实验三图像分割

实验目的

（1）了解图像分割的基本原理，并利用图像分割算法进行图像分割处理；

（2）掌握数学形态学的基本运算。

实验内容

（1）利用类间方差阈值算法实现图像的分割处理；

（2）利用形态学处理进行处理结果修正。

实验要求

（1）实验用图如下所示；

图 3 原始图像

（2）对输入图像进行平滑处理，以减小噪声对分割处理的影响，比较中值滤波范围取不同值时对图像滤波的效果；

（3）利用类间方差阈值算法对滤波处理后图像进行分割处理，获取分割图像；

（4）利用数学形态学中的腐蚀和膨胀运算处理，剔除分割处理结果中的一些细小的残余误分割点，在进行腐蚀和膨胀运算时可采用半径为r的圆形结构元素，注意比较选取不同r值时的处理结果（r分别取1、3、5）。

实验原理

图像分割就是把图像分成若干个特定的、具有独特性质的区域并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。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。

实验结果与分析

实验结果：

（一）对输入图像进行平滑处理，中值滤波范围为1，结果如下：

中值滤波范围为3，结果如下：

中值滤波范围为5，结果如下：

（二）利用类间方差阈值算法对滤波处理后图像进行分割处理，获取分割图像

（三）利用数学形态学中的腐蚀和膨胀运算处理，剔除分割处理结果中的一些细小的残余误分割点，r = 1时的处理结果：

r = 3时的处理结果：

r = 5时的处理结果：

实验分析：

由实验结果可以看出，中值滤波效果抑制了图像中大部分噪声，而图像也被一定程度地模糊；经过图像分割之后，目标的轮廓被提取出来。

腐蚀运算时，目标轮廓缩小，r 越大，蚕食部分越大；

膨胀运算时，目标轮廓扩大，r 越大，扩大部分越大。

主要代码

主程序：

clc
clear all
thr=imread('thr.bmp');
thr = rgb2gray(thr);

%中值滤波
z=3;
thr2=medfilt2(thr,[z z]); 
t=third1(thr2);

%利用类间方差阈值算法对滤波处理后图像进行分割处理
thr3=thr2;
thr3(thr3<t)=0;
thr3(thr3>=t)=255;
imwrite(thr2,'thr_mid.bmp')
imwrite(thr3,'thr_er.bmp')

r=3;
ele=strel('disk',r,8);
thr4=imdilate(thr3,ele);
imwrite(thr4,'thr_pz.bmp')

ele=strel('disk',r,8);
thr5=imerode(thr3,ele);
imwrite(thr5,'thr_fs.bmp')

类间方差阈值求最佳阈值：

function best = third1 ( I )
%用类间方差阈值求最佳阈值 best
% 输入 8 位灰度图，输出最佳阈值（灰度值）
s=prod(size(I));
N=zeros(256,1);
T=zeros(256,1);
for k=0:255
 num=size(find(I==k),1);
 N(k+1,1)=num;
end
for t=1:256
 a0=0; a1=0; b0=0; b1=0;
 % 一部分图像
 for m=1:t
 a0=a0+N(m,1);
 b0=b0+(m-1)*N(m,1);
 end
 % 另一部分图像
 for m=t+1:256
 a1=a1+N(m,1);
 b1=b1+(m-1)*N(m,1);
 end
 w0=a0/s;
 w1=a1/s;
 % u0 u1
 u0=0; u1=0;
 for m=1:t
 u0=u0+(m-1)*N(m,1)/s;
 end
 for m=t+1:256
 u1=u1+(m-1)*N(m,1)/s;
 end
 u0=u0/w0;
 u1=u1/w1;
 
 T(t,1)=w0*w1*(u0-u1)*(u0-u1);
end
best=find(T==max(max(T)))-1;
end