彩色图像目标提取、图像去噪和形态学处理

       在图像分析中，图像分割在两个方面有不同的解释，一个是整体图像分割，它的目标是区分开整个图像的不同的区域；另一个方面是目标分割也叫做目标提取，方便对目标的识别和理解。

       在对彩色图像进行目标提取，通常有两类方法常被采用：一类实现的目标分割取决于目标区域的颜色，包括直方图阈值法、K—均值聚类算法或模糊K—均值聚类等算法；另一类是基于像素的空间信息，后者又分为两小类：一类是取决于目标边缘的梯度信息，因此它经常被成为基于边缘分割的方法，传统的基于边缘的分割方法的实现要两个步骤，首先是用一些底层的边缘检测算子检测出图像中所有边缘，人们一般用Sobel、Canny等算子进行边缘检测，然后根据连续性和联通性，使用边缘链接策略进行边缘连接。由于局部梯度信息的利用使得这些算法对噪声非常敏感，从而影响它们的收敛速度和分割效果，因而这类方法的难点在于如何处理边缘的噪声、重叠和断裂的边界，以及复杂形状；另一类是依赖图像中区域像素空间位置信息，使用了像素之间的相关性，因为这些算法受区域中的所有的像素的影响，因此他们通常被叫做基于区域的分割。基于区域的图像分割一般不易收到噪声的影响，这类方法是以高 的计算复杂度为代价的。

图像中去除噪声

常用去噪方法：均值滤波、中值滤波、高斯滤波

对图像去噪的过程可以认为是一种图像平滑或者滤波的过程。

（1）均值滤波

         均值滤波，它是线性滤波同时是去噪算法中最简单的方法之一，考虑到噪声在数值上与其相近的像素