激光图像背景噪声影响的研究毕业论文.doc 26页

'激光图像背景噪声影响的研究毕业论文目录摘要IAbstractII1绪论11.1噪声图像模型及噪声特性11.1.1含噪模型11.1.2噪声特性11.2图像质量的评价21.2.1主观评价21.2.2客观评价22数字图像去噪方法42.1传统去噪方法42.1.1空域滤波42.1.2频域低通滤波法52.2小波去噪52.2.1小波去噪的发展历程及研究现状62.2.2小波去噪方法72.3本文去噪方法73总体设计方案83.1总体方案介绍83.2总体方案流程图84激光光斑图像去噪104.1中值去噪104.2图像分割124.2.1图像分割概述124.2.2图像分割方法124.2.3阈值分割154.3彩色处理17结论19参考文献20 附录A激光图像背景去噪影响的研究主程序21致谢24 1绪论人类获取外界信息有视觉、听觉、触觉、味觉等多种方法，但绝大部分(约80%)是来自视觉所接收的图像信息，即所谓“百闻不如一见”。而图像处理就是对图像息进行加工处理，以满足人的视觉心理和实际应用的要求[1]。因此，图像处理技术的广泛研究和应用是必然的趋势。在分析和使用图像之前，需要对图像信号进行一系列处理。比如调整图像存储的格式，对图像进行去噪等等。图像处理是针对性很强的技术，根据不同用途、不同要求采用不同的处理方法。采用的方法是综合各学科较先进的成果而成的，如数学、物理学、心理学、生理学、医学、计算机科学、通信理论、信号分析、控制论和系统工程等，各学科相互补充、相互渗透才使数字图像处理技术飞速发展[2]。在激光主动成像、激光大气传输等激光应用场合,激光束经远距离传输后的光斑图像将受到严重的噪声污染。一方面,由于环境背景光影响,激光光斑图像中夹杂着众多不同频率的噪声,使得图像轮廓模糊,像质差,图像的信噪比降低;另一方面,图像采集时总会受到CCD的热噪声、读出噪声、A/D转换噪声、量化噪声的干扰。这些噪声极大地影响了上述应用场合的光斑分析,尤其是在暗背景条件下,CCD的光子噪声成为制约图像信噪比的主要因素,低信噪比条件下的激光光斑图像预处理技术是目前激光图像处理的一个研究热点。1.1噪声图像模型及噪声特性1.1.1含噪模型现实中的数字图像在数字化和传输过程中，常受到成像设备与外部环境噪声干扰等影响，成为含噪图像。去除或减轻在获取数字图像中的噪声称为图像去噪,在图像去噪之前我们先要建立一个含噪图像的模型，为了简便，我们研究如下的加性噪声模型，即含噪图像仅由原始图像叠加上一个随机噪声形成:（1-1）表示图像，为噪声，含噪图像记为。1.1.2噪声特性在对这个含噪模型进行研究之前，我们有必要了解一下噪声的一些特性，经常影响图像质量的噪声源可分为三类。人们对其生成原因及相应的模型作了大量研究[3]:1、电子噪声。在阻性器件中由于电子随机热运动而造成的电子噪声是三种模型中最简单的，一般常用零均值高斯白噪声作为其模型，它可用其标准差来完全表征。 2、光电子噪声。由光的统计本质和图像传感器中光电转换过程引起，在弱光照的情况下常用具有泊松分布的随机变量作为光电噪声的模型，在光照较强时，泊松分布趋向于更易描述的高斯分布。3、感光片颗粒噪声。由于曝光过程中感光颗粒只有部分被曝光，而其余部分则未曝光，底片的密度变化就由曝光后的颗粒密集程度变化所决定，而算曝光颗粒的分布呈现一种随机性。在大多数情况下，颗粒噪声可用高斯白噪声作为有效模型。通过以上分析可以看出，绝大多数的常见图像噪声都可用均值为零，方差不同的高斯白噪声作为其模型，因而为了简便和一般化，我们采用零均值的高斯白噪声作为噪声源。1.2图像质量的评价如何评价一个图像经过去噪处理后所还原图像的质量，对于我们判断去噪方法的优劣有很重要的意义。现有的评价方法一般分为主观和客观两种。1.2.1主观评价主观评价通常有两种[4]:一种是作为观察者的主观评价，这是由选定的一组人对图像直接用肉眼进行观察，然后分别给出其对所观察的图像的质量作好或坏的评价，再综合全组人的意见给出一个综合结论。它只是一种定性的方法，没有定量的标准，而且受到观察者的主观因素的影响，评价结果有一定的不确定性。另一种是随着模糊数学的发展，可以用模糊综合评判方法来尽量减少主观因素的影响，实现对图像质量近似定量的评价，不过它仍然没有完全消除主观不确定性的影响，其定量计算公式中的参数往往要依赖专家经验确定。1.2.2客观评价图像质量的客观评价由于着眼点不同而有多种方法，这里介绍的是一种经常使用的所谓的逼真度测量。对于彩色图像逼真度的定量表示是一个十分复杂的问题[5]。目前应用得较多的是对黑白图像逼真度的定量表示。合理的测量方法应和主观实验结果一致，而且要求简单易行。对于连续图像场合，设为一定义在矩形区域，的连续图像，其降质图像为，它们之间的逼真度可用归一化的互相关函数K来表示:(l-2) 对于数字图像场合设为原参考图像，为其降质图像，逼真度可定义为归一化的均方误差值NMSE：（1-3）其中，运算符表示在计算逼真度前，为使测量值与主观评价的结果一致而进行的某种预处理。如对数处理、幂处理等，常用的为,、、、b均为常数。(l-4)另外一种常用的峰值均方误差PMSE:(l-5)式中，A为的最大值。实用中还常采用简单的形式。此时，对于8比特精度的图像，A=255，M、N为图像尺寸。峰值均方误差PMSE也被表示成等效的峰值信噪PSNR:（1-6）主观评价和客观评价这两种图像质量评价标准有各自的优缺点。由于人眼视觉特性的准确模型还没有完全建立起来，因此主观评价标准还只是一个定性的描述方法，不能作定量描述，但它能反映人眼的视觉特性。峰值信噪比能够对图像质量给出定量的描述。它是一种数学上统计的处理方法，其缺点是它并不是总能反映人眼的真实感觉。一种折衷的方法是在衡量图像“去噪”算法的优劣时，将主观与客观两种标准结合起来考虑。 2数字图像去噪方法2.1传统去噪方法对随时间变化的信号，通常采用两种最基本的描述形式，即时域和频域。时域描述信号强度随时间的变化，频域描述在一定时间范围内信号的频率分布。对应的图像的去噪处理[4]方法基本上可分为空间域法和变换域法两大类。前者即是在原图像上直接进行数据运算，对像素的灰度值进行处理。变换域法是在图像的变换域上进行处理，对变换后的系数进行相应的处理，然后进行反变换达到图像去噪的目的。2.1.1空域滤波(1)均值滤波邻域平均法是一种局部空间域处理的算法。设一幅图像为的阵列，处理后的图像为，它的每个像素的灰度级由包含领域的几个像素的灰度级的平均值所决定，即用下式得到处理后的图像:(2-l)式中；s是以点为中心的邻域的集合，M是s内坐标总数。图像邻域平均法的处理效果与所用的邻域半径有关。半径愈大，则图像模糊程度也愈大。另外，图像邻域平均法算法简单，计算速度快，但它的主要缺点是在降低噪声的同时使图像产生模糊，特别在边缘和细节处，邻域越大，模越厉害。(2)中值滤波中值滤波是一种非线性滤波[6-7]，由于它在实际运算过程中并不需要图像的统计特性，所以比较方便。中值滤波首先是被应用在一维信号处理技术中，后来被二维图像信号处理技术所应用。在一定的条件下，可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声最为有效。但是对一些细节多，特别是点、线、尖顶细节多的图像不宜采用中值滤波的方法。中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替。设有一个一维序列，，…，，取窗口长度为m(m为奇数)，对此序列进行中值滤波，就是从输入序列中相继抽出m个数，，…，，…，，…，，…，，其中为窗口的中心位置，，再将这m个点按其数值大小排列，取其序号为正中间的那作为出。用数学公式表示为: (2-2)例如：有一个序列为{0，3，4，0，7}，则中值滤波为重新排序后的序列{0，0，3，4，7}中间的值为3。此例若用平均滤波，窗口也是取5，那么平均滤波输出为。因此平均滤波的一般输出为:(2-3)对于二位序列进行中值滤波时，滤波窗口也是二维的，但这种二位窗口可以有各种不同的形状，如线状、方形、圆形、十字形、圆环形等。二维数据的中值滤波可以表示为：(2-4)在实际使用窗口时，窗口的尺寸一般先用再取逐渐增大，直到其滤波效果满意为止。对于有缓变的较长轮廓线物体的图像，采用方形或圆形窗口为宜，对于包含尖顶角物体的图像，适宜用十字形窗口。使用二维中值滤波最值得注意的是保持图像中有效的细线状物体。与平均滤波器相比，中值滤波器从总体上来说，能够较好地保留原图像中的跃变部分。2.1.2频域低通滤波法在分析图像信号的频率特性时，一幅图像的边缘，跳跃部分以及颗粒声代表图像信号的高频分量，而大面积的背景区则代表图像信号的低频分量。用滤波的方法滤除其高频部分就能去掉噪声使图像得到平滑由卷积定理可知:(2-5)式中，是含噪声图像的傅里叶变换，是平滑后图像的傅里叶变换，是低通滤波器传递函数。利用使的高频分量得到衰减，得到后再经过反变换就得到所希望的图像了。2.2小波去噪近年来，小波理论得了非常迅速的发展，由于其具备良好的时频特性和多分辨率特性，小波理论成功地在许多领域得到了广泛的应用。现在小波分析已经渗透到自然科学、应用科学、社会科学等领域。在图像去噪领域中，应用小波理论进行图像去噪受到许多专家学者的重视，并取得了非常好的效果。 2.2.1小波去噪的发展历程及研究现状1992年，Donoho和oJhnostne提出了小波阈值收缩方法(WaveletShrinkage)，同时还给出了小波收缩阈值，并从渐近意义上证明了它是小波收缩最佳阈值的上限[8]。以上小波收缩算法的一个严重的缺陷是:在去噪之前必须知道噪声的大小(方差)。而在实际应用中噪声大小是无法预先知道的，于是MaartenJasen等提出了GCV(generalizedcrossvalidation)方法，这种方法无需知道噪声大小的先验知识，较好地解决了这一问题。另外，由于Donoho和Johnstone给出的阈值有很严重的“过扼杀”小波系数的倾向，因此人们纷纷对阈值的选择进行了研究，并提出了多种不同的阈值确定方法。后来，人们针对阈值函数的选取也进行了一些研究，并给出了不同的阈值；但是当这些方法用到非高斯、有色噪声场合中，效果却不甚理想，其最主要的原因是这些方法都基于独立同分布噪声的假设，并且这些方法大多是从Donoho和Johnstone给出的方法发展而来的，从而它们最后的去噪性能也依赖于用waveletshrinkage确定阈值时，对噪声服从独立正态分布的假设。对此，人们提出了具有尺度适应性的阈值选取法，用来解决正态分布有色噪声的小波去噪问题，而另外一些学者则研究了在比白噪声更严重的噪声情况下的小波去噪问题，并给出了显式的阈值公式。在数学上，小波去噪问题的本质是一个函数逼近问题，即如何在有小波母函数伸缩和平移所展成的函数空间中，根据提出的衡量准则，寻找对原图像的最佳逼近，以完成原图像和噪声的区分。这个问题可以表述为：由此可见，小波去噪方法也就是寻找实际图像空间到小波函数空间的最佳映射，以便得到原图像的最佳恢复。从信号的角度看，小波去噪是一个信号滤波的问题，而且尽管在很大程度上小波去噪可以看成是低通滤波，但是由于在去噪后，还能成功地保留图像特征，所以在这一点上优于传统的低通滤波器。由此可见，小波实际上是特征提取和低通滤波功能的综合，其等效框图如图2.1所示。低通滤波特征提带噪图像重建图像 特征信息图2.1小波去噪的等效框图在早期，人们通过对边缘进行某些处理，以缓解低通滤波产生的边缘模糊。在这一点上，虽然这种方法同小波去噪很相似，但是小波变换之所以能够很好地保留边缘，是因为小波变换的多分辨率特性，小波变化后，由于对应图像特征(边缘等)处的系数幅值变大，而且在相邻尺度层间具有很强的相关性，所以便于特征提取和保护。相对早期的方法而言，小波噪声对边缘等特征的提取和保护是有很强的数学理论背景的，因而便于系统的理论分析。在许多国内外研究学者的努力下，小波去噪技术在信号处理领域中不断得到发展和完善。早期的小波去噪工作类似有损压缩技术，即先对含噪信号进行正交小波变换，再选定一个固定的阈值与小波系数比较进行取舍，低于此阈值的小波系数设为零，然后进行小波重构恢复原信号，上述算法中的阈值选取完全取决于经验和实际应用。2.2.2小波去噪方法小波去噪的方法有多种，如利用小波分解与重构的方法滤波降噪、利用小波变换模极大值的方法去噪、利用信号小波变换后空域相关性进行信噪分离、非线性小波阈值方法去噪、平移不变量小波去噪法，以及多小波去噪等等。归结起来主要有三类:模极大值检测法、阈值去噪法和屏蔽(相关)去噪法。其中最常用的就是阈值法去噪。2.3本文去噪方法通过对以上方法的研究，本文采用中值去噪。中值滤波器的优点是:它可以克服线性滤波器(如均值滤波)给图像带来的模糊,做到在有效地清除脉冲噪声的同时,又保持良好的边缘特性,从而获得较满意的复原效果。中值滤波在图像处理中,常用于用来保护边缘信息,是经典的平滑噪声的方法。在一定的条件下，可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声最为有效。 3总体设计方案3.1总体方案介绍本文解决的主要问题是激光光斑图像背景噪音的去除。包括图像格式的转化、中值去噪、图像分割，真色彩处理等几个主要部分。首先将图像读入，将图片转换成灰度图片。运用中值去噪对图像去除噪音，消除小的噪音。求取最佳阈值，然后用最佳阈值进行图像分割，去除图中较大的噪音。利用graythresh函数得到Otsu分割方法的灰度阈值，得到二值图像。最后对得到的二值图像进行彩色处理得到最后的图像。本文重点在于中值去噪和图像分割。我采用的是3*3模板的中值去噪。中值去噪是将输出的像素值设置为相应的输入像素的边沿像素值的合成。中值去噪输出的象素值的大小等于边沿像素的中值。中值滤波容易去除孤立点，线的噪声同时保持图象的边缘；它能很好的去除二值噪声。图像阈值分割是利用图像中灰度特性的差异，把图像分为目标和背景两类区域.阈值分割的基本流程是先确定阈值，然后根据阈值把图像分割归类.图像分割中确定最优阈值是关键。确定阈值后就可以对图像进行分割，去除噪音部分。得到二值图像。3.2总体方案流程图总体流程图是整体的软件设计，是本文设计的总体思想，是本设计的骨架和核心，总体流程图如图3.1所示。 开始读取图像将图片转化为灰度图像中值去噪图像分割转化成彩色图片结束图3.1总体方案流程图 4激光光斑图像去噪4.1中值去噪中值滤波是一种非线性滤波，由于它在实际运算过程中并不需要图像的统计特性，所以比较方便。中值滤波首先是被应用在一维信号处理技术中，后来被二维图像信号处理技术所应用。在一定的条件下，可以克服线性滤波器所带来的图像细节模糊，而且对滤除脉冲干扰及图像扫描噪声最为有效。但是对一些细节多，特别是点、线、尖顶细节多的图像不宜采用中值滤波的方法。中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替。设有一个一维序列，，…，，取窗口长度为m(m为奇数)，对此序列进行中值滤波，就是从输入序列中相继抽出m个数，，…，，…，，…，，…，，其中为窗口的中心位置，，再将这m个点按其数值大小排列，取其序号为正中间的那作为出。用数学公式表示为:(4-1)对于二位序列进行中值滤波时，滤波窗口也是二维的，但这种二位窗口可以有各种不同的形状，如线状、方形、圆形、十字形、圆环形等。在实际使用窗口时，窗口的尺寸一般先用再取逐渐增大，直到其滤波效果满意为止。对于有缓变的较长轮廓线物体的图像，采用方形或圆形窗口为宜，对于包含尖顶角物体的图像，适宜用十字形窗口。使用二维中值滤波最值得注意的是保持图像中有效的细线状物体。与平均滤波器相比，中值滤波器从总体上来说，能够较好地保留原图像中的跃变部分[16]。图像去噪程序：I=imread("1.bmp");%读取图片subplot(2,2,1);imshow(I);%显示图片title("有背景噪声的激光图像")I1=I(:,:,1);%RI2=I(:,:,2);%GI3=I(:,:,3);%B%分别对I1，I2,I3进行中值滤波，最后相加,统一3*3大小的模板，可以修改为5*5，或7*7 I1=medfilt2(I1);%默认为3*3I2=medfilt2(I2);I3=medfilt2(I3);I(:,:,1)=I1;I(:,:,2)=I2;I(:,:,3)=I3;subplot(2,2,2);imshow(I);title("去噪后图像");中值去噪子程序流程图如下：读取图片定义RGB采用3*3模板中值去噪开始结束图4.1中值去噪子程序流程图 图4.2中值去噪从图4.2可以看出，中值去噪后小的噪音没有了。但并不能去除大的噪音。大的噪音需要图像分割去除。4.2图像分割4.2.1图像分割概述　图像分割是图像处理中的一项关键技术,自20世纪70年代起一直受到人们的高度重视,至今已提出上千种分割算法。然而,由于尚无通用的分割理论,现提出的分割算法大都是针对具体问题的,并没有一种适合所有图像的通用分割算法。另外,还没有制定出选择合用分割算法的标准,这给图像分割技术的应用带来许多实际问题[10]。4.2.2图像分割方法　图像分割方法有多种分类方式,本文将分割方法分为3类（1）阈值分割方法；（2）边缘检测方法；（3）区域提取方法。（1）阈值分割方法阈值分割方法的历史可追溯到近40年前,现已提出了大量算法。对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范围之中的灰度阈值,然后将图像中各个象素的灰度值都与这个阈值相比较,并根据比较结果将对应的象素分为两类。这两类象素一般分属图像的两类区域,从而达到分割的目的。从该方法中可以看出, 确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据图像本身的特点,可分为单阈值分割方法和多阈值分割方法;也可分为基于象素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位置的阈值分割方法。若根据分割算法所有的特征或准则,还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松驰法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。（2）边缘检测方法边缘检测方法是人们研究得比较多的一种方法,它通过检测图像中不同区域的边缘来达到分割图像的目的。很多的边缘检测算法是基于图像的灰度函数求导和在图像中匹配特定的边缘模型这两种方法,如Marr-Hildreth算法和Canny算法就是这两种方法的经典代表。在具体做法上,表现为空域算子与图像模板求卷积和用迭代等方法求匹配函数的系数等。根据检测边缘采用方式的不同,边缘检测方法大致包括以下几类:基于局部图像函数的方法、多尺度方法、图像滤波法、基于反应-扩散方程的方法、多分辨分法、基于边界曲线拟合方法[11]、状态空间搜索法、动态规划法、边界跟踪法、哈夫变换法[12]等。基于局部图像函数方法的基本思想是将灰度看成高度,用一个曲面来拟合一个小窗口内的数据,然后根据该曲面来决定边缘点。多尺度方法实际上是用不同尺度的滤波算子对图像进行卷积,并考察由此得到的边缘点随尺度的变化而具有的性质,结合多种不同尺度的信息来最终决定边缘点。图像滤波法是基于对平滑滤波后的图像求其一阶导数的极大值或二阶导数的过零点来决定边缘的,它的核心问题是要设计一个合适的滤波器,通常使用的滤波器有LOG滤波器、可控滤波器、B-样条滤波器等。基于反应-扩散方程的方法借助反应-扩散方程的观点来看待多尺度滤波,从而达到边缘检测的目的。多分辨率方法是从初始图像用规则或不规则的方式逐步降低分辨率,得到金字塔形的一个图像序列,再在此基础上进行图像分割。此方法的基本着眼点是较大的物体能在较低的分辨率下存在,而噪声则不能。基于边界曲线拟合方法是用平面曲线来表示不同区域之间图像的边界线,试图根据图像梯度等信息找出能正确表示边界的曲线来达到分割图像的目的。状态空间搜索法[13]也称图(Graph)搜索法或启发式(Heuristic)搜索法,该方法用图结构表示边界点和边界段,通过在图中搜索对应最小代价的通道找到闭合边界,它把边缘检测和边界连接有机地结合起来,在图像受噪声影响较大时仍能取得较好的效果。动态规划(DynaicProgramming)法是一个多步决策的过程,它通过把一个N步过程化为N个单步过程的方法使算法复杂度降低,根据动态规划的原理,可将全局最优化成局部最优和。要使此方法的结果令人满意,决策过程必须是一个马尔可夫过程。边界跟踪(HoundaryTracking)法也称边缘点链接(EedgePiontLinking)法, 由图像梯度图中一个边缘点出发,依次搜索并连接相邻边缘点从而逐步检测出边界的方法。哈夫变换法是利用图像全局特性而直接检测目标轮廓的一种常见的方法,该方法的主要优点是受噪声和曲线间断的影响较小[14]。（3）区域提取方法区域提取法有两种基本形式:一种是从单个象素出发,逐渐合并以形成所需的分割区域;另一种是从全图出发,逐渐分裂切割至所需的分割区域[15]。在实际中使用的通常是这两种基本形式的结合。根据以上两种基本形式,区域提取法可以分为区域生长法和分裂合并法。区域生长法的基本思想是将具有相似性质的象素合起来构成区域,具体做法是选给定图像中要分割的目标物体内的一个小块或者说种子区域,再在种子区域的基础上不断将其周围的象素点以一定的规则加入其中,达到最终将代表该物体的所有象素点结合成一个区域的目的。该方法的关键是要选择合适的生长或相似准则。生长准则一般可分为三种:基于区域灰度差准则、基于区域内灰度分布统计性质准则和基于区域形状准则。分裂合并法是先将图像分割成很多的一致性较强的小区域,再按一事实上的规则将小区域融合成大区域,达到分割图像的目的。区域提取法的缺点是往往会造成过度分割,即将图像分割成过多的区域。因此,近年来针对这种方法的研究较少[18]。不过,还是有一些新的算法出现,如王广君等人提出的基于四叉树结构的图像分割方法,将区域增长和人工智能结合起来,使分割速度大大提高,算法同时能得到图像目标大小、目标灰度、目标个数、目标边界等。该方法对多目标图像分割有更好的适应性。刘宁宁等提出的基于代理机模型的交互式图像分割方法,代理机是完成特定功能的模块,通过控制界面和汇报界面实现与操作者的交互.该方法特别适合医学图像分割。钱晓峰等人提出的一种逆时针追踪轮廓线的彩色图像区域分割算法,其基本思想是按逆时针顺序追踪轮廓线,在追踪过程中避免了象素点的行政管理判断,采用回溯搜索解决奇点问题,从而保证追踪过程的连续性和正确性。王楠等人提出的一种改进的彩色图像区域分割方法,充分利用彩色图像的颜色信息,采用灰图像和彩色信息分别处理的方法,根据图像具体的彩色信息进行了自适应分割。魏宝刚等人提出的基于区域生长法的多颜色空间,多度量准则的聚类算法和零碎区域的全并算法,使多颜色空间上的交互式图像分割取得了很好的效果。Thomas提出的基于设定值地图的区域生长方法等。本文主要采用阈值分割方法。4.2.3阈值分割阈值分割方法的历史可追溯到近40年前,现已提出了大量算法[17]。对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范围之中的灰度阈值, 然后将图像中各个象素的灰度值都与这个阈值相比较,并根据比较结果将对应的象素分为两类。这两类象素一般分属图像的两类区域,从而达到分割的目的。从该方法中可以看出,确定一个最优阈值是分割的关键。现有的大部分算法都是集中在阈值确定的研究上。阈值分割方法根据图像本身的特点,可分为单阈值分割方法和多阈值分割方法;也可分为基于象素值的阈值分割方法、基于区域性质的阈值分割方法和基于坐标位置的阈值分割方法。若根据分割算法所有的特征或准则,还可以分为直方图与直方图变换法、最大类空间方差法、最小误差法与均匀化误差法、共生矩阵法、最大熵法、简单统计法与局部特性法、概率松驰法、模糊集法、特征空间聚类法、基于过渡区的阈值选取法等。图像分割子程序流程如下：开始读取图片转化为灰度图像求取最佳阈值阈值分割图像结束图4.3图像分割子程序流程图阈值分割程序：l=imread("C:DocumentsandSettingsAdministrator桌面20.bmp");figure,imshow(l);[x,y]=size(l);%求出图像大小b=double(l);z0=max(max(max(l)));%求出图像中最大的灰度z1=min(min(min(l)));%最小的灰度 T=(z0+z1)/2;%T赋初值为最大值和最小值的平均值TT=0;%TT赋初值S0=0.0;n0=0.0;%为计算灰度大于阈值的元素的灰度总值，个数赋值S1=0.0;n1=0.0;%为计算灰度小于阈值的元素的灰度总值，个数赋值allow=50;%新旧阈值的允许接近程度d=abs(T-TT);count=0;%记录几次循环while(d>=allow)%阈值分割最佳算法¨count=count+1;%循环次数fori=1:x,forj=1:y,ifl(i,j)>=T,S0=S0+b(i,j);n0=n0+1;endifl(i,j)=allow)%阈值分割最佳算法¨count=count+1;%循环次数fori=1:x,forj=1:y,ifl(i,j)>=T,S0=S0+b(i,j);n0=n0+1;endifl(i,j)