论文部分内容阅读
图像分割是由图像处理到图像分析的关键步骤,也是一种基本的计算机视觉技术。这是因为图像的分割、目标的分离、特征的提取和参数的测量将原始的图像转化为更抽象更紧凑的形式,使得更高层的分析和理解成为可能。因此,图像分割多年来一直得到人们的高度重视。尽管已经有很多种经典的分割算法,但是仍然没有一种分割方法能够对所有的图像都产生理想的分割结果,而根据待分割图像的不同特点,结合已知的先验知识,研究符合具体图像特性的分割模型,才是提高图像分割的重要手段。在进行图像处理时,图像的结构特征非常明显,如果抓住了这一特征,那么在进行图像处理时将会减少大量的处理时间。由于形态学技术在进行图像处理时,充分考虑到了图像的结构特征,因此相对于其他图像处理方法而言,形态学技术具有独特的结构特征优势。形态学分水岭变换是一种数学形态学图像分割方法,它可以得到精确的边缘,即连续、封闭、单象素宽的边缘。形态学分水岭算法已经被广泛地应用在图像处理的很多领域。但是它的主要缺点就是对噪声十分敏感,很弱的噪声就会造成严重的过分割现象,致使分割结果出现大量的零散区域,也就是过分割现象。本文在分割处理前、分割处理中两个阶段解决过分割问题,可以有效地减少分割区域(过分割问题)。本文的研究工作主要包括了这样几个方面:1)在第2章和第3章中,主要介绍模糊形态学和分水岭算法的基本理论及算法的具体实现步骤,从算法的定义角度到算法的具体实现都进行了描述。2)在深入研究和分析图像森林变换(IFT)分水岭算法的基础上,针对分水岭过分割现象的存在提出了一种改进的分水岭算法。首先,利用自动识别最优阈值的方法确定图像最佳分割阈值,其次,对IFT分水岭算法路径代价函数的约束条件进行了适当的修改,提出了一种减少IFT分水岭算法存储空间和加快执行速度的改进算法;实验结果表明该算法实现了目标与背景的分离,同时目标的细节保留比较完整。3)在上述工作的基础上以及结合模糊形态学和分水岭算法的特点,本文提出了一种将两种方法相结合的图像分割方法,采用模糊形态学的方法对图像进行平滑处理,然后用改进IFT分水岭算法进行分割,最后得到分割结果,解决过分割现象及使后续处理能够更快速的完成。4)为验证该方法的有效性,将本文提出的分割方法通过Matlab进行了仿真实验,并应用到医学图像和农业图像中。实验结果表明此分割方法能有效地解决过分割和边界不连续等问题,取得了较好的分割结果。最后总结了全文的主要工作并对后续的研究方向提出了展望。