MATLAB圖形圖像處理.ppt

《MATLAB圖形圖像處理.ppt》由會員分享，可在線閱讀，更多相關(guān)《MATLAB圖形圖像處理.ppt（54頁珍藏版）》請在裝配圖網(wǎng)上搜索。

第三章 MATLAB圖形圖像處理,,3.5圖像的灰度變換與直方圖,在計算機(jī)中一幅二維數(shù)字圖像表示為一個矩陣，該矩陣中的元素是位于相應(yīng)坐標(biāo)位置的圖像灰度值。對圖像處理包括對彩色圖像的處理，往往都是對像素灰度的操作，所以對圖像進(jìn)行灰度變換是圖像處理過程中最簡單、最基礎(chǔ)內(nèi)容。 在圖像處理中，直接對像素進(jìn)行的操作稱為空間域（或簡稱空域）處理。,3.5.1圖像的灰度變換,在MATLAB中，用函數(shù)imadjust可完成灰度圖像的灰度變換。其基本語法格式為： g＝imadjust(p,[low_in high_in],[low_out high_out], gamma) 其中p為讀入到MATLAB中的待變換圖像矩陣; [low_in high_in]指定了p圖像中被執(zhí)行變換操作的灰度范圍，[low_out high_out]是p圖像中的像素變換后被映射到low_out～high_out的灰度級上。 默認(rèn)狀態(tài)下，[low_out high_out]及[low_in high_in]為空，此時等價于[0 1]，表明輸入與輸出灰度級為0～255（uint8）或0～65535（uint16）。,,參數(shù)gamma是指變換映射的方式，默認(rèn)方式時gamma取作1，完成線性映射，這時變換前后的灰度級沒有被加權(quán)； 當(dāng)gamma小于1，則映射被加權(quán)至更高的灰度級； 相反當(dāng)gamma大于1，輸出則被加權(quán)映射至較低的灰度級。,幾種灰度變換過程:,【例3.5.1】將football.jpg灰度級0.1~0.6范圍的像素線性變換到0～1上，效果如圖3.29中圖(b)所示: p = imread(football.jpg); g1 = imadjust(p,[0.1 0.6],[]); subplot(1,2,1); imshow(p); xlabel((a)); subplot(1,2,2); imshow(g1); xlabel((b));,,【例3.5.2】將圖像p向高灰度級變換，gamma取0.6，效果如圖3.29中圖(c)所示。 g2 = imadjust(p,[],[],0.6); subplot(2,2,3); imshow(g2); xlabel((c));,,【例3.5.3】將圖像p做灰度倒相變換，即輸出源圖的負(fù)片，gamma取1，效果如圖3.29中圖(d)所示。 g3 = imadjust(p,[0 1],[1 0]); subplot(2,2,4); imshow(g3); xlabel((d));,3.5.2灰度直方圖,圖像灰度直方圖描述了一幅圖像的灰度級內(nèi)容，即各個灰度級像素數(shù)目的統(tǒng)計。 在MATLAB圖像處理中，通過命令imhist來給出圖像的直方圖。其基本語法格式為： h = imhist(p,b) 其中p為讀入到MATLAB環(huán)境中的圖像矩陣， 參數(shù)b指明直方圖統(tǒng)計時顯示的整個灰度級分段數(shù)目，若圖像為uint8數(shù)據(jù)格式，當(dāng)b＝2時，灰度分為0～127及128～256兩個區(qū)段。省略b時，表明灰度級不分段，這也是imhist的默認(rèn)調(diào)用方式。,,【例3.5.4】顯示圖像p的灰度直方圖時，先要把RGB彩色圖像p變換為灰度圖像I。運(yùn)行下列程序，得到如圖3.30所示直方圖。 p = imread(football.jpg); I = rgb2gray(p); imhist(I);,3.5.3直方圖均衡化,通過直方圖均衡化做適當(dāng)?shù)恼{(diào)整，即把一幅已知灰度概率分布圖像中的像素灰度做某種映射變換，使它變成一幅具有均勻概率分布的新圖像，使圖像視覺效果更加清晰。 直方圖均衡的MATLAB函數(shù)為histeq，其基本語法格式為： g = histeq(p, outlev) 其中p為讀入的圖像矩陣， outlev為輸出圖像的灰度級數(shù)。outlev的默認(rèn)值為64，即64個灰度級，這樣對圖像的細(xì)節(jié)有一定改變。通常將其賦值為256，即全灰度級（uint8）。,【例3.5.4】對tire.tif進(jìn)行直方圖均衡，其效果如圖所示： p = imread(tire.tif); subplot(2,2,1); imshow(p); xlabel((a) ); subplot(2,2,2); imhist(p); xlabel((b) ); g = histeq(p); subplot(2,2,3); imshow(g); xlabel((c) ); subplot(2,2,4); imhist(g); xlabel((d) );,3.6 圖像的增強(qiáng)濾波,上節(jié)介紹過的直方圖均衡化是圖像增強(qiáng)中常用的一種方法，圖像增強(qiáng)技術(shù)還包括圖像平滑濾波、圖像銳化等。本節(jié)將從線性與非線性、平滑與銳化等不同角度介紹一些實(shí)用的空域圖像增強(qiáng)技術(shù)。,3.6.1 空域?yàn)V波概述,圖像增強(qiáng)技術(shù)從總體上可分為空域增強(qiáng)和頻域增強(qiáng)兩大類?？沼蛟鰪?qiáng)也稱為空間增強(qiáng)，是直接對圖像中的像素進(jìn)行操作的一種增強(qiáng)過程。 空域增強(qiáng)方法大致可分為對比度拉伸、平滑濾波和銳化濾波?；叶壤熘饕抢命c(diǎn)運(yùn)算來修改圖像像素灰度值；而平滑和銳化均是利用模板來修改（卷積運(yùn)算）像素灰度值，從實(shí)現(xiàn)方法上講是基于圖像濾波的操作過程。 空域?yàn)V波是在圖像空間中借助模板對圖像進(jìn)行領(lǐng)域操作的，輸出圖像每一個像素的取值都是根據(jù)模板對輸入像素相應(yīng)領(lǐng)域內(nèi)的像素值進(jìn)行計算得到的。,3.6.2 空域?yàn)V波分類,根據(jù)模板特點(diǎn)不同可以將空域?yàn)V波分為線性和非線性兩大類。 按照空域?yàn)V波器的功能不同，又可將其分為平滑濾波器和銳化濾波器。平滑濾波器可以用低通濾波實(shí)現(xiàn)，目的在于模糊圖像或消除圖像噪聲；銳化濾波器是用高通濾波實(shí)現(xiàn)的，目的在于增強(qiáng)被模糊圖像的細(xì)節(jié)部分，具體可分為以下3類。 1．均值濾波 均值濾波也稱線性平滑濾波，其輸出的像素值是由領(lǐng)域像素的平均值決定。,,2．中值濾波 中值濾波也稱為非線性平滑濾波，其基本原理與均值濾波不同之處在于：中值濾波的輸出像素值是由領(lǐng)域像素的中間值而不是平均值決定，中值濾波的名字也因此而得。與均值濾波相比，中值濾波對灰度發(fā)生聚變的像素不如均值濾波那么敏感，因此中值濾波能盡量保存圖像的細(xì)節(jié)，模糊效應(yīng)較少，適于消除圖像中孤立噪聲。 3．銳化濾波 銳化濾波就是可以使用微分對圖像進(jìn)行處理，以此來銳化由于領(lǐng)域平均導(dǎo)致的圖像模糊。圖像處理中最常用的微分是利用圖像沿某方向上的灰度變化率，即梯度進(jìn)行的。,3.6.3 基于MATLAB的空域增強(qiáng)濾波,基于MATLAB圖像處理的空域?yàn)V波，首先要定義濾波器，然后才能調(diào)用定義好的濾波器進(jìn)行濾波。 imnoise是MATLAB提供的圖像噪聲模擬函數(shù)，其基本語法格式為： pn = imnoise(p, ’type’, para) 其中pn為添加噪聲的輸出圖像，p為原圖像，type指定噪聲的類型，para為每種類型噪聲的參數(shù)。 常用的噪聲有：gaussian（高斯噪聲）、salt&pepper（椒鹽噪聲）、speckle（均值為0均勻分布的隨機(jī)噪聲）等。,,fspecial函數(shù)用來預(yù)定義濾波器，其基本語法格式為： h = fspecial(’type’, para) 其中h為預(yù)定義的濾波器，參數(shù)type指定濾波器的種類，para為與濾波器相關(guān)的參數(shù)。 濾波器的種類type可以為：gaussian（高斯低通濾波器）、laplacian（拉普拉斯算子）、log（拉普拉斯高斯算子）、prewitt（Prewitt算子）、sobel（Sobel算子）、average（均值濾波器）及unsharp（對比度增強(qiáng)濾波器）等。,imfilter是用來實(shí)現(xiàn)線性空間濾波的函數(shù)，其基本語法格式為： hp = imfilter(p, w, filter_mode, boundary_options, size_options) 其中hp為經(jīng)過濾波后輸出的圖像，p為原圖像，參數(shù)w為濾波模板，filter_mode指定濾波過程中使用相關(guān)核（corr）還是卷積核（conv）。boundary_options控制邊界填充方式為邊界復(fù)制（replicate）、邊界循環(huán)（circular）還是邊界對稱（symmetric）。size_options可以為same或者full兩者之一。如 hp = imfilter(p, w, ’replicate’) medfilt2是一個二維中值濾波函數(shù)，其基本語法格式為： hp = medfilt2(p, [m n], padopt) 其中hp為經(jīng)過濾波后輸出的圖像，p為原圖像，m及n規(guī)定了領(lǐng)域的大小，padopt指定了邊界填充方式，默認(rèn)方式為zeros。,,【例3.6.1】對添加了椒鹽噪聲的圖像分別進(jìn)行均值濾波和中值濾波，濾波前后效果如圖3.32所示。 p = imread(coins.png); p0 = imnoise(p, salt ,,圖3.32 均值濾波和中值濾波((a)原圖像；(b)添加椒鹽噪聲后圖像；(c)均值濾波后圖像；(d)中值濾波后圖像),【例3.6.2】 對含有噪聲的原圖像進(jìn)行銳化，得到如圖所示圖像。 p0 = imread(moon.tif); p = im2double(p0); %將圖像數(shù)據(jù)類型轉(zhuǎn)換為double H1 = fspecial(laplacian,0); %設(shè)計拉普拉斯濾波器H1 H2 = fspecial(log,[5 5],0.5); %設(shè)計高斯－拉普拉斯濾波器H2 hp1 = imfilter(p,H1,replicate); %用濾波器H1對圖像p進(jìn)行濾波 hp2 = imfilter(p,H2,replicate); %用濾波器H2對圖像p進(jìn)行濾波 p1 = p - hp1; %還原灰度色調(diào) p2 = p - hp2; %還原灰度色調(diào) subplot(1,3,1),imshow(p0); subplot(1,3,2),imshow(p1); subplot(1,3,3);imshow(p2);,,圖3.33 拉普拉斯波和高斯－拉普拉斯濾波((a)原圖像；(b)拉普拉斯濾波后圖像；(c)高斯－拉普拉斯濾波后圖像),3.7 圖像的空間變換,圖像的空間變換也稱為圖像的幾何變換，是指將用戶獲得或設(shè)計的原始圖像，按照需要產(chǎn)生大小、形狀和位置的變化。圖像幾何變換是圖像顯示技術(shù)中的一個重要組成部分，常用的圖像幾何變換主要包括圖像的縮放、圖像的剪切及圖像的旋轉(zhuǎn)等內(nèi)容。,3.7.1 圖像比例縮放,圖像比例縮放是指將給定的圖像在x軸方向按比例縮放fx倍，在y軸方向按比例縮放fy倍，從而獲得一幅新的圖像。有fx＝fy和 fx≠fy兩種情況。 比例縮放所產(chǎn)生的圖像中的像素可能在原圖像中找不到相應(yīng)的像素點(diǎn)，這樣就必須進(jìn)行插值處理。 圖像插值處理常用的方法有兩種，一種是最鄰近插值法，另一種是通過一些插值算法來計算相應(yīng)的像素值。 MATLAB中提供了三種圖像插值方法，即最近鄰插值、雙線性插值和雙三次插值。,通過函數(shù)imresize對圖像進(jìn)行插值縮放，其基本語法格式為： ps = imresize(p, m, method ) 其中ps為變換后的圖像，p為輸入圖像，m放大倍數(shù)（當(dāng)m1時縮?。?，method為插值方法的選擇項(xiàng)，可選最近鄰插值法（nearest）、雙線性插值法（bilinear）及雙三次插值法（bicubic），默認(rèn)使用最近鄰插值法。 另外一種經(jīng)常用到的語法格式為： ps = imresize(p, [m n], method ) 其中m和n分別為變換后圖像的長寬，其它參數(shù)含義與上述相同。,,【例3.7.1】對liftingbody.png圖像進(jìn)行縮小，其效果如圖3.34所示。 p = imread(liftingbody.png); w = input(please input a number:); %交互輸入縮小為0.2倍 ps = imresize(p,w); %縮小變換 imshow(p); figure; imshow(ps);,,圖3.34 對liftingbody.png圖像進(jìn)行縮小前后的效果((a)原圖像；(b)縮小后拉伸顯示后圖像),3.7.2 圖像剪切,圖像處理工具箱中通過函數(shù)imcrop交互實(shí)現(xiàn)圖像區(qū)域選取功能，用于剪切圖像中的一個矩形子圖，可用鼠標(biāo)選取這個矩形，也可以通過參數(shù)指定這個矩形頂點(diǎn)的坐標(biāo)。函數(shù)imcrop基本語法格式為： pc = imcrop(p) 或 pc = imcrop(p, rectangle) 其中pc為剪切后的圖像，p為輸入圖像，rectangle為四個變量指定的一個矩形區(qū)域，即[left bottom width height]，數(shù)組中的四個變量分別表示矩形左下角的橫坐標(biāo)、縱坐標(biāo)、矩形長度及寬度。,,【例3.7.2】 對liftingbody.png圖像進(jìn)行剪切，其效果如圖3.35所示。 p = imread(liftingbody.png); pc = imcrop(p,[80 180 260 220]); %輸入矩形尺度進(jìn)行選取 subplot(1,2,1); imshow(p); subplot(1,2,2); imshow(pc);,3.7.3 圖像旋轉(zhuǎn),圖像的旋轉(zhuǎn)是以圖像的中心為原點(diǎn)，將圖像上的所有像素都旋轉(zhuǎn)一個相同的角度。 在圖像進(jìn)行旋轉(zhuǎn)的時候，各像素的坐標(biāo)必然發(fā)生變化，使得旋轉(zhuǎn)之后不能正好落在整數(shù)坐標(biāo)處，因此同縮放一樣，也需要進(jìn)行插值，插值方法也與縮放的插值方法一樣，完全相同，即可用3種方法對圖像進(jìn)行插值旋轉(zhuǎn)，默認(rèn)的插值方法是最近鄰插值法。 在MATBLA工具箱中的，通過函數(shù)imrotate實(shí)現(xiàn)對圖像的旋轉(zhuǎn)，imrotate函數(shù)的語法格式為： pr = imrotate(p, angle, method) 或 pr = imrotate(p, angle, method, crop) 其中pr為旋轉(zhuǎn)后得到的圖像，p為輸入圖像，angle為指定的旋轉(zhuǎn)度數(shù)，參數(shù)method用于指定插值的方法，可選值為nearest(最近鄰法)，bilinear(雙線性插值)及bicubic(雙三次插值)，默認(rèn)值為nearest。參數(shù)crop允許用戶對旋轉(zhuǎn)后的圖像進(jìn)行自動剪切，使返回的圖像與原圖大小相同。,,【例3.7.3】 對liftingbody.png圖像進(jìn)行旋轉(zhuǎn)，其效果如圖3.36所示。 p = imread(liftingbody.png); angle = input(please input angle：); %輸入旋轉(zhuǎn)角度為45度 pr = imrotate(p,angle,bilinear); %使用雙線性插值方法實(shí)現(xiàn)旋轉(zhuǎn)變換 subplot(1,2,1); imshow(p); subplot(1,2,2); imshow(pr);,3.8 圖像邊緣檢測與分割,圖像分割是將數(shù)字圖像分割成互不相交(不重疊)的有意義的子區(qū)域的過程。其目的是使各個區(qū)域與景物中以某種方式描述的物體相對應(yīng)，以便進(jìn)行高層次的圖像解釋、圖像識別等處理。,3.8.1 邊緣檢測概述,圖像分割一般是基于圖像像素灰度值的基本特性——不連續(xù)性與相似性中的一個或兩個來進(jìn)行的。區(qū)域內(nèi)部的像素一般具有灰度相似性，而在區(qū)域之間的邊界上一般具有灰度不連續(xù)性。 根據(jù)圖像灰度級的突變進(jìn)行圖像分割的方法中，邊緣檢測方法通過檢測包含不同區(qū)域的邊緣來解決圖像分割問題。邊緣檢測最通用的方法是檢測灰度值的不連續(xù)性，灰度值的不連續(xù)是指在不同區(qū)域之間的邊緣上像素灰度值的變化往往比較劇烈，一般利用圖像一階導(dǎo)數(shù)的極大值或者二階導(dǎo)數(shù)的過零點(diǎn)信息提供判斷邊緣點(diǎn)的依據(jù)。,3.8.2 梯度算子,對于圖像中任一像素點(diǎn)，可以用二維函數(shù)f(x,y)來表示，而梯度定義為向量?f： 該向量的幅值為： 為簡化計算，通常省略開方或通過取絕對值來近似計算，即 或,,,,,梯度向量的含義在于，它總是指向f(x,y)在點(diǎn)(x,y)處的最大變化率方向。最大變化率是用方向α角來衡量的，即 為了能估計出Gx及Gy值，通常使用一些經(jīng)典的模板來做數(shù)字化近似。這些模板有Soble模板、Prewitt模板、Roberts模板等。 MATLAB圖像處理工具箱中提供了邊緣函數(shù)（edge）實(shí)現(xiàn)對圖像邊緣的檢測，其基本語法格式為： [e , s] = edge(p, method, para) 其中p為輸入圖像，method是邊緣檢測的類型，para為與edge對應(yīng)的參數(shù)，e為與p同樣大小的邏輯矩陣，在檢測到邊緣的位置時值為1，其它位置則為0，s為一可選參數(shù)。,,1．Roberts模板(算子),Roberts算子又稱為Roberts交叉算子，它是由Roberts提出的一種利用局部差分算子尋找邊緣的模板，它在22鄰域上計算對角導(dǎo)數(shù)。在實(shí)際應(yīng)用中，為了簡化計算，常用梯度函數(shù)的Roberts絕對值來近似。另外還可以用Roberts最大值算子來計算。Roberts邊緣檢測算子如圖所示： (a)Roberts-x (b)Roberts-y,,Roberts邊緣檢測器的語法格式如下： [e , s] = edge(p, roberts, thresh, direct) 其中p為輸入圖像，thresh為指定的閾值T，若T值未指定，則函數(shù)edge會自動選擇一個值。direct為檢測邊緣的首選方向，通?？蛇x作horizontal(水平)、vertical（垂直）或both（默認(rèn)值）。,2．Sobel模板(算子),Roberts算子的一個主要問題是計算方向差分時對噪聲敏感。Sobel提出一種將方向差分運(yùn)算與局部平均相結(jié)合的方法，即Sobel算子。該算子是在以f(x,y)為中心的33鄰域上計算x和y方向的偏導(dǎo)數(shù)，其模板如圖所示： (c) Sobel-x (d) Sobel-y,,Sobel邊緣檢測器語法格式： [e , s] = edge(p, sobel, thresh, direct) 其中p為輸入圖像，thresh為指定的閾值，direct為檢測邊緣的首選方向，通常可選作horizontal (水平)、vertical（垂直）或both（默認(rèn)值）。,3．Prewitt模板(算子),Prewit提出了與Sobel算子類似的計算偏微分估計值的方法，Prewit模板如圖： (e) Prewit-x (f) Prewit-y,,Prewit邊緣檢測器調(diào)用語法如下： [e , s] = edge(p, prewitt, thresh, direct) 其中p為輸入圖像，thresh為指定的閾值，direct為檢測邊緣的首選方向，通?？蛇x作horizontal (水平)、vertical（垂直）或both（默認(rèn)值）。,3.8.2 二階微分算子,上節(jié)討論了計算一階導(dǎo)數(shù)的邊緣檢測器，如果所求的一階導(dǎo)數(shù)高于某一閾值，則可確定該點(diǎn)為邊緣點(diǎn)，這樣做會導(dǎo)致檢測的邊緣點(diǎn)太多。一種更好的方法就是求梯度局部最大值對應(yīng)的點(diǎn)，并認(rèn)定它們是邊緣點(diǎn)。一階導(dǎo)數(shù)的局部最大值對應(yīng)著二階導(dǎo)數(shù)的零交叉點(diǎn)(zero crossing)。這樣，通過找圖像強(qiáng)度的二階導(dǎo)數(shù)的零交叉點(diǎn)就能找到精確邊緣點(diǎn)。 在數(shù)字圖像處理中，二階導(dǎo)數(shù)常用于拉普拉斯算子的計算，即二維函數(shù)f(x,y)的拉普拉斯的表達(dá)式為：,,,二階微分算子邊緣檢測器主要包括LoG算子和Canny算子。 常用的兩種拉普拉斯模板如圖所示：,1. LoG(Laplacian of a Gaussian)算子 LoG算子對含有噪聲的圖像是效果較好的邊緣檢測器。它把高斯平滑濾波器和拉普拉斯銳化濾波器結(jié)合了起來，先使用高斯平滑濾波器平滑掉噪聲，再通過拉普拉斯銳化濾波器進(jìn)行邊緣檢測，所以效果更好。當(dāng)拉普拉斯算子輸出出現(xiàn)過零點(diǎn)時就表明有邊緣存在。 LoG邊緣檢測器的語法格式如下： [e , s] = edge(p, log, thresh, sigmma) 其中p為輸入圖像，thresh為指定的閾值T，sigmma為高斯濾波器的標(biāo)準(zhǔn)方差，默認(rèn)值為2。若T值未指定，則函數(shù)edge會自動選擇一個閾值。,2．Canny算子,Canny算子對最急劇變化方向上的邊緣特別敏感，但在沿邊緣方向上是不敏感的，其作用就像一個平滑算子。Canny邊緣檢測器是高斯函數(shù)的一階導(dǎo)數(shù)，是對信噪比和定位之乘積的最優(yōu)化逼近算子。 算法有以下四個步驟：先用高斯濾波器平滑圖像，然后用一階偏導(dǎo)的有限差分來計算梯度的幅值和方向，再對梯度幅值進(jìn)行非極大值抑制，最后用雙閾值算法檢測和連接邊緣。 canny邊緣檢測器的語法格式如下： [e , s] = edge(p, canny, thresh, sigmma) 其中p為輸入圖像，thresh為指定的閾值T，若T值未指定，則函數(shù)edge會自動選擇一個值，sigmma為平滑濾波器的標(biāo)準(zhǔn)方差，默認(rèn)值為1。,,【例3.8.1】對lena.bmp圖像使用不同的算子進(jìn)行邊緣檢測。檢測結(jié)果如圖3.39所示。 p=imread(lena.bmp); p=im2double(p); %轉(zhuǎn)換為double [e1,s1] = edge(p,sobel,0.03,both); % sobel檢測器 [e2,s2] = edge(p,roberts,0.03,both); % roberts檢測器 [e3,s3] = edge(p,prewitt,0.04,both); % prewitt檢測器 [e4,s4] = edge(p,log,0.003,2.10); % LoG檢測器 [e5,s5] = edge(p,canny,[0.05 0.12],1.6); % canny檢測器 subplot(2,3,1),imshow(p); subplot(2,3,2),imshow(e1); subplot(2,3,3),imshow(e2); subplot(2,3,4);imshow(e3); subplot(2,3,5),imshow(e4); subplot(2,3,6),imshow(e5);,圖3.39 邊緣檢測結(jié)果（(a)Lena源圖；(b)使用Sobel算子；(c)使用Robert算子； (d)使用Prewitt算子；(e)使用LoG算子；(f)使用Canny算子）,,,(a) (b) (c),,,幾種邊緣檢測算子性能比較：,Roberts算子是卷積模板為22的算子，對具有陡峭的低噪聲圖像響應(yīng)最好，但它存在一些功能上的缺陷，如不能檢測45倍數(shù)的邊緣，因此一般使用較少。 Sobel邊緣檢測器卷積模板為33的算子，對灰度漸變和噪聲較多的圖像處理效果較好。 Prewitt邊緣檢測器比Sobel檢測器在計算上簡單，但易于產(chǎn)生噪聲。 LoG算子邊緣檢測器是先對圖像作最佳平滑，然后再利用平滑圖像的二階微分零交叉確定邊緣位置，它被認(rèn)為是微分法中利用平滑二階微分檢測圖像邊緣較成功的一種算法。 Canny邊緣檢測器是在抗噪聲干擾和精確定位之間選擇一個最佳折衷方案，在理論上是迄今為至所發(fā)現(xiàn)的性能最優(yōu)的一種邊緣檢測理論。,3.8.3 閾值分割,閾值化算法利用圖像中要提取的目標(biāo)物與其背景在灰度特性上的差異，把圖像視為具有不同灰度級的兩類區(qū)域(目標(biāo)和背景)的組合，選取一個合適的閾值，以確定圖像中每一個像素點(diǎn)應(yīng)該屬于目標(biāo)還是背景區(qū)域，從而產(chǎn)生相應(yīng)的二值圖像。,如圖所示，最簡單的利用閾值方法來分割灰度圖像的步驟如下：首先對一幅灰度取值在0和L-1之間的圖像確定一個灰度閾值T(0TL-1)，然后將圖像中每個像素的灰度值與閾值T相比較，并將對應(yīng)的像素根據(jù)比較結(jié)果劃為兩類：,,閾值化算法通過設(shè)定不同的特征閾值，將像素點(diǎn)分為若干類，其關(guān)鍵在于閾值的選取。常見的閾值選取方法： 1．極小值點(diǎn)閾值 如果將直方圖的包絡(luò)看作一條曲線，則選取直方圖的谷可借助求曲線極小值的方法。 2．迭代閾值 先取圖像灰度范圍的中值作為初始閾值T0，然后按迭代公式進(jìn)行迭代。 3．最大方差閾值（又稱Otsu自動閾值處理方法） 通過函數(shù)graythresh實(shí)現(xiàn)最大方差閾值的選取，其基本語法格式為： thresh = graythresh(p) 其中p為輸入圖像，thresh為最終返回的閾值，其范圍在0~1之間。,,【例3.8.2】 用迭代閾值選取法計算圖像的全局閾值并對圖像進(jìn)行分割。分割前后效果如圖3.41所示。 p= imread(bugs.bmp); p=rgb2gray(p); p=im2double(p); %轉(zhuǎn)換為double thresh = 0.5*(min(p(:)) + max(p(:))); %閾值初始化為最大值與最小值的中間值 flag = false; %迭代步長控制 while ~flag g = p=thresh; %按當(dāng)前閾值劃分 thresh_1 = 0.5*(mean(p(g)) + mean(p(~g))); %求得新閾值 flag = abs(thresh - thresh_1)0.5; %更新迭代標(biāo)志 thresh = thresh_1; %更新閾值 end figure(1),imshow(p); figure(2), imshow(g);,,圖3.41 迭代閾值分割前后效果（(a)原圖像；(b)迭代閾值分割后圖像）,,【例3.8.3】 用最大方差閾值對圖像進(jìn)行分割。分割前后效果如圖3.42所示。 p=imread(bugs.bmp); p1=rgb2gray(p); thresh = graythresh(p1); %使用Ostu算法求得新閾值 g = im2bw(p1,thresh); %使用thresh對圖像進(jìn)行分割 figure(1), imshow(p); figure(2), imshow(g);,,圖3.42 Ostu閾值分割前后效果（(a)原圖像； b.Ostu閾值分割后圖像）,