太赫兹同轴全息数字成像因对成像系统的要求较离轴低而备受重视,其主要用于小目标。由于成像目标小,而探测器像素数偏少且响应度不高等因素,因此图像信噪比较低,无法简单准确分割目标。本论文使用的同轴全息像为有机材料上的不透光的金属目标。噪声不同的11幅“H”是不同的全息像帧数及照明帧数的再现像,在研究噪声对分割影响的同时旨在确定成像的帧频。被遮挡“100”的横向像素仅有三个像素且周围存在背景噪声。通过对比图像的分割,验证算法的适应性。神经网络广泛用于图像分割领域,但是神经网络的分割效果与训练集息息相关。当训练集的特征与测试集的特征越接近时,分割的效果越好。为了能够更符合真实太赫兹图像的特征,本实验室已对训练集进行了初步尝试并取得了一些进步。但是在分割被遮挡图像“100”时却无法将其周围存在的周期噪声去除。所以本论文首先使用神经元原始图像仿真再现像代替神经元原始图像成为新的训练集,得到的“100”分割图像与初始训练集相比有些许改善。然后针对不同帧数的“H”的噪声大小分布不同,在训练集仿真像的场景中添加了不同程度的高斯噪声以贴近测试集进而得到较好的分割图像。尽管被遮挡的“100”在新训练集的周期噪声有所去除,但是噪声区域仍与目标相比比例较大。考虑真实太赫兹再现像之间的特征更为相近,所以在新的训练集中加入真实的太赫兹图像。实验结果显示添加真实的太赫兹图像的训练集分割的“100”背景噪声显著减少。之后为确定“H”的成像帧频,分别在训练集中的场景中及探测器中添加了不同程度的高斯噪声。同时也给出多种方法之间分割效果的比较。神经网络分割图像需要网络学习训练集的特征后完成图像分割,而采用聚类算法无需预先学习即可完成图像分割。但是聚类数以及目标函数会影响聚类算法的分割效果。本文采用手肘法以及轮廓系数法自动确定最优聚类数,避免聚类数不当对分割效果的影响。利用K均值算法的分割图像的效果验证其正确性。之后将K均值算法目标函数的距离度量由非鲁棒性距离量度——欧式距离改为鲁棒性距离核函数,减弱了算法在分割图像对孤立点以及噪声的敏感性。并在此基础上增加局部邻域的信息改善图像的分割效果。