实例介绍
【实例简介】
图像分割技术作为一种重要的图像技术，不仅得到人们的广泛重视和研究，而且在实 际中成功的应用到了多个领域。近年来许多学者通过付出巨大的努力，不断提出了新理论 和新方法，学术思想非常活跃，这说明了图像分割的重要性，也反映出图像分割的深度和 难度，但遗憾的是到目前为止还没有一个通用的图像分割方法，也不存在一个判断图像分 割是否成功的客观的通用标准。 在图像分割技术中，阈值分割技术和边界检测技术的研究显得比较活跃。但是阈值分 割和边界检测方面的理论和方法均存在着一定的不足，有待于进一步的完善和发展。
分割方法的优劣。通常分割方法之间可能存在交叉。 1.1.3图像分割分类 对于图像分割技术,迄今为止已经提出了上千种的图像分割方法,而且对图像分割算 法进行分类的方法也很多,但是无论何种分类方法,图像分割的基本分类条件应该满足 (1)根据指定的性质,能够把所有算法分成若干类。 (2)每个图像分割算法都能分入某一类 (3)各类图像分割算法的并集包含所有的分割算法 (4)同一类中的图像分割算法应该具有相同的性质。 (5)不同类中的图像分割算法应该具有不同的性质。 常见的图像分割分类方法如下: 图像分割方法分类1: (1)基于边界检测的图像分割 (2)基于区域分割的图像分割。基于区域的图像分割的主要方法是阈值分割。 图像分割方法分类2 (1)基于并行边界检测的图像分割。 (2)基于并行区域分割的图像分割 (3)基于串行边界检测的图像分割。 (4)基于串行区域分割的图像分割 图像分割方法分类3: (1)基于数据驱动的图像分割。数据驱动分割包括基于边缘检测的分割、基于区域 的分割、边缘与区域相结合的分割等。 (2)基于模型驱动的图像分割。模型驱动分割包括基于动态轮廓( Snakes)模型、 组合优化模型、目标几何与统计模型的分割。 图像分割方法分类4: (1)基于阈值的图像分割;基于像素分类的图像分割。 (2)基于深度图像的图像分割;基于彩色图像的图像分割 (3)基于边界的图像分割。 (4)基于模糊集合理论的图像分割。 (5)基于神经网络理论的图像分割。 (6)基于小波变换理论的图像分割 (7)基于数学形态学理论的图像分割 (8)基于多分辨率分析理论的图像分割。 (9)基于分形理论的图像分割。 按照图像分割分类方法不难知道,边界检测和区域分割技术作为图像分割中两种不同 的重要方法,二者具有很强的互补性。边界检测方法是提取图像中不连续部分的特征,根 据闭合边界确定区域,而区域分割技术是把图像分割成为特征相同的区域。本章的主要内 容是阈值分割和边界检测技术及其应用。 1.1.4图像分割研究方向 图像分割作为图像技术和计算机视觉中最经典的研究课题,有着较长的研究历史。近 年来许多学者还在不断提出新的理论和方法,学术思想非常活跃,其原因是技术本身的深 度和难度极其重要性,因此图像分割技术需要根据自身存在的不足之处来进行进一步完善 和发展。目前图像分割技术的研究方向如下 (1)基于新理论和新工具的新方法研究。 (2)基于旧理论和方法的改进。 (3)基于特定应用的特定方法的研究 (4)基于新理论和新工具与旧理论和方法的相互融合。 (5)提高图像分割的效率(速度快)。 (6)提高图像分割的效果(效果好) 无论是新方法的提出还是对现有方法的改进,关于图像分割的研究主要存在以下两个 目的:一是提高分割效果,满足更高的要求;二是提高分割效率,扩大更广的领域。即: 图像分割技术以解决实际需要为最终目的,以应用推广价值为准则,实现分割的实时化、 自动化、低成本化 11.2图像阈值分割 阈值分割是图像分割技术中的一个重要研究方向。一直以来,研究人员为图像阈值的 自动选取付出了极大的努力,提出了很多方法。近年来有关图像阈值自动选取的研究也异 常活跃,同时也涌现出了大量的研究成果。由于图像本身的复杂性和随机性,再加上图像 中混杂的各种噪声,使得用于图像分割的阈值及其选取过程具有很强的模糊性和不可分辨 性,而且二者往往是混合共存的,这也给阈值分割带来了很大的困难 11.2.1阈值分割概念 阈值分割是指利用图像技术或者多学科融合技术,确定一个或者多个阈值,并把图像 中灰度值在同一灰度区间的像素归属于同一目标(或者区域),从而把图像的像素分成若 干类的过程。 阈值是分割图像的分类界值,可以表示成为如下形式: t=T(i,j,f(i,j), p(i,j)) 其中:f(i,j)和p(,j分别表示像素点(i,j)的灰度值和性质,阈值t是关于i、j、 f(i,j)和p(,j的函数。即:阈值的选取,不但与像素的位置和灰度值有关,而且还与 像素本身及其邻域的特征性质有关 因此,阈值分割可以认为是根据整幅图像的整体信息(例如:灰度直方图)或者局部 信息(例如:图像四等分后的子图像信息)来确定一个或者多个阈值,从而把图像分割成 为一个或者多个目标区域与背景区域的技术 11.2.2阈值分割内容与分类 阈值分割作为最基本、最简单的直接检测区域的并行图像分割方法,已经有近60年 的历史,阈值分割方法是首先确定一个或者多个取值在图像灰度范围之内的灰度阈值,然 后把图像中各个像素的灰度值与这些阈值相比较,并根据比较结果将对应的像素分割为两 类或者多类。即 (1)确定一个或者多个分割阈值。 (2)把分割阈值与像素值比较,划分并分割像素。 在阈值分割时,准确快速地确定阈值是阈值分割的关键,很显然,不恰当的阈值与最 佳阈值的分割效果存在着明显差异,直接影响分割结果 如何选取合适的阈值一直是研究的热点和重点,尤其是自适应阈值的选取方法特别受 众多学者的关注。目前关于阈值分割已经提出了大量的算法,也给出了多种关于阈值分割 方法的分类方法,但是至今既没有通用的阈值分割方法,又没有判断阈值分割是否成功的 客观标准,也没有通用的阈值分割的分类方法,因此阈值分割被认为是图像技术的一个瓶 颈。目前常用的阈值分割方法及其分类如下 阈值分割技术分类方法1(阈值数目分类法): (1)半阈值分割 (2)单阈值分割。 (3)双阈值分割。 (4)多阈值分割。 阈值分割技术分类方法2(动态阈值分类法): (1)全局阈值分割 (2)局部阈值分割。 (3)动态阈值分割(即:自适应阈值分割) 阈值分割技术分类方法3(自动阈值分类法): (1)半交互阈值分割 (2)全自动阈值分割。 阈值分割技术分类方法4(特征阈值分类法): (1)直方图法与直方图变换法。 (2)最大类间方差法。 (3)最小误差法与均匀化误差法。 (4)共生矩阵法 (5)矩保持法。 (6)最大熵法 (7)简单统计法与局部特性法 (8)概率松弛法。 (9)基于特定理论、方法和工具的新方法 通过对阈值分割技术的硏究不难发现,随着计算杋视觉、神经网络、模糊集、粗糙集、 遗传算法、小波变换、信息论等特定理论工具在阈值分割中的综合应用,使得基于新理论 和新工具与旧理论和方法技术的相互融合的阈值分割方法得到了快速发展。 1.2.3半阈值分割 半阈值分割是指对于设定的分割阈值,把大于等于(或者小于等于)阈值的像素的灰 度值进行保留,其余像素的灰度值变为背景灰度,从而分割图像的目标与背景 对于图像f(i,j),如果分割阈值为o,则分割图像g(i,j)如下 < g(i,j) f(i,j) f(i,j)≥to f(i,j f(i,j)≤to g(i,j) 0 f(i,j) 显然,使用半阈值分割可以把目标按照原始信息从原图像中分割出来。具体实现方法 可以使用WERE方法 【例11.1】设计程序,任意读取一幅图像,并任意输入一个0到255的分割阈值,然 后把大于阈值的像素值清零,进行图像分割。程序如下(选择图像 ATestImagegray.jpg, 并使用阈值200的运行结果如图11.1所示): Image SegmentationOneValue pro PRO Image SegmentationOneValue FilePathName=DIALOG PICKFILE ( MUST EXIST=1) IF STRLEN (FilePathName) EQ 0 THEN RETURN Yn=QUERY IMAGE (FilePathName) IF Yn EQO THEN RETURN ImageData=READ IMAGE (FilePathName, /GRAY) New ImageData=CONGRID(ImageData, 300, 300) READ, PROMPT=灰度阈值:', Grayvalue YnIndex-WHERE (New Image Data GT Gray Value) New ImageDatalYnIndex]=0 WINDOW,2, XSIZE=2*300, YSIZE=300, TITLE=原图+分割图像 DEVICE, DECOMPOSED=0 TV, CONGRID (ImageData, 300, 300), TRUE=0, 0 TV, New ImageData, TRUE=0, 1 原图+分割图狼 图11.1半阈值分割(左:原图+右:分割图像) 11.2.4单阈值分割 单阈值分割是指对于设定的分割阈值,把大于等于(或者小于等于)阈值的像素的灰 度值变为1,把小于(或大于)阈值的像素的灰度值变为0,从而分割出同灰度目标与背 景 对于图像f(i,j),如果分割阈值为to,则分割图像g(i,j如下 <t f(i,j)≥to f(i,j)≤to g(i,j) f(i,j>to 不难看出,单阈值分割实际上就是把原始图像按照分割阈值进行二值化。具体实现方 法可以使用WERE方法,程序设计过程留作练习 1.2.5双阈值分割 双阈值分割是指对于设定的两个分割阈值,把两个阈值之间(或者两个阈值之外)的 像素的灰度值保持原值(或者变为1),其余像素的灰度值变为背景的灰度值(或者0), 从而分割目标与背景 对于图像f(,j),如果分割阙值分别为t1和t2,则保留目标灰度信息的分割图像 g(i,j)如下 f(i,j<t g(,j)={f(,j) t1≤f(,j)≤t2 f(i,j>t2 f(i,j) f(i,j)≤t1 g(,j)={0 t1<f(i,j)< f(i,j) 目标的二值化的分割图像g(i,j)如下 f(i,j)<t g(i,j ≤f(i,)≤t2 f(i,j>t2 f(i,j)≤t1 g(,j)={0 <f(i,j)<t2 f(i,j)≥t2 可以看出,双阈值分割就是把灰度值在两个阈值之间的像素组成的目标分隔出来。具 体实现方法可以使用WERE方法。 例11.2】设计程序,任意读取一幅图像,并任意输入0到255之间的两个分割阈值, 然后把两个阈值之外的像素值清零,进行图像分割。程序如下(选择图像 ATestImageGray.jpg,并使用阈值60和220的运行结果如图11.2所示): Image SegmentationTwoValue pro PRO Image SegmentationTwoValue FilePathName=DIALOG PICKFILE (MUST EXIST=1) IF STRLEN ( FilePathName) EQ 0 THEN RETURN Yn=QUERY IMAGE (FilePathName) IF Yn EQO THEN RETURI Image Data=READ IMAGE (FilePathName, /GRAY) New Image Data=CONGRID(ImageData, 300, 300) READ, PROMPT-灰度阈值1:', Gray value1 READ, PROMPT=灰度阈值2:, Grayvalue2 Minvalue=Gray Valuel Grayvalue2 Max Value=grayvaluel Gray value2 YnIndex-WHERE (New Image Data GT MaxValue OR New Data LT MinValue) NewImageData LynIndex]=0 WINDOW,2, XSIZE=2*300, YSIZE=300, TITLE→原图+分割图像 DEVICE DECOMPOSED=0 TV, CONGRID(Image Data, 300, 300), TRUE=0, 0 TV, New ImageData, TRUE=0, 1 END 原图+分割图像 图11.2双阈值分割(左:原图+右:分割图像) 11.2.6多阈值分割 多阈值分割的基本原理是根据图像信息,借助于图像技术、各种理论工具和计算机技 术来选择多个阈值,从而把图像分割成为多个目标与背景的技术。 对于图像∫(,j),如果分割阈值分别为1,t2,…,tk,则保留目标灰度信息的分割 图像g;(,j)(i=0,1,…,k)如下 g0(i,j)= f(i,j) Min(f(i,j)sf(i,j)<t, t1≤f(,j g(,)={f(,j t1≤f(x,y)<t1,i=1,…,k-1 0 t1+1≤f(i,j) f(i,j<t g1(i,j)= tk≤f(,j≤Max((x,y) 如果使用分割阈值t1,t2,…,tk分割后的多个目标灰度值分别为v,v1,…,vk, 则分割图像g(,j)如 Min(f(i,j)sf(i,j)<t, g(i,j t1≤f(i,)<t1,i=1,…,k vtk≤f(i,j)≤Max(f(x,y) 【例11.3】设计程序,任意读取一幅图像,使用32*(i+1)-1(i=0,1,…,7)作 为分割阈值,并用32*(i+1)-1作为目标灰度值进行图像的多阈值分割。程序如下(选 择图像 ATestImagegray.jpg的运行结果如图11.3所示) 原图+分割图像 →2 图11.3多阈值分割(左:原图+右:分割图像) Image SegmentationMultivalue8 pro PRO Image SegmentationMultivalue8 FilePathName=DIALOG PICKFILE MUST EXIST-1) IF STRLEN (FilePathName) EQ 0 THEN RETURN Yn=QUERY IMAGE ( FilePathName IF Yn EQ O THEN RETURN ImageData=READ IMAGE (FilePathName, /GRAY) MImageData=CONGRID(Image Data, 300, 300) FOR 1=0.7 DO BEGIN GValue1=32*i GValue2=32*(i+1)-1 YIndex=WHERE (MImage Data GE GValuel AND MImageData LE GValue2) MImageDataLYIndex]=Gvalue2 ENDFOR WINDOW,2, XSIZE=2*300, YSIZE=300, TITLE→原图+分割图像 【实例截图】
【核心代码】
图像分割技术作为一种重要的图像技术，不仅得到人们的广泛重视和研究，而且在实 际中成功的应用到了多个领域。近年来许多学者通过付出巨大的努力，不断提出了新理论 和新方法，学术思想非常活跃，这说明了图像分割的重要性，也反映出图像分割的深度和 难度，但遗憾的是到目前为止还没有一个通用的图像分割方法，也不存在一个判断图像分 割是否成功的客观的通用标准。 在图像分割技术中，阈值分割技术和边界检测技术的研究显得比较活跃。但是阈值分 割和边界检测方面的理论和方法均存在着一定的不足，有待于进一步的完善和发展。
分割方法的优劣。通常分割方法之间可能存在交叉。 1.1.3图像分割分类 对于图像分割技术,迄今为止已经提出了上千种的图像分割方法,而且对图像分割算 法进行分类的方法也很多,但是无论何种分类方法,图像分割的基本分类条件应该满足 (1)根据指定的性质,能够把所有算法分成若干类。 (2)每个图像分割算法都能分入某一类 (3)各类图像分割算法的并集包含所有的分割算法 (4)同一类中的图像分割算法应该具有相同的性质。 (5)不同类中的图像分割算法应该具有不同的性质。 常见的图像分割分类方法如下: 图像分割方法分类1: (1)基于边界检测的图像分割 (2)基于区域分割的图像分割。基于区域的图像分割的主要方法是阈值分割。 图像分割方法分类2 (1)基于并行边界检测的图像分割。 (2)基于并行区域分割的图像分割 (3)基于串行边界检测的图像分割。 (4)基于串行区域分割的图像分割 图像分割方法分类3: (1)基于数据驱动的图像分割。数据驱动分割包括基于边缘检测的分割、基于区域 的分割、边缘与区域相结合的分割等。 (2)基于模型驱动的图像分割。模型驱动分割包括基于动态轮廓( Snakes)模型、 组合优化模型、目标几何与统计模型的分割。 图像分割方法分类4: (1)基于阈值的图像分割;基于像素分类的图像分割。 (2)基于深度图像的图像分割;基于彩色图像的图像分割 (3)基于边界的图像分割。 (4)基于模糊集合理论的图像分割。 (5)基于神经网络理论的图像分割。 (6)基于小波变换理论的图像分割 (7)基于数学形态学理论的图像分割 (8)基于多分辨率分析理论的图像分割。 (9)基于分形理论的图像分割。 按照图像分割分类方法不难知道,边界检测和区域分割技术作为图像分割中两种不同 的重要方法,二者具有很强的互补性。边界检测方法是提取图像中不连续部分的特征,根 据闭合边界确定区域,而区域分割技术是把图像分割成为特征相同的区域。本章的主要内 容是阈值分割和边界检测技术及其应用。 1.1.4图像分割研究方向 图像分割作为图像技术和计算机视觉中最经典的研究课题,有着较长的研究历史。近 年来许多学者还在不断提出新的理论和方法,学术思想非常活跃,其原因是技术本身的深 度和难度极其重要性,因此图像分割技术需要根据自身存在的不足之处来进行进一步完善 和发展。目前图像分割技术的研究方向如下 (1)基于新理论和新工具的新方法研究。 (2)基于旧理论和方法的改进。 (3)基于特定应用的特定方法的研究 (4)基于新理论和新工具与旧理论和方法的相互融合。 (5)提高图像分割的效率(速度快)。 (6)提高图像分割的效果(效果好) 无论是新方法的提出还是对现有方法的改进,关于图像分割的研究主要存在以下两个 目的:一是提高分割效果,满足更高的要求;二是提高分割效率,扩大更广的领域。即: 图像分割技术以解决实际需要为最终目的,以应用推广价值为准则,实现分割的实时化、 自动化、低成本化 11.2图像阈值分割 阈值分割是图像分割技术中的一个重要研究方向。一直以来,研究人员为图像阈值的 自动选取付出了极大的努力,提出了很多方法。近年来有关图像阈值自动选取的研究也异 常活跃,同时也涌现出了大量的研究成果。由于图像本身的复杂性和随机性,再加上图像 中混杂的各种噪声,使得用于图像分割的阈值及其选取过程具有很强的模糊性和不可分辨 性,而且二者往往是混合共存的,这也给阈值分割带来了很大的困难 11.2.1阈值分割概念 阈值分割是指利用图像技术或者多学科融合技术,确定一个或者多个阈值,并把图像 中灰度值在同一灰度区间的像素归属于同一目标(或者区域),从而把图像的像素分成若 干类的过程。 阈值是分割图像的分类界值,可以表示成为如下形式: t=T(i,j,f(i,j), p(i,j)) 其中:f(i,j)和p(,j分别表示像素点(i,j)的灰度值和性质,阈值t是关于i、j、 f(i,j)和p(,j的函数。即:阈值的选取,不但与像素的位置和灰度值有关,而且还与 像素本身及其邻域的特征性质有关 因此,阈值分割可以认为是根据整幅图像的整体信息(例如:灰度直方图)或者局部 信息(例如:图像四等分后的子图像信息)来确定一个或者多个阈值,从而把图像分割成 为一个或者多个目标区域与背景区域的技术 11.2.2阈值分割内容与分类 阈值分割作为最基本、最简单的直接检测区域的并行图像分割方法,已经有近60年 的历史,阈值分割方法是首先确定一个或者多个取值在图像灰度范围之内的灰度阈值,然 后把图像中各个像素的灰度值与这些阈值相比较,并根据比较结果将对应的像素分割为两 类或者多类。即 (1)确定一个或者多个分割阈值。 (2)把分割阈值与像素值比较,划分并分割像素。 在阈值分割时,准确快速地确定阈值是阈值分割的关键,很显然,不恰当的阈值与最 佳阈值的分割效果存在着明显差异,直接影响分割结果 如何选取合适的阈值一直是研究的热点和重点,尤其是自适应阈值的选取方法特别受 众多学者的关注。目前关于阈值分割已经提出了大量的算法,也给出了多种关于阈值分割 方法的分类方法,但是至今既没有通用的阈值分割方法,又没有判断阈值分割是否成功的 客观标准,也没有通用的阈值分割的分类方法,因此阈值分割被认为是图像技术的一个瓶 颈。目前常用的阈值分割方法及其分类如下 阈值分割技术分类方法1(阈值数目分类法): (1)半阈值分割 (2)单阈值分割。 (3)双阈值分割。 (4)多阈值分割。 阈值分割技术分类方法2(动态阈值分类法): (1)全局阈值分割 (2)局部阈值分割。 (3)动态阈值分割(即:自适应阈值分割) 阈值分割技术分类方法3(自动阈值分类法): (1)半交互阈值分割 (2)全自动阈值分割。 阈值分割技术分类方法4(特征阈值分类法): (1)直方图法与直方图变换法。 (2)最大类间方差法。 (3)最小误差法与均匀化误差法。 (4)共生矩阵法 (5)矩保持法。 (6)最大熵法 (7)简单统计法与局部特性法 (8)概率松弛法。 (9)基于特定理论、方法和工具的新方法 通过对阈值分割技术的硏究不难发现,随着计算杋视觉、神经网络、模糊集、粗糙集、 遗传算法、小波变换、信息论等特定理论工具在阈值分割中的综合应用,使得基于新理论 和新工具与旧理论和方法技术的相互融合的阈值分割方法得到了快速发展。 1.2.3半阈值分割 半阈值分割是指对于设定的分割阈值,把大于等于(或者小于等于)阈值的像素的灰 度值进行保留,其余像素的灰度值变为背景灰度,从而分割图像的目标与背景 对于图像f(i,j),如果分割阈值为o,则分割图像g(i,j)如下 < g(i,j) f(i,j) f(i,j)≥to f(i,j f(i,j)≤to g(i,j) 0 f(i,j) 显然,使用半阈值分割可以把目标按照原始信息从原图像中分割出来。具体实现方法 可以使用WERE方法 【例11.1】设计程序,任意读取一幅图像,并任意输入一个0到255的分割阈值,然 后把大于阈值的像素值清零,进行图像分割。程序如下(选择图像 ATestImagegray.jpg, 并使用阈值200的运行结果如图11.1所示): Image SegmentationOneValue pro PRO Image SegmentationOneValue FilePathName=DIALOG PICKFILE ( MUST EXIST=1) IF STRLEN (FilePathName) EQ 0 THEN RETURN Yn=QUERY IMAGE (FilePathName) IF Yn EQO THEN RETURN ImageData=READ IMAGE (FilePathName, /GRAY) New ImageData=CONGRID(ImageData, 300, 300) READ, PROMPT=灰度阈值:', Grayvalue YnIndex-WHERE (New Image Data GT Gray Value) New ImageDatalYnIndex]=0 WINDOW,2, XSIZE=2*300, YSIZE=300, TITLE=原图+分割图像 DEVICE, DECOMPOSED=0 TV, CONGRID (ImageData, 300, 300), TRUE=0, 0 TV, New ImageData, TRUE=0, 1 原图+分割图狼 图11.1半阈值分割(左:原图+右:分割图像) 11.2.4单阈值分割 单阈值分割是指对于设定的分割阈值,把大于等于(或者小于等于)阈值的像素的灰 度值变为1,把小于(或大于)阈值的像素的灰度值变为0,从而分割出同灰度目标与背 景 对于图像f(i,j),如果分割阈值为to,则分割图像g(i,j如下 <t f(i,j)≥to f(i,j)≤to g(i,j) f(i,j>to 不难看出,单阈值分割实际上就是把原始图像按照分割阈值进行二值化。具体实现方 法可以使用WERE方法,程序设计过程留作练习 1.2.5双阈值分割 双阈值分割是指对于设定的两个分割阈值,把两个阈值之间(或者两个阈值之外)的 像素的灰度值保持原值(或者变为1),其余像素的灰度值变为背景的灰度值(或者0), 从而分割目标与背景 对于图像f(,j),如果分割阙值分别为t1和t2,则保留目标灰度信息的分割图像 g(i,j)如下 f(i,j<t g(,j)={f(,j) t1≤f(,j)≤t2 f(i,j>t2 f(i,j) f(i,j)≤t1 g(,j)={0 t1<f(i,j)< f(i,j) 目标的二值化的分割图像g(i,j)如下 f(i,j)<t g(i,j ≤f(i,)≤t2 f(i,j>t2 f(i,j)≤t1 g(,j)={0 <f(i,j)<t2 f(i,j)≥t2 可以看出,双阈值分割就是把灰度值在两个阈值之间的像素组成的目标分隔出来。具 体实现方法可以使用WERE方法。 例11.2】设计程序,任意读取一幅图像,并任意输入0到255之间的两个分割阈值, 然后把两个阈值之外的像素值清零,进行图像分割。程序如下(选择图像 ATestImageGray.jpg,并使用阈值60和220的运行结果如图11.2所示): Image SegmentationTwoValue pro PRO Image SegmentationTwoValue FilePathName=DIALOG PICKFILE (MUST EXIST=1) IF STRLEN ( FilePathName) EQ 0 THEN RETURN Yn=QUERY IMAGE (FilePathName) IF Yn EQO THEN RETURI Image Data=READ IMAGE (FilePathName, /GRAY) New Image Data=CONGRID(ImageData, 300, 300) READ, PROMPT-灰度阈值1:', Gray value1 READ, PROMPT=灰度阈值2:, Grayvalue2 Minvalue=Gray Valuel Grayvalue2 Max Value=grayvaluel Gray value2 YnIndex-WHERE (New Image Data GT MaxValue OR New Data LT MinValue) NewImageData LynIndex]=0 WINDOW,2, XSIZE=2*300, YSIZE=300, TITLE→原图+分割图像 DEVICE DECOMPOSED=0 TV, CONGRID(Image Data, 300, 300), TRUE=0, 0 TV, New ImageData, TRUE=0, 1 END 原图+分割图像 图11.2双阈值分割(左:原图+右:分割图像) 11.2.6多阈值分割 多阈值分割的基本原理是根据图像信息,借助于图像技术、各种理论工具和计算机技 术来选择多个阈值,从而把图像分割成为多个目标与背景的技术。 对于图像∫(,j),如果分割阈值分别为1,t2,…,tk,则保留目标灰度信息的分割 图像g;(,j)(i=0,1,…,k)如下 g0(i,j)= f(i,j) Min(f(i,j)sf(i,j)<t, t1≤f(,j g(,)={f(,j t1≤f(x,y)<t1,i=1,…,k-1 0 t1+1≤f(i,j) f(i,j<t g1(i,j)= tk≤f(,j≤Max((x,y) 如果使用分割阈值t1,t2,…,tk分割后的多个目标灰度值分别为v,v1,…,vk, 则分割图像g(,j)如 Min(f(i,j)sf(i,j)<t, g(i,j t1≤f(i,)<t1,i=1,…,k vtk≤f(i,j)≤Max(f(x,y) 【例11.3】设计程序,任意读取一幅图像,使用32*(i+1)-1(i=0,1,…,7)作 为分割阈值,并用32*(i+1)-1作为目标灰度值进行图像的多阈值分割。程序如下(选 择图像 ATestImagegray.jpg的运行结果如图11.3所示) 原图+分割图像 →2 图11.3多阈值分割(左:原图+右:分割图像) Image SegmentationMultivalue8 pro PRO Image SegmentationMultivalue8 FilePathName=DIALOG PICKFILE MUST EXIST-1) IF STRLEN (FilePathName) EQ 0 THEN RETURN Yn=QUERY IMAGE ( FilePathName IF Yn EQ O THEN RETURN ImageData=READ IMAGE (FilePathName, /GRAY) MImageData=CONGRID(Image Data, 300, 300) FOR 1=0.7 DO BEGIN GValue1=32*i GValue2=32*(i+1)-1 YIndex=WHERE (MImage Data GE GValuel AND MImageData LE GValue2) MImageDataLYIndex]=Gvalue2 ENDFOR WINDOW,2, XSIZE=2*300, YSIZE=300, TITLE→原图+分割图像 【实例截图】
【核心代码】
标签：
好例子网口号：伸出你的我的手 — 分享！
小贴士
感谢您为本站写下的评论，您的评论对其它用户来说具有重要的参考价值，所以请认真填写。
- 类似“顶”、“沙发”之类没有营养的文字，对勤劳贡献的楼主来说是令人沮丧的反馈信息。
- 相信您也不想看到一排文字/表情墙，所以请不要反馈意义不大的重复字符，也请尽量不要纯表情的回复。
- 提问之前请再仔细看一遍楼主的说明，或许是您遗漏了。
- 请勿到处挖坑绊人、招贴广告。既占空间让人厌烦，又没人会搭理，于人于己都无利。
关于好例子网
本站旨在为广大IT学习爱好者提供一个非营利性互相学习交流分享平台。本站所有资源都可以被免费获取学习研究。本站资源来自网友分享，对搜索内容的合法性不具有预见性、识别性、控制性，仅供学习研究，请务必在下载后24小时内给予删除，不得用于其他任何用途，否则后果自负。基于互联网的特殊性，平台无法对用户传输的作品、信息、内容的权属或合法性、安全性、合规性、真实性、科学性、完整权、有效性等进行实质审查；无论平台是否已进行审查，用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。本站所有资源不代表本站的观点或立场，基于网友分享，根据中国法律《信息网络传播权保护条例》第二十二与二十三条之规定，若资源存在侵权或相关问题请联系本站客服人员，点此联系我们。关于更多版权及免责申明参见 版权及免责申明
网友评论
我要评论