Matlab数学形态学的图像分割算法研究(3)

菜单

2.2.2基于阈值的分割方法

阈值分割法是一种传统的图像分割方法，它的特点是简单、计算量小、性能稳定等。通过某种手段获取合适的阈值，将图像各个像素与该阈值进行比较，从而将图像划分成具有不同灰度级的目标和背景两打类，这是图像分割的主要原理。当物体目标与背景具有较大的不同灰度级范围时，尤其适用该算法。七十年代末，日本学家大津（Nobuyuki Otsu）提出了最大类间方差法用于图像分割，也称大津法，简称otsu，其阈值通过计算自动获取，所以属于一种自适应阈值法。它是按图像的灰度特性，将图像分成背景和目标两个部分。背景和目标之间的类间方差越大，说明构成图像的两个部分的差别越大，当部分目标错分为背景或部分背景，目标都会导致两个部分差别变小。因此，类间方差最大的分割意味着错分概率最小。

2.2.3基于区域分割的图像分割方法

按照区域分割的本质，将图像像素点表现出性质相似的区域进行连接，进而实现分割的目的，即图像域生长法。处理过程的基本流程为：对需要进行信息抽取的图像中的对象区域进行选定，随后在此域内按照预定算法，将满足要求的像素点进行包含，进而将对象区域内全部符合算法规则的像素点进行囊括，实现本方法的基础环节便是选择合适的生长算法。

区域生长图像分割方法的内容是规则开发以及保证其可行性和高效性。具体的生长算法标准需要结合特定的问题进行开发，设定的生长规范将直接影响最后的分割结果。这种方法的图像分割手段它的算法实现较为简易，适用于目标连通较为平滑的图像分割。但是易受到噪点的影响，进而造成空洞结果。就理念而言，属于串行处理手段的范畴，当图像所包含的内容较多时，处理速度十分缓慢，因此在应用这种方法进行图像分割的过程中，应当注重处理效率的问题。文献综述

分裂合并法则是需要确定图像具备一致性特点子区域，在特定的规范下实现大区域的融合，进而达到图像分割的目的。其基本理念便是对图像进行持续的分裂和并进，而实现图形的分割。

3 数学形态学基本理论

3.1 形态学的概念

基于科学的视角而言，数学形态学是能够提供对空间结构、形状处理的一门基础学科。而反应到图像处理过程中，该学科能够实现对图像涵盖空间结构的处理。借助特定的算子选择，能够将图像中所涉及的空间特性进行很好的处理，同时将其它部分进行切割[2]。基于应用的视角分析，形态学可以实现多层次的效果，其中包括对图像分割、效果增强和边缘检测等。本章的论述重点是将所应用到的数学形态学知识进行综述，以二值形态学作为基础工具，进行图像灰值的算法实现，最后进行图像重构和边缘形态学的分析。

3.2 结构元素的选取

3.2.1结构元素的基本概念

数学形态学最为显著的特征是借助结构因子的引入，进而实现对元素包含较多图像的转换处理，然后对图像囊括的结构进行逻辑处理。结构因子，是表现出特定尺寸特性的背景图像。依靠对图像中包含的结构因子进行形态学的处理，能够实现对图像的形态学领域的转换。按照图像形成集合的维数不同可以将结构椅子分为二值、灰值结构元素基本概念两种。前者便是只对0和1元素进行囊括的集合，后者则是二维空间的连续函数，而在图像处理环节中通常按照窗口结构特性进行离散化处理，同时对不同区域位置进行数值的分配。按照结构因子形状的差异可以分为方形和线形等。