《可以是颜色、灰度或者像素的其他属性,这种技术通过对目》由会员分享，可在线阅读，更多相关《可以是颜色、灰度或者像素的其他属性,这种技术通过对目（2页珍藏版）》请在金锄头文库上搜索。
1、的处理过程所用。3 . 1 . 2基于边界的分割技术基于边界的分割技术主要有: 在区域之间的边界上一般具有某种不连续性， 可以是颜色、灰度或者像素的其他属性，这种技术通过对目标边界的检测来实 现图像的分割。同时边界还蕴含了丰富的内在信息 ( 如方向，阶跃性质，形状 等) ， 这些都是图像识别中重要的特征。图像边界一方面是图像局部特性不连续 性 ( 灰度突变，颜色突变，纹理结构突变等)的反映，它标志着一个区域的终 结和另一个区域的开始;另一方面方向、形状等特性又体现了连续性。基于这 样的特点，目前常用的基于边界的分割技术包括边缘算子法，模板匹配法，边 界跟踪法，曲线拟合法等。3 . 1 . 3基
2、于区域的分割技术基于区域的分割技术是指:根据预先定义的像素属性，有时还要考虑像素 与其领域内像素的相互关系，可以将图像分成各个不同的区域，不同区域之间 的像素属性不同，同一区域的像素属性相似，这种分割技术正是根据这一点， 对目标区域进行检测，从而实现分割。目前基于区域的分割技术主要包括闽值 化方法，特征空间聚类方法，区域生长方法，分裂合并方法等。3 . 1 .4 结合新的理论工具的分割技术图像分割技术的发展与许多其他学科和领域，例如，数学、物理学、生理 学、电子学、计算机科学等学科密切相关。近年来，随着各学科许多新理论和 方法的提出，人们也提出了许多结合一些特定理论、方法和工具的分割技术。 以
3、下只是列举了其中的几种:( 1 )基于数学形态学的分割技术6 1 形态学一般指生物学中研究动物和植物的一个分支，数学形态学是以形态 表示为基础的对图像进行分析的数学工具。它的基本思想是用具有一定形态的 结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。它 的数学基础和所用语言是集合论。数学形态学的应用可以简化图像数据，保持 它们的基本形状特性，并除去不相干的结构。它的基本运算主要有:膨胀和腐蚀，开启和闭合。基于这些基本运算还可 推导和组合成各种数学形态学使用算法。对某些强噪声图像，可能取得好的效 果。下面给出这四种操作的数学定义，在本文提出的方法中将使用它来达到合 并区域和滤波
4、的作用。设S 2 为二维欧几里德空间， 图像A是Q的一个子集， 结构元素B 也是S 2 的一个子集，b e S 2 是欧氏空间的一个点，定义一个概念。平移:A ” 被定义为图像A 被b 平移后的结果，表示为:A 0 = a + b a 。 A ( 3 . 1 ) 矛中的所有元素是A中的对应元素平移到以b 为原点的坐标系内的结果。膨胀 d i l a t i o n )运算定义式为:A (D B = 加 + ， a 。 A , b 。 B 卜U A n ( 3 .2 )腐蚀 ( e r o s i o n )的运算定义式为:， 二一 卜 。 。 ， 。 ， 卜 n A n ( 3 .3 ) 图像
5、A被结构元素B膨胀或腐蚀，膨胀或腐蚀后A的形状与B的形状有很大关 系。因此， 选择不同的结构元素B，同样是做膨胀或腐蚀运算，最后所得的结果 可能截然不同。在定义膨胀和腐蚀运算的基础上，可以定义数学形态学的另外 两个常用运算:开 运算( o p e n i n g ) 和闭 运算( c l o s in g ) .开运算:A被B进行开运算的结果定义为:A - B = 伪 。 川. B ( 3 .4 ) 即A先被B腐蚀，再被B膨胀的结果。闭运算:A 对B的闭运算定义为:A “ B 二 ( A ED B ) O B ( 3 . 5 ) 闭运算的过程与开运算恰好相反， 先被B 膨胀， 后其结果再被B
6、腐蚀。 根据开运 算和闭运算的特点，通常可以用开运算删除图像中的小分枝，利用闭运算填补 图像中的空穴。( 2 ) 利用神经网络的分割技术 6 2 1人工神经网络是进行模式识别的一种重要的工具和方法。它要求的输入知 识少，也比较适合于并行实现。图像分割可以叙述成一个约束满足问题，并用 约束满足神经网络来解决。约束满足神经网络包括一组目标，一组标号，一组 约束关系和一组描述不同目 标间邻域关系的拓扑约束。约束满足神经网络可看 作一组内部连通神经元，其结构可表达约束满足问题中的约束。( 3 ) 基于小波分析和变换的分割技术6 3 1小波变换是空间 ( 时间)和频率的局域变换，能有效地从信号中提取信息， 它通过伸缩和平移等运算功能对函数或信号进行多尺度细化分析，解决了傅里 叶变换不能解决的许多困难问题，因而被誉为 “ 数学显微镜” 。小波作为一种多 尺度多通道分析工具，比较适合对图像进行多尺度的边缘检测。多尺度一般指 空间尺度，它常与多分辨率的方法相联系。一般认为在较大尺度下能较可靠地 消除误检，但在大尺度下对边缘的定位不准确。相反，在较小尺度下对真正边缘点的定位比较准确，但在小尺度下误检的比例会增加。所以可以考虑在较大 尺度下检测到真正的边缘点，再在较小尺度下对真正边缘点进行较精确的定位。
