基于模糊理论的图像分割算法研究

　　关键词: 图像分割 边缘检测  模糊理论 遗传算法 Matlab　　

　　论文摘要：分割的目的是将图像划分为不同区域。图像分割算法一般是基于亮度值的两个基本特性之一：不连续性和相似性。第一类性质的已用途径是基于亮度的不连续变化分割图像，比如图像的边缘。第二类的主要应用途径是依据事先制订的准则将图像分割为相似的区域。门限处理、区域生长、区域分离和聚合都是这类方法的实例。遗传算法具有简单、鲁棒性好和本质并行的突出优点。其在应用领域取得的巨大成功，引起了广大学者的关注。在图像分割领域，遗传算法常用来帮助确定分割阈值。

　　本文介绍讨论了几种目前广泛应用的图像边缘检测、图像阈值分割的各种算法，并给出了对比分析;对遗传算法的基本概念和研究进展进行了综述;给出了标准遗传算法的原理、过程、实验结果及分析. 实验结果表明，本文提出的遗传分割算法优于传统分割算法。

　　图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。这里所说的特性可以是灰度、颜色、纹理等，而目标可以对应单个区域，也可以对应多个区域。图像分割是数字图像处理中的一项关键技术，它使得其后的图像分析，识别等高级处理阶段所要处理的数据量大大减少，同时又保留有关图像结构特征的信息。而且，在数字图像处理工程中，一方面，图像分割是目标表达的基础，对特征测量有重要的影响；另一方面，图像分割是自动目标识别的关键步骤，图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式，分割中出现的误差会至高层次处理阶段，因此分割的精确程度是至关重要的。只有通过细致精细的图像分割，才能使得更高层的图像分析和理解成为可能。因此，图像分割是由图像处理进到图像分析的关键步骤，在图像工程中占据重要的位置。

作为视觉和图像处理中的难点和热点之一，图像分割的研究受到了研究工作者的高度重视，对图像分割进行了深入、广泛的研究。作为一种重要的图像技术，图像分割在不同领域中有时也用其它名称：如目标轮廓(object delineation)技术，阈值化(thresholding)技术，图像区分或求差(image discrimination)技术，目标检测(target detection)技术，目标识别(target recognition)技术，目标跟踪(target tracking)技术等，但这些技术本身或其核心实际上也就是图像分割技术。图像分割作为图像处理、分析的一项基本内容，其应用非常广泛，几乎出现在有关图像处理的所有领域，并涉及各种类型的图像。在自动化、在线产品、生产程控、文件图像处理、遥感图像、保安监视、以及军事、体育、等行业和工程中，图像分割都有着广泛的应用。例如：在遥感图像中，合成孔径雷达图像中目标的分割、遥感云图中不同云系和背景分布的分割等；在应用中，脑部 MR 图像分割成灰质（GM）、白质（WM）、脑脊髓（CSF）等脑组织和其它脑组织区域（NB）等；在图像分析中，把车辆目标从背景中分割出来等；在面向对象的图像压缩和基于内容的图像检索中将图像分割成不同的对象区域等。在各种图像应用中，只要需对图像目标进行提取，测量等都离不开图像分割。

自 20 世纪 70 年代至今，已提出上千种各种类型的分割算法。如：门限法、匹配法、区域生长法、分裂－合并法、水线法、马尔可夫随机场模型法、多尺度法、小波分析法、形态学等。随着新理论、新技术的发展，一些新的图像分割方法也随之出现，但这些分割算法都是针对某一类型图像、某一具体的应用问题而提出的，并没有一种适合所有图像的通用分割算法。通用方法和策略仍面临着巨大的困难。另外，还没有制定出选择适用分割算法的标准，这给图像分割技术的应用带来许多实际问题。

据此，在本论文中只对常用的、并在实践中行之有效的边缘检测方法和阈值分割方法进行深入的了解，并对阈值分割方法中的灰度直方图双峰法和基于遗传算法的最大类间方差法进行详细的讨论，同时用Matlab对上述两种方法进行验证并给出结果。

本文对图像分割的整个过程中的一些常用的，经实践检验行之有效的算法进行了讨论和 改进。全文共七章。第一章为绪论，主要介绍了现阶段图像分割技术的发展现状和研究意义。其他六章分别在以下几个方面介绍了本文所做的工作：

1.对本文所采用的试验测试工具Matlab 进行简介。

2.简介数字图像的基础问题。概述了数字图像的基本概念和特点，简介了各种图像格式的特点和应用，为全文的讨论作一铺垫。

3.详细讨论了图像分割中的基于阈值的图像分割方法，给出了直方双峰法的算法和验证结果，并简要介绍了普通最大类间方差法的算法过程。

4.对遗传算法理论进行简介。详细讨论了遗传算法的定义和标准遗传算法的流程和要素。为应用此方法对最大阈值进行迭代寻优打下基础。

6.应用遗传算法改进了最大类间方差法。给出了整个遗传操作的使