圖像分割方法研究

課程設(shè)計〔論文〕課程名稱：科研訓(xùn)練題目：圖像分割方法研究院〔系〕：專業(yè)班級：姓名：學(xué)號：指導(dǎo)教師：2023年7月7日西安建筑科技大學(xué)課程設(shè)計〔論文〕任務(wù)書專業(yè)班級：學(xué)生姓名：指導(dǎo)教師〔簽名〕：一、課程設(shè)計〔論文〕題目圖像分割方法研究二、本次課程設(shè)計〔論文〕應(yīng)到達的目的通過課程設(shè)計讓學(xué)生較深入地理解圖像分割技術(shù)在通信工程專業(yè)系列課程中的地位、作用和意義；加深對根本概念和根本原理的理解和應(yīng)用，并能夠用所學(xué)知識分析、初步設(shè)計和解決與通信應(yīng)用相關(guān)的現(xiàn)實技術(shù)問題，在實踐中能夠舉一反三。三、本次課程設(shè)計〔論文〕任務(wù)的主要內(nèi)容和要求〔包括原始數(shù)據(jù)、技術(shù)參數(shù)、設(shè)計要求等〕1〕掌握圖像分割的根本概念；2〕研究圖像分割方法的特點；3〕研究各種圖像分割方法及其應(yīng)用；4〕展望通信技術(shù)的開展趨勢。四、應(yīng)收集的資料及主要參考文獻：[1]《基于內(nèi)容的視頻編碼與傳輸控制技術(shù)》，賀貴明，吳元保等編，武漢大學(xué)出版社[2]《壓縮視頻通信》，A.H.薩達卡著，科學(xué)出版社[3]《數(shù)字視頻圖像處理》，全子一主編，電子工業(yè)出版社[4]《分形小波與圖像壓縮》，曾文曲編著，東北大學(xué)出版社[5]《圖像編碼根底和小波壓縮技術(shù)》張旭東編著，清華大學(xué)出版社五、審核批準意見教研室主任〔簽字〕摘要在計算機視覺的相關(guān)研究中，圖像分割是連接低級視覺和高級視覺的橋梁和紐帶，而圖像分割是計算機視覺系統(tǒng)中最關(guān)鍵和重要的一個環(huán)節(jié)。在概要介紹幾種常用圖像分割方法的根底上，比擬了每種圖像分割算法的優(yōu)缺點及其適應(yīng)范圍。結(jié)果說明：不同工程應(yīng)用中，應(yīng)根據(jù)其需求與圖像特點合理采用不同的圖像分割方法以到達更好的處理效果。關(guān)鍵詞：圖象分割；圖象處理；閾值；邊緣分割；區(qū)域分割；1引言近年來，隨著工業(yè)、農(nóng)業(yè)、醫(yī)學(xué)、軍事等領(lǐng)域自動化和智能化需求的迅速開展，對圖像處理技術(shù)的要求也日益提高。數(shù)字圖像處理技術(shù)是一個跨學(xué)科的領(lǐng)域。隨著計算機科學(xué)技術(shù)技術(shù)的不斷開展，圖像處理和分析逐漸形成了自己的科學(xué)體系，新的處理方法層出不窮，盡管其開展歷史不長，但卻引起各方面人士的廣泛關(guān)注。首先，視覺是人類最重要的感知手段，圖像又是視覺的根底，因此，數(shù)字圖像成為心理學(xué)、生理學(xué)、計算機科學(xué)等諸多領(lǐng)域內(nèi)的學(xué)者們研究視覺感知的有效工具。其次，圖像處理在軍事、遙感、氣象等大型應(yīng)用中有不斷增長的需求。其中對圖像的自動識別與理解就是一項重要任務(wù)，而對圖像進行分割來提取目標(biāo)是其關(guān)鍵步驟之一，如果得不到合理的圖像分割圖，也就無法對圖像進行正確的識別與理解。在過去的四十多年里，圖像分割的研究一直受到人們高度的重視。迄今為止，研究者提出了上千種不同類型的分割算法。Fu和Mui從細胞學(xué)圖像處理的角度將圖像分割技術(shù)分為三大類：特征閾值或聚類、邊緣檢測和區(qū)域提取。依據(jù)算法所使用的技術(shù)或針對的圖像，Pal把圖像分割算法分成了6類：閾值分割、像素分割、深度圖像分割、彩色圖像分割、邊緣檢測和基于模糊集的方法。本文將依據(jù)上述兩種分類方法進行研究。2圖像分割方法圖像分割〔imagesegmentation〕：根據(jù)需要將圖像劃分為有意義的假設(shè)干區(qū)域或局部的圖像處理技術(shù)。圖像分割是圖像處理的一項關(guān)鍵技術(shù)，從20世紀70年代開始受到人們的高度重視，至今，人們已經(jīng)提出了上千種分割算法，現(xiàn)在已經(jīng)提出的分割算法大局部是針對具體問題的，并沒有一種適用于所有圖像的通用分割算法。而且，至今還沒有制定出選擇適宜分割算法的標(biāo)準，這給圖像分割技術(shù)的應(yīng)用帶來許多實際困難。因此，對圖像分割的研究還在不斷深入之中，它是目前圖像處理中研究的熱點之一。多年來人們對圖像分割提出了不同的解釋和表述，借助集合概念對圖像分割可給出如下定義：令集合R代表的整個圖像區(qū)域，對R的圖像分割可以看做是將R分成N個滿足以下條件的非空子集R1R2RN。對于所有的i和j，，有對于i=1,2N，有對于，有對于i=1,2...N，是連通的區(qū)域其中是對所有在集合中元素的邏輯謂詞，表示空集。代表分割的所有子區(qū)域的并集即為原來的圖像，它是圖像處理中的每個像素都被處理的保證。指出分割結(jié)果中的各個區(qū)域是互不重疊的。說明在分割結(jié)果中，每個區(qū)域都有其獨特的特性。說明在分割結(jié)果中同一個子區(qū)域的像素應(yīng)當(dāng)是連通的，也就是說同一個子區(qū)域內(nèi)的任意的兩個像素在該子區(qū)域內(nèi)是互相連通的。這些條件對分割具有一定的指導(dǎo)作用。但是，實際中的圖像分析和處理都是針對某種特定的應(yīng)用，所以條件中的各種關(guān)系也需同實際需求結(jié)合來設(shè)定的。人們在多年的研究中積累了很多圖像分割的方法。圖像分割是一個將像素分類的過程，分類的依據(jù)可建立在像素間的相似性、灰度不連續(xù)性根底之上。對于相似性檢測方法〔即基于區(qū)域的分割方法〕主要有：雙峰法、區(qū)域分裂與合并和自適應(yīng)閾值分割等；對于灰度不連續(xù)性檢測方法〔即基于邊緣的分割方法〕主要有：邊緣檢測、邊緣跟蹤和霍夫變換等。此外，還有結(jié)合特定理論工具的分割方法，這些方法包括基于形態(tài)學(xué)分水嶺的分割、基于統(tǒng)計模式識別的分割、基于神經(jīng)網(wǎng)絡(luò)的分割、基于信息論的分割、基于小波變換的分割等。2.1基于閾值的分割方法這類方法簡單實用，在過去的幾十年間備受重視，其分類也不一而足。根據(jù)使用的是圖像的整體信息還是局部信息，可以分為上下文相關(guān)方法和上下文無關(guān)方法；根據(jù)對全圖使用統(tǒng)一閾值還是對不同區(qū)域使用不同閾值，可以分為全局閾值方法和局部閾值方法；另外，還可以分為單閾值方和多閾值方法。閾值分割的核心問題是如何選擇適宜的閾值。其中，最簡單和常用的方法是從圖像的灰度直方圖出發(fā)，先得到各個灰度級的概率分布密度，再依據(jù)某一準那么選取一個或多個適宜的閾值，以確定每個像素點的歸屬。選擇的準那么不同，得到的閾值化算法就不同。下面就常見的幾種閾值分割算法進行比擬：表1幾種閾值分割算法準那么閾值化方法優(yōu)點缺點分割得到的目標(biāo)和背景的概率應(yīng)該等于其先驗概率P-分位數(shù)法〔p-title法〕無需任何迭代和搜索嚴重依賴對先驗概率的估值最優(yōu)閾值位于目標(biāo)和背景兩個概率分布的交疊處最頻值法〔也稱mode法〕計算簡單要求直方圖具有明顯的雙峰性使目標(biāo)和背景類的類內(nèi)方差最小、類間方差最大Otsu方法計算簡單，效果穩(wěn)定要求目標(biāo)與背景的面積值相近圖像的某種后驗熵最大熵方法計算簡單對直方圖模型有要求Bayes判別誤差最小最小誤差法計算簡單，適用于目標(biāo)與背景很不均衡的圖像對直方圖模型有要求分割前后圖像的矩量保持不變矩量保持法無需任何迭代和搜索穩(wěn)定性不佳2.2基于區(qū)域的分割方法基于區(qū)域的分割是圖像分割中一種重要的分割方法，其定義為按照選定的一致性準那么將圖像劃分為互相不交疊的、連通的像元集的處理過程，它彌補了閾值分割沒有考慮空間信息的缺乏，解決了邊緣檢測的區(qū)域連續(xù)性和封閉性的難點，在圖像分割方法中有很強的優(yōu)勢?；趨^(qū)域的分割技術(shù)有兩種根本形式:區(qū)域生長和分裂合并。前者是從單個像素出發(fā),逐漸合并以形成所需的分割結(jié)果。后者是從整個圖像出發(fā),逐漸分裂或合并以形成所需要的分割結(jié)果。與閾值方法不同,這類方法不但考慮了像素相似性,還考慮了空間上的鄰接性,因此可以有效消除孤立噪聲的干擾,具有很強的魯棒性。而且，無論是合并還是分裂，都能夠?qū)⒎指钌钊氲较袼丶墸虼丝梢员ＷC較高的分割精度。2.2.1區(qū)域生長法區(qū)域生長的根本思想是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域。進行區(qū)域生長分割圖像時，先對每個需要分割的區(qū)域找一個種子像素作為生長的起點，然后將種子像素周圍鄰域中與種子像素有相同或相似性質(zhì)的像素〔根據(jù)某種事先確定的生長或相似準那么來判定〕合并到種子像素所在的區(qū)域中。將這些新像素當(dāng)做新的種子像素繼續(xù)進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這樣一個區(qū)域就長成了。結(jié)果分析：區(qū)域生長法利用了圖像的局部空間信息，可有效的克服其它方法存在的圖像分割空間不連續(xù)的缺點，此方法的關(guān)鍵是初始種子點的選取和相似區(qū)域生長準那么確實定，在此選取的相似性選擇閾值為16，假設(shè)選擇小于16的閾值，會造成過度分割現(xiàn)象，將圖像背景中的點當(dāng)做分割對象，而假設(shè)選擇大于16的閾值，那么無法將分割對象完整的分割出來。因此，假設(shè)選取不好，穩(wěn)定性、準確性以及運算速度都會受到很大影響。分割結(jié)果并不十分理想，有一些邊界點并沒有被分割出來，可以選擇區(qū)域生長法和區(qū)域增長法相結(jié)合的方式進行改良，即區(qū)域分裂與合并法，因此，下面介紹這種方法。2.2.2區(qū)域分裂與合并法這種方法是將區(qū)域生長法和區(qū)域增長法結(jié)合起來，是從整幅圖像開始，通過不斷分裂到最終得到各個區(qū)域。實際操作中，首先把圖像分成任意大小且相互不重復(fù)的區(qū)域，然后再合并分裂這些區(qū)域以滿足分割要求。例如，利用四叉樹結(jié)構(gòu)的迭代分裂合并算法分割圖像。令R代表整個圖像區(qū)域，P代表邏輯謂詞。對R進行分割的方法是反復(fù)將分割得到的結(jié)果圖像分成四個區(qū)域，直到對任意區(qū)域Ri，有。也就是說，對整幅圖像如果，那么就將圖像分成四等分。對任何區(qū)域如果有，那么就將分成四等分。如此類推，直到為單個像素。假設(shè)只使用分裂，最后可能出現(xiàn)相鄰的兩個區(qū)域具有相同的性質(zhì)但并沒有合成一樣的情況。因此，允許拆分的同時進行區(qū)域合并，即在每次分裂后允許其繼續(xù)分裂或合并，如，那么將和合并起來。當(dāng)再無法進行聚合或拆分時操作停止。四叉樹結(jié)構(gòu)的迭代分裂合并算法，這種分割方法在MATLAB里可以直接調(diào)用函數(shù)進行四叉樹分解，方法簡單有效，可以迅速分割出對象。這種方法的主要優(yōu)點是對于分裂和合并都使用同樣的四叉樹，直到合并的最后一步。區(qū)域分割與合并算法在處理效果上兼具區(qū)域生長法和閾值法兩種算法的優(yōu)點，但它也有它的缺乏，一方面，分裂如果不能深達象素級，就會降低分割精度；另一方面，深達象素級的分裂會增加合并的工作量，從而大大提高其時間復(fù)雜度。另外分裂合并技術(shù)可能會使分割區(qū)域的邊界破壞，產(chǎn)生過多的塊狀區(qū)域邊界。結(jié)果分析：這種方法是區(qū)域生長法和區(qū)域增長法的綜合，因此，克服了區(qū)域生長法的過分割缺陷，從分割圖像中可以看出，它很好的將對象從背景中分割出來了。但是這種分割方法將分割區(qū)域的邊界破壞了，產(chǎn)生了塊狀區(qū)域邊界。并且由于此算法采用了四叉樹結(jié)構(gòu)，建立四叉樹的過程影響了算法的復(fù)雜度，比前兩種算法需要更大的時間和空間代價。2.3基于邊緣的分割方法這類方法主要基于圖像灰度級的不連續(xù)性,它通過檢測不同均勻區(qū)域之間的邊界來實現(xiàn)對圖像的分割,這與人的視覺過程有些相似。依據(jù)執(zhí)行方式的不同,這類方法通常又分為串行邊緣檢測技術(shù)和并行邊緣檢測技術(shù)。串行邊緣檢測技術(shù)首先要檢測出一個邊緣起始點,然后根據(jù)某種相似性準那么尋找與前一點同類的邊緣點,這種確定后繼相似點的方法稱為跟蹤。根據(jù)跟蹤方法的不同,這類方法又可分為輪廓跟蹤、光柵跟蹤和全向跟蹤三種方法。全向跟蹤可以克服由于跟蹤的方向性可能造成的邊界喪失,但其搜索過程會付出更大的時間代價。串行邊緣檢測技術(shù)的優(yōu)點在于可以得到連續(xù)的單像素邊緣,但是它的效果嚴重依賴于初始邊緣點,由不恰當(dāng)?shù)某跏歼吘夵c可能得到虛假邊緣;較少的初始邊緣點可能導(dǎo)致邊緣漏檢。并行邊緣檢測技術(shù)通常借助空域微分算子,通過其模板與圖像卷積完成，因而可以在各個像素上同時進行,從而大大降低了時間復(fù)雜度。常見并行邊緣檢測方法有如下幾種:Roberts算子,Laplacian算子,Sobel算子,Prewitt算子,Kirsh算子,LOG算子,Canny算子。上述算法和其他邊緣檢測算法雖然在檢測的準確性和邊緣定位精度上有所差異,但是他們都有一個共同的缺點:不能得到連續(xù)的單像素邊緣,而這對于分割來說是至關(guān)重要的。因此,通常在進行上述邊緣檢測之后,需要進行一些邊緣修正的工作,如邊緣連通、去除毛刺和虛假邊緣。常用的方法包括啟發(fā)式連接、相位編組法和層次記號編組法等。與串行邊緣檢測算法一樣,邊緣修正算法的代價也非常高。2.4基于數(shù)學(xué)形態(tài)學(xué)的分割方法數(shù)學(xué)形態(tài)學(xué)是建立在集合論的根底上,用于研究幾何形狀和結(jié)構(gòu)的一種數(shù)學(xué)方法。近年來,數(shù)學(xué)形態(tài)學(xué)已開展為一種新型的數(shù)字圖像處理方法和理論,更多的系統(tǒng)采用形態(tài)學(xué)算子對圖像進行預(yù)處理或后處理。他的根本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對應(yīng)形狀,以到達對圖像分析和識別的目的。其根本運算有4個:腐蝕、膨脹、開啟和閉合。腐蝕具有使目標(biāo)縮小、目標(biāo)內(nèi)孔增大以及外部孤立噪聲消除的效果;膨脹是將圖像中與目標(biāo)物體接觸的所有背景點合并到物體中的過程,結(jié)果是使目標(biāo)增大、孔徑縮小,可以增補目標(biāo)中的空間,使其形成連通域;開啟具有消除圖像是細小物體,并在物體影響纖細處別離物體和平滑較大物體邊界的作用;而閉合具有填充物體影像內(nèi)細小空間,連接鄰近物體和平滑邊界的作用。形態(tài)學(xué)理論在圖像分割中的應(yīng)用比擬有代表性的是水線區(qū)域分割算法,他的根本過程是連續(xù)腐蝕二值圖像。算法包括3個步驟：(1)產(chǎn)生距離圖;(2)計算最終腐蝕的集合;(3)從種子開始生長到原尺寸但使各個區(qū)域不相連。如果將步驟(3)用連續(xù)膨脹代替,就成為另一種形態(tài)學(xué)分割方法——聚類快速分割。這2種算法相比,水線方法能很好地保持目標(biāo)的原始形狀,在目標(biāo)間參加的分界比擬清晰,但水線計算量大,他需要對每個最終腐蝕集用12個結(jié)構(gòu)元素進行粗化,還需要跟蹤所有的腐蝕步驟;聚類快速分割不能很好地保持目標(biāo)的整體形狀,但受錯誤別離的影響較小。如果目標(biāo)沒有重疊只是相接那么水線方法效果較好,反之聚類快速分割效果較好。數(shù)學(xué)形態(tài)學(xué)用于圖像分割的缺點是對邊界噪聲敏感。為了改善這一問題,劉志敏等人提出了基于圖像最大內(nèi)切圓的數(shù)學(xué)形態(tài)學(xué)形狀描述圖像分割算法和基于目標(biāo)最小閉包結(jié)構(gòu)元素的數(shù)學(xué)形態(tài)學(xué)形狀描述圖像分割算法,取得了較好的效果。鄧世偉等人提出了一種基于數(shù)學(xué)形態(tài)學(xué)的深度圖像分割算法,其根本思想是利用形態(tài)學(xué)算子獲得分別含有階躍邊緣與屋脊邊緣的凸脊和凹凸圖像,然后利用控制區(qū)域生長過程得到最終的分割結(jié)果。與傳統(tǒng)方法相比,該方法速度快、抗噪性能好?？傊?如何將數(shù)學(xué)形態(tài)學(xué)與其他方法綜合運用以克服自身缺陷,將是數(shù)學(xué)形態(tài)學(xué)以后的工作方向。2.5分水嶺法圖像分割根本原理分水嶺算法是一種基于區(qū)域的圖像分割方法，并建立在數(shù)學(xué)形態(tài)學(xué)的理論根底之上。這種算法常被用于解決別離相連接的目標(biāo)。它常將灰度圖像看成是假想的地形外表，每個像素的灰度值表示該點的海拔高度，以圖像的梯度作為輸入，輸出連續(xù)單像素寬度的邊緣線。它具有分割精細、便于軟硬件實現(xiàn)的優(yōu)點，是一種有效的圖像分割方法。分水嶺分割算法的思想源于測地學(xué)中的地膜形態(tài)模型。其原理描述如下：首先將一幅圖像視為跌宕起伏的地貌模型，圖像中每個像素的灰度值對應(yīng)地形中的高度〔即海拔〕，將均勻灰度值的局部極小區(qū)域視為盆地，并在其最低處穿孔，使水慢慢地均勻浸入各個孔，當(dāng)水將填滿盆地時，在某兩個或多個盆地之間修建大壩。隨著水位的不斷上升，各個盆地完全被水淹沒，只剩沒被淹沒的各個大壩，并且各個盆地也完全被大壩所包圍，從而可以得到各個大壩〔即分水嶺〕和各個被大壩分開的盆地〔即目標(biāo)物體〕，最終到達分割的目的。2.5.1分水嶺法圖像分割算法分水嶺的計算過程是一個迭代標(biāo)注過程。在該算法中，分水嶺計算分兩個步驟，一個是排序過程，一個是淹沒過程。首先對每個像素的灰度級進行從低到高排序，然后在從低到高實現(xiàn)淹沒過程中，對每一個局部極小值在h階高度的影響域采用先進先出(FIFO)結(jié)構(gòu)進行判斷及標(biāo)注。分水嶺變換得到的是輸入圖像的集水盆圖像，集水盆之間的邊界點，即為分水嶺。顯然，分水嶺表示的是輸入圖像極大值點。因此，為得到圖像的邊緣信息，通常把梯度圖像作為輸入圖像。令為表示圖像的局部最小值點的坐標(biāo)的集合。令為一個點的坐標(biāo)的集合，這些點位于與局部最小值〔無論哪一個匯水盆地內(nèi)的點都組成一個連通分量〕相聯(lián)系的匯水盆地內(nèi)。符號min和max代表的最小值和最大值。最后，令表示坐標(biāo)的集合，其中，即該集合如下：在幾何上，是中的點的集合，集合中的點均位于平面的下方。隨著水位以整數(shù)量從到不斷增加，圖像中的地形會被水漫過。在水位漫過地形的過程中的每一階段，算法都需要知道處在水位之下的點的數(shù)目。從概念上來說，假設(shè)中的坐標(biāo)處在的平面之下，并被標(biāo)記為黑色，所有其他的坐標(biāo)被標(biāo)記為白色。然后，當(dāng)人們在水位以任意量n增加的時候，從上向下觀察xy平面，會看到一幅二值圖像。在圖像中黑色點對應(yīng)于函數(shù)中低于平面的點。令表示匯水盆地中點的坐標(biāo)的集合。這個盆地與在第n階段被淹沒的最小值有關(guān)。如式5-2所示，它也可以被看作由下式給出的二值圖像：也就是說，如果且，那么在位置有。否那么。對于這個結(jié)果幾何上的解釋是很簡單的，人們只需在水溢出的第n個階段使用與運算將中的二值圖像別離出來即可。是與局部最小值相聯(lián)系的集合。接下來，令表示在第n個階段匯水盆地被水淹沒的局部的并集，如下：然后令為所有匯水盆地的并集，如下：可以看出，處于和中的元素在算法執(zhí)行期間是不會被替換的，而且這兩個集合中的元素的數(shù)目與n保持同步增長。因此，是集合的子集。根據(jù)式5-2和式5-3，是的子集，所以，是的子集。從這個結(jié)論可得出重要的結(jié)果：中的每個連通分量都恰好是的一個連通分量。找尋分水線的算法開始時設(shè)定。然后算法進入遞歸調(diào)用，假設(shè)在第n步時，已經(jīng)構(gòu)造了。根據(jù)求得的過程如下：令Q代表中連通分量的集合。然后，對于每個連通分量，有以下三種可能性：(1)為空。(2)包含中的一個連通分量。(3)包含多于一個的連通分量。根據(jù)構(gòu)造取決于以上三個條件，當(dāng)遇到一個新的最小值符合條件(1)時，那么將q并入構(gòu)成；當(dāng)q位于某些局部最小值構(gòu)成的匯水盆地中時，符合條件(2)，此時將q合并入構(gòu)成；當(dāng)遇到全部或局部別離兩個或更多匯水盆地的山脊線的時候，符合條件(3)。進一步的注水，會導(dǎo)致不同盆地的水聚在一起，從而使水位趨于一致，因此，必須在q內(nèi)建立一座水壩〔如果涉及多個盆地就要建立多座水壩〕以阻止盆地內(nèi)的水溢出。當(dāng)用個1的結(jié)構(gòu)元素膨脹并且將這種膨脹限制在q內(nèi)時，一條一個像素寬度的水壩就能夠被構(gòu)造出來。通過使用與中存在的灰度級值相對應(yīng)的n值，可以改善算法效率；根據(jù)的直方圖，可以確定這些值及其最小值和最大值。然而，由于梯度噪聲、量化誤差及物體內(nèi)部細密紋理的影響，直接使用梯度算子會在平坦區(qū)域內(nèi)部產(chǎn)生許多局部的“谷底〞和“山峰〞，經(jīng)過分水嶺后形成小的區(qū)域，直接應(yīng)用分水嶺算法會產(chǎn)生過分割現(xiàn)象：由于圖像中存在很多極小值點，分割結(jié)果淹沒在大量的不相關(guān)結(jié)果中。目前主要有兩種解決方式，一種方式是在梯度圖像中添加一些標(biāo)記點的方法指導(dǎo)分割，非標(biāo)記點的極小點形成分割區(qū)域會合并到標(biāo)記點形成的區(qū)域；另一種方式那么是依據(jù)面積準那么或灰度準那么對分水嶺分割結(jié)果進行合并。2.5.2分水嶺法圖像分割結(jié)果分析根據(jù)分水嶺算法直接調(diào)用MATLAB中的watershed函數(shù)進行分水嶺分割，假設(shè)目標(biāo)物體是連在一起的，那么分割起來比擬困難，這種算法可以取得比擬好的效果，并且對微弱邊緣具有良好的響應(yīng)。這種良好的響應(yīng)，是得到封閉連續(xù)邊緣的保證。而且，分水嶺算法所得到的封閉的集水盆，為分析圖像的區(qū)域特征提供了可能。但是，分割結(jié)果會存在過分割現(xiàn)象，這是因為圖像中存在很多的極小值點，導(dǎo)致分割結(jié)果淹沒在大量的不相關(guān)結(jié)果中，使分割結(jié)果失真。另外，圖像中的噪聲、物體外表細微的灰度變化，都會產(chǎn)生過度分割的現(xiàn)象。由于直接應(yīng)用分水嶺分割算法的效果并不太好，如果在圖像中對前景對象和背景對象分別進行標(biāo)注區(qū)別，再應(yīng)用分水嶺算法會取得較好的分割效果。結(jié)果分析：使用對前景和背景對象分別標(biāo)記后再進行分水嶺變換對圖像進行分割的結(jié)果比擬理想，可以將目標(biāo)物體連接在一起的圖像的封閉邊緣很好的檢測出來，并且對微弱邊緣具有良好的響應(yīng)。而且可以防止過度分割，比直接在梯度模值圖像上進行分水嶺變換得到的效果要好得多。3結(jié)論圖像分割沒有通用的理論,要根據(jù)具體的情況采取有效的方法。圖像分割是圖像特征提取和識別等圖像理解的根底，對圖像分割的研究一直是數(shù)字圖像處理技術(shù)研究中的熱點和焦點。本文首先介紹了數(shù)字圖像處理技術(shù)中圖像分割技術(shù)的根本原理和主要方法。然后分別研究了基