毕业论文大田环境下的小麦图像识别.doc

《毕业论文大田环境下的小麦图像识别.doc》由会员分享，可在线阅读，更多相关《毕业论文大田环境下的小麦图像识别.doc（25页珍藏版）》请在三一办公上搜索。

1、本科生毕业论文（设计）题 目: 大田环境下的小麦图像识别 姓 名: 学 院: 专 业: 班 级: 学 号: 指导教师: 职称: 2015年5月10日教务处制目 录摘要4关键词4Abstract4Key words4引言41 研究背景51.1 国内外研究现状51.1.1 国外研究现状51.2.2 国内研究现状51.2 研究内容和方法61.1.1 研究内容61.2.2 研究方法62 图像预处理72.1 亮度增强72.1.1 RGB模型72.1.2 HSI模型82.1.2 RGB模型和HSI模型互相转换92.1.2借助HSI模型的亮度增强102.2 对比度增强102.3 降噪112.3.1 自适应中

2、值滤波112.3.2 K邻域平均法132.3.3 小结143 背景分离143.1 图像灰度143.1.1 超绿法灰度化143.2 图像分割153.2.1 迭代法153.2.2 最大类间方差法163.2.3 均匀性度量法173.2.4 分水岭183.2.5 小结204杂草定位204.1 作物行特征法204.2 改进的作物行特征法225结论与展望235.1 结论235.2 展望23致谢24参考文献25大田环境下的小麦图像识别计算机科学与技术专业学生 指导教师 摘要：田间杂草会与农作物产生竞争，争夺资源，而且一旦不及时控制，很可能会形成灾祸，降低农作物的质量、产量。传统的农药喷洒方式经常是全面覆盖式

3、，不仅浪费了人力、物力，还常常对周遭的环境造成极大的污染。因此，田间杂草的有效去除有益于促进作物生长，保护生态环境。计算机图像处理是当今计算机学科的研究热点，研究方法的进步也不断促进计算机图形处理技术与其他学科间的融合。基于图像处理技术的小麦田间杂草识别方法的研究，有助于农药喷洒的精确定位，节约生产成本，有效提高杂草去除效率和农业生产效率，对生态环境保护意义重大。关键词：数字图像处理；图像分割；杂草定位 Image Identification of Wheat in Wheat Field EnvironmentStudent majoring in Computer Science and

4、 Technology Tutor Abstract： Weeds will compete with crops for resources, and if it not be controlled in time, it is likely to reduce the quality and the production of crops. The traditional way of Pesticide spraying is often comprehensive coverage type, not only a waste of manpower, material resourc

5、es, but also often cause great pollution to the surrounding environment. So effectively remove weeds beneficial crops and protect the environment. Computer image processing is a popular subject of todays computer field, the development of research methods is promoting more and more merge of computer

6、s and other disciplines. Studies in field of wheat weed identification method based on image processing technology to help pinpoint pesticide spraying, reduce production costs, improve efficiency and weed removal efficiency of agricultural production, ecological environmental protection is of great

7、significance.Key words: Digital image Processing; Image Segmentation; Weed Location采集小麦图像，对样本图像进行预处理，采用不同类型的图像分割方法进行图像分割处理，通过对比分析不同分割方法的分割效果及性能，找寻一种能够迅速准确的分割杂草与背景的识别算法，使用该算法实现作物与杂草的分离，进而实现杂草的准确定位。1 研究背景 11 国内外研究现状虽然现在的机器视觉已经有了相对来说成熟的理论系统，但是，基于机器视觉的田间杂草的图像识别技术还是一个全新待扩展的研究领域。从二十世纪八十年代到如今，基于机器视觉的杂草识别系统

8、，从室内扩展至田间、从非实时发展到实时。但目前为止，只有部分基于机器视觉的系统实现了田间杂草的实时识别。1111 国外研究现状1986年，GuyerD.E.等2就将机器视觉与图像处理相结合，利用复杂度、伸长度、中心矩和主轴矩等叶片的形状特征参数来识别不同的植物，在1993年建立了基于植物形状特征的知识库3。1993年，他们将提取的17项定量的形状特征进行组合，得到了13项定性的形状特征。1995年，zhang N.等4使用了多参数组合的系统识别了小麦田间的4种杂草。1995年，WoebbeckeD.M.等5研究了利用整株植物冠层的形状特征初始不变中心矩、周长厚度、参数圆度、朝向比、伸长度来识别

9、田间的两种单子叶杂草和八种双子叶杂草的可行性，并在实验中发现，利用形状特征识别单子叶植物和双子叶植物的效果较好，准确率可达到60%到80%之间，其中识别单双子叶最好的形状特征是朝向比和初始不变中心矩。2000年，Perez等人6在最初提取的多项形状特征参数中筛选出了7项，应用了贝叶斯统计分类器和K最近邻域分类器进行分类。1990年，shearer等人7在彩色纹理特征的基础上，以七种人工培育的植物作为研究对象，由图像的色调、饱和度、亮度信息得出三个彩色共生矩阵，从这之中计算出若干个纹理特征，其中的33个彩色纹理特征用于植物识别，准确率高达91%。1999年，Tang等人8采用Gbaor小波变换提

10、取出植物的纹理信息，利用人工神经网络分类器将研究对象分为两类，识别准确率达到了100%。1996年，visser等9使用自主研发的传感器感知场景反射光的荧光性以此来区分作物和杂草。1998年，Bi11er等人10使用光电传感系统“Detectspray”找到土壤中的植物，还有能够感知在蓝、绿、红和近红外光四种不同波长环境中的反射率系统，从而识别杂草。1999年，Ningwang等人11通过分光光度计探寻了小麦、杂草、土壤三者的光谱特性，选择了5个波长值（9种杂草、土壤、小麦）作为特征波长值的输入变量，建立分类器模型来识别杂草，同时设计了一种光学传感器，实验结果表明：当把选定的5个波长值进行分类

11、时，正确率分别为62. 5%、83. 1%、79. 5%；当杂草密度大于0.02plants/cm2时，正确率高于70%；当单株杂草出现的时候，其分类正确率便降低到了50%以下。2001年，Feyaerts等12用物镜、滤光片、成像光谱仪组成了机器视觉系统，用该系统识别田间杂草，其准确率达到了91.4%。综上可以看出这项技术在国外起步早，研究的方向也颇为广泛，技术也相对成熟。112 国内研究现状基于机器视觉的杂草识别技术研究在国外方面非常热门，很早就开始起步研究，例如国际上的ASAE、SPEI、精准农业等方面的会议中，都对讨论该技术展开了专题讨论。然而在我国，这方面的研究起步较晚，仍然处于不断

12、探索的阶段。2001年，相阿荣等人13基于颜色以及形状特征研究了从作为背景的土壤中识别杂草的方法。2002年，龙满生等14以玉米苗期的杂草为研究对象，分析了不同的颜色指标对分割背景可行性的影响并提出应用形状特征来识别玉米和杂草的方法。2002年，刘敏等15引入分形维数概念，用其来表征微观杂草叶子纹理和宏观杂草丛纹理的粗糙程度，实现了田间作物和杂草一定程度的区分，但是拘泥于自然的光照条件。对比传统的纹理特征方法，应用分形维数收获更优的结果，同时时间复杂度也大大降低。2003年，张健钦等人16应用了机器视觉的理论和方法开发了同时具备图像采集模块（用于测量叶面积）、图像处理模块、数据库模块（用来存放

13、叶面积数据）等功能的软件系统，该系统的研究对象可以是静态的叶片，也可为活体原位叶面积测量。2000年，纪寿文等人17在有足够光照的明亮条件下，自主开发了机器视觉系统在玉米苗期对图像进行了采集，提取了其中的三个形状特征分别为投影面积、最大叶长和最大叶宽，用于识别玉米苗中的杂草，经过试验发现用形状细长的杂草能够利用形状特征分离开来，同时该系统能根据田间杂草的投影面积对玉米田间杂草的生长状况进行判断。但是，这些特征对于玉米的植株相对矮小和杂草中叶片并非细长形状的双子叶杂草等的识别效果较差，土壤的种类以及光照都对该系统的识别效果有很大的影响。2003年，尚卓等18结合数字图像处理技术和自动控制技术研发

14、了在自然光照条件下对旱田作物(棉花、小麦、玉米等)和果树(或道路两旁林木)实时农药喷洒系统。该系统通过视窗操作系统技术对图像和视频进行获取，在这之后对采集得到的数字图像分割二值化，分割采用改进的绿色像素分割法，以计算出的绿色像素占整个图像百分比作为判断农药喷洒的依据。吕俊伟等19利用颜色、形状、区域边界率、小区域骨架端点数等特征，用不同生长时期的洋葱为研究对象，使用多种图像分割和识别方法，对洋葱和杂草采取了不同的处理。在上面提到的我国研究人员所进行的工作中可以得出：在杂草识别的过程中研究对象大多为静态的图像，而缺少实际动态图像的实时图像的研究；而且研究拘泥于杂草和背景之间的分离和田间杂草的种类

15、的区分，而忽略了杂草生长在作物行这种共生情况下的分离。20综上所述我国基于机器视觉的田间杂草识别技术在许多方面还有相当多的工作要做。12 研究内容和方法121 研究的主要内容以小麦为主要研究对象，采集小麦田间图片，在处理这些图片的过程中通过比较分析多种不同的分割算法来探索一种快速、高效的分割算法，实现对田间杂草的定位。 （1）采集小麦的田间图像，对采集好的图像进行一定的去噪、调整； （2）确定用于分离杂草、小麦、背景的多种特征； （3）选择四种较为成熟的分割方法，对图像进行分割实验，分析各算法的的分割效果；（4）在Matlab平台上实现这四种算法，对比与分析这几种不同分割方法的性能寻找分割效果

16、好的快捷高效的算法； （5）使用这个最优算法实现杂草区域的分离，并对结果进行统计和分析。122 研究方法采集小麦田间图像，对图像进行统一的预处理，其中包含光照、去噪等一系列操作。之后根据实际情况确定用于田间杂草识别的几种特征，并确定几种较为成熟的分割方法。在Matlab平台上实现这几种算法，同时对不同分割方法的性能进行对比与分析，找寻一种最适合的快速高效算法，使用该算法实现作物与杂草的分离。针对现今杂草研究中存在的一些问题，以及研究之中尚未未解决的问题，结合他人的研究成果，将数字图像处理技术与农业信息采集相结合，进行作物中的杂草识别的研究。（1）以所采集的静态图像为对象，对颜色空间模型的分量进

17、行统计分析，选择合适的特征量，进行图像的预处理，并进行植物与背景的分割、小麦与杂草的分割等研究。（2）将多种图像分割算法的实验结果进行对比，找到其中最有效便捷的一种（3）在背景分离的基础上优化确定杂草的具体位置，并将其分离出来，得到理想的结果。原始彩色图像对比度增强亮度增强去噪图像灰度化图像二值化确定作物中心行滤除作物行杂草定位图1 杂草定位流程图2 图像预处理21 亮度增强彩色模型或者是彩色空间、彩色系统，被用来精确标定和生成颜色的规则和定义，它的用途是在通常的标准下用人们可接受的方式对色彩的规范进行简单化。彩色空间通常可以采用数学的坐标系统来进行描述，数学坐标中的单个点可以用来表示每一种颜

18、色。211 RGB模型RGB彩色模型如下图2所示。红、绿、蓝分别为三个坐标轴与立方体的相接的顶点；青、深红、黄则位于相对的立方体的其他顶点；黑色在坐标原点，白色在立方体最远的顶点处，灰度等级就沿着两条线分布；立方体的内部和边上不属于以上提到的颜色的部分表示其他的颜色，所以可以用1个三维向量来表示颜色。人们熟知的三基色，用基色的光单位来表示光的量，在RGB颜色模型，任意颜色的光F都可以用R、G、B三个不同分量的相加混合，混合公式见公式1： （1）在RGB模型中，R、G、B分量组成了所要表示的图像，R、G、B分量的图像都显示为原来图像的一个原色的图像。在RGB空间中，像素的深度是用比特数来表示的。

19、RGB图像的三个红、绿、蓝分量图像都是一幅8bit图像，则每一个彩色像素有24bit深度。因此， 24bit的彩色图像的颜色总数是（28）3=16777216。21图2 RGB彩色空间212 HSI模型HSI模型使用颜色三要素色调、饱和度、亮度来描述颜色，相比其他的模型更贴近人眼的视觉。亮度是指人的眼睛对光的明暗程度的感觉，亮度随着光的能量增大而增大；彩色之中最重要的就是色调，这个属性决定了颜色的本质，决定于物体反射光线中占有优势的波长，颜色的感觉差异产生于不同的波长，通常称一种颜色为蓝、红、绿，就是对色调的一种规定；饱和度说的是颜色的浓淡和深浅的程度，颜色越深就代表饱和度越高。白色比例也跟饱

20、和度息息相关，饱和度越低代表白色比例越多。HSI模型可以用如图3所示的圆锥空间模型来描述。其中用来表示颜色的类别与深浅程度的统称为色度，色度是色调和饱和度的统称。图3中的横截面即为色度圆，垂直延伸的则是代表亮度分量。HSI彩色空间比RGB彩色空间更适应人的视觉特性，其中的亮度和色度均可分离便于操作。图3 HSI彩色空间213 RGB模型和HSI模型的互相转换HSI彩色空间与RGB彩色空间实际上只是相对于同一物理量的不同的表示方法，所以他们之间可以相互转换。提供一幅RGB格式的彩色图像，图像中的RGB像素和H分量的代换公式见公式2-5： （2）此处的 （3）饱和度的分量 （4）强度分量 （5）提

21、供一幅HSI格式的彩色图像，需在相同的值域内找到RGB值。RG扇形（），当H位于这一扇形区的时候，RGB分量的公式见公式6-8： （6） （7） （8）GB扇形（），当H位于这一扇形区的时候H值为公式9 （9）RGB分量公式见公式10-12： （10） （11） （12）BR扇形（），当H位于这一扇形区的时候H值为公式13 （13）RGB分量公式见公式14-16： （14） （15） （16）214 借助HSI模型的亮度增强拍摄的田间杂草图像往往受诸多因素影响，其中阴影是影响图像识别的一个关键因素。在相似的背景下，小麦和杂草图像在亮度上随着环境的变化，会成非线性下降。22所以提升亮度可以有效地

22、还原真实效果，降低阴影对处理效果的影响，同时亮度处理基于HSI模型，不会对图像的颜色产生影响。本文编写RGB模型转换HIS模型算法，将I分量提升1.2倍后，重新转回RGB模式图像，得到的结果见下图4-6。 图4 RGB模式原图像 图5 RGB转化为HSI显示图6 提升I分量后转回RGB模式显示22 对比度增强对比度是对明暗区域即最亮的白色和最暗的黑色之间不同亮度级的图像的测量，在成比例的范围内，差异越大对比度越大，差越小对比度越小。所以合适的对比度可以更容易地显示多样准确的色彩。麦田图像主要构成为土壤、小麦以及杂草，根据小麦部分处于上层较亮、土壤处于下层较暗这个特点，本文使用对比度拉伸增强图像

23、的比度，更有效的凸显出土壤，为提升之后的分离效果奠定基础。对比度拉伸的变换函数如下图7。图7 对比度拉伸变换函数该函数对灰度级进行压缩，对低于m 值的灰度级即图像中较暗部分进行压缩，把高于m值的灰度级压缩到输出图像较亮灰度级的较窄范围内。23本文依据对比度拉伸函数编写算法，将对比度提升1.2倍，得到的结果见下图9。 图8 未处理图像灰度化 图9 对比度拉伸后灰度化对比图8、9可以看出，未拉伸前灰度图像灰度相近不利于后期的分割处理，而对比度拉伸之后图像的层次更为鲜明灰度级明显被拉开，便于分割。23 去噪现实生活中的数字图像和数字传输往往会受到影像设备和周围环境的干扰，形成带噪声的噪声图像，减少这

24、些噪声数字图像中包含的噪声的过程就称为图像去噪。噪声会对后期图像处理产生很大的影响，噪声的种类很多，有产生于运输过程，有的则产生于数字化的过程，不同种类的噪声对图像处理所造成的影响也各不相同。根据噪声和信号的关系可将噪声分为三种不同的类型:：加性噪声、乘性噪声、量化噪声。231 自适应中值滤波中值滤波实际上是一种统计排序的滤波器。对于原有图像中的某个点，中值滤波就是以该点为中心，将附近邻域内全部像素的统计排序值作为这个中心点的响应。21中值滤波在为图像降噪的时候对图像产生的模糊相对其他滤波器要较低。中值滤波的效果好坏依赖于滤波窗口，窗口过大图像会产生模糊，导致边缘不清晰，因为图像的边缘与噪声相

25、似，都是像素值剧烈变化的点，所以根据中值滤波的原理必然会对图像的边缘造成一定的影响，一定程度改变边缘原有的像素值；窗口太小会影响滤波的效果。可见，滤波器窗口的大小应该随着图像噪声概率的变化而调整，如果滤波器窗口能够随着噪声的概率进行自适应的变化，这样才能获得更好的滤波效果。同时为了减少滤波造成的图像模糊效果，需要在判断出原图像值不是噪声点时，保持原有的图像值不变化。设定起始窗口对窗口内像素排序中值为噪声？中心点为噪声？输出中值输出该点值窗口尺寸增大小于设定值？输出前一个窗口中值否是是否否是图10 自适应中值滤波器流程图本文编写自适应中值滤波器对采集的图像样本进行降噪处理。算法首先对窗口内的像素

26、进行排序，计算中值，判断中值是否为噪声，若是则增大窗口尺寸，继续循环判断；若不是则判断中心点是否为噪声，如果是则输出中值作为替代值，若不是则中心点的值不变，接着增大窗口尺寸直到窗口尺寸大于预设窗口尺寸，结束循环。采用自适应中值滤波器对图像进行去噪处理后的效果见图11、图12. 图11 未处理图像灰度 图12 使用自适应中值降噪后的图像232 k邻域平均法邻域平均法，是利用窗口模版对图像像素点进行卷积运算的一种图像降噪方法，窗口模版是指在模版中所有系数都取相同值的一个模版，通过模板其中一点和该点邻域内的像素点求得的平均值来代替突变的像素点，平滑突变像素点的像素值，从而能够过滤掉一定的噪声，邻域平

27、均法的优点是算法结构简单，降噪速度较快，但是会对图像造成一定程度的模糊。图像在nn的窗口内的像素，属于一个集合体，这个集合体中的像素的灰度值高度相关。依据这个原理可以用窗口内和中心像素的灰度最接近的K个相邻像素的平均灰度值来替代窗口中心像素的灰度值。K值较小则噪声的方差下降相对较小，但能够很好地保留细节； K值较大降低噪声的效果相对较好，但是对细节会有很大的损失，边缘会变得模糊。设计的K邻域滤波算法流程图见图13.读取像素值求邻域和中心像素差值并存入数组根据标号找到对应差值对差值进行排列并标号6个像素灰度值与中心像素相加取其平均值来作为中心像素的灰度值循环量行列值？结束否是图13 K邻域滤波流

28、程图算法采用6点邻域，先求出中心像素和中心像素邻域的差值，取差值的绝对值，对绝对值进行排序，将邻域确定为前6个，创建一个二维数组，同时存放绝对值前的标号以及绝对值，标号移位与排序移位同时进行，所需要的数据借助标号存储起来，这样与中心像素最接近的6个像素灰度值可通过标号迅速查找，将这6个像素灰度值与中心像素相加取其平均值作为中心像素的灰度值。本文编写K邻域平均算法对采集的图像样本进行降噪处理。滤波效果对比见图14、15。 图14 未处理图像灰度图 图15 K邻域滤波后灰度图233 小结通过分析图像特点，选用了自适应中值滤波和K邻域滤波对图像进行了去噪处理，从实验结果对比可以看出，未处理的和经过两

29、种降噪方法的滤波降噪处理后的图像相差不大，考虑到降噪操作需要耗费相当长的时间，而得到的效果并不尽如人意，为节约图像的处理时间，本文在图像的预处理中不采用降噪操作。3 背景分离31 图像灰度化 在对图像进行处理的过程中，为节约时间需要摒除图像中不感兴趣的部分，留下需要的感兴趣的部分进行集中研究。为了不损失我们需要的感兴趣部分细节信息，一般将原始的彩色图像转变为灰度图像，突出要研究的感兴趣部分，反之忽略不感兴趣的，这种操作称之为灰度化。在本文中我们感兴趣部分是小麦与田间杂草，不感兴趣部分则是土壤背景。灰度化的步骤一般如下：1取出采集图像的R、G、B分量（分别为红色、绿色、蓝色分量）的值；2.求出灰

30、度值Gray；3.使R=G=B=Gray，进而得到灰度化的图像。R、G、B分量的取值通常在0-255之间，这样得到的灰度图像的灰度级为256级。当Gray=0时为黑色，Gray=255时为白色，在这之间是不同的灰色调。24311 超绿法灰度化在实际自然光线下获取的图像，图像的背景与作物差异明显，背景的RGB分量中的G分量与作物的RGB分量中的G分量相差较大，因此可以通过对采集图像的RGB分量进行操作提升G分量的比例，再对得到的“超绿”图像进行操作必然可以有效地区分土壤和作物。1超绿法灰度公式见公式17： （17）该公式中，分别对应着从RGB模型的彩色图像中分离的G、R、B的三个单色的颜色分量，

31、然后对这三个分量进行组合，突出G分量的比例达到突出绿色分量的目的。本文编写超绿法对采集的图像样本进行“超绿”处理，结果见图17。 图16 普通灰度法灰度图 图17 超绿法灰度化灰度图对比普通灰度法和超绿法灰度化的实验结果，可以得到结论：采用超绿方法可有效抑制背景（土壤和其他）信息，同时增加作物与土壤背景的对比度，保存了前景绿色作物的图像细节数据，有助于提升后期图像处理的分割效果。因此本文采用2G-R-B分量组合对采集到的原始图像进行灰度化处理。32 图像分割图像分割是指根据图像的灰度、纹理、形状等特征把图像划分成若干个互不相交的区域，使得这些特征能够在同一区域内，表现出统一或相似的特性，而在不

32、同的区域间则呈显著差异。通常的目标是确定背景分离的从一个图像出来。图像分割是数字图像处理和计算机视觉应用中的低级视觉的区域，但它是最重要的部分，它是基于视觉的图像分析和模式识别的前提。321 迭代法迭代法是通过多次迭代，采用逼近思想利用最大灰度值最小灰度值不断地计算阈值，直到最大灰度值和最小灰度值之差小于规定值，从而得到最佳分割阈值，再根据该阈值对图像二值化，大于该阈值的像素点置为白色，相反，小于该阈值的点置为黑色，实现图像的二值化，其具体步骤如下：否最大灰度值最小灰度值初始阈值大于阈值总值小于阈值总值大于阈值均值小于阈值均值前后差近似0？求的最佳阈值是图18迭代法流程图（1）.求出图像的最大

33、和最小灰度值，分别记为max和min，设定初始阈值见公式18： （18）（2）.计算灰度大于阈值的元素的灰度总值和灰度小于阈值的元素的灰度总值；（3）.求小于阈值均值和大于阈值均值；（4）.若阈值相差几乎为0，则阈值为所求；否则转步骤2，迭代计算直到满足要求。采用迭代方法求取阈值然后用该阈值进行图像分割的图像，可以得到较好的效果。迭代求取出的阈值能够将背景和有效区域区分开来，但是对于图像的细微之处并没有相对较好的区分度。但是，迭代法对于一些特别的图像，其中微小的数据变化可能会引起在分割效果的极大的变化，即使图像的的数据只是略微不同，但是分割得到的效果却相去甚远。本文编写迭代法对采集的图像样本进

34、行图像分割，结果见图19。图19 迭代法图像分割结果图322 最大类间方差法最大类间方差法（OTSU）是一种自适应的来确定最佳阈值的方法，又被称为大津法。最大类间方差法按照图像的灰度特性，将图像分为两部分：目标和背景。这两者之间的类间方差与构成该图像的目标和背景之间的差成正比。目标错误的被当成背景划分到背景之中或者部分背景被划分到目标当中会使差距变小。所以，使用最大类间方差进行分割就是将错误分类的概率降低到最小。最大类间方差法是在某一阈值处将灰度直方图分割成两组，当这两组的方差为最大时，得到所求的阈值。其基本思路如下图20：初始阈值遍历点大于初始阈值？比例及平均灰度最大灰度值前景背景图像平均灰

35、度及方差比例及平均灰度该灰度最佳阈值方差最大？是否是否图20最大类间方差法流程图（1）.设定初始阈值T，以最小的灰度值开始依次遍历，找到图像的最大灰度值；（2）.将图像划分为前景和后景：所有I=T的为背景，计算出背景所占图像的比例pb和背景的平均灰度值Ibav，所有IT的为前景，计算出背前景所占比例pf和前景的平均灰度值Ifav；（3）.计算出该图像的平均灰度Iav与方差Ivar；（4）.整个图像遍历结束，得到的阈值即为所求，然后利用该阈值进行图像分割。本文编写最大类间方差法对采集的图像样本进行图像分割，结果见图19。图21 最大类间方差法图像分割结果图323 均匀性度量法均匀性度量方法是依据

36、“物以类聚” 的思想而研究出来的。它的基本设计思想是：属于同一类别的对象都具有相对较大的一致性。均匀性度量方法利用均值和方差作为度量均匀性的数字指标来实现。其基本思路如下：（1）.设定初始阈值T，根据这个阈值将图像分为两类I1、I2；（2）.分别计算I1、I2两类的类间方差公式见公式19-22： （19） （20） . （21） （22）（3）.分别计算I1、I2两类的像素在图像中的分布概率，借此统计该类的像素对图像的影响程度，计算公式见公式23、24： （23） （24）（4）.遍历选择最佳阈值T1，使得下面的公式25成立： （25）本文编写均匀性度量法对采集的图像样本进行图像分割，结果见图

37、20。图22 均匀性度量法图像分割结果图324 分水岭分水岭分割算法现在基于数学形态学地质分割方法拓扑理论被大量使用。这个想法是将图像作为拓扑形貌，测量对应于每个像素的图像的灰度值作为该点的地理高度，各局部最小值的图像和带来一定的影响盆地称为集合，这些集合盆地被称为分水岭边界。分水岭的形成可以看作是模拟水浸泡的方法。表面有一些孔洞，水通过孔洞对周围产生影响，局部最小值浸入水中时，随着深度的加深则每个局部最小值会逐渐变大，延长，再汇合，构成大坝，形成分水岭。分水岭算法有两个过程，即进水和排水。排序过程是逐层次排序，这样就可以直接访问相同的高度像素。浸水过程则是假设高度不大于h的像素的贮水盆已经被

38、标记，则在处理高度为h+1的像素时，就将这一层和已经被标记的贮水盆地相邻的像素送入队列，再从这些像素开始，根据测地距离将已经被标记的贮水盆扩展到h+1层。然后通过扫描将h+1层中可能存在的区域最小值给予新的标号。最后得到的分水岭变换的结果为：同一标号的像素属于同一贮水盆地，距不同贮水盆地距离相等的像素标为分水岭点。25分水岭算法对识别微弱边缘有良好的效果，能够得到封闭连续的的边缘。但是同时对于边缘较强的则会对噪声和细微的灰度变化强烈响应，导致图像的过度分割，即原本完整的物体被分割为许多更小的区域。所以要对分水岭算法进行改进：（1）.必要的预处理工作，在使用分水岭算法之前要对图像进行较多的预处理

39、，诸如去噪，梯度，标记来减少小的积水盆，从而减少过分割；（2）.通过一定的约束条件来控制分割；（3）.对初始分割产生的许多国小的区域进行合并，借由灰度和边界信息确定合并准则。21因此，采用基于标记的分水岭算法来抑制过分割的现象，其基本步骤如下图21所示：计算分割函数计算前景标志计算背景标志修改分割函数分水岭变换仅在标记处极小？是否图23 基于标记的分水岭算法流程图首先对分割函数进行计算，即图像之中较暗的部分是我们感兴趣的分割部分。然后，对前景标志进行计算，这些标志是图像中每个对象内部的连接的斑点像素，同时计算背景标志，不属于我们需求的对象的任何像素。这里计算方法采用开运算和闭运算。这两种运算可以将给定图像之中小于结构元素一些细节去掉，并能够保证几何失真不会产生。开运算能够把比结构元素小的尖刺过滤掉，切断图像中细长的链接而起到一定的分离作用；闭运算能够把比结构元素小的缺失或者孔洞填补上，为短的间隔搭桥起到一定的连接作用。之后根据这两个计算出的前景与背景标志修改分割函数，使分割函数仅在前景和后景标记的位置具有极小值，达到要求后对图像进行分水岭变换。本文编写基于标记的分水岭法对采集的图像样本进行图像分割，结果见图22-25。 图24 基于开运算的重建图