基于Matlab的圖像分割

李楊靜 劉藝航 王梓 王迎港 宋琳琳

摘要：文章主要對(duì)圖像分割技術(shù)進(jìn)行對(duì)比與介紹，其中主要介紹了兩大類分割算法：邊緣檢測(cè)和閾值分割。邊緣檢測(cè)主要包括Prewitt算法和Canny算子，閾值分割主要包括直方圖法和最小均方誤差法。邊緣檢測(cè)能夠通過對(duì)圖像邊緣特征的提取對(duì)圖像進(jìn)行檢測(cè)，從而進(jìn)行圖像分割，閾值分割主要根據(jù)灰度值對(duì)圖像像素進(jìn)行分類進(jìn)而達(dá)到分割的效果。關(guān)鍵詞：邊緣檢測(cè)；閾值分割；特征提??；灰度值

圖像分割在整個(gè)圖像處理中是非常關(guān)鍵的一步[1]。在圖像分割過程中，輸入的是一幅原始圖像，輸出的則是從圖像中提取出來的圖像信息，這種信息就是之后進(jìn)行圖像分析的關(guān)鍵。也就是說圖像分割可以把一幅圖像分成區(qū)域，這些區(qū)域有著自身的獨(dú)特性，并且圖像分割需要從這些區(qū)域中提取出感興趣的目標(biāo)[2]。

1 邊緣檢測(cè)

1.1 基于邊緣檢測(cè)

如果圖像中某區(qū)域的灰度值發(fā)生了突變，那么該區(qū)域就是圖像的邊緣。而邊緣檢測(cè)算子就是利用這一定義來檢測(cè)邊緣的。

將計(jì)算結(jié)果最大值作為這個(gè)像素點(diǎn)的輸出值，得到一幅邊緣幅度圖像。然后選擇一個(gè)恰當(dāng)?shù)拈T限值TH，如果p（x，y）≥TH，則（i，j）表示這個(gè)位置上的像素就是一個(gè)邊緣點(diǎn)，p（x，y）表示邊緣圖像。

從圖1可以看出，Prewitt算法還是能夠比較準(zhǔn)確地提取出圖像的邊緣信息的。對(duì)于一些灰度量化比明顯的區(qū)域，也能做到比較良好的提取效果。

1.2 Canny邊緣檢測(cè)

Canny算子[2-3]先用高斯函數(shù)對(duì)于圖像進(jìn)行一個(gè)平滑處理，然后運(yùn)用一階微分中函數(shù)的極大值來確定邊緣上各個(gè)點(diǎn)所對(duì)應(yīng)的位置。首先，利用高斯函數(shù)對(duì)待處理的圖像f（x，y）做平滑處理：

其中σ表示的是高斯函數(shù)的散步參數(shù)，它反映的是圖像的平滑程度。

對(duì)圖像的邊緣進(jìn)行一個(gè)非極大值抑制的處理，那么就會(huì)由梯度幅值圖像得到圖像最后，對(duì)于圖像進(jìn)行雙門限檢測(cè)處理以及邊緣檢測(cè)處理。

Canny算法的運(yùn)行結(jié)果如圖2所示。

從實(shí)驗(yàn)結(jié)果中看出，通過Canny算法進(jìn)行處理過之后的圖像邊緣是不連續(xù)的。這就說明了該算法會(huì)對(duì)圖像的邊緣有一個(gè)弱化的效果，使得弱邊緣變得更加弱。

2 基于閾值分割

基于閾值的圖像分割方法[3]就是將圖像的灰度直方圖用一個(gè)或者多個(gè)閾值分成幾個(gè)類。該方法認(rèn)為如果圖像中灰度值在同一類中，則該灰度值所對(duì)應(yīng)的像素就是屬于同一個(gè)物體的。當(dāng)然了，這種方法的重點(diǎn)就是如何求解閾值。

2.1 直方圖法

該方法依據(jù)直方圖的谷底，也就是直方圖中的最小值來確定閾值。假設(shè)一幅圖像的背景區(qū)域和目標(biāo)區(qū)域的灰度值分布都是比較均勻的，這時(shí)根據(jù)圖像選擇這兩個(gè)峰值之間的谷底作為閾值?？梢员磉_(dá)為：

g（x）為圖像經(jīng)過閾值運(yùn)算后的二值圖像函數(shù)表達(dá)式。

2.2 最小均方誤差法

用p（z）表示灰度值概率的密度函數(shù)的估計(jì)值。

先選定一個(gè)初始的閾值T，而后運(yùn)用這個(gè)閾值將圖像中的像素分成兩類，采用最小均方誤差法使得選出的閾值T。

求T的表達(dá)式還要有兩個(gè)密度概率函數(shù)的表達(dá)式。圖像的前景區(qū)域的灰度利用高斯密度函數(shù)，可以表達(dá)為：

要得到均方誤差最小的參數(shù)，需要進(jìn)行一系列很復(fù)雜的運(yùn)算，上述的研究也是在圖像的目標(biāo)區(qū)域和背景區(qū)域中的像素點(diǎn)都服從高斯分布的情況下進(jìn)行的。

運(yùn)用直方圖閾值法對(duì)圖像的運(yùn)算結(jié)果如圖4所示。

從圖中可以看出，灰度值大多分布在200左右，選擇200作為閾值對(duì)圖像進(jìn)行分割處理，然后再選擇150作為閾值進(jìn)行對(duì)比。不難發(fā)現(xiàn)，閾值為200時(shí)，經(jīng)過分割得到的圖像比閾值為150時(shí)得到的圖像提取出來的信息更為完善和清晰。

3 結(jié)語(yǔ)

本文主要研究了圖像分割中的邊緣算法和基于閾值的算法。在邊緣檢測(cè)中，首先對(duì)Prewitt算法和Canny算法進(jìn)行了實(shí)驗(yàn)仿真。從仿真的實(shí)驗(yàn)結(jié)果可以看出，圖像的灰度大部分集中在200附近，選擇兩個(gè)閾值，一個(gè)是200，一個(gè)是150作為對(duì)比，不難發(fā)現(xiàn)閾值為200時(shí)的分割圖像比閾值為150時(shí)的圖像提取出來的信息更加完善和清晰。

[參考文獻(xiàn)]

[1]任小強(qiáng)，王佩，胡波，等.Prewitt圖像邊緣檢測(cè)算法的優(yōu)化設(shè)計(jì)與實(shí)現(xiàn)[J].中國(guó)集成電路，2016（7）：34-38.

[2]夏彬，張亞利，王飛.一種基于Canny的原棉雜質(zhì)圖像分割方法研究[J].現(xiàn)代紡織技術(shù)，2017（6）：23-26.

[3]劉尚旺，段德全，崔艷萌，等.二次定位車牌分割及識(shí)別方法[J].河南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2016（4）：151-156.