基于MATLAB的图像分割算法的研究

摘 要 本文从原理和应用效果上对经典的图像分割方法如边缘检测、阈值分割技术和区域增长等进行了分析。对梯度算法中的Roberts算子、Sobel算子、Prewitt算子、拉普拉斯(Laplacian)算子、LoG(Laplacian-Gauss)算子、坎尼（Canny）算子的分割步骤、分割方式、分割准则相互比较可以看出根据坎尼（Canny）边缘算子的3个准则得出的边缘检测结果最满意。而阈值分割技术的关键在于阈值的确定，只有阈值确定好了才能有效的划分物体与背景，但这种方法只对于那些灰度分布明显，背景与物体差别大的图像的分割效果才明显。区域增长的基本思想是将具有相似性质的像素集合起来构成新区域。与此同时本文还分析了图像分割技术研究的方向。 关键词：图像处理 图像分割 算子 基于特征的图像分割方法包括两个重要的部分：特征抽取与模式聚类。特征提取是图像分割最重要的问题之一，能否抽取出有效的特征值对分割结果有很大的影响，如果没有好的特征值，分类方法再好也无法获得理想的结果。 特征抽取大致可以分为三类，即基于特征、基于模型以及基于结构。基于特征的方法就是寻找具有相同特性的区域或区域边界，基于模型的方法就是假设一个基本的随机过程并用过程参数作为特征。由于模型参数也可用作纹理特征，基于模型的方法可看成是基于特征方法的一个子集。结构特征基于假设图像中有可检测的基本结构元素并按一定的规则排列。 基于模型的方法最典型的模型主要有两种：分形几何模型与随机模型。分形函数近年来受到越来越多的重视。分形是B.B.Mandelbrot在总结了自然界中的非规整几何图形后，于1975年第一次提出了分形的概念。Mandelbrot给分形的定义为：设的豪斯道夫维数是D，如果这个维数恒大于集合A的拓扑维数Dt，则称集合A是分形集，简称分形。上述定义没有其他任何条件要求。1986年，Mandelbrot又给出了分形的第二个定义：组成部分与整体以某种相似的形叫做分形。这个定义突出了相似性的作用，反映了自然界中很广泛一类物体的基本属性；局部与局部，局部与整体在形态、功能、信息、时间与空间等方面具有统计意义上的相似性。简单地说分形就是一个维数大于拓扑维数的集合。分形维数的一大特点是尺度变换不变性。分形几何学已经广泛应用于图像压缩和图像编码，并且取得了较好的效果。同时也有一些研究者将分形特征用于自然纹理图像和自然景物的分割与识别中。分形维数特征对图像尺度变换不敏感，与人对物体表面粗糙度的判断有很大的相关性，由于许多自然纹理都具有线形对数功率谱，而分形维数就对应于这种线形对数功率谱斜率的估计值，因而用分形维数描述自然纹理有一定的合理性。