基于Matlab的水声图像信号标记分水岭算法研究
基于Matlab的水声图像信号标记分水岭算法研究[20191212175610]
摘 要
近年来，随着科技的发展，人们对于图像处理的要求也是越来越高，尤其是对于水声图像的处理。在科学考察，或项目研究中，对于水中的图像处理分析的精确度要求也逐渐提高。图像分割是图像分析的第一步，是图像理解的重要组成部分，在有关图像处理的几乎所有领域具有广泛的应用。因此，图像分割一直受到高度重视，对其研究有十分重要的意义。分水岭算法是图像分割中一种常用的技术，由于其能得到单像素宽、定位精确、连续封闭的分割边缘而受到众多学者专家的关注。但传统分水岭算法的过分割严重干扰了对真实目标的提取。
本论文介绍了分水岭算法的基本概念和原理，针对分水岭算法出现的过分割问题，提出了一种改进的标记提取的分水岭算法。标记提取能够在分水岭变换之前大大减少梯度图像中的伪局部极小值点，从而从根源上减少过分割的区域。在标记分水岭算法的基础上进行快速的区域合并，能够获得较为理想的分割结果。然而传统的标记提取方案存在参数选取困难的问题，常规的区域合并方案在区域相似性度量时往往夸大了人眼对区域的实际感知，导致区域合并过早收敛，少数区域不能很好合并。针对这一问题，本文在初级分割阶段和高级分割阶段分别设计了基于自适应扩展最小变换的标记分水岭算法和基于综合距离度量的快速区域合并方案。该算法首先使用形态学梯度，并使用梯度重建技术，较好地增强了图像对比度，同时使用改进的标记提取方法对区域最小值进行标定，使用分水岭算法。从实验结果来看，该方法能有效地控制分水岭算法的过分割问题。
查看完整论文请+Q: 351916072
关键字:分水岭；标记；形态学；过分割；自适应
目 录
摘 要 I
Abstract II
第一章 绪论 1
第一节 图像分割的定义 1
第二节 图像分割的意义 1
第三节 图像分割的评价标准 3
第四节 本课题的章节安排 4
第五节 本章小结 4
第二章 图像分割技术的基本算法 5
第一节 基于边缘的图像分割方法 5
第二节 基于区域的图像分割方法 6
第三节 基于阈值的图像分割方法 7
第四节 本章小结 10
第三章 分水岭算法概述 11
第一节 分水岭算法原理 11
第二节 基于Matlab的分水岭算法（Watershed） 13
第三节 分水岭算法的改进方法 15
第四节 存在的问题及研究方向 17
第五节 本章小结 18
第四章 标记提取 19
第一节 形态学 19
第二节 标记提取的分水岭算法 21
第三节 实验及结果 24
第四节 本章小结 28
第五章 总结与展望 29
致 谢 31
参考文献 32
附 录 34
第一章 绪论
第一节 图像分割的定义
一、图像基本概念
图像是能为人类视觉所感知的信息形式或人们心目中的有形想象。据统计，在人类接受的信息中，视觉信息约占80%，俗语“百闻不如一见”就反映了图像在信息感知中的独到之处。目前，图像处理技术发展迅速，应用领域也越来越广。图像可以通过各种各样的形式存在，例如：静止图像于运动图像；灰度图像和彩色图像；平面图像与立体图像等等，但是就其本质而言，我们可将图像分为连续图像和离散图像。
二、图像分割的定义
在图像的研究和应用中，人们往往只对一幅图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域（可以对应单个区域，也可以对应多个区域），称之为目标或前景；而其他部分称为图像的背景。为了辨识和分析目标，需要把目标从原图像中孤立出来，这就是图像分割要研究的问题。所谓图像分割，从广义上来说，是根据图像的某些特征或特征集合（包括灰度、颜色、纹理等）的相似性准则进行分组聚类，把图像平面划分成若干个具有某些一致性的不重叠区域[1]。这使得同一区域的像素特征是类似的，即具有一致性；而不同区域间像素的特征存在突变，即具有非一致性。
第二节 图像分割的意义
一、图像分割的研究意义
图像分割是计算机图像处理的一个基本问题，是进行许多后续图像分析任务的先行步骤。图像识别、图像可视化和基于目标的图像压缩都高度依赖图像分割的结果。因此，图像分割一直得到人们的高度重视，提出了很多分割方法。图像分割时一种重要的图像技术，在不同领域中也具有不同的名称：如目标轮廓技术，阈值化技术，图像差分技术，目标检测技术，目标识别技术，目标跟踪技术等[2]，这些技术本身或其核心实际上也就是图像分割技术，图像分割技术是图像处理、分析的一项基本内容。
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，并涉及各种类型的图像。图像分割在工业自动化、在线产品检验、生产控制、文件图像处理、保安监视、以及军事、体育、农业工程方面都有广泛的应用。例如在医学中将核磁共振图像中特定的器官分割出来[3]，用于疾病的诊断；在遥感图像中将农田分割出来用于估计农产品的产量；图像分割在地质、环保、气象等一系列领域也有着广泛的应用。MPEG-4的一个重要思想就是基于对象的编码，在编码之前首先将对象分割出来等。在各种图像应用中，只要需对图像目标进行提取、测量等都离不开图像分割。特性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。
二、图像分割的发展现状及趋势
对于图像分割来说，如果不利用关于图像或所研究目标的先验知识，任何仅仅基于单纯的数学工具的方法都很难取得很好的效果。因此，在很多时候，人们倾向于重新设计一个针对具体问题的新算法来解决自己所面临的图像分割问题。然而由于我们只能用图像信息中的某些特征[4]（如灰度差别、彩色差别、局部纹理差别/局部统计特征或局部区域的频谱特征差别等）去分割区域，因此各种分割方法必然会带有局限性；同时由于缺乏一个统一的理论作为基础，同时也缺乏对人类视觉系统机理的深刻认识，到目前为止还无法构造一种能够成功应用于所有图像的统一的图像分割算法。当现实中分割一幅图像时，一般是通过经验和直觉去选择方法，然后经过多次实践来找到一种最佳的方法[5]。因此在图像分割过程中，有经验的人比较容易选择出适当的方法，使对不同图像都能得到不错的分割效果。但是当处理的图像十分庞大时，这种方法就比较困难了。
随着分割技术的快速发展，从学者的研究方向可以得出图像分割的趋势[6]：
第一，很多学者致力于将新的概念、新的方法引入图像分割领域，如这几年新兴的模糊算法，神经网络与遗传算法，小波算法，粗集理论，数学形态学等理论都先后被应用于图像分割领域[7]，有效的解决了原有方法的某些不足和缺陷，改善了分割效果，同时也拓宽了人们的思路。随着基础理论研究的不断发展，这一趋势也会不断发展下去。
第二，人们非常重视多种分割算法的结合。综合使用两种或两种以上的方法，能够在一定程度上克服单一算法在处理某些特定图像的缺陷和不足。如何结合不同的算法，以及采取何种的结合方式来弥补各自的不足、取得良好的分割效果将是人们在今后的长时间里都将关注的问题之一。
第三，针对特定区域的特殊问题，利用这些领域的专业知识来辅助解决图像分割问日，越来越多的吸引了研究人员的注意力。相应的，对图像分割做为一个同一的对象的研究子啊逐渐弱化。医学图像处理中的病理图像分割、工业图像分割、安全图像处理中的保密信息提取、军事图像处理中的雷达图像分割及卫星图像分割、交通图像处理中的车牌识别等都是近几年来图像分割领域中讨论较多的热点问题[8]。
第三节 图像分割的评价标准
通常我们对一副图像分割结果的好坏判断，是以人的主观判断作为标准的，因此人的视觉决定了分割效果的优良，从而导致了由于人的视觉差异对图像分割好坏评价的差异，所以我们对不同的分割方法做一个定量的、定性的评价是非常有意义的。
为了把握图像分割算法的性能，应当对各种算法都进行评价[9]。分割评价是改进和提高现有算法的性能，改善分割质量和指导新算法研究的重要手段。评价方法一般可以分为直接法和间接法两大类[10]：直接法是直接对算法的原理和性能进行评价，而没有考虑到应用环境的影响，评价结果只与算法有关；间接法在对结果进行测试和对比进行评价。
图1.1 图像分割评价方法示意图
由图1.1可知，直接评价法研究图像分割所用的算法本身，通过分析它的原理、性质、特点，从而推断和评判算法的优劣;而间接评价法是去研究输出分割图的质量，或由输入图得到的参考图与输出图的差别从而通过归纳总结得到分割算法的性能。同样要评价分割技术，各种方法的难易程度也不同。用间接法评判算法需要用算法对图像进行分割实验以得到输出分割图(有时还需获得参考图)，而用直接法则只需要对算法本身进行分析就可以。
关于图像分割评价方法方面，许多学者提出了不少评价方法和准则[11]；在这些准则中，定量实验准则提出最多，而且运用这类准则得到的评价标准也具有说服力，定量实验评价准则主要包括：区域间对比度、区域内部均匀性、形状测度、目标计数一致性、像素距离误差、像素数量误差、最终测量精度等。
第四节 本课题的章节安排
本论文由五章组成。第一章绪论介绍了图像分割的定义，发展现状和趋势，同时也简要介绍了课题的内容与结构；第二章介绍了图像分割技术的基本算法；第三章阐述了分水岭的原理，具体算法的理解，存在的问题及现在主流的几种改进方法；第四章先简要介绍形态学，然后具体介绍了本文采用分水岭改进方法：标记提取方法，并通过实验来观察具体函数的结果和特点，从matlab运行处理的图像中可以得到进一步的说明；第五章总结了设计过程中的心得体会，并对系统的功能拓展进行了展望。
第五节 本章小结
本章叙述了图像的相关分类，图像分割的相关定义，其意义以及未来研究趋势，在很多时候，人们倾向于重新设计一个针对具体问题的新算法来解决自己所面临的图像分割问题，这也是本课题基本的研究意义，第三节介绍了图像分割的评价标准，最后对课题的结构做了简要的叙述。
第二章 图像分割技术的基本算法
第一节 基于边缘的图像分割方法
基于边缘的分割方法是将图像中所要求分割的目标的边缘提取出来，从而将目标分割出来，主要依赖于图像中不同区域间的不连续性。这类技术的优点是边缘定位准确，运算速度快；缺点是对噪声敏感[12]，而且边缘检测方法只使用了局部信息，难以保证分割区内部的颜色一致，且不能产生连续的闭轮廓。因此基于边缘的分割技术通常需要进行后续处理或与其他分割算法结合起来，才能完成分割任务。
边缘分割算法一般有如下四步[13]：
1）滤波：边缘分割算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此使用滤波器来改善与噪声有关的边缘检测器的性能。
2）增强：增强边缘的基础是确定图像各邻域强度的变化值，增强算法可以将邻域强度值有显著变化的点突显出来。
3）检测：在图像中有许多点的梯度幅度值比较大，而这些点在特定的应用领域并不都是边缘，所以应当用某种方法来确定哪些点是边缘点。
4）定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在亚像素分辨率上来估计，边缘的方位也可被估计出来。在边缘检测算法中，前三个步骤用的十分普遍。这是因为在大多数场合下，仅仅需要边缘检测器指出边缘出现在图像某一像素点的附近，而没有必要指出边缘的精确位置或方向。
边缘检测算法[14]主要是利用图像的一阶导数的极值或二阶导数的过零点信息来提取边缘。具体的说，对于图像中变化比较缓慢的区域，相邻像素的灰度变化不大，因而梯度幅值比较小（趋于零），而在图像的边缘地带，相邻像素的灰度变化剧烈，所以梯度幅值较大，因此用一阶导数幅值的大小可以确定边缘位置。同理，二阶导数的符号可以用来判断一个像素是在边缘亮的一端还是暗的一端，过零点的位置就是边缘的位置。
典型的一阶导数边缘算子[15]有Roberts算子、Sobel算子、Prewitt算子、Krisch算子等，而Laplacian算子以及Guass-Laplacian算子属于二阶导数边缘算子。另外还介绍了Canny算子。
表2.1各种算子应用最佳情况
算子最佳情况
Robert对具有陡峭的低噪声的图像处理的效果最好，但是利用Roberts算子提取边缘的结果边缘比较粗，因此边缘定位不是很准确。
Sobel对灰度渐变和噪声较多的图像处理效果较好。Sobel算子对边缘定位比较准确。
Prewitt对灰度渐变和噪声较多的图像处理效果较好。
Log拉普拉斯高斯算子经常出现双像素边界，并且检测方法对噪声比较敏感；所以，很少用拉普拉斯高斯算子边缘检测，而是用来判断像素是位于图像的明区还是暗区。
Canny此方法不容易受噪声的干扰，能够检测真正的弱边缘。在edge函数中，最有效的边缘检测方法是Canny法。该方法的优势在于，使用两种不同的阈值分别检测强边缘和弱边缘，并且仅当弱边缘和强边缘相连时，才将弱边缘包含在输出图像中。因此，这种方法不容易被噪声“填充”，更容易检测出真正的弱边缘。
第二节 基于区域的图像分割方法
基于区域的分割技术主要依赖于图像中区域内的均匀一致性。基于区域的分割技术能够直接得到图像结果，从而使其成为当前最流行的分割技术之一。基于区域的图像分割技术主要包括区域生长技术及区域分裂-合并等技术。区域生长就是将临近的、具有相似特性的像素进行合并，形成更大的区域，通常是通过计算欧式距离来比较像素之间的差别。而分裂合并计算的思想是将整个图像分成若干互不相交叠的图像块，对每块进行分割，然后根据块与块分割特性进行合并，甚至可以一开始把每一个像素看作一块，然后进行不断合并。基于区域分割的技术既考虑彩色空间中颜色的的信息，又考虑到临近像素之间的联系。
摘 要
近年来，随着科技的发展，人们对于图像处理的要求也是越来越高，尤其是对于水声图像的处理。在科学考察，或项目研究中，对于水中的图像处理分析的精确度要求也逐渐提高。图像分割是图像分析的第一步，是图像理解的重要组成部分，在有关图像处理的几乎所有领域具有广泛的应用。因此，图像分割一直受到高度重视，对其研究有十分重要的意义。分水岭算法是图像分割中一种常用的技术，由于其能得到单像素宽、定位精确、连续封闭的分割边缘而受到众多学者专家的关注。但传统分水岭算法的过分割严重干扰了对真实目标的提取。
本论文介绍了分水岭算法的基本概念和原理，针对分水岭算法出现的过分割问题，提出了一种改进的标记提取的分水岭算法。标记提取能够在分水岭变换之前大大减少梯度图像中的伪局部极小值点，从而从根源上减少过分割的区域。在标记分水岭算法的基础上进行快速的区域合并，能够获得较为理想的分割结果。然而传统的标记提取方案存在参数选取困难的问题，常规的区域合并方案在区域相似性度量时往往夸大了人眼对区域的实际感知，导致区域合并过早收敛，少数区域不能很好合并。针对这一问题，本文在初级分割阶段和高级分割阶段分别设计了基于自适应扩展最小变换的标记分水岭算法和基于综合距离度量的快速区域合并方案。该算法首先使用形态学梯度，并使用梯度重建技术，较好地增强了图像对比度，同时使用改进的标记提取方法对区域最小值进行标定，使用分水岭算法。从实验结果来看，该方法能有效地控制分水岭算法的过分割问题。
查看完整论文请+Q: 351916072
关键字:分水岭；标记；形态学；过分割；自适应
目 录
摘 要 I
Abstract II
第一章 绪论 1
第一节 图像分割的定义 1
第二节 图像分割的意义 1
第三节 图像分割的评价标准 3
第四节 本课题的章节安排 4
第五节 本章小结 4
第二章 图像分割技术的基本算法 5
第一节 基于边缘的图像分割方法 5
第二节 基于区域的图像分割方法 6
第三节 基于阈值的图像分割方法 7
第四节 本章小结 10
第三章 分水岭算法概述 11
第一节 分水岭算法原理 11
第二节 基于Matlab的分水岭算法（Watershed） 13
第三节 分水岭算法的改进方法 15
第四节 存在的问题及研究方向 17
第五节 本章小结 18
第四章 标记提取 19
第一节 形态学 19
第二节 标记提取的分水岭算法 21
第三节 实验及结果 24
第四节 本章小结 28
第五章 总结与展望 29
致 谢 31
参考文献 32
附 录 34
第一章 绪论
第一节 图像分割的定义
一、图像基本概念
图像是能为人类视觉所感知的信息形式或人们心目中的有形想象。据统计，在人类接受的信息中，视觉信息约占80%，俗语“百闻不如一见”就反映了图像在信息感知中的独到之处。目前，图像处理技术发展迅速，应用领域也越来越广。图像可以通过各种各样的形式存在，例如：静止图像于运动图像；灰度图像和彩色图像；平面图像与立体图像等等，但是就其本质而言，我们可将图像分为连续图像和离散图像。
二、图像分割的定义
在图像的研究和应用中，人们往往只对一幅图像中的某些部分感兴趣，这些感兴趣的部分一般对应图像中特定的、具有特殊性质的区域（可以对应单个区域，也可以对应多个区域），称之为目标或前景；而其他部分称为图像的背景。为了辨识和分析目标，需要把目标从原图像中孤立出来，这就是图像分割要研究的问题。所谓图像分割，从广义上来说，是根据图像的某些特征或特征集合（包括灰度、颜色、纹理等）的相似性准则进行分组聚类，把图像平面划分成若干个具有某些一致性的不重叠区域[1]。这使得同一区域的像素特征是类似的，即具有一致性；而不同区域间像素的特征存在突变，即具有非一致性。
第二节 图像分割的意义
一、图像分割的研究意义
图像分割是计算机图像处理的一个基本问题，是进行许多后续图像分析任务的先行步骤。图像识别、图像可视化和基于目标的图像压缩都高度依赖图像分割的结果。因此，图像分割一直得到人们的高度重视，提出了很多分割方法。图像分割时一种重要的图像技术，在不同领域中也具有不同的名称：如目标轮廓技术，阈值化技术，图像差分技术，目标检测技术，目标识别技术，目标跟踪技术等[2]，这些技术本身或其核心实际上也就是图像分割技术，图像分割技术是图像处理、分析的一项基本内容。
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，并涉及各种类型的图像。图像分割在工业自动化、在线产品检验、生产控制、文件图像处理、保安监视、以及军事、体育、农业工程方面都有广泛的应用。例如在医学中将核磁共振图像中特定的器官分割出来[3]，用于疾病的诊断；在遥感图像中将农田分割出来用于估计农产品的产量；图像分割在地质、环保、气象等一系列领域也有着广泛的应用。MPEG-4的一个重要思想就是基于对象的编码，在编码之前首先将对象分割出来等。在各种图像应用中，只要需对图像目标进行提取、测量等都离不开图像分割。特性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。
二、图像分割的发展现状及趋势
对于图像分割来说，如果不利用关于图像或所研究目标的先验知识，任何仅仅基于单纯的数学工具的方法都很难取得很好的效果。因此，在很多时候，人们倾向于重新设计一个针对具体问题的新算法来解决自己所面临的图像分割问题。然而由于我们只能用图像信息中的某些特征[4]（如灰度差别、彩色差别、局部纹理差别/局部统计特征或局部区域的频谱特征差别等）去分割区域，因此各种分割方法必然会带有局限性；同时由于缺乏一个统一的理论作为基础，同时也缺乏对人类视觉系统机理的深刻认识，到目前为止还无法构造一种能够成功应用于所有图像的统一的图像分割算法。当现实中分割一幅图像时，一般是通过经验和直觉去选择方法，然后经过多次实践来找到一种最佳的方法[5]。因此在图像分割过程中，有经验的人比较容易选择出适当的方法，使对不同图像都能得到不错的分割效果。但是当处理的图像十分庞大时，这种方法就比较困难了。
随着分割技术的快速发展，从学者的研究方向可以得出图像分割的趋势[6]：
第一，很多学者致力于将新的概念、新的方法引入图像分割领域，如这几年新兴的模糊算法，神经网络与遗传算法，小波算法，粗集理论，数学形态学等理论都先后被应用于图像分割领域[7]，有效的解决了原有方法的某些不足和缺陷，改善了分割效果，同时也拓宽了人们的思路。随着基础理论研究的不断发展，这一趋势也会不断发展下去。
第二，人们非常重视多种分割算法的结合。综合使用两种或两种以上的方法，能够在一定程度上克服单一算法在处理某些特定图像的缺陷和不足。如何结合不同的算法，以及采取何种的结合方式来弥补各自的不足、取得良好的分割效果将是人们在今后的长时间里都将关注的问题之一。
第三，针对特定区域的特殊问题，利用这些领域的专业知识来辅助解决图像分割问日，越来越多的吸引了研究人员的注意力。相应的，对图像分割做为一个同一的对象的研究子啊逐渐弱化。医学图像处理中的病理图像分割、工业图像分割、安全图像处理中的保密信息提取、军事图像处理中的雷达图像分割及卫星图像分割、交通图像处理中的车牌识别等都是近几年来图像分割领域中讨论较多的热点问题[8]。
第三节 图像分割的评价标准
通常我们对一副图像分割结果的好坏判断，是以人的主观判断作为标准的，因此人的视觉决定了分割效果的优良，从而导致了由于人的视觉差异对图像分割好坏评价的差异，所以我们对不同的分割方法做一个定量的、定性的评价是非常有意义的。
为了把握图像分割算法的性能，应当对各种算法都进行评价[9]。分割评价是改进和提高现有算法的性能，改善分割质量和指导新算法研究的重要手段。评价方法一般可以分为直接法和间接法两大类[10]：直接法是直接对算法的原理和性能进行评价，而没有考虑到应用环境的影响，评价结果只与算法有关；间接法在对结果进行测试和对比进行评价。
图1.1 图像分割评价方法示意图
由图1.1可知，直接评价法研究图像分割所用的算法本身，通过分析它的原理、性质、特点，从而推断和评判算法的优劣;而间接评价法是去研究输出分割图的质量，或由输入图得到的参考图与输出图的差别从而通过归纳总结得到分割算法的性能。同样要评价分割技术，各种方法的难易程度也不同。用间接法评判算法需要用算法对图像进行分割实验以得到输出分割图(有时还需获得参考图)，而用直接法则只需要对算法本身进行分析就可以。
关于图像分割评价方法方面，许多学者提出了不少评价方法和准则[11]；在这些准则中，定量实验准则提出最多，而且运用这类准则得到的评价标准也具有说服力，定量实验评价准则主要包括：区域间对比度、区域内部均匀性、形状测度、目标计数一致性、像素距离误差、像素数量误差、最终测量精度等。
第四节 本课题的章节安排
本论文由五章组成。第一章绪论介绍了图像分割的定义，发展现状和趋势，同时也简要介绍了课题的内容与结构；第二章介绍了图像分割技术的基本算法；第三章阐述了分水岭的原理，具体算法的理解，存在的问题及现在主流的几种改进方法；第四章先简要介绍形态学，然后具体介绍了本文采用分水岭改进方法：标记提取方法，并通过实验来观察具体函数的结果和特点，从matlab运行处理的图像中可以得到进一步的说明；第五章总结了设计过程中的心得体会，并对系统的功能拓展进行了展望。
第五节 本章小结
本章叙述了图像的相关分类，图像分割的相关定义，其意义以及未来研究趋势，在很多时候，人们倾向于重新设计一个针对具体问题的新算法来解决自己所面临的图像分割问题，这也是本课题基本的研究意义，第三节介绍了图像分割的评价标准，最后对课题的结构做了简要的叙述。
第二章 图像分割技术的基本算法
第一节 基于边缘的图像分割方法
基于边缘的分割方法是将图像中所要求分割的目标的边缘提取出来，从而将目标分割出来，主要依赖于图像中不同区域间的不连续性。这类技术的优点是边缘定位准确，运算速度快；缺点是对噪声敏感[12]，而且边缘检测方法只使用了局部信息，难以保证分割区内部的颜色一致，且不能产生连续的闭轮廓。因此基于边缘的分割技术通常需要进行后续处理或与其他分割算法结合起来，才能完成分割任务。
边缘分割算法一般有如下四步[13]：
1）滤波：边缘分割算法主要是基于图像强度的一阶和二阶导数，但导数的计算对噪声很敏感，因此使用滤波器来改善与噪声有关的边缘检测器的性能。
2）增强：增强边缘的基础是确定图像各邻域强度的变化值，增强算法可以将邻域强度值有显著变化的点突显出来。
3）检测：在图像中有许多点的梯度幅度值比较大，而这些点在特定的应用领域并不都是边缘，所以应当用某种方法来确定哪些点是边缘点。
4）定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在亚像素分辨率上来估计，边缘的方位也可被估计出来。在边缘检测算法中，前三个步骤用的十分普遍。这是因为在大多数场合下，仅仅需要边缘检测器指出边缘出现在图像某一像素点的附近，而没有必要指出边缘的精确位置或方向。
边缘检测算法[14]主要是利用图像的一阶导数的极值或二阶导数的过零点信息来提取边缘。具体的说，对于图像中变化比较缓慢的区域，相邻像素的灰度变化不大，因而梯度幅值比较小（趋于零），而在图像的边缘地带，相邻像素的灰度变化剧烈，所以梯度幅值较大，因此用一阶导数幅值的大小可以确定边缘位置。同理，二阶导数的符号可以用来判断一个像素是在边缘亮的一端还是暗的一端，过零点的位置就是边缘的位置。
典型的一阶导数边缘算子[15]有Roberts算子、Sobel算子、Prewitt算子、Krisch算子等，而Laplacian算子以及Guass-Laplacian算子属于二阶导数边缘算子。另外还介绍了Canny算子。
表2.1各种算子应用最佳情况
算子最佳情况
Robert对具有陡峭的低噪声的图像处理的效果最好，但是利用Roberts算子提取边缘的结果边缘比较粗，因此边缘定位不是很准确。
Sobel对灰度渐变和噪声较多的图像处理效果较好。Sobel算子对边缘定位比较准确。
Prewitt对灰度渐变和噪声较多的图像处理效果较好。
Log拉普拉斯高斯算子经常出现双像素边界，并且检测方法对噪声比较敏感；所以，很少用拉普拉斯高斯算子边缘检测，而是用来判断像素是位于图像的明区还是暗区。
Canny此方法不容易受噪声的干扰，能够检测真正的弱边缘。在edge函数中，最有效的边缘检测方法是Canny法。该方法的优势在于，使用两种不同的阈值分别检测强边缘和弱边缘，并且仅当弱边缘和强边缘相连时，才将弱边缘包含在输出图像中。因此，这种方法不容易被噪声“填充”，更容易检测出真正的弱边缘。
第二节 基于区域的图像分割方法
基于区域的分割技术主要依赖于图像中区域内的均匀一致性。基于区域的分割技术能够直接得到图像结果，从而使其成为当前最流行的分割技术之一。基于区域的图像分割技术主要包括区域生长技术及区域分裂-合并等技术。区域生长就是将临近的、具有相似特性的像素进行合并，形成更大的区域，通常是通过计算欧式距离来比较像素之间的差别。而分裂合并计算的思想是将整个图像分成若干互不相交叠的图像块，对每块进行分割，然后根据块与块分割特性进行合并，甚至可以一开始把每一个像素看作一块，然后进行不断合并。基于区域分割的技术既考虑彩色空间中颜色的的信息，又考虑到临近像素之间的联系。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/gdxx/479.html
