Matlab的水声图像信号标记分水岭算法研究
Matlab的水声图像信号标记分水岭算法研究
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。 20190805204745
关键词:分水岭；标记；形态学；过分割；自适应
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。
分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭[23]。
分水岭的计算过程是一个迭代标注过程。分水岭比较经典的计算方法是L.Vincent提出的。在该算法中，分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构[24]进行判断及标注。
分水岭变换得到的是输入图像的集水盆图像，集水盆之间的边界点，即为分水岭。显然，分水岭表示的是输入图像极大值点。分水岭算法对微弱边缘具有良好的响应，图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象。但同时应当看出，分水岭算法对微弱边缘具有良好的响应，是得到封闭连续边缘的保证的。另外，分水岭算法所得到的封闭的集水盆，为分析图像的区域特征提供了可能。为消除分水岭算法产生的过度分割，通常可以采用两种处理方法，一是利用先验知识去除无关边缘信息。二是修改梯度函数使得集水盆只响应想要探测的目标。为降低分水岭算法产生的过度分割，通常要对梯度函数进行修改，一个简单的方法是对梯度图像进行阈值处理，以消除灰度的微小变化产生的过度分割。
分水岭算法是数学形态学分割方法中的经典算法，它将图像看作是地形学上被水覆盖的自然地貌，图像中的每一像素的灰度值表示该点的海拔高度，其每一个局部极小值及其影响区域称为集水盆，集水盆的边界则是分水岭，在各极小区域的表面打一个小孔，同时让水从小孔中涌出，并慢慢淹没极小区域周围的区域，那么各极小区域波及的范围，即是相应的集水盆，对应图像中的区域；不同区域的水流相遇时的界限，就是期望得到的分水岭，对应区域的边缘。分水岭变换可以保证分割区域的连续性和封闭性。分水岭变换是从局部极小点开始，即只能是在梯度图中用，原始图是转换后才能用于分水岭变换的。一般图像中存在多个极小值点，通常会存在过分割现象，可以采用梯度阈值分割改进或者采用标记分水岭算法将多个极小值区域连在一起。分水岭变换的思想来源于地形学，它将图像看作是地形学上被水覆盖的自然地貌。任何一个灰度级图像都可以看作是一个地形图，其中的每一像素的灰度值表示该点的海拔高度。
标准的分水岭变换算法是建立在梯度图像区域极小值基础上进行的分割，由于图像噪声或其他原因的影响，在实际应用场合中，梯度图像中会出现很多的区域极小值，进而造成过分割现象。图像分割的结果是要将图像中感兴趣的目标区域分割出来，但过分割造成的后果却往往使分割的结果变得毫无用处。因此，在实际应用中，直接运用标准的分水岭变换算法往往难以得到满意的分割结果
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
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。 20190805204745
关键词:分水岭；标记；形态学；过分割；自适应
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。
分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭[23]。
分水岭的计算过程是一个迭代标注过程。分水岭比较经典的计算方法是L.Vincent提出的。在该算法中，分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构[24]进行判断及标注。分水岭变换得到的是输入图像的集水盆图像，集水盆之间的边界点，即为分水岭。显然，分水岭表示的是输入图像极大值点。分水岭算法对微弱边缘具有良好的响应，图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象。但同时应当看出，分水岭算法对微弱边缘具有良好的响应，是得到封闭连续边缘的保证的。另外，分水岭算法所得到的封闭的集水盆，为分析图像的区域特征提供了可能。为消除分水岭算法产生的过度分割，通常可以采用两种处理方法，一是利用先验知识去除无关边缘信息。二是修改梯度函数使得集水盆只响应想要探测的目标。为降低分水岭算法产生的过度分割，通常要对梯度函数进行修改，一个简单的方法是对梯度图像进行阈值处理，以消除灰度的微小变化产生的过度分割。
分水岭算法是数学形态学分割方法中的经典算法，它将图像看作是地形学上被水覆盖的自然地貌，图像中的每一像素的灰度值表示该点的海拔高度，其每一个局部极小值及其影响区域称为集水盆，集水盆的边界则是分水岭，在各极小区域的表面打一个小孔，同时让水从小孔中涌出，并慢慢淹没极小区域周围的区域，那么各极小区域波及的范围，即是相应的集水盆，对应图像中的区域；不同区域的水流相遇时的界限，就是期望得到的分水岭，对应区域的边缘。分水岭变换可以保证分割区域的连续性和封闭性。分水岭变换是从局部极小点开始，即只能是在梯度图中用，原始图是转换后才能用于分水岭变换的。一般图像中存在多个极小值点，通常会存在过分割现象，可以采用梯度阈值分割改进或者采用标记分水岭算法将多个极小值区域连在一起。分水岭变换的思想来源于地形学，它将图像看作是地形学上被水覆盖的自然地貌。任何一个灰度级图像都可以看作是一个地形图，其中的每一像素的灰度值表示该点的海拔高度。
标准的分水岭变换算法是建立在梯度图像区域极小值基础上进行的分割，由于图像噪声或其他原因的影响，在实际应用场合中，梯度图像中会出现很多的区域极小值，进而造成过分割现象。图像分割的结果是要将图像中感兴趣的目标区域分割出来，但过分割造成的后果却往往使分割的结果变得毫无用处。因此，在实际应用中，直接运用标准的分水岭变换算法往往难以得到满意的分割结果
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
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/dzkxyjs/2264.html
