阈值法图像分割实验报告
数字图像处理实验报告——图像分割实验
实验报告课程名称数字图像处理导论专业班级_＿____＿＿_＿___＿_姓名 __＿___＿_____＿__学号___＿＿_____＿____电气与信息学院与谐勤奋求就是创新一．实验目得1.理解图像分割得基本概念;2.理解图像边缘提取得基本概念；3.掌握进行边缘提取得基本方法；4.掌握用阈值法进行图像分割得基本方法.二。
实验内容1.分别用Roｂerｔs，Ｓobel与拉普拉斯高斯算子对图像进行边缘检测。
比较三种算子处理得不同之处；2.设计一个检测图1中边缘得程序，要求结果类似图2，并附原理说明。
3.任选一种阈值法进行图像分割、图1 图２三．实验具体实现1.分别用Robｅrts,Ｓobel与拉普拉斯高斯算子对图像进行边缘检测。
比较三种算子处理得不同之处；I=ｉｍreａｄ(’ｍｒi、ｔｉｆ');imshｏw（Ｉ)BW1=edgｅ（I，’ｒoｂerｔs’）;ｆigure ，ｉｍshow（BＷ1）,titlｅ(’用Robeｒｔs算子’)ＢW2=edgｅ(Ｉ，’sｏbel’);ｆigure,imshoｗ（BW2），ｔitle（’用Sｏbｅl算子 ')BW３＝ｅdge(I，’log’);figure，iｍshｏw（BW３)，titlｅ(’用拉普拉斯高斯算子’）比较提取边缘得效果可以瞧出,sｏbｅr算子就是一种微分算子,对边缘得定位较精确,但就是会漏去一些边缘细节.而Ｌaplaｃｉan—Gaussiaｎ算子就是一种二阶边缘检测方法，它通过寻找图象灰度值中二阶过零点来检测边缘并将边缘提取出来，边缘得细节比较丰富。
通过比较可以瞧出Ｌａplaciaｎ-Gauｓsｉan算子比sobeｒ算子边缘更完整，效果更好。
2.设计一个检测图1中边缘得程序，要求结果类似图2，并附原理说明.i=ｉmread（＇m８3、ｔif’）;subplｏｔ（１，2,1）；ｉmｈｉst（i）;ｔitle（'原始图像直方图'）;thread＝1３０/２5５；subplot（1，２，2);ｉ3=ｉｍ2bｗ(i，thrｅaｄ）；imsｈow（i3)；titlｅ('分割结果’);3.任选一种阈值法进行图像分割、i=iｍread（'tｒｅes、tif’）;subploｔ（１,2,1）；imｈist（i)；ｔitle（＇原始图像直方图’)；threａd=10０/２5５；sｕｂploｔ（１，2,2）;i3=iｍ2bｗ(i,thread）;imｓhow（i３）;titlｅ('分割结果’)1、分别用Robｅrts，Sobel与拉普拉斯高斯算子对图像进行边缘检测。
图像的阈值分割及边缘检测技术
数字图像处理实验报告题目：图像的阈值分割及边缘检测技术班级：姓名：学号：图像的阈值分割及边缘检测技术一、实验目的1、了解图像的分割技术，掌握图像的全局阈值分割技术并通过MATLAB实现；2、了解图像的边缘检测，掌握梯度算子图像边缘检测方法。
二、实验内容1、基于直方图的全局阈值图像分割方法；2、Edge命令（roberts,perwitt,sobel,log,canny），实现边缘检测。
三、实验原理1、全局阈值是最简单的图像分割方法。
其中，直方图法的原理如下：想做出图像的直方图，若其直方图呈双峰且有明显的谷底，则可以讲谷底点所对应的灰度值作为阈值T，然后根据该阈值进行分割，九可以讲目标从图像中分割出来。
这种方法是用于目标和背景的灰度差较大且直方图有明显谷底的情况。
2、用于边缘检测的梯度算子主要有Roberts算子、Prewitt算子、Sobel算子。
这三种检测算子中，Roberts算子定位精度较高，但也易丢失部分边缘，抗噪声能力差，适用于低噪声、陡峭边缘的场合。
Prewitt算子、Sobel算子首先对图像做平滑处理，因此具有一定的抑制噪声的能力，但不能排除检测结果中的虚假边缘，易出现多像素宽度。
四、实验步骤1、全局阈值分割：①读取一张图像；②生成该图像的直方图；③根据直方图双峰产生的低谷估计阈值T；④依次读取图像各个点的像素，若大于阈值，则将像素改为255，若小于阈值，则将该像素改为0；实验代码如下：I=imread('cameraman.tif'); %读取一张图像subplot(221);imshow(I); %显示该图像subplot(222);imhist(I); %生成该图像的直方图T=60; %根据直方图估计阈值T为60[m,n]=size(I); %取图像的大小为【m,n】for i=1:m %依次读取图像各个点的像素，若大于阈值，则将像素改为255，若小于阈值，则将该像素改为0for j=1:nif I(i,j)>=T I(i,j)=255;else I(i,j)=0;endendendsubplot(223);imshow(I); %显示全局阈值分割后的图像2、图像的边缘检测①读取一张图像；②分别使用roberts算子检测、Prewitt算子检测、sobel算子检测、log算子检测、canny算子检测对图像进行处理③输出实验结果图像实验代码如下：I=imread('cameraman.tif'); %读取一张图像subplot(231);imshow(I);title('原图像');BW1=edge(I,'roberts'); %进行Roberts算子边缘检测，门限值采用MATLAB默认值BW2=edge(I,'prewitt'); %进行prewitt算子边缘检测，门限值采用MATLAB默认值BW3=edge(I,'sobel'); %进行sobel算子边缘检测，门限值采用MATLAB默认值BW4=edge(I,'log'); %进行log算子边缘检测，门限值采用MATLAB默认值BW5=edge(I,'canny'); %进行canny算子边缘检测，门限值采用MATLAB默认值subplot(232);imshow(BW1,[]);title('进行Roberts算子边缘检测');subplot(233);imshow(BW2,[]);title('进行prewitt算子边缘检测');subplot(234);imshow(BW3,[]);title('进行spnel算子边缘检测’);subplot(235);imshow(BW4,[]);title('进行log算子边缘检测');subplot(236);imshow(BW5,[]);title('进行canny算子边缘检测');五、实验结果1、图像全局阈值分割源图像直方图全局阈值分割后的图像2、图像的边缘检测六、实验心得1、通过本次实验，我学习到利用MATLAB进行图像的全局阈值分割，其方法是通过图像的直方图估计出阈值再进行分割。
图像分割处理实验报告
图像分割处理实验报告1. 引言图像分割是计算机视觉中的重要任务之一，其目标是将图像划分成具有相似特征的子区域。
图像分割在很多应用领域中都有着广泛的应用，比如医学影像分析、目标检测和图像编辑等。
本实验旨在探索不同的图像分割算法，并比较它们在不同场景下的效果和性能。
2. 实验方法2.1 实验数据本实验选取了一组包含不同场景的图像作为实验数据集，包括自然景观、人物肖像和城市街景等。
每张图像的分辨率为500x500像素。
2.2 实验算法本实验使用了两种经典的图像分割算法进行比较，分别是基于阈值的分割和基于边缘的分割。
2.2.1 基于阈值的分割基于阈值的分割算法是一种简单而直观的方法，其原理是根据像素值的亮度信息将图像分割成不同的区域。
在本实验中，我们将图像的灰度值与一个事先设定的阈值进行比较，如果大于阈值则设为白色，否则设为黑色，从而得到分割后的图像。
2.2.2 基于边缘的分割基于边缘的分割算法利用图像中的边缘信息进行分割，其原理是检测图像中的边缘并将其作为分割的依据。
在本实验中，我们使用了Canny边缘检测算法来提取图像中的边缘信息，然后根据边缘的位置进行分割。
2.3 实验流程本实验的流程如下：1. 加载图像数据集；2. 对每张图像分别应用基于阈值的分割算法和基于边缘的分割算法；3. 计算分割结果和原始图像之间的相似度，使用结构相似性指标（SSIM）进行评估；4. 分析并比较两种算法在不同场景下的分割效果和性能。
3. 实验结果3.1 分割效果实验结果表明，基于阈值的分割算法在处理简单场景的图像时效果较好，可以比较准确地将图像分割为目标区域和背景。
然而，当图像的复杂度增加时，基于阈值的分割算法的效果明显下降，往往会产生较多的误分割。
相比之下，基于边缘的分割算法在处理复杂场景的图像时表现良好。
通过提取图像的边缘信息，该算法能够较准确地分割出图像中的目标区域，相比于基于阈值的分割算法，其产生的误分割较少。
3.2 性能评估通过计算分割结果和原始图像之间的SSIM指标，我们可以得到两种算法在不同场景下的性能评估。
图像分割 实验报告
图像分割实验报告图像分割实验报告一、引言图像分割是计算机视觉领域中的一个重要研究方向，它旨在将一幅图像分割成具有语义意义的不同区域。
图像分割在许多应用中发挥着关键作用，如目标检测、场景理解和医学图像处理等。
本实验旨在探索不同的图像分割方法，并对其进行比较和评估。
二、实验方法本实验选择了两种常用的图像分割方法：基于阈值的分割和基于边缘的分割。
首先，我们使用Python编程语言和OpenCV库加载图像，并对图像进行预处理，如灰度化和平滑处理。
接下来，我们将详细介绍这两种分割方法的实现步骤。
1. 基于阈值的分割基于阈值的分割是一种简单而常用的分割方法。
它通过将图像像素的灰度值与预先设定的阈值进行比较，将像素分为前景和背景两类。
具体步骤如下：（1）将彩色图像转换为灰度图像。
（2）选择一个适当的阈值，将图像中的像素分为两类。
（3）根据阈值将图像分割，并得到分割结果。
2. 基于边缘的分割基于边缘的分割方法是通过检测图像中的边缘来实现分割的。
边缘是图像中灰度变化剧烈的区域，通常表示物体的边界。
具体步骤如下：（1）将彩色图像转换为灰度图像。
（2）使用边缘检测算法（如Canny算法）检测图像中的边缘。
（3）根据边缘信息将图像分割，并得到分割结果。
三、实验结果与讨论我们选择了一张包含多个物体的彩色图像进行实验。
首先，我们使用基于阈值的分割方法对图像进行分割，选择了适当的阈值进行实验。
实验结果显示，基于阈值的分割方法能够将图像中的物体与背景分离，并得到较好的分割效果。
接下来，我们使用基于边缘的分割方法对同一张图像进行分割。
实验结果显示，基于边缘的分割方法能够准确地检测出图像中的边缘，并将图像分割成多个具有边界的区域。
与基于阈值的分割方法相比，基于边缘的分割方法能够更好地捕捉到物体的形状和边界信息。
通过对比两种分割方法的实验结果，我们发现基于边缘的分割方法相对于基于阈值的分割方法具有更好的效果。
基于边缘的分割方法能够提供更准确的物体边界信息，但也更加复杂和耗时。
图像分割 实验报告
图像分割实验报告《图像分割实验报告》摘要：图像分割是计算机视觉领域的重要研究方向，它在许多领域都有着重要的应用价值。
本实验旨在探究图像分割算法在不同场景下的表现，并对比不同算法的优缺点，为图像分割技术的进一步发展提供参考。
一、实验背景图像分割是指将图像划分成若干个具有独立语义的区域的过程。
图像分割技术在医学影像分析、自动驾驶、图像识别等领域都有着广泛的应用。
因此，对图像分割算法的研究和优化具有重要意义。
二、实验目的本实验旨在通过对比不同图像分割算法在不同场景下的表现，探究其优劣，并为图像分割技术的进一步发展提供参考。
三、实验内容1. 数据准备：收集不同场景下的图像数据，包括自然景观、医学影像、交通场景等。
2. 算法选择：选择常用的图像分割算法，如基于阈值的分割、边缘检测、区域生长等。
3. 实验设计：将不同算法应用于不同场景的图像数据上，对比它们的分割效果和计算速度。
4. 结果分析：对比不同算法的优缺点，并分析其适用场景和改进空间。
四、实验结果通过实验我们发现，在自然景观图像中，基于阈值的分割算法表现较好，能够有效地将图像分割成不同的颜色区域；而在医学影像中，边缘检测算法表现更为出色，能够准确地识别出器官的边缘；在交通场景中，区域生长算法表现较好，能够有效地区分不同的交通标志和车辆。
五、结论不同的图像分割算法在不同场景下有着不同的表现，没有一种算法能够适用于所有场景。
因此，我们需要根据具体的应用场景选择合适的图像分割算法，或者结合多种算法进行优化，以达到更好的分割效果。
六、展望未来，我们将继续探究图像分割算法的优化和改进，以适应不同场景下的需求。
同时，我们还将研究图像分割算法在深度学习和人工智能领域的应用，为图像分割技术的发展贡献力量。
通过本次实验，我们对图像分割算法有了更深入的了解，也为其在实际应用中的选择提供了一定的指导。
希望我们的研究能够为图像分割技术的发展做出一定的贡献。
图像分割处理实验报告
一、实验目的：1.学会对图像进行二值化处理和直方图均衡化处理2.进一步了解数字图像处理的知识以及matlab软件的使用3.掌握基本的查资料方法二、实验内容把这幅图像分成同样大小的10幅人脸图片然后分别对第一行5幅人脸图像的第3 第4 第5 第二行5幅人脸图像的第1 第5 进行如下处理：1.进行大津法阈值分割的二值化处理2.进行直方图均衡化处理三、实验具体代码以及结果1.实验代码%clcclearsrc_path='D:\histogram matching.bmp'; %原始图片路径dst_path='D:\picture\'; %分割图片后保存路径mkdir(dst_path);A = imread(src_path); %读入原始图片[m,n,l] = size(A); %获得尺寸for i = 1:2for j = 1:5m_start=1+(i-1)*fix(m/2);m_end=i*fix(m/2);n_start=1+(j-1)*fix(n/5);n_end=j*fix(n/5);AA=A(m_start:m_end,n_start:n_end,:); %将每块读入矩阵imwrite(AA,[dst_path num2str(i) '-' num2str(j) '.jpg'],'jpg'); %保存每块图片endendcd 'D:\pic'x1=imread('1-3.jpg');%%%%%%%%%目标读取图像x2=imread('1-4.jpg');x3=imread('1-5.jpg');x4=imread('2-1.jpg');x5=imread('2-5.jpg');% matlab 自带的自动确定阈值的方法level1=graythresh(x1);level2=graythresh(x2);level3=graythresh(x3);level4=graythresh(x4);level5=graythresh(x5);%用得到的阈值直接对图像进行二值化处理并显示BW1=im2bw(x1,level1);BW2=im2bw(x2,level2);BW3=im2bw(x3,level3);BW4=im2bw(x4,level4);BW5=im2bw(x5,level5);figure(1),imshow(BW1);figure(2),imshow(BW2);figure(3),imshow(BW3);figure(4),imshow(BW4);figure(5),imshow(BW5);%直方图均衡化处理%%%%%%%%%%调用直方图均衡化函数 histeq（）%%%%%均衡化处理后的灰度级直方图分布figure(6),imhist(histeq(rgb2gray(x1))); figure(7),imhist(histeq(rgb2gray(x2))); figure(8),imhist(histeq(rgb2gray(x3))); figure(9),imhist(histeq(rgb2gray(x4))); figure(10),imhist(histeq(rgb2gray(x5)));%%%均衡化处理后的图像%%%%%%figure(11),imshow(histeq(rgb2gray(x1))); figure(12),imshow(histeq(rgb2gray(x2))); figure(13),imshow(histeq(rgb2gray(x3))); figure(14),imshow(histeq(rgb2gray(x4))); figure(15),imshow(histeq(rgb2gray(x5)));。
迭代阈值法实验报告(3篇)
第1篇一、实验背景迭代阈值法（Iterative Thresholding Method）是一种常用的图像处理技术，广泛应用于图像分割、边缘检测等领域。
该方法通过迭代调整阈值，将图像中的像素分为前景和背景，从而实现图像的分割。
本实验旨在验证迭代阈值法在图像分割中的应用效果，并分析不同参数设置对分割结果的影响。
二、实验目的1. 了解迭代阈值法的基本原理和实现方法。
2. 分析不同参数设置对图像分割结果的影响。
3. 比较迭代阈值法与其他图像分割方法的优缺点。
三、实验环境1. 操作系统：Windows 102. 编程语言：Python3. 图像处理库：OpenCV四、实验步骤1. 数据准备：收集多张不同场景的图像，包括自然场景、医疗图像、遥感图像等。
2. 图像预处理：对图像进行灰度化、滤波等预处理操作，提高图像质量。
3. 迭代阈值法实现：1. 读取预处理后的图像，将其转换为灰度图像。
2. 初始化阈值，可取图像的平均灰度或经验值。
3. 迭代计算前景和背景像素的灰度均值，更新阈值。
4. 根据新的阈值，将图像分割为前景和背景。
5. 重复步骤3和4，直至阈值不再变化或达到预设的迭代次数。
4. 结果分析：1. 对分割结果进行可视化，观察前景和背景的分割效果。
2. 分析不同参数设置对分割结果的影响，如迭代次数、初始阈值等。
3. 比较迭代阈值法与其他图像分割方法的优缺点。
五、实验结果与分析1. 实验结果：1. 自然场景图像分割结果：如图1所示，迭代阈值法能够较好地分割前景和背景，但在复杂场景中，分割效果可能受到噪声和边缘模糊等因素的影响。
2. 医疗图像分割结果：如图2所示，迭代阈值法能够有效地分割器官和组织，但在一些细节部位，分割效果可能不理想。
3. 遥感图像分割结果：如图3所示，迭代阈值法能够较好地分割地表和背景，但在一些复杂地形中，分割效果可能受到遮挡和阴影等因素的影响。
2. 结果分析：1. 迭代次数：迭代次数过多可能导致过度分割，影响分割效果；迭代次数过少可能导致分割不完整。
图像分割实验报告汇总
一、实验目的
1.掌握图像分割的基本思想，了解其分割技术及其计算策略；
2.学会从图像处理到分析的关键步骤，掌握图像分割过程；
3.了解图像分割的意义，进一步加深对图像分析和理解；
4.掌握基本分割方法：迭代分割和OTSU图像分割，并编程实现。
二、实验原理
（一）迭代阈值分割选取的基本思路是:首先根据图像中物体的灰度分布情况，选取一个近似阈值作为初始阈值，一个较好的方法就是将图像的灰度均值作为初始阈值，然后通过分割图像和修改阈值的迭代过程获得认可的最佳阈值。迭代式阈值选取过程可描述如下：
由图３可得：对于直方图双峰不明显或图像目标和背景比例差异悬殊迭代法所选取的阈值不如最大类间方差法（OTSU）（差异不是很大，很细微）。
但是对于直方图双峰明显谷底较深的图像迭代分割可以较快地获得满意结果。
五、实验程序段（具体见实验框架）
1.迭代图像分割：
void CImageProcessingDoc::Onimagediedaifenge()
msg.Format("分割阈值T=%d",T);
AfxMessageBox(msg);
for(j=0;j<m_Height;j++)
{
for(i=0;i<m_Width;i++)
{
if (m_pDibInit->m_pDibBits[j*m_SaveWidth + i]>=T)
m_pDibInit->m_pDibBits[j*m_SaveWidth + i]=255;
1.计算初始化阈值 = ；
2.根据 ，将图像分为两部分，分别计算灰度值期望，取其平均值为g1；
阈值法分割图像及Hough变换检测直线
实验五·阈值法分割图像及hough变换检测直线一、实验要求1、采用阈值法分割图像（阈值可以根据分割图像手动选取，或由函数计算得到）用极坐标表达式，编程检测直线2、说明：ρ，θ的取值，ρ∈[0, √m^2+n^2], θ∈[0,180]在二值化的边缘图像中，三重循环，当某个像素点为白点时，就根据表达式计算ρ的值，然后在相应的数组A（ρ，θ）中加1，最后根据图像中的情况选一个合适值选出数组大的数组。
一·阈值分割图像，类间最大距离法。
程序如下：I=imread('yu.jpeg');I=rgb2gray(I);I=double(I);[m,n]=size(I);Smax=0;for T=0:255sum1=0; num1=0;sum2=0; num2=0;for i=1:mfor j=1:nif I(i,j)>=Tsum2=sum2+I(i,j);num2=num2+1;elsesum1=sum1+I(i,j);num1=num1+1;endendendave1=sum1/num1;ave2=sum2/num2;S=((ave2-T)*(T-ave1))/(ave2-ave1)^2;if(S>Smax)Smax=S;Th=T;endendThfigure,imshow(uint8(I)),title('原图');for i=1:mfor j=1:nif I(i,j)>=ThI(i,j)=255;elseI(i,j)=0;endendendfigure,imshow(I),title('类间最大距离法');Hough变换检测直线。
程序代码如下:f=imread('yu.jpeg');f=rgb2gray(f);figure: subplot(121);imshow(f);j=edge(f,'Sobel');subplot(122);imshow(j); [row,col]=size(j);pinfang=round((row*row+col*col)^0.5); A=zeros(2*pinfang,180);for m=1:row for n=1:col if j(m,n)>0 for thera=1:180 r=thera/180*pi;rho=round(m*cos(r)+n*sin(r));rho=rho+pinfang+1;A(rho,thera)=A(rho,thera)+1;endendendend[rho,thera]=find(A>40);nma=length(rho);for i=1:nmahold onm=1:row;r=thera(i)/180*pi;n=(rho(i)-pinfang-m*cos(r))/(0.00001+sin(r)); plot(n,m,'r');end。
图像分割实验报告
图像分割实验报告一、实验目的1. 掌握图像分割的基本思想，了解其分割技术及其计算策略；2. 学会从图像处理到分析的关键步骤，掌握图像分割过程；3. 了解图像分割的意义，进一步加深对图像分析和理解；4. 掌握基本分割方法：迭代分割和OTSU图像分割，并编程实现。
二、实验原理（一）迭代阈值分割选取的基本思路是:首先根据图像中物体的灰度分布情况，选取一个近似阈值作为初始阈值，一个较好的方法就是将图像的灰度均值作为初始阈值，然后通过分割图像和修改阈值的迭代过程获得认可的最佳阈值。
迭代式阈值选取过程可描述如下：1. 计算初始化阈值g0=(g max+g min)；22. 根据g0，将图像分为两部分，分别计算灰度值期望，取其平均值为g1；3. 如此反复迭代，当|g n-g n−1|足够小时，停止迭代，取T=g n即为最终阈值。
（二）OTSU图像分割（最大类间方差法）是一种自适应的阈值确定的方法，是按图像的灰度特性,将图像分成背景和目标两部分。
背景和目标之间的类间方差越大,说明构成图像的两部分的差别越大, 当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。
因此,使类间方差最大的分割意味着错分概率最小。
以最佳门限将图像灰度直方图分割成两部分，使两部分类间方差取最大值，即分离性最大。
OTSU阈值选取过程可描述如下：1.记T为目标与背景的分割阈值，目标点数占图像比例为w1，平均灰度为u1；背景点数占图像比例为w2，平均灰度为u1；2.图像的总平均灰度为：u=w1*u1+w2*u2；3.目标和背景图象的方差：g=w1*(u1-u)*(u1-u)+w1*(u2-u)*(u2-u)=w1*w2*(u1-u2)*(u1-u2)；4.当方差g最大时，可以认为此时前景和背景差异最大，此时的灰度T是最佳阈值。
二、实验内容1. 利用C++编程实现迭代阈值图像分割算法；2. 利用C++编程实现OTSU动态阈值图像分割算法。
实验三图像分割
实验三图像分割一、实验目的1、了解图像分割的基本概念；2、掌握阈值分割、边缘检测的基本分割方法；3、对检测的目标图像分析其目标特征二、实验内容1、实验原理阈值分割利用图像中要提取的目标物与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域的组合，选择一个合适的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生二值图像。
边缘检测是利用边缘灰度变化的一阶或二阶导数的特点，可以将边缘点检测出来。
常用梯度、roberts、sobel、prewitt等算子进行检测。
图1 两种边缘点附近灰度方向导数变化规律2、MATLAB实现（1）在处理图像直方图的工具箱中，核心函数为imhist，其语法为：imhist（f,n）——直接显示f为输入图像，h为其直方图，n是形成直方图的灰度级个数（默认256）。
（2）阈值分割BW=im2bw( I，level) ——将灰度图像、RGB图像转换为二值图像Level为阈值（0~1），当输入图像的亮度小于level时，输出0，大于时输出1。
或不用函数。
直接编程实现。
（3）边缘检测函数edge提供了几个导数估计器。
该函数基本语法为：[g，t]=edge（f，‘method’，parameters）f——输入图像，g——输出图像，t——阈值。
‘method’是具体用到的检测方法（sobel、prewitt、roberts、log、zerocross、canny），parameters对应不同检测方法的参数。
sobel边缘检测器[g，t] = edge(f，'sobel'，T，'dir')T：指定阈值，dir：检测边缘首选方向（horizontal、vertical、both）g：检测到的逻辑图像，边缘位置为1，其余位置为0。
t可选，输出参数edge函数所用阈值T。
（一般t和T参数可以不用，dir默认为both）prewitt边缘检测器[g，t] = edge(f，'prewitt'，T，'dir')该函数参数与sobel相同。
分割实验报告范文
实验名称：分割实验一、实验目的1. 了解分割算法的基本原理和分类。
2. 掌握常用的分割算法，如阈值分割、边缘检测等。
3. 熟悉分割算法在图像处理中的应用。
二、实验原理分割算法是图像处理中的一项基本技术，其主要目的是将图像分割成若干个区域，以便对图像进行进一步的分析和处理。
分割算法可分为阈值分割、边缘检测、区域生长、聚类等方法。
1. 阈值分割：通过设定一个阈值，将图像中的像素分为两类，一类为背景，一类为前景。
2. 边缘检测：通过检测图像中像素的灰度变化，找出图像的边缘。
3. 区域生长：从种子点开始，逐步将相邻的像素合并到同一个区域。
4. 聚类：将图像中的像素根据其特征进行分类。
三、实验内容1. 阈值分割实验（1）选择一幅图像作为实验对象。
（2）设定阈值，对图像进行分割。
（3）分析分割结果，比较不同阈值对分割效果的影响。
2. 边缘检测实验（1）选择一幅图像作为实验对象。
（2）采用不同的边缘检测算法（如Sobel、Prewitt、Roberts等）对图像进行处理。
（3）比较不同算法的边缘检测结果，分析其优缺点。
3. 区域生长实验（1）选择一幅图像作为实验对象。
（2）设定种子点，选择合适的邻域搜索方法（如八邻域、四邻域等）。
（3）逐步将相邻的像素合并到同一个区域。
（4）分析分割结果，比较不同邻域搜索方法对分割效果的影响。
4. 聚类实验（1）选择一幅图像作为实验对象。
（2）采用不同的聚类算法（如K-means、层次聚类等）对图像进行处理。
（3）比较不同算法的聚类结果，分析其优缺点。
四、实验步骤1. 准备实验环境，安装相关软件。
2. 选择实验对象，如一张包含前景和背景的图像。
3. 根据实验目的，选择合适的分割算法。
4. 设置参数，如阈值、邻域搜索方法等。
5. 运行实验，观察分割结果。
6. 分析实验结果，总结经验。
五、实验结果与分析1. 阈值分割实验结果分析通过实验，我们可以发现，不同的阈值对分割效果有较大影响。
多媒体图像处理实验——阈值分割实验报告
图像分割迭代法实现图像阈值分割：一．实验原理图像阈值化分割是一种最常用，同时也是最简单的图像分割方法，它特别适用于目标和背景占据不同灰度级范围的图像。
它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。
图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域布局有这种一致属性。
这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。
迭代法是基于逼近的思想，其步骤如下：(1)求出图象的最大灰度值和最小灰度值，分别记为Zmax和Zmin，令初始阈值T0=(Zmax+Zmin)/2；(2)根据阈值TK将图象分割为前景和背景，分别求出两者的平均灰度值ZO和ZB；(3)求出新阈值TK+1=(ZO+ZB)/2；(4)若TK=TK+1，则所得即为阈值；否则转2，迭代计算。
迭代所得的阈值分割的图象效果良好。
基于迭代的阈值能区分出图像的前景和背景的主要区域所在，但在图像的细微处还没有很好的区分度。
经试验比较，对于直方图双峰明显，谷底较深的图像，迭代方法可以较快地获得满意结果。
但是对于直方图双峰不明显，或图像目标和背景比例差异悬殊，迭代法所选取的阈值不如最大类间方差法。
二．实验内容对测试图像进行图像分割，求出分割测试图像的最佳阈值。
分别显示原图、原图的直方图（标出阈值）、和分割后的二值图。
图1——测试图像三．实验程序%分割clear;I=imread('D:\fenge.jpg');figure(1)subplot(121);imshow(I);title('原图');[M,N]=size(I);T=125;%令原图像直方图两峰之间的谷底作为阈值ok=true;while okF1=I>=T;F2=I<T;aveF1=mean(I(F1));aveF2=mean(I(F2));newT=0.5*(aveF1+aveF2);ok=abs(T-newT)>=1;T=newT;endF=255*(I>T)+0*(I<=T);figure(1)subplot(122);imshow(F)title('分割后的二值图像');figure(2)[counts,x]=imhist(I,256);counts=counts/M/N;stem(x,counts,'.');hold on;plot([T,T],[0,0.03],'r');%直方图阈值分界线str=num2str(T);text(T,0.01,'阈值分割线');text(T,0.015,str);title('原图直方图');四．结果分析从图2原图像直方图中可以看出，选择初始阈值时可以选择两峰值之间的谷底作为阈值，经过迭代计算后，可以得出最终阈值。
图像分割实验报告
图像分割实验报告
《图像分割实验报告》
图像分割是计算机视觉领域的一项重要技术，它能够将图像分割成不同的区域或对象，为图像识别、目标检测等任务提供了重要的基础。
本实验报告将介绍我们在图像分割领域的研究成果及实验结果。
实验目的
本次实验的目的是通过对图像分割算法的研究和实验，探讨不同算法在图像分割任务中的表现，并对比它们的优缺点，为进一步的研究提供参考。
实验方法
我们选取了常用的图像分割算法，包括基于阈值的分割、区域增长法、边缘检测法、基于聚类的分割等，对这些算法进行了实验比较。
我们使用了多种类型的图像数据集，包括自然场景图像、医学影像等，以验证算法在不同场景下的表现。
实验结果
通过实验，我们发现不同的图像分割算法在不同的图像类型下表现出不同的优劣势。
基于阈值的分割算法在简单的图像中表现较好，但在复杂的场景下效果有限；区域增长法对于连续性较强的对象分割效果较好；边缘检测法在处理边缘清晰的图像时表现出色；基于聚类的分割算法对于复杂背景下的对象分割有一定优势。
结论
通过本次实验，我们对图像分割算法的优劣势有了更深入的了解，不同的算法适用于不同的场景。
在未来的研究中，我们将进一步探索图像分割算法的改进
和优化，以提高图像分割的准确性和效率，为计算机视觉领域的发展贡献力量。
基于阈值法的图像分割
数字图像处理课基于阈值法的图像分割实验目的：利用图像分割技术中阈值分割中的迭代法实现图像分割。
实验原理：迭代法原理迭代法的的设计思想是，开始时选择一个阈值作为初始估计值， 然后按某种策略不断的改进这一估计值，直到满足给定的准则为止。
在迭代过程中，关键之处在于选择什么样的阈值改进策略。
好的改进 策略应该具备两个特征：一是能够快速收敛，二是在每一个迭代过程 中，新产生的阈值优于上一次的阈值。
下面介绍一种迭代法：① 选择图像灰度的中值作为初始阈值Th② 利用阈值Th 把图像分割为两个区域C i 和C 2，用下式计算区域C i 和C 2的灰度均值J 1和J 2•"丄7 f(x,y) (i =1,2)，N Ci 为第i 类中的像素个数 N C i (x,y)£i③ 计算出Ji 和J 后，用下式计算出新的阈值Th new ④ 重复②和③，直到Th new 和Th 的差小于某个特定的值实验程序源代码:%读取图像 %将真彩色图像转换为灰度图像 %把灰度图像的数据类型转换成转换成双精度浮点类型 g=f>=T;Tn=0.5*(mea n(f(g))+mea n(f(~g)));don e=abs(T-T n)<0.1;T=T n;endT r=im2bw(f,T); %使用阈值变换法把灰度图像转换成二值图像 clc;clear all;f=imread('1.jpg');f=rgb2gray(f);f=im2double(f);T=0.5*(min(f(:))+max(f(:))); done=false;while ~do nefigure,imshow(f),title('原图');figure,imshow(r),title('迭代法');实验结果：实验用了三幅图像，结果如下:file Edit View Insert Taals Desktop Window Help原團%显示一张二值图像I 口丨回File Edit View Insert Tools Desktop Window Help Dc^QS □S|"B EM Figure 1CD回JM Figure 2 [ 口 [回File Edr Viev Inser Tool Desktc Windo Helt、MM迭代法。
阈值分割 数字图像处理实验
目录第一章绪论 (2)1.1 论文选题背景 (2)1.1.1 阈值分割背景知识 (2)1.1.2 阈值分割的实现方法 (2)1.2 论文的主要工作与结构安排 (3)第二章视频采集与显示相关概念 (4)2.1 帧和场 (4)2.2 YCbCr及其采样格式 (4)第三章 DSP平台及软件开发 (6)3.1 DSP平台 (6)3.1.1 DSP发展简介 (6)3.1.2 TMS320DM642 DSP芯片简介 (6)3.1.3 硬件平台SEED-VPM642 (7)3.2 C6000 DSP软件开发 (8)3.2.1 C6000 软件开发平台CCS (8)3.2.2 C6000 DSP软件开发流程 (9)第四章阈值分割在MA TLAB上的实现 (12)第五章阈值分割在DSP上的实现 (13)5.1 系统流程与实现方案 (13)5.1.1 视频采集模块 (13)5.1.2 初始化模块 (15)5.1.3 图像阈值处理及输出模块 (17)5.2 工程中的主要库和文件 (18)4.2.1 工程中的库(.lib) (18)4.2.2 工程中的主要文件 (19)5.3 程序运行及结果验证 (20)附录：各源程序代码及其详细分析 (21)第一章绪论1.1 论文选题背景1.1.1 阈值分割背景知识图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。
图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。
有些算法需要先对图像进行粗分割，因为他们需要从图像中提取出来的信息。
例如，可以对图像的灰度级设置门限的方法分割。
值得提出的是，没有唯一的标准的分割方法。
许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割，同时，某些分割方法也只是适合于某些特殊类型的图像分割。
分割结果的好坏需要根据具体的场合及要求衡量。
图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。
数字图像实验 实验图像的阈值分割
实验五图像的阈值分一、实验目的1.掌握图像分割的基本理论和一般实现方法；2. 用VC++6.0编程实现图像的阈值分割。
二、实验内容1．学习图像的阈值分割理论和实现方法；2．用VC++6.0编程实现图像的阈值分割；三、实验步骤（1）启动VC++6.0，打开Dip工程。
（2）在菜单栏→insert→resouce→dialog→new,在对话框模版的非控制区点击鼠标右键，在弹出的对话框中选properties,设置为ID：IDD_DLG_THRESHOLD,C标题：阈值变换参数设置。
（3）在弹出的对话框中，添加如下的按钮等控件：（4）在ResourceView栏中→Menu→选IDR_DIPTYPE ,如图在点运算菜单栏下空的一栏中，右键鼠标，在弹出的对话框中选属性properties，在弹出的对话框中，进行如下的设置（5）右击阈值变换菜单栏，在建立的类向导中进行如下设置（6）在DipDoc.cpp中找到void CDipDoc::OnPointThre()添加如下代码void CDipDoc::OnPointThre(){//判断当前是否有图像对象if( m_pDibObject == NULL ) return;//在点处理CPointPro类中创建用来绘制直方图的数据CPointPro PointOperation( m_pDibObject );int *pHistogram = PointOperation.GetHistogram();//生成一个对话框CHistDlg类的实例CDlgThreshold ThreshDlg;//将绘制直方图的数据传递给CHistDlg对话框类的公有成员变量m_pnHistogramif( pHistogram != NULL ){ThreshDlg.m_pnHistogram = pHistogram;//设置当前像素值为0的像素数//HistDlg.m_nCurrentPiexsNum = pHistogram[0];}// 更改光标形状BeginWaitCursor();ThreshDlg.m_nThresholdAutoAdjust = PointOperation.FindThresh_Discriminant();ThreshDlg.m_nThresholdDiscriminant = PointOperation.FindThresh_Auto();ThreshDlg.m_nCurrentThreshold = ThreshDlg.m_nThresholdAutoAdjust;//显示对话框if ( ThreshDlg.DoModal() != IDOK)return;delete [] pHistogram;// 调用Threshold()函数进行阈值化操作PointOperation.Threshold(ThreshDlg.m_nCurrentThreshold,ThreshDlg.m_nThresholdType, TRUE);// 设置脏标记//SetModifiedFlag(TRUE);// 更新视图UpdateAllViews(NULL);// 恢复光标EndWaitCursor();}（7）在DipDoc.cpp中添加#include "DlgThreshold.h"（8）将DlgThreshold.h、DlgThreshold.cpp文件拷贝到当前工程目录文件里面；并添加到当前工程。
图像分割实验报告
图像分割实验报告图像分割实验报告一、引言图像分割是计算机视觉领域中的重要研究方向之一，它旨在将一幅图像分割成若干个具有相似特征的区域。
图像分割在许多应用中都起着关键作用，如目标检测、图像识别、医学图像处理等。
本实验旨在探究不同的图像分割算法的性能和适用场景。
二、实验方法本次实验选取了常用的两种图像分割算法：基于阈值的分割算法和基于边缘检测的分割算法。
实验使用的图像为一幅自然风景图。
1. 基于阈值的分割算法基于阈值的分割算法是最简单且常用的分割方法之一。
该方法通过设置一个或多个阈值，将图像中像素的灰度值与阈值进行比较，将像素分为不同的区域。
实验中，我们通过观察图像的灰度直方图，选择合适的阈值对图像进行分割。
2. 基于边缘检测的分割算法基于边缘检测的分割算法通过检测图像中的边缘信息来实现分割。
实验中，我们选取了经典的Canny边缘检测算法。
该算法首先对图像进行高斯滤波，然后计算图像的梯度，最后通过非极大值抑制和双阈值处理来提取图像的边缘。
三、实验结果1. 基于阈值的分割算法通过观察图像的灰度直方图，我们选择了适当的阈值对图像进行分割。
实验结果显示，该方法能够将图像中的前景物体与背景分离，并得到清晰的边界。
然而，该方法对光照变化和噪声比较敏感，当图像中存在复杂的纹理和颜色变化时，分割效果较差。
2. 基于边缘检测的分割算法使用Canny边缘检测算法对图像进行分割，实验结果显示，该方法能够有效地提取图像中的边缘信息。
与基于阈值的方法相比，基于边缘检测的方法对光照变化和噪声有较好的鲁棒性。
然而，该方法在分割复杂纹理和颜色变化较小的区域时，容易产生边缘断裂的问题。
四、讨论与总结通过本次实验，我们对比了基于阈值的分割算法和基于边缘检测的分割算法的优缺点。
基于阈值的方法简单直观，适用于对比较简单的图像进行分割；而基于边缘检测的方法能够提取图像中的边缘信息，适用于复杂的图像分割任务。
然而，两种方法都存在一定的局限性，需要根据具体的应用场景选择合适的算法。
阈值法图像分割实验报告
阈值法图像分割实验报告阈值法图像分割实验报告 1 实验目的图像分割阈值法具有实现容易、计算量小、性能稳定等优点。
因此这种方法成为图像分割领域中应用最普遍的方法。
本文主要讨论了基于直方图法的图像分割的设计与实现，并与迭代法进行了对比实验。
2 实验环境Microsoft VC++6.0软件平台，32位Windows XP操作系统。
3 实验原理基础3.1 直方图法直方图阈值法其阈值主要通过分析图像的灰度直方图来进行确定。
假定一幅图像如图3-1所示，其中背景是灰色，物体为灰白色的，背景中的黑色像素产生了直fxy(,)方图的左锋，而物体的各灰度级产生了直方图的右峰。
由于物体边界像素数相对而言较少，从而产生两峰之间的谷，选择谷对应的灰度值作为阈值T，利用式3.1，可以得到一幅二值图像gxy(,)，用于后续处理和分析。
0,(,)fxyT,, (3.1) g(,)xy,,255,(,)fxyT,,背景部分物体部分0255阈值T图3-1 利用直方图选择二值化阈值3.2 迭代法(用于对比试验)迭代法也是一种在图像分割过程中选择合适阈值的方法。
它是基于逼近的思想通过阈值迭代的方式利用程序自动计算出比较合适的分割阈值。
迭代法指在初始条件中假设一个阈值，而通过对图像的迭代运算来不断地更新这一假设阈值来得到最佳阈值。
迭代法阈值分割主要算法:RR，minmax1( 求出图像最小灰度值和最大灰度值计算初始阈值为T,RRminmax022( 根据阈值将图像分割成目标和背景两部分，求出两部分的平均灰度值RijNij(,)(,)，RijNij(,)(,)，,,RijT(,),RijT(,),kkR,R,0GNij(,)Nij(,),,RijT(,),RijT(,),kk为图像上点的灰度值，为点的权重系数，一般为Rij(,)(,)ijNij(,)(,)ijNij(,)的个数 T 为阈值 Rij(,)RR，0G3. 重新选择阈值，新的阈值定义为 TTT,k，1k，1，k124. 循环做第二步到第四步，当 TT,则结束，即可获得最佳阈值来对图像进行kk，1分割。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
阈值法图像分割实验报告阈值法图像分割实验报告 1 实验目的图像分割阈值法具有实现容易、计算量小、性能稳定等优点。
因此这种方法成为图像分割领域中应用最普遍的方法。
本文主要讨论了基于直方图法的图像分割的设计与实现，并与迭代法进行了对比实验。
2 实验环境Microsoft VC++6.0软件平台，32位Windows XP操作系统。
3 实验原理基础3.1 直方图法直方图阈值法其阈值主要通过分析图像的灰度直方图来进行确定。
假定一幅图像如图3-1所示，其中背景是灰色，物体为灰白色的，背景中的黑色像素产生了直fxy(,)方图的左锋，而物体的各灰度级产生了直方图的右峰。
由于物体边界像素数相对而言较少，从而产生两峰之间的谷，选择谷对应的灰度值作为阈值T，利用式3.1，可以得到一幅二值图像gxy(,)，用于后续处理和分析。
0,(,)fxyT,, (3.1) g(,)xy,,255,(,)fxyT,,背景部分物体部分0255阈值T图3-1 利用直方图选择二值化阈值3.2 迭代法(用于对比试验)迭代法也是一种在图像分割过程中选择合适阈值的方法。
它是基于逼近的思想通过阈值迭代的方式利用程序自动计算出比较合适的分割阈值。
迭代法指在初始条件中假设一个阈值，而通过对图像的迭代运算来不断地更新这一假设阈值来得到最佳阈值。
迭代法阈值分割主要算法:RR，minmax1( 求出图像最小灰度值和最大灰度值计算初始阈值为T,RRminmax022( 根据阈值将图像分割成目标和背景两部分，求出两部分的平均灰度值RijNij(,)(,)，RijNij(,)(,)，,,RijT(,),RijT(,),kkR,R,0GNij(,)Nij(,),,RijT(,),RijT(,),kk为图像上点的灰度值，为点的权重系数，一般为Rij(,)(,)ijNij(,)(,)ijNij(,)的个数 T 为阈值 Rij(,)RR，0G3. 重新选择阈值，新的阈值定义为 TTT,k，1k，1，k124. 循环做第二步到第四步，当 TT,则结束，即可获得最佳阈值来对图像进行kk，1分割。
4 程序设计4.1 直方图法算法流程如错误～书签自引用无效。
所示。
统计直方确定波峰波输入图像确定阈值T二值化图像保存图谷图4-1 直方图阈值法算法流程统计直方图和阈值分割流程图如图4-所示。
输入图像输入图像读信息头lpbit读信息头lpbit获取位图数据文件首地址L获取阈值T获取图像宽度W和高度H获取图像宽度W和高度Hi=0,j=0i=0,j=0Noi<WNoi<WYesYesj=0j=0Noj<HNoj<HYesYesZhifangtu[*lpbit+i*w+j]++;Nod>TYesj=j+1*(lpbit+i*width+j)=*(lpbit+i*width+j)=2550i=i+1j=j+1i=i+1结束结束(a)统计直方图 (b)阈值分割图4-2 程序设计流程图4.2 关键程序语段unsigned i,j; // 循环变量unsigned char pixel; // 像素值long lHistogram[256]; // 直方图数组LONG lLineBytes; // 图像每行的字节数//获得直方图for (i = 0;i < 256 ;i++)//初始化数组lHistogram[i]=0;lLineBytes = WIDTHBYTES(width * 8);// 计算图像每行的字节数for (i = 0;i < width ;i++){for(j = 0;j < height ;j++){// 指向源图像倒数第j行，第i个象素的指针pixel = *(buf+lLineBytes * j + i);lHistogram[pixel]++;}}//初始化阈值unsigned char yuzhi=0;//创建阈值选择对话框CFENGE dlg1;dlg1.m_Yuzhi=0;//在对话框里输出说明文字CString ss;ss.Format("如果峰值较多，建议用迭代法");dlg1.m_ShuChu+=ss;// 显示对话框，提示用户输入阈值for (i = 0; i <256; i++)dlg1.m_fIntensity[i] = (float)lHistogram[i]; if (dlg1.DoModal() != IDOK){return; // 返回}yuzhi=(unsigned char)dlg1.m_Yuzhi;delete dlg1;// 删除对话框//根据阈值将图像二值化for ( i = 0;i < width ;i++){for(j = 0;j < height ;j++){pixel = *(buf+lLineBytes * j + i);if(pixel<= yuzhi){*(buf+lLineBytes * j + i)=(unsigned char)0; }else{*(buf+lLineBytes * j + i)=(unsigned char)255;}}}5 实验结果5.1程序界面运行程序生成可执行程序文件TT.exe，文件操作界面如图5-1所示。
图5-1 程序运行界面程序可读取、处理和保存8位灰度图像，并可对8位灰度图像进行图像分割操作，用户界面设计较人性化。
5.2示例1对所示的目标图像进行阈值分割处理，结果如图5-2所示。
(a) 目标图像 (b) 直方图统计结果图5-2 图像分割直方图由图中可以看出，图像有很多峰，这样给我们选取峰谷确定阈值带来了一定的困难，下面我们将通过试探的方法，研究直方图法的优缺点分别选择不同阈值参数，对图5-3(a)所示的图像进行图像分割，结果如下图所示。
其中(a)~(e)为直方图法的处理结果，而(f)为迭代法的处理结果，用于对比直方图法选取阈值的合理性。
(a)阈值T=30 (b)阈值T=50(c)阈值T=60 (d)阈值T=80(e)阈值T=100 (f)迭代法，阈值T=87图5-3 不同阈值的图像分割效果图中(f)图为迭代法的结果，阈值为87，可以看出处理结果较理想，而其他阈值则不太理想，因为峰值太多，给阈值选取带来了很大困难。
5.2示例2图像上半部分做了反色处理，这样可以更好地测试图像分割的目的性和作用。
(a)目标图像 (b)直方图统计图图5-4直方图统计(a)阈值T=50 (b)阈值T=100(c)阈值T=120 (d)迭代法，阈值T=128图5-5 不同阈值的图像分割效果从图中可以看出，这个示例的峰值相对较少，可以较好的选择阈值，以便于更好地分割图像，提取目标，可以看出处理后的图片比原始图片更加容易辨认目标，基本上达到了目的。
6 结论6.1 算法性能分析由实验结果可以看出，阈值法图像分割中迭代法的处理结果比较理想，可以作为一个很好的参考，对于直方图阈值法来说，虽然操作简单方便，但有以下缺点:1. 不适合处理峰值较多，灰度级分布较密的图像。
2. 无法获得最优阈值，因此无法获得最佳结果。
6.2 总结通过光学图像处理课程的学习，我们对数字图像的来源，显示，处理等过程有了初步了解。
对光学系统的成像过程，数字图像的传输，编码，复原，分割，压缩等理论知识和关键技术有了较系统的掌握，并能够得以初步应用。
通过这一段时间的图像处理实践过程，我们对BMP格式图像的数据结构有了更深入的了解，能够灵活运用C++编程语言对BMP图像进行读写，存储以及一些简单处理等操作，对阈值法图像分割操作体会尤深。
总之，光学图像处理课程的开设对我们的学习，科研等有较大帮助，虽然研究内容与之相关甚微，但老师在课程中提出的研究问题的思想与方法让我们受益匪浅。
7 附录//迭代求最佳阈值iNewThreshold = (iMin + iMax)/2;iThreshold = 0;for(iIterationTimes = 0; iThreshold != iNewThreshold &&iIterationTimes < 200;iIterationTimes ++){iThreshold = iNewThreshold;lP1 =0;lP2 =0;lS1 = 0;lS2 = 0;//求两个区域的灰度平均值for (i = iMin;i < iThreshold;i++) {lP1 += lHistogram[i]*i;lS1 += lHistogram[i];}iMean1 =(unsigned char)(lP1 / lS1); for (i = iThreshold+1;i < iMax;i++) {lP2 += lHistogram[i]*i;lS2 += lHistogram[i];}iMean2 = (unsigned char)(lP2 / lS2); iNewThreshold = (iMean1 + iMean2)/2; }。