplot(seedx,seedy,'gs','linewidth',1); title('原始图像及种子点位置');f=double(f);markerim=f==f(seedy(1),seedx(1)); for i=2:length(seedx)markerim=markerim|(f==f(seedy(i),seedx(i)));end%3个种子点区域的阈值thresh=[12,6,12];maskim= zeros(size(f));for i=1:length(seedx)g=abs(f-f(seedy(i),seedx(i)))<=thresh(i);maskim=maskim|g;end[g,nr]=bwlabel(imreconstruct(markerim,maskim),8); % g=mat2gray(g);%以灰度级显示，注释掉此行以二值图像显示subplot(1,2,2);subimage(g);title('三个种子点区域生长分割结果');(三)迭代阈值选择法二值化图像与Otsu阈值选择法二值化图像比较迭代阈值选择法二值化图像与Otsu阈值选择法二值化图像比较的matlab代码如下:%% 迭代阈值选择法二值化图像与Otsu阈值选择法二值化图像比较 clc;clear all;close all;f=imread('8_256_lena.bmp','bmp'); subplot(2,2,1);subimage(f);title('原始图像');f=double(f);T=(min(f(:))+max(f(:)))/2; done=false;i=0;while ~doner1=find(f<=T);r2=find(f>T);Tnew=(mean(f(r1))+mean(f(r2)))/2;done=abs(Tnew-T)<1;T=Tnew;i=i+1;endf(r1)=0;f(r2)=1;subplot(2,2,2);subimage(f);title('迭代阈值二值化图像图像');f=imread('8_256_lena.bmp','bmp');subplot(2,2,3);subimage(f);title('原始图像');T=graythresh(f);g=im2bw(f,T);subplot(2,2,4);subimage(g);title('Otsu方法二值化图像');。
在Matlab中实现医学图像分割和医学图像配准的方法
在Matlab中实现医学图像分割和医学图像配准的方法医学图像处理在现代医学中起着重要的作用，它可以帮助医生更好地了解人体的结构和病变情况。
其中，医学图像分割和医学图像配准是两个常用的图像处理任务。
本文将介绍如何使用Matlab实现这两个任务的方法。
一、医学图像分割医学图像分割是将医学图像中感兴趣的区域从背景中分离出来的过程。
这对于病灶的检测和定位非常重要。
在Matlab中，有多种方法可以实现医学图像分割，如基于阈值的分割、基于区域的分割和基于边缘的分割等。
1. 基于阈值的分割基于阈值的分割是医学图像分割中最简单的方法之一。
它将图像中的像素根据亮度和颜色等特征进行分类。
在Matlab中，可以使用imbinarize函数实现阈值分割。
通过调整阈值的大小，可以得到不同的分割结果。
然而，这种方法对于复杂的图像可能效果不佳。
2. 基于区域的分割基于区域的分割是将图像中的像素分成若干区域，并根据相似性准则将它们合并或进一步细分的方法。
在Matlab中，可以使用regionprops函数计算各个区域的特征，并根据这些特征对区域进行分类和合并。
这种方法通常适用于异质性较小的图像。
3. 基于边缘的分割基于边缘的分割是通过检测图像中的边缘信息来实现分割的方法。
在Matlab中，可以使用边缘检测算法（如Canny算子）来提取图像中的边缘信息，并通过边缘连接或边缘跟踪来实现分割。
这种方法对于图像中有明显边缘的情况效果较好。
二、医学图像配准医学图像配准是将多个医学图像的位置和方向相对一致的过程。
它在医学影像的比较、融合和后续处理等方面具有重要的应用。
在Matlab中，有多种方法可以实现医学图像配准，如基于特征的配准、基于互信息的配准和基于形变场的配准等。
1. 基于特征的配准基于特征的配准是通过提取图像中的一些特征点或特征区域，并通过计算它们之间的相似性来实现配准的方法。
在Matlab中，可以使用SURF算法或SIFT算法来提取图像的特征，并通过RANSAC算法等方法来计算配准的变换矩阵。
Matlab中的图像分析与图像分割技术
Matlab中的图像分析与图像分割技术概述Matlab是一种常用的编程语言和开发环境，在图像处理和分析领域具有广泛的应用。
图像分析是一门研究如何对图像进行理解和解释的学科，而图像分割则是图像处理中的一项重要技术。
本文将介绍Matlab中的图像分析与图像分割技术，并分析其在不同领域中的应用。
1. 图像处理基础在讨论图像分析和分割之前，有必要先了解一些图像处理的基础知识。
Matlab提供了丰富的图像处理工具箱，可以用于图像读取、显示、处理和分析等操作。
图像由像素组成，每个像素包含了图像中某一点的亮度或颜色信息。
图像处理的基本任务包括平滑滤波、锐化、边缘检测和噪声去除等。
2. 图像分析图像分析是指从给定的图像中提取特定的信息或进行某种分类、标记或识别的过程。
在Matlab中，图像分析可以通过使用图像处理工具箱中的函数来实现。
例如，可以使用图像分析函数来测量图像中不同物体的形状、大小和颜色等特征。
此外，还可以通过图像分析来检测图像中的边缘、角点和纹理等特征。
3. 图像分割图像分割是指将图像划分为不同的区域或对象的过程。
图像分割可以用于目标检测、图像增强和图像压缩等应用。
在Matlab中，有多种图像分割算法可供选择，包括阈值分割、区域生长、边缘检测和基于能量最小化的分割方法等。
这些方法可以根据图像的特点和需求来选择和应用。
4. 图像分割应用图像分割技术在许多领域中都有广泛的应用。
下面将介绍一些常见的应用领域。
4.1 医学图像分割在医学领域中，图像分割被广泛用于CT扫描、MRI和X射线图像等的分析和处理。
通过将医学图像分割为不同的组织或器官，可以帮助医生诊断疾病和指导手术。
Matlab提供了一些专门用于医学图像分割的工具箱，如Image Processing Toolbox和Medical Image Processing Toolbox等。
4.2 视频分析图像分割技术也可以应用于视频分析。
通过对视频序列中的每一帧进行分割，可以实现目标跟踪、运动检测和场景分析等任务。
图像分割方法综述matlab论文
图像分割方法综述摘要：图像分割就是根据图像的某些特征或特征集合的相似性准则对图像进行分类，把图像空间分成若干个某些具有一致性属性的不重叠区域。
它是图像分析和理解的基础，是计算机视觉领域中最困难的问题之一。
图像分割的质量将直接影响着对图像的后续处理，所以图像分割被视为图像处理的瓶颈，具有十分重要的意义。
人们很早就开始了对图像分割方法的研究，并且几十年来，这方面的研究从来没有间断过。
到目前为止，已经有大量的关于图像分割的理论、技术、方法被人们相继提出并广泛应用。
关键字：图像分割；阈值；区域和边缘；交互式算法；纹理分割彩色图像分割1.引言图像分割是一项基于计算机技术的重要的图像分析和处理技术，从其产生至今，已经广泛的应用于各个领域，为人们的生产和生活中图像处理的水平提高做出了重大贡献。
2.国内外发展的状况人工生命是一个快速发展的多学科交叉的研究领域，是计算机科学新的发展方向之一。
目前，已经有科研人员尝试将人工生命应用到图像分割领域中。
虽然目前使用人工生命进行图像分割的研究还比较少，但是这些相关研究成果表明将人工生命引入到图像分割中能获得有意义的成功，显示出了巨大的潜力。
在医学数据可视化方面，也有了许多硕果。
如：医学图像如CT图像和MRI 图像的三维重建、显示与分析处理；大脑生理形态分析，神经细胞中钙活性的可视化；计算机辅助外科手术模拟与计划等。
其中值得一提的：如美国国家超级计算机应用中心利用远程的并列计算机资源，用体绘制技术实现了CT扫描三维数据的动态显示。
其内容为显示一个狗心脏跳动周期的动态图像。
3.图像分割概述人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，因此图像信息是非常重要的一类信息。
在一幅图像中，人们往往只对其中的某些目标感兴趣，这些目标通常占据一定的区域，并且在某些特性（如灰度、轮廓、颜色、纹理等）上和周围的图像有差别。
这些特性差别可能非常明显，也可能很细微，以致人眼觉察不出来。
计算机图像处理技术的发展，使得人们可以通过计算机来获取与处理图像信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
%1.读取图像。代码如下：
I = imread('F:\xb\xb.tif');%读取图像
figure(1); imshow(I);%显示原图像
%2.创建纹理图像。代码如下：
E = entropyfilt(I);%创建纹理图像
Eim = mat2gray(E);%转化为灰度图像
figure(2),imshow(Eim);%显示灰度图像
BW1 = im2bw(Eim, .8);%转化为二值图像
figure(3), imshow(BW1);%显示二值图像
%3.分别显示图像的底部纹理和顶部纹理。代码如下：
BWao = bwareaopen(BW1,2000);%提取底部纹理
figure(4), imshow(BWao);%显示底部纹理图像
nhood = true(9);
closeBWao = imclose(BWao,nhood);%形态学关操作
figure(5), imshow(closeBWao)%显示边缘光滑后的图像
roughMask = imfill(closeBWao,'holes');%填充操作
figure(6),imshow(roughMask);%显示填充后的图像
I2 = I;
I2(roughMask) = 0;%底部设置为黑色
figure(7), imshow(I2);%突出显示图像的顶部
%4.使用entropyfilt进行滤波分割。代码如下：
E2 = entropyfilt(I2);%创建纹理图像
E2im = mat2gray(E2);%转化为灰度图像
figure(8),imshow(E2im);%显示纹理图像
BW2 = im2bw(E2im,graythresh(E2im));%转化为二值图像
figure(9), imshow(BW2)%显示二值图像
mask2 = bwareaopen(BW2,1000);%求取图像顶部的纹理掩膜
figure(10),imshow(mask2);%显示顶部纹理掩膜图像
texture1 = I; texture1(~mask2) = 0;%底部设置为黑色
texture2 = I; texture2(mask2) = 0;%顶部设置为黑色
figure(11),imshow(texture1);%显示图像顶部
figure(12),imshow(texture2);%显示图像底部
boundary = bwperim(mask2);%求取边界
segmentResults = I;
segmentResults(boundary) = 255;%边界处设置为白色
figure(13),imshow(segmentResults);%显示分割结果
%5.使用stdfilt和rangefilt进行滤波分割。代码如下：
S = stdfilt(I,nhood);%标准差滤波
figure(14),imshow(mat2gray(S));%显示标准差滤波后的图像
R = rangefilt(I,ones(5));%rangefilt滤波
background=imopen(R,strel('disk',15));%在原始图像上进行形态学运算
Rp=imsubtract(R,background);%减法运算
figure(15),imshow(Rp,[]);%图像显示清晰化