基于灰度图像的阈值分割改进方法

基于灰度图像的阈值分割改进方法

【摘要】目前，数字图像处理技术在各个领域上都有了比较广泛的应用。若人们只对图像的某个部分感兴趣，为了能够把其提取出来，就得对图像进行分割，即把图像分成一些具有不同特征而有意义的区域，以便进一步的进行图像分析和理解。本文在基于matlab运行环境下分析了传统的灰度阈值图像分割，即双峰法、迭代法和最大类间方差法在细节部分分割上的缺点，然后，结合图像增强中的微分梯度，对原有图像的细节进行锐化增强，然后再使用这三种方法进行分割，得到的分割结果和传统的分割方法得到的结果进行比较得出结论，改进后的方法确实达到了改善分割后图像细节的效果，为图像分割方法的改进提供了技术支持。

【关键词】图像分割；图像增强；阈值；梯度；matlab

1 图像分割概述

图像分割就是将图像按照人们的意愿分成许多个区域，使这些区域具有不重叠的特性或者该区域具有实际意义或是几个区域的图像特征相差不大。图像分割使得人们分离出目标区域，同时人们可以对图像的特征进行提取或者是对目标的一些参数进行一些简单的测量，为人们进行更深入的图像研究提供了基础。图像分割是图像处理的一个重要步骤，在人们进行图像处理研究的初期就已经受到人们的高度重视。

经过几十年的发展，到目前为止，人们已经提出了很多种分割方法。尽管图像分割的方法和种类有很多，却没有唯一的标准的分割

方法。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。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。

图像分割是数字图像处理中的关键技术之一。图像分割是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。虽然目前已研究出不少边缘提取、区域分割的方法，但还没有一种普遍适用于各种图像的有效方法。因此，对图像分割的研究还在不断深入之中，是目前图像处理中研究的热点之一。

图像分割的主要方法有基于区域的分割方法、基于边缘的分割方法、基于聚类分析的图像分割方法、基于小波变换的分割方法、基于神经网络的分割方法、基于模糊集理论的分割方法、基于灰度图像的阈值分割方法。本文主要运用的是基于灰度图像的阈值分割方法，其它方法不再赘述。

2 基于灰度图像的阈值分割方法

阈值处理是一种区域分割技术，将灰度根据主观愿望分成两个或多个等间隔或不等间隔灰度区间，它主要是利用图像中要提取的目标物体和背景在灰度上的差异，选择一个合适的阈值，通过判断图

像中的每一个像素点的特征属性是否满足阈值的要求来确定图像

中该像素点属于目标区还是应该属于背景区域，从而产生二值图像。（图1设计流程图）

3 实验步骤

3.1 双峰法图像分割

3.2 迭代法

3.3 最大类间方差法图像分割

4.4 重复实验步骤

5 结论

双峰法、迭代法和最大类间方差法是基于阈值的图像分割方法，由分割得到的结果我们发现这三种方法的优点在于实现简单，但是这只是针对少数不同类别物体彼此灰度相差很大时，才能进行有效的分割。当图像中不存在明显灰度差异或灰度值范围有较大重叠，难以得到准确的分割结果。其次，仅考虑灰度信息而不考虑图像空间信息，因此对噪声的灰度不均匀性敏感。最后，分割后得到的图像不能很好的显示图像的细节。三种分割方法得到的图像都不能很好的显示物体的表面细节，并且未能将图像边界完整分割开来。所以，在实际的运用中，总是将其与其它方法结合起来使用。

使用梯度增强算法后，随着k值的增加，图像的锐化程度的提高，分割后物体表面上的图像等细节都被完整的分割出来。对比直接分割处理的效果，增强后在处理的图像效果有了明显改善。

由此可知，先运用传统的直方图的分割方法来处理目标图像，但

是用传统的方法对目标图像处理后虽能显示出图像的部分细节，但是还有很多部分不能很好的显示出来，所以提出了图像增强的分割改进算法。梯度不仅是一种重要的数学运算，在图像增强中也是突出细节信息的一种重要方法。图像梯度可以有效减少输入图像信号的零频和低频成份，提取或突出灰度图像的边缘和细节，从而提高图像的分辨率和识别率。该方法对复杂灰度图像的细节部分具有较好的分割效果，而且计算增加不多，并且同时可以应用于灰度图像与彩色图像，能较好地克服了传统阈值分割方法的缺点。但在进行的图像锐化增强的过程中发现，随着k值的增加，梯度锐化强度的增加，不仅增强原始信息的的同时也放大了高频噪声，表现为图像经过分割后，周围出现明显的毛刺噪声。因此，我们在选取锐化系数的时候要适当选取，不然，这会给我们的分割结果带来影响。[责任编辑：曹明明]