【数字图像处理】【Matlab】【实验四】图像分割

最新推荐文章于 2024-03-20 09:29:10 发布

zoxiii

最新推荐文章于 2024-03-20 09:29:10 发布

阅读量1w

点赞数 14

分类专栏：图像处理文章标签：图像处理 matlab

本文链接：https://blog.csdn.net/qq_41315788/article/details/114907412

版权

图像处理专栏收录该内容

12 篇文章 19 订阅

订阅专栏

author：zox
实验环境：Matlab2019a

图像分割

一、实验目的
二、实验题目
三、实验内容
四、实验心得

一、实验目的

理解图像分割的基本概念。
理解图像边缘提取的基本概念。
掌握用阈值法和边缘提取方法进行图像分割。

二、实验题目

采用阈值法实现图像分割，分别采用两种阈值选取方法实现。
分别用Roberts,Sobel和拉普拉斯高斯算子对图像进行边缘检测，比较三种算子处理的不同之处。
实现肺的分割，结果包括两部分：肺（白色显示）和背景（黑色显示）。

图1 肺原图

三、实验内容

3.1 相关知识

1.基于阈值的图像分割方法

图像分割就是将一幅图像分成若干个部分、区域，然后将其中自己感兴趣的部分，或对自己有意义的区域提取出来，由此获得一些有用的图像特征和信息的过程。
图像分割有很多方法，其中基于阈值的分割方法最常使用。主要是利用图像中要提取的目标和背景在灰度上的差异，选择一个合适的阈值。
①直方图阈值法：通过图像的灰度直方图来选择阈值，图象被处理为二值图像。
②半阈值选择法：根据直方图或其他方法选择合适的阈值，但只对背景部分进行处理，这样目标物体就还是多值图像，背景是二值图像。
③迭代阈值法：通过程序不断迭代出所需要的阈值，再对图像二值化处理。
④Otsu算法：也叫最大类间差法，取一个最优阈值把原图像分为前景色（A部分）与背景色（B部分），两部分的类间方差越大，说明两部分差别越大，便能有效的分割图像。
⑤最大熵阈值分割法：计算所有分割阈值下的图像总熵，找到最大的熵，将最大熵对应的分割阈值作为最终的阈值，图像中灰度大于此阈值的像素作为前景，否则作为背景。

2.迭代阈值法

迭代阈值法产生阈值，可以通过程序自动计算出比较合适的分割阈值。其计算步骤如下：
（1）选择灰度图的平均灰度值作为初始阈值 $T 0$ ，通过 $T 0$ 将图像的平均灰度值分为两组;
（2）计算小于等于 $T 0$ 的平均值 $T 1$ , 和大于 $T 0$ 的平均值 $T 2$ ;
（3）新的阈值为 $T = （ T 1 + T 2 ） / 2$ ;
（4）比较 $T$ 和 $T 0$ ,若相等，则返回 $T$ ，即为迭代阈值; 否则 $T 0 = T$ ,重复（1）-（3）
最终的 $T 0$ 就是我们所需要的阈值，再根据阈值可对图像进行二值化处理。

3.Otsu算法

$O t s u$ （大津法或最大类间方差法）使用的是聚类的思想，把图像的灰度数按灰度级分成2个部分，使得两个部分之间的灰度值差异最大，每个部分之间的灰度差异最小，通过方差的计算来寻找一个合适的灰度级别来划分。该算法的具体流程如下：
（1）根据某个阈值t，把原图像分为A部分（每个像素值>=t）与B部分（每个像素值<t）；
（2）由方差计算公式可计算得到需要的下列值：总均值（all_ave），A部分所有比例（PA），B部分所占比例（PB），A部分均值（A_ave），B部分均值（B_ave）；
（3）根据公式计算：类间方差 $ICV）=PA*(ave_A-ave_all)^2+PB*(ave_B-ave_all)^2$
（4）不断改变t，进行以上步骤，不断判断，得到最大类间方差的最优阈值。
$O t s u$ 算法被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响。因此，使类间方差最大的分割意味着错分概率最小。

4.算子原理及特点

1） $R o b e r t s$ 算子： 利用局部差分算子寻找边缘，边缘定位精度较高，但容易丢失一部分边缘，同时由于图像没经过平滑处理，因此不具备能抑制噪声能力。对陡峭边缘且含噪声少的图像效果较好。
首先使用以下模板分别对图像进行卷积操作：
$\ \ modelx=\left[\begin{matrix}0&0&0\\0&-1&0\\0&0&1\\\end{matrix}\right]\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ modely=\left[\begin{matrix}0&0&0\\0&0&-1\\0&1&0\\\end{matrix}\right]$
得到 $Z_x\ ,Z_y$ ；
接着根据公式对图像的所有点进行处理： $Z=\sqrt{Z_x^2+Z_y^2}$ ；
2） $S o b e l$ 算子： 先做加权平滑处理，再做微分运算，平滑部分的权值有些差异，对噪声具有一定的抑制能力，但不能完全排除虚假边缘。虽然这两个算子边缘定位效果不错，但检测出的边缘容易出现多像素宽度。
首先使用以下模板分别对图像进行卷积操作：
$\ \ modelx=\left[\begin{matrix}-1&-2&-1\\0&0&0\\1&2&1\\\end{matrix}\right]\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ modely=\left[\begin{matrix}1&0&-1\\2&0&-2\\1&0&-1\\\end{matrix}\right]$
得到 $Z_x\ ,Z_y$ ；
接着根据公式对图像的所有点进行处理： $Z=\sqrt{Z_x^2+Z_y^2}$ ；
3） $L O G$ 算子： 先用高斯函数平滑滤波，后用 $L a p l a c i a n$ 算子检测边缘，克服 $L a p l a c i a n$ 算子抗噪声差的缺点，但同时也平滑掉比较尖锐的边缘，尖锐边缘无法检被测到。
使用以下模板对图像进行卷积操作：
$model=\left[\begin{matrix}-2&-4&-4&-4&-2\\-4&0&8&0&-4\\-4&8&24&8&-4\\-4&0&8&0&-4\\-2&-4&-4&-4&-2\\\end{matrix}\right]$
通过以上四种算子对图像进行处理可以得到图像的边缘信息。实验时直接使用的是实验二中所编写的函数。

5.肺的分割过程

根据对已有的图片分析，得到图片的各个部分如下图2所示：
在这里插入图片描述

图2 原图分析

为了将肺部区域分割出来，要进行如下的操作：
（1）首先采用阈值分割法分割出粗略的肺部分，使用前面编写的myotsu函数来获取图像阈值，对图像进行二值化处理。
（2）分析得到的图片中胸腔部分为白色，而我们需要的是肺部分为白色，其他背景为黑色，所以对图像进行反色处理。
（3）然后通过系统函数bwlabel()标记连通区域，再统计各个连通区域的面积来对气管部分和背景置黑色来统一背景。
标记的原则如下：二值图像中值为 0 的区域 ( 对应于反色后图像中的胸腔内非肺区域 ) 作为背景，不予标记；值≥1的区域 ( 对应于反色后图像中的目标肺组织区域、胸腔外区域和气管部分 ) 进行联通标记 , 并从数值 1 开始计数，即标记 1 为第一个联通区域，标记2为第二个联通区域，以此类推。
由于反色后标记区域的面积不同，所以计算各个连通区域的面积，根据连通区域的标号规则得到背景和气管部分所在的标号。
再将根据面积大小找到的部分的像素点（即非肺区域）对应的原二值图像处赋值成 0，标记值大于 1 的像素点（即目标肺区域）对应的原二值图像处赋值成 1。

6.实验中直接使用的函数

（1）imread(path)函数：从图像所在路径读取图像的数据信息存为矩阵。
（2）imshow(image)函数：将读取到的图像显示到figure中。
（3）subplot(m,n,p)函数：subplot函数是将多个图画到一个平面上的工具。其中m、n表示一个m行n列的大画框，可显示 $m * n$ 个图，p表示图所在位置。
（4）构造函数
function[输出形参]=函数名([输入形参])
函数体
（5）size()函数
[m,n] = size(X)
返回矩阵X的尺寸信息，并存储在m、n中。其中m中存储的是行数，n中存储的是列数。
（6）zeros(m,n)函数：产生 $m * n$ 的double类型零矩阵。
（7）im2double(x)：数据变为双精度，便于计算，且使计算更加准确。
（8）min()：获得最小元素
（9）max()：获得最大元素
（10）abs()：求数组平均值
（11）find(A)：获得符合条件A的元素
（12）mean()：求数组平均值
（13）bwlabel():获取连通区域
（14）myconvolve()：实验二中编写的实现卷积操作的函数
（15）mysharpen()：实验二中编写的根据选择的算子获取图像的边缘的函数

3.2 实验代码

【sy4.m】

clear all;close all;clc;
%% 1、采用阈值法实现图像分割，分别采用两种阈值选取方法实现。
I=imread('Fig1006(a).tif');
threshold1=myiteration(I);
threshold2=myotsu(I);
J1=im2bw(I,threshold1);
J2=im2bw(I,threshold2);
figure,suptitle('基于阈值的图像分割');                %Figure 1
subplot(131),imshow(I),axis on,title('原图') ; 
subplot(132),imshow(J1),axis on,title('迭代阈值法');
subplot(133),imshow(J2),axis on,title('otsu阈值法') ; 
%% 2、分别用Roberts,Sobel和拉普拉斯高斯算子对图像进行边缘检测，比较三种算子处理的不同之处。
E1=mysharpen(I,'Roberts');
E2=mysharpen(I,'Sobel');
E3=mysharpen(I,'Log');
figure,suptitle('边缘检测');                          %Figure 2
subplot(221), imshow(I), title('原图');
subplot(222), imshow(E1), title('Roberts算子');
subplot(223), imshow(E2), title('Sobel算子');
subplot(224), imshow(E3), title('Log算子');
%% 3、实现肺的分割，结果包括两部分：肺（白色显示）和背景（黑色显示）。 
Lung=imread('lung.jpg');
threshold=myotsu(Lung);
S1=im2bw(Lung,threshold);%二值化，将肺和胸腔等其他部分分隔开
S2=~S1;%反色，使肺部变为白色
X8=mycut(S2);%去掉胸腔外的背景和气管
figure,suptitle('肺的分割');                          %Figure 3
subplot(221),imshow(Lung),axis on,title('原图') ; 
subplot(222),imshow(S1),axis on,title('二值化');
subplot(223),imshow(S2),axis on,title('反色') ;
subplot(224),imshow(X8),axis on,title('分割后');

【myiteration.m】

% 函数myiteration:迭代阈值法
% 输入参数:I:原图像
% 输出参数:阈值threshold
% 使用函数:im2double(I):变为双精度
%         min():最小元素
%         max():最大元素
%         find(A):符合条件A的元素
%         mean():求数组平均值
%         abs():求绝对值
function threshold=myiteration(I)
I=im2double(I);     %变为双精度，即0-1
T0=0.01;            %参数T0
T1=(min(I(:))+max(I(:)))/2;%选取图像中最大像素和最小像素的中阈值作为T1
r1=find(I>T1);%灰度值大于T1的
r2=find(I<=T1);%其他
T2=(mean(I(r1))+mean(I(r2)))/2;%新的阈值T2    %mean函数是一个求数组平均值的函数
while abs(T2-T1)<T0
    T1=T2;
    r1=find(I>T1);%灰度值大于T1的
    r2=find(I<=T1);%其他
    T2=(mean(I(r1))+mean(I(r2)))/2;%新的阈值T2
end
threshold=T2;

【myotsu.m】

% 函数myotsu:最大类间差法
% 输入参数:I:原图像
% 输出参数:阈值threshold
% 使用函数:size(I):求矩阵大小
%         rgb2gray():rgb转化为灰度图像
%         im2double():变为双精度，即0-1
function threshold=myotsu(I)
[M,N,i]=size(I);     %得到图像行列值
if i>1
    I=rgb2gray(I);%若不是灰度图像则先处理为灰度图像
end
I=im2double(I);  %变为双精度，即0-1
number_all=M*N;  %总像素值
hui_all=0;       %预设图像总灰度值为0
ICV_t=0;        %预设最大方差为0
for i=1:M
    for j=1:N
        hui_all=hui_all+I(i,j);%得到图像总灰度值
    end
end
all_ave=hui_all*255/number_all;   %图像灰度值的总平均值
 
%t为某个阈值，把原图像分为A部分（每个像素值>=t）与B部分（每个像素值<t）
for t=0:255                       %不断试探最优t值
    hui_A=0;                      %不断重置A部分总灰度值
    hui_B=0;                      %不断重置B部分总灰度值
    number_A=0;                   %不断重置A部分总像素
    number_B=0;                   %不断重置B部分总像素
    for i=1:M                     %遍历原图像每个像素的灰度值
        for j=1:N
            if (I(i,j)*255>=t)    %分割出灰度值>=t的像素
                number_A=number_A+1;  %得到A部分总像素
                hui_A=hui_A+I(i,j);   %得到A部分总灰度值
            elseif (I(i,j)*255<t) %分割出灰度值<t的像素
                number_B=number_B+1;  %得到B部分总像素
                hui_B=hui_B+I(i,j);   %得到B部分总灰度值
            end
        end
    end
    PA=number_A/number_all;            %得到A部分像素总数与图像总像素的比列
    PB=number_B/number_all;            %得到B部分像素总数与图像总像素的比列
    A_ave=hui_A*255/number_A;          %得到A部分总灰度值与A部分总像素的比例
    B_ave=hui_B*255/number_B;          %得到B部分总灰度值与B部分总像素的比例
    ICV=PA*((A_ave-all_ave)^2)+PB*((B_ave-all_ave)^2);  %Otsu算法
    if (ICV>ICV_t)                     %不断判断，得到最大方差
        ICV_t=ICV;
        k=t;                           %得到最大方差的最优阈值
    end
end
threshold=k/255;                           %输出阈值

【mycut.m】

% 函数mycut:根据连通性去掉图片胸腔外的背景和气管
% 输入参数:I:原图像
% 输出参数:OUT：处理后的图片数据
% 使用函数:size(I):求矩阵大小
%         zeros():建全零矩阵
function OUT=mycut(I)
[x,y]=size(I);
[X8,N] = bwlabel(I,8);%8连通
% s=regionprops(X8,'Area');
% X8=ismember(X8,find([s.Area]>=7000&[s.Area]<=40000));
%% 计算各个连通区域的面积
Area=zeros(N,1);
for i=1:x
    for j=1:y
        for k=1:N
            if X8(i,j)==k
                Area(k,1)=Area(k,1)+1;
            end
        end
    end
end
%% 将白色部分连通区域的背景部分、气管部分置黑
for k=1:N
	if Area(k,1)>=7000 && Area(k,1)<=40000
        for i=1:x
            for j=1:y
                if X8(i,j)==k-1
                X8(i,j)=0;
                end
            end
        end
	end
end
OUT=logical(X8);

3.3 实验结果

在这里插入图片描述

图3 阈值分割法

在这里插入图片描述

图4 算子边缘检测

在这里插入图片描述

图5 肺的分割过程

四、实验心得

通过实现迭代阈值法和 $O t s u$ 算法获取阈值更深刻地理解阈值的概念；
通过对肺部分的分割了解了根据连通区域统一背景的方法，学会了对图片细节的处理；

zoxiii

关注

14
点赞
踩
109

收藏

觉得还不错? 一键收藏
打赏
2
评论
【数字图像处理】【Matlab】【实验四】图像分割

author：zox实验环境：Matlab2019a图像分割一、实验目的二、实验题目三、实验内容3.1 相关知识3.2 实验代码3.3 实验结果四、实验心得一、实验目的二、实验题目三、实验内容3.1 相关知识3.2 实验代码3.3 实验结果四、实验心得...
复制链接

扫一扫