数字图像处理——阈值分割.doc

。在对图像的研究和应用中,人们往往只对图像中的特定某一部分感兴趣,他们一般对应着图像中某些特定的区域。为了识别它们,可以把他们从图像中分离提取出来。、基于边缘的方法和基于区域的分割方法。灰度阈值法将图片灰度划分为不同等级,用设置灰度阈值的方法确定有意义的区域。它是一种最常用的并行区域技术,它是图像分割中应用数量最多的一类。阈值分割方法实际上是输入图像f到输出图像g的如下变换:其中,T为阈值,对于物体的图像元素g(i,j)=1,对于背景的图像元素g(i,j)=0。由此可见,阈值分割算法的关键是确定阈值,如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后,将阈值与像素点的灰度值逐个进行比较,而且像素分割可对各像素并行地进行,分割的结果直接给出图像区域。图像边缘是图像识别中抽取图像特征的重要属性。是由于相邻像素间灰度值剧烈变化引起的。图像中边缘处像素的灰度值不连续,这种不连续性可通过求导数来检测到。对于阶跃状边缘,其位置对应一阶导数的极值点,对应二阶导数的过零点(零交叉点)。因此常用微分算子进行边缘检测。常用的一阶微分算子有Roberts算子、Prewitt算子和Sobel算子,二阶微分算子有Laplace算子和Kirsh算子等。在实际中各种微分算子常用小区域模板来表示,微分运算是利用模板和图像卷积来实现。这些算子对噪声敏感,只适合于噪声较小不太复杂的图像。水域分割是借鉴了形态学理论的分割方法,其本质是利用了图像的区域特征进行分割图像。将边缘检测与区域生长的优点相结合。、OTSU及迭代法求阈值。结果如图2,3所示I=imread('');[width,height]=size(I);%otsualgorithmlevel=graythresh(I);BW=im2bw(I,level);figureimshow(BW)%globalthresholdfori=1:widthforj=1:heightif(I(i,j)<80)BW1(i,j)=0;elseBW1(i,j)=1;endendendfigureimshow(BW1)%迭代求阈值I=double(I);T=(min(I(:))+max(I(:)))/2;done=false;i=0;while~doner1=find(I<=T);r2=find(I>T);Tnew=(mean(I(r1))+mean(I(r2)))/2;done=abs(Tnew-T)<1;T=Tnew;i=i+1;endI(r1)=0;I(r2)=1;Figure;imshow(I)用分水岭算法分割图像:center1=-10;center2=-center1;dist=sqrt(2*(2*center1)^2);radius=(dist/2)*;lims=[floor(center1-*radius)ceil(center2+*radius)];[x,y]=meshgrid(lims(1):lims(2));bw1=sqrt((x-center1).^2+(y-center1).^2)<=rad