摘 要随着信息化程度的加深,图像作为包含大量信息的载体形式越来越能体现出它强大的信息包含能力。图像分割是进行图像分析的关键步骤，也是进一步理解图像的基础。图像分割在图像工程中位于图像处理和图像分析之间。图像分割就是把图像分割成一系列有意义、各具特征的目标或区域的过程。虽然图像分割算法有很多种，但是到目前位置还没有通用的图像分割算法。论文综述了阈值分割、区域生长、分裂合并和边缘检测图像分割算法。首先介绍了图像分割的研究意义及国内外研究现状。接着介绍了阈值分割、区域生长、分裂合并和边缘检测图像分割算法的基本原理及其MATLAB仿真结果。最后介绍了MATLAB图形用户界面设计。MATLAB仿真结果表明：各种图像分割算法各有其优缺点及其适用范围。因此，在对一幅图像进行分割之前，首先要对图像进行判断分析，然后再选择恰当的分割算法，这样才能得到比较令人满意的分割效果。关键词：图像分割；阈值分割；区域生长；分裂合并；边缘检测；MATLABAbstractAs a media containing great amount of information, image embodies its powerful ability with the deepening of informationization. Image segmentation is not only a key step before image analysis, but also the basis of further understanding image. Image segmentation locates between image process and image analysis. The process of dividing an image into a series of meaningful and characteristic objects or regions is called image segmentation. Although there are many kinds of image segmentation algorithms, there is no general image segmentation algorithm by now. This paper summarizes such image algorithms as threshold segmentation, region growing ，split and merge as well as edge detection. Firstly, research meaning and state around the world of image segmentation is introduced. Secondly, basic principle and MATLAB simulation results of threshold segmentation, region growing, split and merge as well as edge detection image segmentation algorithm is introduced. Finally, graphic user interface of MATLAB is introduced. The MATLAB simulation results demonstrate that different image segmentation algorithms are of different advantages and disadvantages as well as its application. Therefore, image should be analyzed first and then appropriate image segmentation algorithm is selected before segmentation so as to acquire satisfactory results. Key words: image segmentation；threshold segmentation; region growing; split and merge ; edge detection; MATLAB目 录 1 引 言11.1 图像与数字图像处理11.2 研究图像分割处理的意义11.3 图像分割技术的背景和国内外研究现状22 图像目标分割与提取技术的方法综述42.1 阈值分割42.1.1概述42.1.2全局阈值52.1.3局部阈值52.1.4动态阈值62.2 区域生长和分裂合并62.2.1区域生长法62.2.2区域合并和分裂72.3 边缘检测82.3.1微分算子82.3.2边界连接113 MATLAB仿真程序123.1 阈值算法MATLAB仿真结果123.1.1 阈值算法MATLAB仿真结果123.1.2小结143.2 基于MATLAB的几种常用边缘检测代码(见附录)：143.2.1 边缘检测MATLAB仿真结果143.2.2 小结154 MATLAB GUI设计164.1 MATLAB简介164.2 图形用户界面GUI164.3 GUI设计原理及简介164.4 设计方法174.4.1图形用户界面设计工具174.4.2菜单设计184.4.3对话框设计184.4.4句柄图形184.4.5 图形对象句柄命令194.5 总结195 结论与展望205.1 结论205.2 展望20致 谢21参考文献22附 录23III基于MATLAB的图像分割算法研究与仿真1 引 言 据研究，在人类所接受到的全部信息中，约有75%80%是通过视觉系统得到的，和语言或文字信息相比，图像包含的信息量更大、更直观、更确切，因而具有更高的使用效率和更广泛的适应性。当我们获得一副巨大的图像时，进行合理地分割和处理，可以获得对图像的进一步识别、分析和理解。这些都是我们的日常工作所需要的。1.1 图像与数字图像处理 客观世界在空间上是三维(3-D)的，但一般从客观景物得到的图像是二维(2-D)的。一幅图像可以定义为一个二维函数f(x,y)，这里 x和y 表示表示2-D空间中一个坐标点的位置，而幅值f则代表图像在坐标(x,y)上的某种性质的数值。例如常用的图像一般是灰度图，这时f表示灰度值，它常对应客观景物被观察到的亮度。 日常所见图像多是连续的，即f(x,y)的值可以任意实数。为了能用计算机对图像进行加工，需要把连续的图像在坐标空间x，y和幅值f都离散化。这种离散化了的图像就是数字图像，数字图像是由有限的元素组成的，每个元素都有一个特定的位置和幅值，这些元素称为图像像素。数字图像常用矩阵来描述。一幅MN个像素的数字图像，其像素灰度值可以用M行、N列的矩阵G表示：在存储图像时，一幅M行、N列的数字图像（MN个像素），可以用一个MN的二维数组T来表示。图像的各个像素灰度值可按一定的顺序存放在数组T中。习惯上把数字图像左上角的像素定义为第(1，1)个像素，右下角的像素定义为第（M,N）个像素。数字图像处理，就是把数字图像经过一些特定数理模式的加工处理，以达到有利于人眼视觉或某种接收系统所需要的图像的过程。如对被噪声污染的图像除去噪声，对信息微弱的图像进行增强，对失真的图像进行几何校正等。随着计算机软硬件技术的突飞猛进，以及数字处理技术的不断发展，数字图像处理在科学研究、工业生产、国防以及现代管理决策等各行各业都得到越来越多的应用1。1.2 研究图像分割处理的意义数字图像目标分割与提取是数字图像处理和计算机视觉领域中一个备受关注的研究分支。因为在目标分割与提取过程中可以利用大量的数字图像处理的方法，加上其在计算机视觉、模式识别等领域中的广泛应用，都吸引了众多研究者的注意。相信对这一问题的深入研究不仅会不断完善对这一问题的解决，而且必将推动模式识别、计算机视觉、人工智能等计算机科学分支的发展。图像分割和边缘检测的问题在近二十年中得到了广泛的关注和长足的发展，国内外很多研究人士提出了很多方法，在不同的领域取得了一定的成果。但是对于寻找一种能够普遍适用于各种复杂情况的准确率很高的分割和检测算法，还有很大的探索空间。边缘提取和分割是图像分析的经典研究课题之一，目前的理论和方法仍存在许多不足之处，仍在不断改进和发展。需要说明的是：边缘与物体间的边界并不等同，边缘指的是图像中像素的值有突变的地方，而物体间的边界指的是现实场景中的存在与物体之间的边界。有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实中的物体是三维的，而图像只具有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息；另外成像的过程中的光照和噪声也是不可避免的重要因素。正是因为这些原因，基于边缘的图像分割仍然是当前图像研究中的世界级难题，目前研究者们正在试图在边缘提取中加入高层的语义信息。由于图像的多意性和复杂性，许多分割的工作无法依靠计算机自动完成，而手工分割又存在工作量大，定位不准确的难题，因此，人们提出了一些人工交互和计算机自动定位相结合的方法，利用各自的优势，实现目标轮廓的快速定位。相信这些交互式方法的应用，必将推动图像目标分割与提取这一既具有广阔的应用前景又具有重要的学术价值的课题的进一步研究，也必将成为一个更为独立和活跃的研究领域。1.3 图像分割技术的背景和国内外研究现状所谓图像分割就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将要识别的目标从背景或其他伪目标中分离出来。图像分割是图像理解的重要组成部分，其目的是将目标和背景分离，为目标识别、精确定位等后续处理提供依据，其结果将直接影响到其后的信息处理过程。如何快速、有效地将感兴趣的目标从复杂的背景中分割出来一直是国内外研究的热点。分割问题的困难在于图像数据的模糊和噪声的干扰。到目前为止，还没有一种或者几种完善的分割方法，可以按照人们的意愿准确的分割任何一种图像。实际图像中景物情况各异，具体问题具体分析，需要根据实际情况选择适合的方法。分割结果的好坏或者正确与否，目前还没有一个统一的评价判断准则，分割的好坏必须从分割的效果和实际应用场景来判断。不过在人类研究图像的历史中，还是积累了许多经典的图像分割方法。虽然这些分割方法不适合所有类型的图像分割，但是这些方法却是图像分割方法进一步发展的基础。事实上，现代一些分割算法恰恰是从经典的分割方法衍生出来的。早期的图像研究中，图像的分割方法主要可以分为两大类。一类是边界方法，这种方法的假设是图像分割结果的某个子区域在原来的图像中一定会有边缘存在；一类是区域方法，这种方法的假设是图像分割结果的子区域一定会有相同的性质，而不同区域的像素没有共同的性质。这两种方法都有缺点和优点，有的学者也试图把两者结合起来进行图像分割，随着计算机处理能力的提高，很多方法不断涌现，如基于彩色分量分割、纹理图像分割。所使用的教学工具和实验手段也是不断的扩展，从时域信号到频域信号处理，近来小波变换也应用在图像分割当中。随着各种理论的不断成熟和完善，图像分割技术已经获得了长足的