基于距离变换和分水岭算法的图像分割

1 原始代码【matlab】

i=handles.noise_img;

if isrgb(i)

a=handles.noise_img(:,:,1);

b=handles.noise_img(:,:,2);

c=handles.noise_img(:,:,3);

k(:,:,1)=wiener2(a,[5,5]);

k(:,:,2)=wiener2(b,[5,5]);

k(:,:,3)=wiener2(c,[5,5]);

imshow(k);

2.1  图像增强
　　针对现场生产环境复杂、生产车间内存在各种干扰的问题，在分析图像前，必须对获取的图像进行预处理，截取ROI区域，提高图像的质量，使其更适于后续算法的分析和处理。本文首先截取图像的ROI区域，针对图片明暗分布不均、图像细微处对比度低的问题，采用对比度受限的自适应直方图均衡化方法（CLAHE）[5]对图像进行增强。传统直方图均衡化是在图像全局增强对比度，它对数据的处理不加选择，由于本系统采集的图像常会出现部分区域对比度较好，部分较差，CLAHE算法更适用于对比度不均的情况，CLAHE在增强对比度的同时能抑制图像的噪声，可以更好地突出图像的细节，以下为算法具体流程：
　　（1）图像分割：将ROI区域分成M行N列的图块，分割数量根据图像特点而定，假设每个图块区域大小为（a，b）。
　　（2）计算灰度阈值：计算每个图块的直方图，将直方图的灰度级标记为r，可能出现的灰度级个数为K，每个图块直方图函数为Hm，n（r），0≤r≤K-1。通过以下方法得到灰度阈值β。