《基于图像纹理的图像分割.doc》由会员分享，可在线阅读，更多相关《基于图像纹理的图像分割.doc（23页珍藏版）》请在三一文库上搜索。
1、摘要图像分割是指将图像中具有特定含义的不同区域划分出来，提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤，也是图像研究领域中一个非常重要且有一定难度的问题。纹理是图像中一种重要的视觉线索，是图像中普遍存在而又难以确切描述的特征。本文在广泛文献调研的基础上，对图像分割和纹理及纹理的特征提取方法等进行了较为专门的综述研究，并利用MATLAB的纹理滤波器进行了基于纹理特征的图像分割编程实验。关键词：图像处理; 图像分割; 图像纹理ABSTRACTImage segmentation is referred as the technique and the process to divi
2、de into different regions of the image with specific meaning. By the image processing to the image analysis of the key steps in the image field is a very important and there is a certain difficulty. Texture is an important visual cues in the image is a common and difficult to exact the image descrip
3、tion features. On the basis of extensive literature research of image segmentation and texture and the texture feature extraction methods, a more technical overview of research, and to MATLAB texture filter for image segmentation based on texture features programming experiments.Keywords:image proce
4、ssing，image segmentation，image texture目录1绪论11.1本论文的背景和意义11.1.1本论文的背景11.1.2本论文的意义11.2本论文的主要方法11.2.1主要方法11.3 本论文的主要内容22图像分割的基本理论32.1图像分割的基本概念32.2图像分割的体系结构42.3图像分割方法分类42.3.1边缘检测法52.3.2灰度阈值法62.3.3 区域提取法62.3.4图像匹配法73图像纹理93.1图像纹理的定义93.2图像纹理的分类93.3图像纹理特征提取方法93.4 使用MATLAB中的纹理滤波器分割图像103.4.1实现代码与结果12结论18参考资料1
5、9致 谢201绪论1.1本论文的背景和意义1.1.1本论文的背景图像是人类获取和交换信息的主要来源。因此，图像处理的应用领域必然涉及到人类生活和工作的方方面面。近几年来，图像处理和识别技术得到了迅速的发展。现在人们已充分认识到图像处理和识别技术是认识世界、改造世界的重要手段。随着科学技术的不断发展，数字图像处理技术的应用领域也随之不断扩大。目前它己经成为21世纪信息时代的一门重要的高新科学技术。近年来，数字图像处理技术日趋成熟，它被广泛应用于空间探测、遥感、生物医学、通信工程、军事公安以及工业检测等许多领域，并促使这些学科产生了新的发展。1.1.2本论文的意义图像分割是指将图像中具有特定含义的
6、不同区域划分出来，提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤，也是图像研究领域中一个非常重要且有一定难度的问题。图像分割的应用非常广泛，几乎出现有关图像处理的所有领域，如：工业自动化、在线产品检验、生产过程控制、文档图像处理、图像编码、遥感和生物医学图像分析、保安监视、以及军事、体育、农业工程等方面。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。虽然人们对图像分割进行了大量的研究，但还没有一种适合于所有图像通用的分割算法。所以，图像分割一直以来都是图像技术中的研究热点。因此，从原理、应用和应用效果等方面来深入研究图像分割技术，对于提高图像分析和图像理解
7、系统的性能以及提高图像处理技术的应用水平都具有十分重要的意义。1.2本论文的主要方法1.2.1主要方法本论文主要研究基于图像纹理特征的图像分割，其中对图像纹理进行特征提取成为了一个关键问题，这是指通过一定的图像处理技术提取出纹理特征参数、从而获得纹理的定量或定性描述的处理过程， 由于问题的难度，目前并没有一普遍适用的方法， 本文对目前使用较多的纹理特征提取方法进行了简要的分类介绍，最后结合MATLAB中的纹理滤波器函数进行了实际的基于纹理的图像分割实验验证。1.3 本论文的主要内容1.介绍分割技术、定义，描述了边缘检测法、区域提取法、灰度阈值法和图像匹配法等分割方法。2.阐述图像纹理的定义、基
8、本结构、基本流程、特点以及其应用研究概况。3.简单介绍了图像纹理的特征提取方法，用纹理滤波器对一副纹理图像进行分割，实现代码，实现结果。4.总结全文，参考文献。2图像分割的基本理论2.1图像分割的基本概念图像分割就是将图像划分成若干互不交迭的区域,其中各区域自身具有一致的属性,而相邻区域之间的属性具有明显的差别。一般待分割的图像可被分为两大类:灰度图像和纹理图像。灰度图像的分割在图像处理教材中已经有大量经典和常用的方法,如灰度统计信息的直方图门限化方法,边缘检测方法、区域分裂、合并,区域增长方法,松弛迭代算法等等。而纹理图像相对复杂,甚至纹理的公认定义都没有,基于纹理的图像分割是图像处理领域中
9、研究的一个热点。通常基于纹理的图像分割(简称纹理分割) 方法有统计方法和结构方法,随着对人类视觉机理的研究,人们逐渐认识到,这些方法人与人类视觉机理相脱节,难以进行更精确的分割。因此寻找到具有较强的鲁棒性、实时性以及可并行性的分割方法必须充分利用人类视觉特性。人类视觉系统初级阶段的视觉信息处理研究认为人脑对图像作了滤波处理,De Valois 等通过记录短尾猴的视觉皮层细胞对不同频率范围和取向的光栅的响应 ,证明了多通道滤波理论的正确性【2】。所谓图像分割是指将图像中具有特殊含义的不同区域区分开来，这些区域是互相不交叉的，每一个区域都满足特定区域的一致性。图像分割可借助集合概念来描述：设集合R
10、代表整个图像区域，对R的分割可看作将R分成若干个满足一下5个条件的非空的子集（子区域）R1,R2, R n。=R。对所有的i和j，有Ri R j=。对i=1,2n,有P（Ri）=TURE。 对ij ，有P(Ri R j )=FALSE。对i=1,2，,n, Ri是连通的区域。其中P（Ri）是对所有在集合Ri中元素的逻辑谓词，是空集。上述条件指出分割所得到全部子区域的总和（并集）应能包括图像中所有像素，或者说分割应将图像中的每个像素都分进某一个子区域中。条件指出各个子区域是互不重叠的，或者说一个像素不能同时属于两个区域。条件指出在分割后得到的属于同一个区域中的像素应该具有某些相同特性。条件指出在
11、分割后得到的属于不同区域中的像素应该具有一些不同的特性。条件要求同一个子区域内的像素应当是连同的。连同是指集合中任意两个点之间都存在着完全属于该集合的连同路径。对图像的分割总是根据一些分割的准则进行的。条件与条件说明分割准则应可适用于所有区域和所有像素，而条件与条件说明分割准则应能根据区域的代表性特性确定像素所属区域【3】。2.2图像分割的体系结构基本分割算法图像工程可分三个层次：图像处理（像素）、图像分析（目标）和图像理解（符号）。图像分割是从图像处理进到图像分析的关键步骤，也是进一步理解的基础。图像分割的体系结构可以用图2-1表示。分割技术 现代分割算法图像分割基本分割算法分割评价现代分割
12、算法图2-1图像分割的体系结构2.3图像分割方法分类图像分割可以分为两大类：第一类为找出图像的边缘信息，从而分割出各个区域，常用方法有边缘检测方法，灰度阈值法；第二类为根据相应的区域特性在图像中找出与其相似的部分并进行处理，常用方法有区域生长、区域聚合和图像匹配。图像的相似程度根据具体的方法选择。图像分割是进行图像分析和理解的基础。这是因为图像的分割、目标的分离、特征的提取和参数的测量将原始图像转换为更抽象、更紧凑得形式，使得更高层的分析和理解成为可能。图像分割多年来一直得到人们的高度重视，人们提出了各种类型的分割算法，而且每年都有大量有关的研究报道发表。图像分割的基础方法有边缘检测法，灰度阈
13、值法，区域生长法，区域聚合法和图像匹配法。下面简单介绍一下各个分割方法。2.3.1边缘检测法我们知道，边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线。我们将边缘定义为图像中灰度发生急剧变化的区域边界。图像灰度的变化情况可以用图像灰度分布的梯度来反映，因此我们可以用局部图像微分技术来获得边缘检测算子。边缘检测算法有如下四个步骤(其过程如图2-2所示)：原始图像平滑处理梯度或含过零点图像边界点滤波增强检测 图 2-2 图像边缘检测流程滤波：边缘检测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，因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。需要指出，大多数
14、滤波器在降低噪声的同时也导致了边缘强度的损失，因此，增强边缘和降低嗓声之间需要折衷。增强：增强边缘的基础是确定图像各点邻域强度的变化值。增强算法可以将邻域(或局部)强度值有显著变化的点突显出来。边缘增强一般是通过计算梯度幅值来完成的。检测：在图像中有许多点的梯度幅值比较大，而这些点在特定的应用领域中并不都是边缘，所以应该用某种方法来确定哪些点是边缘点。最简单的边缘检测判据是梯度幅值阈值判据。定位：如果某一应用场合要求确定边缘位置，则边缘的位置可在子像素分辨率上来估计，边缘的方位也可以被估计出来。在边缘检测算法中，前三个步骤用得十分普遍。这是因为大多数场合下，仅仅需要边缘检测器指出边缘出现在图像
15、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。虽然边缘检测的优点是边缘定位准确、运算速度快，但它有两大难点限制了其他图像分割中的应用，即：不能保证边缘的连续性和封闭性；在高细节区在大量的碎边缘，难以形成一个大区域，但又不宜将高细节区分为小碎片。由于上述两个难点，因此无论采用什么方法，单独的边缘检测只能产生边缘点，而不是完整意义上的图像分割过程，这也就是说，边缘点信息需要后续处理或与其他相关算法相结合，才能完成分割任务。2.3.2灰度阈值法灰度阈值分割法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： （2-( 2-3)
16、其中，T为阈值，对于物体的图像元素g(i,j)=l，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比较和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。 阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算效率的应用场合(如用于硬件实现)，它得到了广泛应用。 人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。 全局阈值是指整幅图像使用同一个阈值做分割处理，适用于背景和前景有明显对比的图像。它是根据整幅图像确定的：T=T(f)。但是这种方
17、法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差法、最大熵自动阈值法以及其它一些方法。 在许多情况下，物体和背景的对比度在图像中的各处不是一样的，这时很难用一个统一的阈值将物体与背景分开。这时可以根据图像的局部特征分别采用不同的阈值进行分割。实际处理时，需要按照具体问题将图像分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图像分割。这时的阈值为自适应阈值。 阈值的选择需要根据具体问题来确定，一般通过实验来确定。对于给定的图像，可以通过分析直方图的方法确定最佳的阈值，例如当直
18、方图明显呈现双峰情况时，可以选择两个峰值的中点作为最佳阈值。 2.3.3 区域提取法区域提取法有两种基本形式：一种是从单个象素出发，逐渐合并以形成所需的分割区域；另一种是从全图出发，逐渐分裂切割至所需的分割区域。在实际中使用的通常是这两种基本形式的结合。根据以上两种基本形式，区域提取法可以分为区域生长法和分裂合并法。1.区域生长法：区域生长法从若干种子点或种子区域出发，按照一定的生长准则，对领域像素点进行特征判别，将特征相似的相邻像素合并为同一区域；以合并像素为生长点，继续重复以上操作，最终形成具有相似特征的像素的最大连通集合。其中种子点可采用人机交互或自动方法设定。用于区分不同物体内像素的性
19、质包括平均灰度值、纹理或颜色信息。相似性准则可以取像素的灰度值与领域的灰度均值比较，若差值在街上范围内则进行合并。这种方法若不考虑像素间的连通性和邻近性，会出现毫无意义的分类结果。这里依次用图像的每一个像素的灰度值和标准阈值相减，判断结果是否小于标准差，是则将该点和种子点合并，不是则保持像素点的灰度值不变。2.区域分裂合并法：区域分裂合并法首先将图像分割为初始的区域，然后按性质相似的准则，反复分开特性不一致的区域、合并具有一致特性的相邻区域，直至形成一张区域图。这种方法能充分组合图像的全局和局部信息。下面给出一种用金字塔形四叉树数据结构指导下的分割方法，其步骤如下：（1）确定均匀性测试准则T，
20、将原始图像构造成四叉树数据结构。（2）将图像四叉树结构中的某一中间层作为初始的区域划分。如果对任何区域R，有 T(R)=false,则把区域分裂成4个子区，若任意1/4子区Ri，有H(Ri)=false,则再将该子区一分为4个区域。如果对任一恰当的4个子区有H(Ra1Ra2Ra3Ra4)=true,则再把4个子区域合并成一个区。重复上述操作，直到不可再分或再合为止。（3）若有不同大小的两个相邻区域Ri 和Rj，满足H(RiRj)=ture,则合并这两个区域。区域分裂一合并法能够较好的保持原图像的特性，这点优于区域增长法处理。但也存在区域初始化和选择区域性质一致性度量、边界模糊性度量两个重要的问
21、题。而且算法结构本身及对数据结构的要求都比较复杂，因此计算量大。区域提取法的缺点是往往会造成过度分割，即将图像分割成过多的区域。2.3.4图像匹配法图像匹配也是图像分割的另一种基本方法，它用于在图像中寻找和定位已知的物体，也用于搜索特殊的模式等，例如在下图（a）中寻找是否有三角形（见图（b）所示的图像），这种根据一个已知的图像在另一幅图像中寻找相应图像的过程叫做图像匹配。 图像匹配的应用范围是相当广泛的，其中包括：电力设备监控、导弹制导、飞机导航、雷达图像目标识别与跟踪、资源分析、气象预报、医疗诊断文字读取以及景物分析等。由于拍摄时间、拍摄角度、自然环境的变化、多种传感器的使用和传感器本身的缺
22、陷，使拍摄的图像不仅受噪声的影响，而且存在严重的灰度失真几何畸变。在这种条件下，如何有效的进行图像匹配一直是人们研究的热点和难度。 图（a） 图（b）3图像纹理3.1图像纹理的定义纹理（Texture）是图像中一个重要而又难以确切描述的特性，纹理一词最初指纤维物的外观，虽然图像纹理对我们来说很熟悉，但事实上目前对纹理仍没有统一的定义，一般来说，可以认为纹理是由许多相互接近的、相互编织的元素构成，它们具有周期性。与图像分析直接有关的纹理的一般定义为“一种反映一个区域中像素灰度级的空间分布的属性”， 它们反应了物体表面颜色和灰度的某种变化，而这些变化又与物体本身的属性相关。此外，一些物体的表面可能
23、具有方向相关的纹理信息，通常把图像灰度分布性质或图像表面呈现出的方向信息作为纹理结果，它有助于区别不同的图像区域【4】。3.2图像纹理的分类纹理可分为人工纹理和天然纹理。人工纹理是由自然背景上的符号排列组成，这些符号可以是线条、点、字母、数字等。自然纹理是具有重复性排列现象的自然景象，如砖墙、种子、森林草地之类的照片，人工纹理往往是有规则的，而自然纹理是无规则的。 3.3图像纹理特征提取方法图像纹理特征提取是指通过一定的图像处理技术提取出纹理特征参数、从而获得纹理的定量或定性描述的处理过程， 图像纹理的分析方法大致可以分为图3-1所示的几类：纹理分析方法统计分析方法结构分析方法频谱分析方法模型
24、分析方法 图3-1图像纹理分析方法分类统计分析方法【1】往往是基于纹理图像的全局特征，有时无法区分出具有明显差别的纹理信号，这类方法主要有边缘方向直方图法，灰度差分统计法等等，也包括著名且实际应用较多的灰度共生矩阵算法。结构分析方法是分析纹理图像的几何结构，从中获取结构特征，但纯结构法只能处理那些过于规则而无实际意义的图像。模型法则难以用固定的模型区分析复杂的实际纹理图像，而频谱法则是分析纹理图像的频谱特征。由于现实世界的纹理常常由于方位、尺度或其他方面的变化而引起图像的不一致，上述方法尚难以全面而精确地描述和提取纹理信息，因而能对各种图像纹理分析都较成功的例子并不多见，当然还存在其它一些方法
25、，比如基于小波分析的方法有着很好的发展前景，但也存在着算法复杂度较高，计算量较大，难以实施等缺点。3.4 使用MATLAB中的纹理滤波器分割图像：使用纹理滤波器分割图像的基本步骤如下：读取图像；创建纹理图像；显示图像不同部分的纹理；使用合适的滤波器进行分割。下面通过一个例子来看一下如何使用纹理滤波器对图像进行分割。使用纹理滤波器进行分割就是利用图像中不同区域的纹理来对图像的区域进行划分。纹理是指一个物体上的颜色模式或者指物体表面的光滑程度。纹理描述图像中的区域特征，试图直观地定量描述诸如光滑、质地等参数。在遥感、医学图像处理和自动化侦查中，纹理分割图像有着很多的应用。利用纹理可以用来检测图像的
26、边界，从而对图像进行分割。首先求取图像不同部分的纹理，然后使用entropyfilt、stdfilt、rangefilt三个不同的滤波函数对图像进行滤波。流程图如下：开始结束提取图像的顶部、底部纹理显示顶部纹理的掩膜图像读取图像创建纹理图像使用enthropyfilt函数分别转换灰度、二值图像显示图像的底部纹理使用bwareaopen函数3.4.1实现代码与结果 读取图像代码如下：i=imread(d:/sample.png); 读取图像 figure;imshow(i); 显示原图像在这个程序中,首先读取一副图像sample.png，这个图像的顶部和底部的纹理有明显的差异，如图1-1所示图
27、1-1（原图像sample.png） 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subplot(122);imshow(bw1); %显示二值图像使用函数entropyfilt创建一幅纹理图像，这个函数返回的图像与输入图像大小相同，每个像素值是输入图像相应像素值邻域的熵值。使用函数mat2gray将矩阵转化为灰度图像,如图1-2左边图所示。使用纹理边界处的值0.8作为阈值将灰度图像转化为二值图像， 如图1-2右边图像所示1-2（纹理图像的灰度图像显示和二值图像显示） 分别显示图像的底部纹理和顶部纹理。代码如下：bw
28、ao=bwareaopen(bw1,2000); %提取底部纹理figure;subplot(121)imshow(bwao); %显示底部纹理图像nhood=true(9);closebwao=imclose(bwao,nhood); %形态学关操作subplot(122);imshow(closebwao) %显示边缘光滑后的图像roughmask=imfill(closebwao,holes); %填充操作figure;subplot(121) %显示填充后的图像imshow(roughmask);i2=i;i2(roughmask)=0; %底部设置为黑色subplot(122);im
29、show(i2); %突出显示图像的顶部分割后的图像目标区域显示为白色，跟原图相比，图像顶部的纹理被过度分割，而底部的纹理则以一个整体分割出来，可以使用bwareaopen函数提取图像的底部纹理，如图1-3左边图像所示，在这个图像中，分割出的边界并不光滑，并且含有很多孔洞，可以使用imclose函数对图像执行形态学关操作，处理后的图像如图1-3右边图像所示。 图 1-3（图像的底部纹）图 1-4（图像的顶部纹理）使用imfill函数对图像中的孔洞进行填充，填充后的图像如图1-4左边图像所示，跟原图相比，生成的图像底部纹理并不完全吻合，可以使用这个图像对原图顶部的纹理进行分割，得到的图像顶部纹理
30、如图1-4右边图像所示。 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;subplot(121)imshow(e2im); %显示纹理图像bw2=im2bw(e2im,graythresh(e2im);subplot(122);imshow(bw2)mask2=bwareaopen(bw2,1000);figure;imshow(mask2);texture1=i;texture1(mask2)=0;texture2=i;texture2(mask2)=0;figure;
31、subpot(121)imshow(texture1);subplot(122)imshow(texture2);boundary=bwperim(mask2);segmentresults(boundary)=255;figure;imshow(segmentresults);使用entropyfilt函数对图像进行滤波，求取纹理图像，如图1-5所示（左边），选择合适的阈值将纹理图像转换为二值图像，如图1-5所示（右边）。使用bwareaopen函数对图像进行开操作，得到图像顶部纹理的掩膜图像，如图1-6所示: 图 1-5(纹理图像和二值图像) 图 1-6(图像顶部纹理的掩膜图像)分别提取图
32、像的顶部纹理和底部纹理,如图1-7所示,其中左边图像为顶部纹理的图像,右边图像为底部纹理的图像。图1-7（图像的顶部纹理与底部纹理）结论本文详细地研究了图像的纹理特征提取及分割问题。在提取图像纹理特征后，使用纹理滤波器的方法获得纹理图像分割的结果，本文通过研究发现，基于纹理滤波器分割图像的算法比其它纹理提取方法有实现简单、速度快、特征提取效果较好等优点，但这种方法实现的图像比较简单，比较复杂的图像分割结果并不理想。图像纹理的分割方法有很多种，现在由于纹理特征的复杂性, 每一种算法在对纹理特征处理分析的时候都会有它的缺陷和局限性, 一直到现在, 还有许多学者致力于算法的研究和改进, 并取得了一定
33、的成功。但还有很多的问题没有解决, 纹理特征的研究仍然具有重要的意义。参考资料1章毓晋.图像分割M.北京科学出版社，20012李峰.计算技术自动化.长沙电力出版社，2003.3刘禾.数字图像处理及应用.中国电力出版社，2006.4刘文耀.数字图像采集与处理.北京：电子工业出版社，2007.85韩琳,杨明.基于小波变换的纹理特征提取分析J.电脑知识与技术，2007（11）；1395-14226王新成.高级图像处理技术M.北京：中国科学技术出版社，2001.7谷口庆治.数字图像处理M.科学出版社，20028陈天华.数字图像处理M.清华大学出版社，20079甘来金.图像边缘检测算法的比较研究D.电子
34、科技大学，200510姚敏.数字图像处理M.机械工程出社，200611朱虹.数字图像处理基础M.科技出社，2006致 谢首先衷心感谢我的导师郭涛老师，我的成长与郭老师的教导、培养息息相关。我有幸在本科学习期间师认识郭老师，在论文的写作过程中一直得到郭老师的精心培养和指导。导师渊博的科学知识、严谨求实的工作作风和勤奋敬业的工作精神以及诲人不倦、平易近人的态度始终激励着我。在以后的工作学习中，我也将以郭老师为榜样来追求一名科技工作者应具备的素质和品质。这几个月来，各位同学为我提供了一个积极、和谐的学习氛围和研究环境，我们相互交流、讨论共同面对课题中的各个难题，所以论文的完成也包含着他们的心血和智慧。我将永远珍惜与他们在学习、工作中所结下的深厚友谊。在此，我要深深感谢各位同学给予我的帮助。我的成长，离不开新疆大学各位老师的培养和教导。我感谢新疆大学曾经给予我知识和帮助的各位老师以及与我以起学习成长的各位同学们。最后，深深地感谢我的家人和朋友，我将永远感谢他们的鼓励和无微不至的关怀，正是他们的理解、支持和关心，使得我能够顺利完成学业。 20