區域生長准則和方法步驟

『壹』 圖像分割最好方法

1.基於閾值的分割方法

閾值法的基本思想是基於圖像的灰度特徵來計算一個或多個灰度閾值，並將圖像中每個像素的灰度值與閾值作比較，最後將像素根據比較結果分到合適的類別中。因此，該方法最為關鍵的一步就是按照某個准則函數來求解最佳灰度閾值。

閾值法特別適用於目標和背景占據不同灰度級范圍的圖。圖像若只有目標和背景兩大類，那麼只需要選取一個閾值進行分割，此方法成為單閾值分割；但是如果圖像中有多個目標需要提取，單一閾值的分割就會出現作物，在這種情況下就需要選取多個閾值將每個目標分隔開，這種分割方法相應的成為多閾值分割。
2.基於區域的圖像分割方法

基於區域的分割方法是以直接尋找區域為基礎的分割技術，基於區域提取方法有兩種基本形式：一種是區域生長，從單個像素出發，逐步合並以形成所需要的分割區域；另一種是從全局出發，逐步切割至所需的分割區域。
分水嶺演算法

分水嶺演算法是一個非常好理解的演算法，它根據分水嶺的構成來考慮圖像的分割，現實中我們可以想像成有山和湖的景象，那麼一定是水繞山山圍水的景象。

分水嶺分割方法，是一種基於拓撲理論的數學形態學的分割方法，其基本思想是把圖像看作是測地學上的拓撲地貌，圖像中每一點像素的灰度值表示該點的海拔高度，每一個局部極小值及其影響區域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺的概念和形成可以通過模擬浸入過程來說明。在每一個局部極小值表面，刺穿一個小孔，然後把整個模型慢慢浸入水中，隨著浸入的加深，每一個局部極小值的影響域慢慢向外擴展，在兩個集水盆匯合處構築大壩，即形成分水嶺。

『貳』 圖象分割有哪三種不同的途徑

圖象分割有三種不同的途徑，其一是將各象素劃歸到相應物體或區域的象素聚類方法即區域法，其二是通過直接確定區域間的邊界來實現分割的邊界方法，其三是首先檢測邊緣象素再將邊緣象素連接起來構成邊界形成分割。早期的圖像分割方法可以分為兩大類。一類是邊界方法，這種方法假設圖像分割結果的某個子區域在原來圖像中一定會有邊緣存在；一類是區域方法，這種方法假設圖像分割結果的某個子區域一定會有相同的性質，而不同區域的像素則沒有共同的性質。這兩種方法都有優點和缺點，有的學者考慮把兩者結合起來進行研究。現在，隨著計算機處理能力的提高，很多方法不斷涌現，如基於彩色分量分割、紋理圖像分割。所使用的數學工具和分析手段也是不斷的擴展，從時域信號到頻域信號處理，小波變換等等。

圖像分割主要包括4種技術：並行邊界分割技術、串列邊界分割技術、並行區域分割技術和串列區域分割技術。下面是分別對每一項做簡單的介紹。

『叄』 機器人視覺系統中圖像分割技術傳統方法概論1

姓名：寇世文

學號：21011110234

【嵌牛導讀】：隨著人工智慧技術的不斷發展，智能機器人領域也得到了空前的發展。尤其是深度神經網路廣泛應用於視覺系統中後，取得了許多很明顯的成效。對於自主移動機器人來說，視覺系統有著十分重要的作用，而圖像分割技術更是在這個系統中擔任著十分重要的角色。傳統的圖像分割技術基本上已經能夠將圖像的前景和後景分隔開來，但是近年來隨著深度學習演算法的發展，人們開始將其應用到圖像分割中，提出了很多分割網路，也達到了很好的分割效果。在實現圖像分割的基礎上，人們還使得分割具有了語義類別和標簽，就是現在的語義分割。本文在介紹了語義分割的基礎上又引出了新的任務分割場景，實例分割和全景分割。並且介紹了最近研究的熱點三維點雲的語義分割問題，闡述了其實現的必要性。

【嵌牛鼻子】智能機器人，圖像分割、語義分割、計算機視覺

【嵌牛提問】圖像分割技術的傳統常見方法

【嵌牛正文】

一、引言

        計算機視覺，即computer vision，就是通過計算機來模擬人的視覺工作原理，來獲取和完成一系列圖像信息處理的機器。計算機視覺屬於機器學習在視覺領域的應用，是一個多學科交叉的研究領域，其涉及數學、物理、生物、計算機工程等多個學科。

計算機視覺的主要應用有無人駕駛、人臉識別、無人安防、車輛車牌識別、智能傳圖、3D重構、VR/AR、智能拍照、醫學圖像處理、無人機、工業檢測等。人駕駛又稱自動駕駛，是目前人工智慧領域一個比較重要的研究方向，讓汽車可以進行自主駕駛，或者輔助駕駛員駕駛，提升駕駛操作的安全性。人臉識別技術目前已經研究得相對比較成熟，並在很多地方得到了應用，且人臉識別准確率目前已經高於人眼的識別准確率。安防一直是我國比較重視的問題，也是人們特別重視的問題，在很多重要地點都安排有巡警巡查，在居民小區以及公司一般也都有保安巡查來確保安全。車輛車牌識別目前已經是一種非誠成熟的技術了，高速路上的違章檢測，車流分析，安全帶識別，智能紅綠燈，還有停車場的車輛身份識別等都用到了車輛車牌識別。3D重構之前在工業領域應用比較多，可以用於對三維物體進行建模，方便測量出物體的各種參數，或者對物體進行簡單復制。計算機視覺還有很多應用，隨著技術的發展，應用領域也會越來越多。在工業領域的應用，在機器人技術方面的應用等。

對於傳統的圖像分割過程，通常可以分為5個步驟，即特徵感知、圖像預處理、特徵提取、特徵篩選和推理預測與識別。通過研究發現，在視覺的早期的發展過程中，人們對於圖像中的特徵並沒有表現出足夠的關注。且傳統的分割過程是把特徵提取和分類分開來做的，等到需要輸出結果的時候再結合到一起，可想而知其實現的困難程度。

在深度學習演算法出來之後，卷積神經網路被廣泛應用於計算機視覺技術中，也因此衍生出了很多的研究方向。深度學習主要是以特徵為基礎來進行比對，如在人臉識別方面，使用卷積神經網路分別對兩張人臉進行不同位置的特徵提取，然後再進行相互比對，最後得到比對結果。目前的計算機視覺的主要研究方向有圖像分類、目標檢測、圖像分割、目標跟蹤、圖像濾波與降噪、圖像增強、風格化、三維重建、圖像檢索、GAN等。本文主要是針對圖像分割這一領域，進行簡要的概述。

圖像分割技術是計算機視覺領域的個重要的研究方向，是圖像語義理解的重要一環。圖像分割是指將圖像分成若干具有相似性質的區域的過程，從數學角度來看，圖像分割是將圖像劃分成互不相交的區域的過程。近些年來隨著深度學習技術的逐步深入，圖像分割技術有了突飛猛進的發展，該技術相關的場景物體分割、人體前背景分割、人臉人體Parsing、三維重建等技術已經在無人駕駛、增強現實、安防監控等行業都得到廣泛的應用。

二、發展現狀

        近來已經有很多學者將圖像分割技術應用到移動機器人的控制中，能夠做到在機器人運動的同時定位、構建地圖並分割出不同的前景和後景，使視覺系統掃描到的圖像具有語義信息。並有學者也致力於分割得更為准確和精細，不僅能夠做到區分不同類的物體，也能夠實現對同類的不同物體的分類，甚至可以做到在此基礎上加上對背景的分割。由於我們生活的世界是三維空間，還有學者將圖像場景還原到三維中，然後使用相關方法對整個三維場景進行分割。作為計算機視覺的研究中的一個較為經典的難題，圖像分割這一領域也越來越被人們所關注。

        首先是傳統的圖像分割方法。在傳統分割方面，人們使用數字圖像處理、拓撲學、數學等方面的知識來進行圖像分割。雖然現在的算力逐漸增加且深度學習不斷發展，一些傳統的分割方法所取得的效果不如深度學習，但是其分割的思想仍有很多值得我們去學習的。

        第一種方法是基於閾值的圖像分割方法。這種方法的核心思想是想根據圖像的灰度特徵來給出一個或多個灰度閾值，將此閾值作為一個標准值與圖像中的每個像素逐一進行比較。很容易想到，通過這個逐一比較過程能夠得到兩類結果，一類是灰度值大於閾值的像素點集，另一類是灰度值小於閾值的像素點集，從而很自然地將圖像進行了分割。所以，不難發現，此方法的最關鍵的一步就是按照一定的准則函數來得到最佳灰度閾值，這樣才能夠得到合適的分類結果。值得一提的是，如果圖像中需要分割的目標和背景分別占據了不同的灰度值甚至是不同的等級，那使用這種方法會得到很好的效果。並且，假如對於一張圖像的處理，我們只需要設定一個閾值時，可以將其稱為單閾值分割。但是圖像中如果不止一個目標，即有多個目標需要進行提取的時候，單一閾值分割就無法做到將它們都分割開來，此時應選取多個閾值對其進行處理，這個分割的過程為多閾值分割。總的來說，閾值分割法有著其獨特的特點，其計算簡單、效率較高。但是，由於這種方法只考慮的是單個像素的灰度值及其特徵，而完全忽略了空間特徵，這也就導致了其對雜訊比較敏感且魯棒性不高。

        第二種方法是基於區域的圖像分割方法。這種方法具有兩種基本形式：一種是區域生長，這種分割方法是從單個像素出發，逐漸將相似的區域進行合並，最終得到需要的區域。另一種方法是直接從圖像的全局出發，一點一點逐步切割至所需要的區域。區域生長指的是，給定一組種子像素，其分別代表了不同的生長區域，然後讓這些種子像素逐漸合並鄰域里符合條件的像素點。如果有新的像素點添加進來，同樣把它們作為種子像素來處理。

        區域分裂合並的分割過程可以說是區域生長的逆過程，這種方法是從圖像的全局出發通過不斷分裂得到各個子區域，然後提取目標的過程。此外，在此過程中，還需要合並前景區域。

        在區域分割方法中還有一種分水嶺演算法。受啟發於分水嶺的構成，這種分割方法將圖像看作是測地學上的拓撲地貌，這樣圖像中每一個像素點對應的海拔高度可以用該點的灰度值來表示。分水嶺的形成過程實際上可以通過模擬浸入過程來實現。具體做法是，在每個局部極小值的表面都刺穿一個小孔，然後把模型慢慢浸入水中，隨著水慢慢浸入其中，分水嶺就隨之形成了。

        第三種方法是基於邊緣檢測的分割方法。邊緣檢測的思想就是試圖通過檢測不同物體的邊緣來將圖像分割開來，這種方法是人們最先想到的也是研究最多的方法之一。如果我們將圖片從空間域變換到頻率域中去，其中物體的邊緣部分就對應著高頻部分，很容易就能夠找到邊緣信息，因此也使得分割問題變得容易。邊緣檢測的方法能夠實現快而且准確的定位，但是其不能保證邊緣的連續性和封閉性，且當一幅圖像的細節信息過多時，其就會在邊緣處產生大量的細碎邊緣，在形成完整的分割區域時就會有缺陷。

        第四種圖像分割方法結合了特定的工具。這里所說的特定工具是各種圖像處理工具以及演算法等，隨著圖像分割研究工作的深入，很多學者開始將一些圖像處理的工具和一些演算法應用到此工作中，並取得了不錯的結果。小波變換在數字圖像處理中發揮著很重要的作用，它能夠將時域和頻域統一起來研究信號。尤其是在圖像邊緣檢測方面，小波變換能夠檢測二元函數的局部突變能力。其次是基於遺傳演算法的圖像分割，遺傳演算法主要借鑒了生物界自然選擇和自然遺傳機制的隨機化搜索方法。其模擬了由基因序列控制的生物群體的進化過程，其擅長於全局搜索，但是局部搜多能力不足。將遺傳演算法應用到圖像處理中也是當前研究的一個熱點問題，在此選擇這種方法的主要原因是遺傳演算法具有快速的隨機搜索能力，而且其搜索能力與問題的領域沒有任何關系。

        除此之外，還有基於主動輪廓模型的分割方法，這種方法具有統一的開放式的描述形式，為圖像分割技術的研究和創新提供了理想的框架。此方法也是對邊緣信息進行檢測的一種方法，主要是在給定圖像中利用曲線演化來檢測目標。

『肆』 本人大一 為論文發愁

摘 要
本文詳細介紹了多變數預測控制演算法及其在環境試驗設備控制中的應用。由於環境試驗設備的溫度和濕度控制系統具有較大的時間滯後，而且系統間存在比較嚴重的耦合現象，用常規的PID控制不能取得滿意的控制效果。針對這種系統，本文採用了多變數預測控制演算法對其進行了控制模擬。
預測控制演算法是一種基於系統輸入輸出描述的控制演算法，其三項基本原理是預測模型、滾動優化、反饋校正。它選擇單位階躍響應作為它的「預測模型」。這種演算法除了能簡化建模過程外，還可以通過選擇合適的設計參數，獲得較好的控制效果和解耦效果。
本文先對環境試驗設備作了簡介，對控制中存在的問題進行了說明；而後對多變數預測控制演算法進行了詳細的推導，包括多變數自衡系統預測制演算法和多變數非自衡系統預測控制演算法；然後給出了系統的建模過程及相應的系統模型，在此基礎上採用多變數預測控制演算法對環境試驗設備進行了控制模擬，並對模擬效果進行了比較。
模擬結果表明，對於和環境試驗設備的溫度濕度控制系統具有類似特性的多變數系統，應用多變數預測控制演算法進行控制能夠取得比常規PID控制更加令人滿意的效果。

關鍵詞：多變數系統；預測控制；環境試驗設備

【中文摘要共100—300個字，關鍵詞3—7個詞
中文摘要和關鍵詞佔一頁】

【英文全部用Times New Roman字體】
Abstract 【三號字體，加粗，居中上下空一行】
【正文小四號字體，行距為固定值20磅】
In this paper, multivariable predictive control algorithm and its application to the control of the environmental test device are introced particularly. The temperature and humidity control system of the environmental test device is characterized as long time delay and severe coupling. Therefore, the routine PID control effect is unsatisfactory. In this case, the simulation of the temperature and humidity control of the environmental test device based on multivariable predictive control algorithm is made.
Predictive control algorithm is one of control algorithm based on description of system』s input-output. Its three basic principles are predictive model, rolling optimization and feedback correction. It chooses unit step response as its predictive model, so that the modeling process is simplified. In addition, good control and decoupling effects could be possessed by means of selection suitable parameters.
In this paper, the environmental test device is introced briefly and the existing problems are showed. Then multivariable predictive control algorithm is presented particularly, including multivariable auto-balance system predictive control algorithm and multivariable auto-unbalance system predictive control algorithm. Next, system modeling process and corresponding system model are proposed. Further, the multivariable predictive control algorithm is applied to the temperature and humidity control system of the environmental test device. Finally, the simulation results are compared.
Results of the simulation show that multivariable predictive control algorithm could be used in those multivariable system like the temperature and humidity control system of the environmental test device and the control result would be more satisfactory than that of the routine PID control.

Keyword: Multivariable system； Predictive control； Environmental test device

【英文摘要和關鍵詞應該是中文摘要和關鍵詞的翻譯
英文摘要和關鍵詞佔一頁】

【目錄範例，word自動生成】
目 錄
第一章 緒 論 1
1.1 引言 1
1.2 數字圖像技術的應用與發展 1
1.3 問題的提出 3
1.4 論文各章節的安排 4
第二章 數字圖像處理方法與研究 5
2.1 灰度直方圖 5
2.1.1 定義 5
2.1.2 直方圖的性質和用途 5
2.2 幾何變換 8
2.2.1 空間變換 8
2.2.2 灰度級插值 8
2.2.3 幾何運算的應用 10
2.3 空間濾波增強 10
2.3.1 空間濾波原理 10
2.3.2 拉普拉斯運算元 11
2.3.3 中值濾波 12
2.4 圖像分割處理 13
2.4.1 直方圖門限化的二值分割 14
2.4.2 直方圖的最佳門限分割 14
2.4.3 區域生長 16
第三章 圖像處理軟體設計 18
3.1 圖像處理軟體開發工具的選擇 18
3.1.1 BMP圖像格式的結構 18
3.1.2 軟體開發工具的選擇 19
3.2 EAN-13碼簡介 20
3.2.1 EAN-13條碼的結構 20
3.2.2 條碼的編碼方法 21
3.1 系統界面設計 22
第四章 條碼圖像測試 24
4.1 條碼圖像處理的主要方法 24
4.2 條碼圖像測試結果 25
第五章 總結與展望 28
參考文獻 29

當先驗概率相等，即 時，則
（2.33）
恰為二者均值。
以上分析可知，只要 和 已知以及 和 為正態，容易計算其最佳門限值T。
實際密度函數的參數常用擬合法來求出 參數的估值。如最小均方誤差擬合估計來會計 參量，並使擬合的均方誤差為最小。例如，設想理想分布的密度為正態 ，實際圖像直方圖為 ，用離散方式其擬合誤差為
（2.34）
式中N為直方圖橫坐標。通常這種擬合求密度函數的幾個參數很難解，只能用計算機求數值解，但若 為正態分布時只需求均值和標准差二參數即可。
2.4.3 區域生長
區域生長是一種典型的串列區域分割技術，在人工智慧領域的計算機視覺研究中是一種非常重要的圖像分割方法，其主要思想是將事先選中的種子點周圍符合某種相似性判斷的像素點集合起來以構成區域。在具體處理時，是從把一幅圖像分成許多小區域開始的，這些初始小區域一般是小的鄰域，甚至是單個的像素點。然後通過定義適當的區域內部隸屬規則而對周圍像素進行檢驗，對於那些符合前述隸屬規則的像素點就將其合並在內，否則將其據棄，經過若干次迭代最終可形成待分割的區域。在此提到的「內部隸屬規則」可根據圖像的灰度特性、紋理特性以及顏色特性等多種因素來作出決斷。從這段文字可以看出，區域生長成功與否的關鍵在於選擇合適的內部隸屬規則(生長准則)。
對於基於圖像灰度特性的生長准則，可以用下面的流程對其區域生長過程進行表述，如圖2.6所示。

圖 2. 6 區域生長流程圖

第三章 圖像處理軟體設計

3.1 圖像處理軟體開發工具的選擇
3.1.1 BMP圖像格式的結構
數字圖像存儲的格式有很多種，如BMP、GIF、JPEG、TIFF等，數字圖像處理中最常用的當屬BMP，本課題採集到的圖片也是用BMP格式存儲的，要對這種格式的圖片進行處理，那麼首先就要了解它的文件結構。
（1）BMP文件格式簡介
BMP(Bitmap-File)圖形文件是Windows採用的圖形文件格式在Windows環境下運行的所有圖象處理軟體都支持BMP圖像文件格式。Windows系統內部各圖像繪制操作都是以BMP為基礎的。Windows 3.0以前的BMP點陣圖文件格式與顯示設備有關，因此把這種BMP圖像文件格式稱為設備相關點陣圖DDB(device-dependent bitmap)文件格式。Windows 3.0以後的BMP圖像文件與顯示設備無關，因此把這種BMP圖像文件格式稱為設備無關點陣圖DIB(device-independent bitmap)格式，目的是為了讓Windows能夠在任何類型的顯示設備上顯示所存儲的圖像。BMP點陣圖文件默認的文件擴展名是BMP或者bmp（有時它也會以.DIB或.RLE作擴展名）。
（2）BMP文件構成
BMP文件由點陣圖文件頭(bitmap-file header)、點陣圖信息頭(bitmap-information header)、顏色信息(color table)和圖形數據四部分組成。它具有如表3.1所示的形式。
表 3. 1 BMP點陣圖結構
點陣圖文件的組成 結構名稱 符號
點陣圖文件頭(bitmap-file header) BITMAPFILEHEADER bmfh
點陣圖信息頭(bitmap-information header) BITMAPINFOHEADER bmih
顏色信息(color table) RGBQUAD aColors[]
圖形數據 BYTE aBitmapBits[]
3.1.2 軟體開發工具的選擇
（1）Win32 API
Microsoft Win32 API(Application Programming Interface)是Windows的應用編程介面，包括窗口信息、窗口管理函數、圖形設備介面函數、系統服務函數、應用程序資源等。Win32 API是Microsoft 32位Windows操作系統的基礎，所有32位Windows應用
程序都運行在Win32 API之上，其功能是由系統的動態鏈接庫提供的。
（2）Visual C++
Visual C++是Microsoft公司出品的可視化編程產品，具有面向對象開發，與Windows API緊密結合以及豐富的技術資源和強大的輔助工具。Visual C++自誕生以來，一直是Windows環境下最主要的應用開發系統之一，Visual C++不僅是C++語言的集成開發環境，而且與Win32緊密相連，所以利用Visual C++可以完成各種各樣的應用程序的開發，從底層軟體直到上層直接面向用戶的軟體。Visual C++是一個很好的可視化編程環境，它界面友好，便於程序員操作。
Visual C++可以充分利用MFC的優勢。在MFC中具有許多的基本庫類，特別是MFC中的一些，利用它們可以編寫出各種各樣的Windows應用程序，並可節省大量重復性的工作時間，縮短應用程序的開發周期。使用MFC的基本類庫，在開發應用程序時會起到事半功倍的效果。
Visual C++具有以下這些特點：
簡單性：Visual C++中提供了MFC類庫、ATL模板類以及AppWizard、ClassWizard等一系列的Wizard工具用於幫助用戶快速的建立自己的應用程序，大大簡化了應用程序的設計。使用這些技術，可以使開發者編寫很少的代碼或不需編寫代碼就可以開發一個Windows應用程序。
靈活性：Visual C++提供的開發環境可以使開發者根據自己的需要設計應用程序的界面和功能，而且，Visual C++提供了豐富的類庫和方法，可以使開發者根據自己的應用特點進行選擇。
可擴展性：Visual C++提供了OLE技術和ActiveX技術，這種技術可以增強應用程序的能力。使用OLE技術和ActiveX技術可以使開發者利用Visual C++中提供的各種組件、控制項以及第三方開發者提供的組件來創建自己的程序，從而實現應用程序的組件化。使用這種技術可以使應用程序具有良好的可擴展性。
（3）MFC
MFC（Microsoft Foundation Class）是Microsoft公司用C++語言開發的一套基礎類
庫。直接利用Win32 API進行編程是比較復雜的，且Win32 API不是面向對象的。MFC封裝了Win32 API的大部分內容，並提供了一個應用程序框架用於簡化和標准化Windows程序的設計。MFC是Visual C++的重要組成部分，並且以最理想的方式與其集成為一體。主要包括以下各部分：Win32 API的封裝、應用程序框架、OLE支持、資料庫支持、通用類等。
3.2 EAN-13碼簡介
人們日常見到的印刷在商品包裝上的條碼，自本世紀70年代初期問世以來，很快得到了普及並廣泛應用到工業、商業、國防、交通運輸、金融、醫療衛生、郵電及辦公室自動化等領域。條碼按照不同的分類方法，不同的編碼規則可以分成許多種，現在已知的世界上正在使用的條碼就有250種之多。本章以EAN條碼中的標准版EAN-13為例說明基於數字圖像處理技術，對EAN條碼圖像識別的軟體開發方法。
EAN碼是國際物品編碼協會在全球推廣應用的商品條碼，是定長的純數字型條碼，它表示的字元集為數字0～9。由前綴碼、廠商識別代碼、商品項目代碼和校驗碼組成。前綴碼是國際EAN組織標識各會員組織的代碼，我國為690～695；廠商識別代碼是EAN會員組織在EAN前綴碼的基礎上分配給廠商的代碼；商品項目代碼由廠商自行編碼；校驗碼上為了校驗前面12位或7位代碼的正確性。
3.2.1 EAN-13條碼的結構
EAN-13碼是按照「模塊組合法」進行編碼的。它的符號結構由八大部分組成：左側空白區、 起始符、左側數據符、中間分隔符、右側數據符、校驗符、終止符及右側空白區，見表3.2。尺寸：37.29mm ×26.26mm ；條碼：31.35mm ；起始符/分隔符/終止符：24.50mm ；放大系數取值范圍是0.80～2.00；間隔為0.05。
表 3. 2 EAN-13碼結構
左側
空白區 起始符 左側
數據符 中間
間隔符 右側
數據符 校驗符 終止符
右側
空白區
9個
模塊 3個
模塊 42個
模塊 5個
模塊 35個
模塊 7個
模塊 3個
模塊 9個
模塊
EAN-13碼所表示的代碼由13位數字組成，其結構如下：
結構一：

其中：X13～X11為表示國家或地區代碼的前綴碼；X10～X7為製造廠商代碼；X6～X2為商品的代碼；X1為校驗碼。
結構二：

其中：X13～X11為表示國家或地區代碼的前綴碼；X10～X6為製造廠商代碼；X5～X2為商品的代碼；X1為校驗碼。
在我國，當X13X12X11為690、691時其代碼結構同結構一；當X13X12X11為692
時其代碼結構為同結構二。
EAN條碼的編碼規則，見表3.3：
起始符：101；中間分隔符：01010；終止符：101。
A、B、C中的「0」和「1」分別表示具有一個模塊寬度的「空」和「條」。
表 3. 3 EAN條碼的編碼規則
數據符 左側
數據符 右側
數據符
A B C
0 0001101 0100111 1110010
1 0011001 0110011 1100110
2 0010011 0011011 1101100
3 011101 0100001 1000010
4 0100011 0011101 1011100
5 0110001 0111001 1001110
6 0101111 000101 1010000
7 0111011 0010001 1000100
8 0110111 0001001 1001000
9 0001011 0010111 1110100
3.2.2 條碼的編碼方法
條碼的編碼方法是指條碼中條空的編碼規則以及二進制的邏輯表示的設置。眾所周知，計算機設備只能識讀二進制數據（數據只有「0」和「1」兩種邏輯表示），條碼符號作為一種為計算機信息處理而提供的光電掃描信息圖形符號，也應滿足計算機二進制的要求。條碼的編碼方法就是通過設計條碼中條與空的排列組合來表示不同的二進制數據。一般來說，條碼的編碼有兩種：模塊組合和寬度調節法。
模塊組合法是指條碼符號中，條與空是由標准寬度的模塊組合而成。一個標准寬度的條表示二進制的「1」而一個標準的空模塊表示二進制的「0」。商品條碼模塊的標准寬度是0.33mm ，它的一個字元由兩個條和兩個空構成，每一個條或空由1～4個標准寬度模塊組成。
寬度調節法是指條碼中，條與空的寬窄設置不同，用寬單元表示二進制的「1」 ，而用窄單元表示二進制的「0」，寬窄單元之比一般控制在2～3之間。

3.1 系統界面設計
本文圖像處理軟體基本功能包括讀取圖像、保存圖像、對圖像進行處理等。圖3.1所示為本圖像處理軟體的界面。

圖 3. 1 軟體主界面

軟體設計流程圖如圖3.2所示。

圖 3. 2 程序設計流程圖

第四章 條碼圖像測試
4.1 條碼圖像處理的主要方法
（1）256色點陣圖轉換成灰度圖
運用點處理中的灰度處理為實現數字圖像的閾值變換提供前提條件。要將256色點陣圖轉變為灰度圖，首先必須計算每種顏色對應的灰度值。灰度與RGB顏色的對應關系如下：
Y=0.299R+0.587G+0.114B （4.1）
這樣，按照上式我們可以方便地將256色調色板轉換成為灰度調色板。由於灰度圖調色板一般是按照灰度逐漸上升循序排列的，因此我們還必須將圖像每個像素值（即調色板顏色的索引值）進行調整。實際編程中只要定義一個顏色值到灰度值的映射表bMap[256]（長為256的一維數組，保存256色調色板中各個顏色對應的灰度值），將每個像素值p（即原256色調色板中顏色索引值）替換成bMap[p]。
（2）灰度的閾值變換
利用點運算中的閾值變換理論將灰度圖像變為二值圖像，為圖像分析做准備工作。灰度的閾值變換可以將一幅灰度圖像轉變為黑白二值圖像。它的操作是先由用戶指定一個閾值，如果圖像中某像素的灰度值小於該閾值，則將該像素的灰度值設置為0，否則灰度值設置為255。
（3）中值濾波
運用變換域法中的空域濾波法對圖像進行降噪處理。中值濾波是一種非線性的信號
處理方法，與其對應的濾波器當然也是一種非線性的濾波器。中值濾波一般採用一個含有奇數個點的滑動窗口，將窗口中各點灰度值的中值來替代指定點（一般是窗口的中心點）的灰度值。對於奇數個元素，中值是指按大小排序後，中間的數值，對於偶數個元素，中值是指排序後中間兩個元素灰度值的平均值。
（4）垂直投影
利用圖像分析中的垂直投影法實現對二值圖像的重建，為條碼識別提供前提條件。垂直投影是利用投影法對黑白二值圖像進行變換。變換後的圖像中黑色線條的高度代表了該列上黑色點的個數。
（5）幾何運算
幾何運算可以改變圖像中各物體之間的空間關系。幾何運算的一個重要應用是消除攝像機導致的數字圖像的幾何畸變。當需要從數字圖像中得到定量的空間測量數據時，幾何校正被證明是十分重要的。另外，一些圖像系統使用非矩形的像素坐標。在用普通的顯示設備觀察這些圖像時，必須先對它們進行校直，也就是說，將其轉換為矩形像素坐標。

4.2 條碼圖像測試結果
本軟體的處理對象為EAN-13碼的256色BMP點陣圖，應用數字圖像處理技術中的灰度處理、閾值分割、空域濾波、區域生長、投影等方法，對有雜訊的條碼圖像進行了相應處理，其結果如下：

圖4. 1 原始條碼圖 圖4. 2 灰度窗口變換

圖4. 3 原條碼直方圖 圖4. 4 灰度窗口變換直方圖

圖4. 5灰度直方圖規定化界面 圖4. 6灰度直方圖規定化直方圖

圖4. 7 中值濾波的界面

圖4. 8 區域生長 圖4. 9 閾值面積消除

圖4. 10 垂直投影
從以上處理結果可以看出，對原始條碼圖像進行灰度變換、中值濾波、二值化以及小面積閾值消除後得到條碼的投影圖像，下一步就可以通過圖像模式識別的方法將條碼讀取出來，該部分工作還有待進一步研究。

第五章 總結與展望

數字圖像處理技術起源於20世紀20年代，當時由於受技術手段的限制，使圖像處理技術發展緩慢。直到第三代計算機問世以後，數字圖像處理才得到迅速的發展並得到普遍應用。今天，已經幾乎不存在與數字圖像處理無關的技術領域。
本論文主要研究了數字圖像處理的相關知識，然後通過Visual C++這一編程工具來實現圖像處理演算法；對文中所提到的各種演算法都進行了處理，並得出結論。所做工作如下：
（1）運用點處理法中的灰度處理為實現數字圖像的閾值變換提供前提條件。
（2）運用變換域法中的空域濾波法對圖像進行降噪處理。
（3）利用點運算中的閾值變換理論將灰度圖像變為二值圖像，為圖像分析做准備工作。
（4）利用圖像分析中的垂直投影法實現對二值圖像的重建，為條碼識別提供前提條件。
在論文的最後一章，給出了各種演算法處理的結果。結果表明通過數字圖像處理可以把有雜訊的條碼處理成無雜訊的條碼。
數字圖像處理技術的應用領域多種多樣，不僅可以用在像本文的圖像處理方面，還可以用於模式識別，還有機器視覺等方面。近年來在形態學和拓撲學基礎上發展起來的圖像處理方法，使圖像處理的領域出現了新的局面，相信在未來圖像處理的應用將會更加廣泛。

參考文獻

[1] 阮秋琦.數字圖像處理學[M].北京:電子工業出版社，2001．
[2] 黃賢武,王加俊,李家華.數字圖像處理與壓縮編碼技術[M].成都:科技大學出版社，2000．
[3] 容觀澳.計算機圖像處理[M].北京:清華大學出版社,2000.
[4] 胡學鋼.數據結構-演算法設計指導[M].北京:清華大學出版社，1999.
[5] 黃維通.Visual C++面向對象與可視化程序設計[M].北京:清華大學出版社，2001．
[6] 夏良正.數字圖像處理[M].南京:東南大學出版社，1999．
[7] 費振原.條碼技術及應用[M].上海:上海科學技術文獻出版社，1992．
[8] 李金哲.條形碼自動識別技術[M].北京:國防工業出版社，1991．
[9] 何斌.Visual C++數字圖像處理[M].北京:人民郵電出版社，2001．
[10] 李長江. C++使用手冊[M].北京:電子工業出版社,1995．
[11] 席慶，張春林. Visual C++ 6.0.實用編程技術[M].北京:中國水利水電出版社,1999．
[12] 胡學鋼.數據結構-演算法設計指導[M].北京:清華大學出版社,1999．
[13] Kenneth R.Castleman著，朱志剛等譯.數字圖像處理[M]．北京:電子工業出版社，1998．
[14] Davis. Chapman.Visual C++ 6.0[M].北京：清華大學出版社，1999．
[15] Richard C.Leinecker.Visual C++ 5 Power Toolkit[M].北京:機械工業出版社，1999．

『伍』 圖像分割的分割方法

灰度閾值分割 法是一種最常用的並行區域技術，它是圖像分割中應用數量最多的一類。閾值分割方法實際上是輸入圖像f到輸出圖像g的如下變換：
其中，T為閾值，對於物體的圖像元素g(i,j)=1，對於背景的圖像元素g(i,j)=0。
由此可見，閾值分割演算法的關鍵是確定閾值，如果能確定一個合適的閾值就可准確地將圖像分割開來。閾值確定後，將閾值與像素點的灰度值逐個進行比較，而且像素分割可對各像素並行地進行，分割的結果直接給出圖像區域。
閾值分割的優點是計算簡單、運算效率較高、速度快。在重視運算效率的應用場合(如用於硬體實現)，它得到了廣泛應用。
人們發展了各種各樣的閾值處理技術，包括全局閾值、自適應閾值、最佳閾值等等。
全局閾值是指整幅圖像使用同一個閾值做分割處理，適用於背景和前景有明顯對比的圖像。它是根據整幅圖像確定的：T=T(f)。但是這種方法只考慮像素本身的灰度值，一般不考慮空間特徵，因而對雜訊很敏感。常用的全局閾值選取方法有利用圖像灰度直方圖的峰谷法、最小誤差法、最大類間方差法、最大熵自動閾值法以及其它一些方法。
在許多情況下，物體和背景的對比度在圖像中的各處不是一樣的，這時很難用一個統一的閾值將物體與背景分開。這時可以根據圖像的局部特徵分別採用不同的閾值進行分割。實際處理時，需要按照具體問題將圖像分成若乾子區域分別選擇閾值，或者動態地根據一定的鄰域范圍選擇每點處的閾值，進行圖像分割。這時的閾值為自適應閾值。
閾值的選擇需要根據具體問題來確定，一般通過實驗來確定。對於給定的圖像，可以通過分析直方圖的方法確定最佳的閾值，例如當直方圖明顯呈現雙峰情況時，可以選擇兩個峰值的中點作為最佳閾值。
圖1(a)和(b)分別為用全局閾值和自適應閾值對經典的Lena圖像進行分割的結果。
區域生長和分裂合並法是兩種典型的串列區域技術，其分割過程後續步驟的處理要根據前面步驟的結果進行判斷而確定。 區域生長 區域生長的基本思想是將具有相似性質的像素集合起來構成區域。具體先對每個需要分割的區域找一個種子像素作為生長的起點，然後將種子像素周圍鄰域中與種子像素有相同或相似性質的像素(根據某種事先確定的生長或相似准則來判定)合並到種子像素所在的區域中。將這些新像素當作新的種子像素繼續進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這樣一個區域就長成了。
區域生長需要選擇一組能正確代表所需區域的種子像素，確定在生長過程中的相似性准則，制定讓生長停止的條件或准則。相似性准則可以是灰度級、彩色、紋理、梯度等特性。選取的種子像素可以是單個像素，也可以是包含若干個像素的小區域。大部分區域生長准則使用圖像的局部性質。生長准則可根據不同原則制定，而使用不同的生長准則會影響區域生長的過程。區域生長法的優點是計算簡單，對於較均勻的連通目標有較好的分割效果。它的缺點是需要人為確定種子點，對雜訊敏感，可能導致區域內有空洞。另外，它是一種串列演算法，當目標較大時，分割速度較慢，因此在設計演算法時，要盡量提高效率。
區域分裂合並
區域生長是從某個或者某些像素點出發，最後得到整個區域，進而實現目標提取。分裂合並差不多是區域生長的逆過程：從整個圖像出發，不斷分裂得到各個子區域，然後再把前景區域合並，實現目標提取。分裂合並的假設是對於一幅圖像，前景區域由一些相互連通的像素組成的，因此，如果把一幅圖像分裂到像素級，那麼就可以判定該像素是否為前景像素。當所有像素點或者子區域完成判斷以後，把前景區域或者像素合並就可得到前景目標。
在這類方法中，最常用的方法是四叉樹分解法(如圖3所示)。設R代表整個正方形圖像區域，P代表邏輯謂詞。基本分裂合並演算法步驟如下：(1)對任一個區域，如果H(Ri)=FALSE就將其分裂成不重疊的四等份；
(2)對相鄰的兩個區域Ri和Rj，它們也可以大小不同（即不在同一層），如果條件H(Ri∪Rj)=TRUE滿足，就將它們合並起來。
(3)如果進一步的分裂或合並都不可能，則結束。
分裂合並法的關鍵是分裂合並准則的設計。這種方法對復雜圖像的分割效果較好，但演算法較復雜，計算量大，分裂還可能破壞區域的邊界。 圖像分割的一種重要途徑是通過邊緣檢測，即檢測灰度級或者結構具有突變的地方，表明一個區域的終結，也是另一個區域開始的地方。這種不連續性稱為邊緣。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特徵可以分割圖像。
圖像中邊緣處像素的灰度值不連續，這種不連續性可通過求導數來檢測到。對於階躍狀邊緣，其位置對應一階導數的極值點，對應二階導數的過零點(零交叉點)。因此常用微分運算元進行邊緣檢測。常用的一階微分運算元有Roberts運算元、Prewitt運算元和Sobel運算元，二階微分運算元有Laplace運算元和Kirsh運算元等。在實際中各種微分運算元常用小區域模板來表示，微分運算是利用模板和圖像卷積來實現。這些運算元對雜訊敏感，只適合於雜訊較小不太復雜的圖像。
由於邊緣和雜訊都是灰度不連續點，在頻域均為高頻分量，直接採用微分運算難以克服雜訊的影響。因此用微分運算元檢測邊緣前要對圖像進行平滑濾波。LoG運算元和Canny運算元是具有平滑功能的二階和一階微分運算元，邊緣檢測效果較好，如圖4所示。其中loG運算元是採用Laplacian運算元求高斯函數的二階導數，Canny運算元是高斯函數的一階導數，它在雜訊抑制和邊緣檢測之間取得了較好的平衡。關於微分運算元的邊緣檢測的詳細內容可參考文獻 。 與其他圖像分割方法相比，基於直方圖的方法是非常有效的圖像分割方法，因為他們通常只需要一個通過像素。在這種方法中，直方圖是從圖像中的像素的計算，並在直方圖的波峰和波谷是用於定點陣圖像中的簇。顏色和強度可以作為衡量。
這種技術的一種改進是遞歸應用直方圖求法的集群中的形象以分成更小的簇。重復此操作，使用更小的簇直到沒有更多的集群的形成。
基於直方圖的方法也能很快適應於多個幀，同時保持他們的單通效率。直方圖可以在多個幀被考慮的時候採取多種方式。同樣的方法是採取一個框架可以應用到多個，和之後的結果合並，山峰和山谷在以前很難識別，但現在更容易區分。直方圖也可以應用於每一個像素的基礎上，將得到的信息被用來確定的像素點的位置最常見的顏色。這種方法部分基於主動對象和一個靜態的環境，導致在不同類型的視頻分割提供跟蹤。

『陸』 圖像分割技術論文

圖像分割是圖像處理與計算機視覺的基本問題之一，是圖像處理圖像分析的關鍵步驟。我整理了圖像分割技術論文，歡迎閱讀!

圖像分割技術論文篇一

圖像分割技術研究

摘要：圖像分割是圖像處理與計算機視覺的基本問題之一，是圖像處理圖像分析的關鍵步驟。本文介紹了基於閾值的分割方法和圖像分割的圖像分割性能的評價、應用現狀;最後總結出圖像分割的發展趨勢。

關鍵詞：圖像分割、閾值、邊緣檢測、區域分割

中圖分類號： TN957.52 文獻標識碼： A

1引言

隨著圖像分割技術研究的深入，其應用日趨廣泛。凡屬需要對圖像目標進行提取、測量的工作都離不開圖像分割。圖像分割是圖像處理、模式識別和人工智慧等多個領域中一個十分重要且又十分困難的問題，是計算機視覺技術中首要的、重要的關鍵步驟。圖像分割結果的好壞直接影響對計算機視覺中的圖像理解。現有的方法多是為特定應用設計的，有很大的針對性和局限性，到目前為止還不存在一個通用的方法，也不存在一個判斷分割是否成功的客觀標准。因此，對圖像分割的研究目前還缺乏一個統一的理論體系，使得圖像分割的研究仍然是一個極富有挑戰性的課題。

2圖像分割方法

圖像分割(Image Segmentation)，簡單地說就是將一幅數字圖像分割成不同的區域，在同一區域內具有在一定的准則下可認為是相同的性質，如灰度、顏色、紋理等。而任何相鄰區域之間其性質具有明顯的區別。

2.1基於灰度特徵的閾值分割方法

閾值分割技術是經典的、流行的圖象分割方法之一，它是用一個或幾個閾值將圖像的灰度級分為幾個部分，認為屬於同一個部分的像素是同一個物體。

這類方法主要包括以下幾種：

(1)單閾值法，用一個全局閾值區分背景和目標。當一幅圖像的直方圖具有明顯的雙峰時，選擇兩峰之間的谷底作為閾值。

(2)雙閾值法，用兩個閾值區分背景和目標。通過設置兩個閾值，以防單閾值設置閾值過高或過低，把目標像素誤歸為背景像素，或把背景像素誤歸為目標像素。

(3)多閾值法，當存在照明不均，突發雜訊等因素或背景灰度變化較大時，整幅圖像不存在合適的單一閾值，單一閾值不能兼顧圖像不同區域的具體情況，這時可將圖像分塊處理，對每一塊設一個閾值。

2.2 邊緣檢測分割法

基於邊緣檢測技術可以按照處理的順序分為並行邊緣檢測和串列邊緣檢測兩大類。常見的邊緣檢測方法有：差分法、模板匹配法及統計方法等。由於邊緣灰度變化規律一般體現為階梯狀或者脈沖狀。邊緣與差分值的關系可以歸納為兩種情況，其一是邊緣發生在差分最大值或者最小值處;其二是邊緣發生在過零處。

2.3基於區域的分割方法

基於區域的分割方法利用的是圖像的空間性質。該方法認為分割出來的某一區域具有相似的性質。常用的方法有區域生長法和區域分裂合並法。該類方法對含有復雜場景或自然景物等先驗知識不足的圖像進行分割，效果較好。

區域生長方法是把一幅圖像分成許多小區域開始的，這些初始的小區域可能是小的鄰域甚至是單個像素，在每個區域中，通過計算能反映一個物體內像素一致性的特徵，作為區域合並的判斷標准。區域合並的第一步是賦給每個區域一組參數，即特徵。接下來對相鄰區域的所有邊界進行考查，如果給定邊界兩側的特徵值差異明顯，那麼這個邊界很強，反之則弱。強邊界允許繼續存在，而弱邊界被消除，相鄰區域被合並。沒有可以消除的弱邊界時，區域合並過程結束，圖像分割也就完成。

2.4結合特定工具的圖像分割技術

20世紀80年代末以來，隨著一些特殊理論的出現及其成熟，如數學形態學、分形理論、模糊數學、小波分析、模式識別、遺傳演算法等，大量學者致力於將新的概念、新的方法用於圖像分割，有效地改善了分割效果。產生了不少新的分割演算法。下面對這些演算法做一些簡單的概括。

2.4.1基於數學形態學的分割演算法

分水嶺演算法是一種經典的借鑒了數學形態理論的分割方法。該方法中，將一幅圖像比為一個具有不同高度值的地形，高灰度值處被認為是山脊，底灰度值處被認為是山谷，將一滴水從任一點流下，它會朝地勢底的地方流動，最終聚於某一局部最底點，最後所有的水滴會分聚在不同的吸引盆地，由此，相應的圖像就被分割成若幹部分。分水嶺演算法具有運算簡單、性能優良，能夠較好提取運動對象輪廓、准確得到運動物體邊緣的優點。但分割時需要梯度信息，對雜訊較敏感。

2.4.2基於模糊數學的分割演算法

目前，模糊技術在圖像分割中應用的一個顯著特點就是它能和現有的許多圖像分割方法相結合，形成一系列的集成模糊分割技術，例如模糊聚類、模糊閾值、模糊邊緣檢測技術等。

這類方法主要有廣義模糊運算元與模糊閾值法兩種分割演算法。

(1)廣義模糊運算元在廣義模糊集合的范圍內對圖像處理，使真正的邊緣處於較低灰度級，但還有一些不是邊緣的像素點的灰度也在較低灰度級中，雖然演算法的計算簡明，且邊緣細膩，但得到的邊緣圖會出現斷線問題。

(2)模糊閾值法引入灰度圖像的模糊數學描述，通過計算圖像的模糊熵來選取圖像的分割閾值，後用閾值法處理圖像得到邊界。

2.4.3基於遺傳演算法的分割方法

此演算法是受生物進化論思想提出的一種優化問題的解決方法，它使用參數編碼集而不是參數本身，通過模擬進化，以適者生存的策略搜索函數的解空間，它是在點群中而不是在單點進行尋優。遺傳演算法在求解過程中使用隨機轉換規則而不是確定性規則來工作，它唯一需要的信息是適應值，通過對群體進行簡單的復制、雜交、變異作用完成搜索過程。由於此法能進行能量函數全局最小優化搜索，且可以降低搜索空間維數，降低演算法對模板初始位置的敏感，計算時間也大為減少。其缺點是容易收斂於局部最優。

2.4.4基於神經網路分割演算法

人工神經網路具有自組織、自學習、自適應的性能和非常強的非線性映射能力，適合解決背景知識不清楚、推理規則不明確和比較復雜的分類問題，因而也適合解決比較復雜的圖像分割問題。原則上講，大部分分割方法都可用 ANN(attificial neural network)實現。ANN 用於分割的研究起步較晚，只有多層前饋NN，多層誤差反傳(BP)NN，自組織NN，Hopfield NN以及滿足約束的NN(CSNN-Const raint Satisfaction Neurat Network)等得到了應用。使用一個多層前向神經網路用於圖象分割，輸入層神經元的數目取決於輸入特徵數，而輸出層神經元的數目等同於分類的數目。

2.5圖像分割中的其他方法

前面介紹了4大類圖像分割較常用的方法，有關圖像分割方法和文獻很多，新方法不斷產生，這些方法有的只對特定的情形有效，有的綜合了幾種方法，放在一起統稱為第5類。

(1)標號法(labeling)是一種基於統計學的方法，這種方法將圖像欲分割成的幾個區域各以一個不同的標號來表示，用一定的方式對圖像中的每一個像素賦以標號，標號相同的像素就合並成該標號所代表的區域。

(2)基於Snak模型的分割方法，基於Snake模型的分割是通過對能量函數的動態優化來逼近圖像目標的真實輪廓的

(3)紋理分割，由於新的數學工具的引入，紋理分割技術取得了一些進展，張蓬等人將小波分析應用於紋理基元提取。

(4)基於知識的圖像分割方法，直接建立在先驗知識的基礎上，使分割更符合實際圖像的特點。該方法的難度在於知識的正確合理的表示與利用。

3圖像分割性能的評價

圖像分割評價主要有兩個方面的內容：一是研究各分割演算法在不同情況下的表現，掌握如何選擇和控制其參數設置，以適應不同需要。二是分析多個分割演算法在分割同一圖像時的性能，比較優劣，以便在實際應用中選取合適的演算法。分割評價方法分為分析法和實驗法兩大類。分析法是直接分析分割演算法本身的原理及性能，而實驗法是通過對測試圖像的分割結果來評價演算法的。兩種方法各有優劣，由於缺乏可靠理論依據，並非所有分割演算法都能夠通過分析法分析其性能。每種評價方法都是出於某種考慮而提出來的，不同的評價方法只能反映分割演算法性能的某一性能。另一方面，每一種分割演算法的性能是由多種因素決定的，因此，有可能需要多種准則來綜合評價。

4圖像分割技術的發展趨勢

隨著神經網路、遺傳演算法、統計學理論、小波理論以及分形理論等在圖像分割中的廣泛應用，圖像分割技術呈現出以下的發展趨勢：(1)多種特徵的融合。(2)多種分割方法的結合。(3)新理論與新方法。

參考文獻

[1] [美]RC岡薩雷斯.數字圖像處理(第二版)[M].阮秋琦，等譯.北京：電子工業出版社，2003

[2] 章毓晉.圖像分割[M].北京：科學出版社，2001.

[3] 李弼程，彭天強，彭波等.智能圖像處理技術[M].北京：電子工業出版社，2004.

[4] 楊暉，曲秀傑.圖像分割方法綜述[J].電腦開發與應用。2005，18(3)：21-23.

點擊下頁還有更多>>>圖像分割技術論文

『柒』 區域生長的區域生長

它是一個迭代的過程，這里每個種子像素點都迭代生長，直到處理過每個像素，因此形成了不同的區域，這些區域它們的邊界通過閉合的多邊形定義。
在區域生長中的主要問題如下：
（1）表示區域的初始化種子的選擇：在區域生長過程中，這些不同區域點合適屬性的選擇。
（2）基於圖像具體屬性的像素生長不一定是好的分割。在區域生長過程中，不應該使用連通性或鄰接信息。
（3）相似性：相似性表示在灰度級中觀察在兩個空間鄰接像素之間或像素集合的平均灰度級間的最小差分，它們將產生不同的區域。如果這個差分比相似度閾值小，則像素屬於相同的區域。
（4）區域面積：最小面積閾值與像素中的最小區域大小有關。在分割的圖像中，沒有區域比這個閾值小，它由用戶定義。
區域生長的後處理（region growing post-processing）：由於非優化參數的設置，區域生長經常會導致欠生長或過生長。人們已經開發了各種各樣的後處理。從區域生長和基於邊緣的分割中，後處理能獲得聯合分割的信息。更加簡單的後處理是根據一般啟發法，並且根據最初應用的均勻性標准，減少分割圖像中無法與任何鄰接區域合並的最小區域的數量。
區域連接圖
在場景中區域間的鄰接關系可以由區域鄰接圖（region adjacency graph, RAG）表示。在場景中的區域由在RAG的節點集合表示 N = {N1, N2, ... , Nm}，這里，節點Ni表示在場景中的區域Ri ，並且區域Ri的屬性存儲在節點的數據結構Ni中。在Ni和Nj之間的邊緣Eij表示在區域Ri和Rj之間的連接。如果在區域Ri里存放一個像素與在區域Rj彼此相鄰，那麼兩個區域Ri和Rj是相鄰的。鄰接可能是4連通或8連通的。鄰接關系是自反（reflexive）和對稱（symmetric）的，但不一定是可傳遞（transitive）的。下圖顯示具有6個截然不同區域的場景鄰接圖。
當它表示區域鄰接圖（RAG）是，二進制矩陣A成為鄰接矩陣（adjacency matrix）。在RAG里，當節點Ni和Nj鄰接，在A中，aij是1。因為鄰接關系是自反的，矩陣的對角元素都是1。在上圖的多區域場景鄰接矩陣（關系）如下所示。
區域合並和分裂
由於在場景中分割單一大區域，分割演算法可能產生許多個小區域。在這種情況下，較小的區域需要根據相似性合並，並且使較小的區域更緊密。簡單的區域合並演算法如下所述。
步驟1：使用閾值集合將圖像分割為R1，R2，R，…，Rm。
步驟2：從圖像的分割描述中生成區域鄰接圖（region adjacency graphics，RAG）。
步驟3：對於每個Rj，i = 1，2，…，m，從RAG中確定所有Rj，j≠i，如Ri和Rj鄰接。
步驟4：對於所有i和j，計算在Ri和Rj之間合適的相似性度量Sij。
步驟5：如果Sij>T,那麼合並Ri和Rj
步驟6：根據相似性標准，重復步驟3~步驟5，直到沒有合並的區域為止。
合並的另一個策略是根據兩個區域之間的邊緣強度。在這個方法中，在鄰接區域之間的合並是根據兩個區域間沿標定邊界長度的邊緣強度。如果邊緣強度小，即邊緣點較弱（weak），如果合並沒有大量改變平均像素強度值，那麼可以合並兩個區域。
還有這種情況：由於錯誤的預處理分割，產生了太小的區域。這歸結於不同區域錯誤合並成一個區域。在這種情況下，在分割區域中灰度值的變化可能高於閾值（T），因此，需要將區域分裂成更小的區域，這樣每個更小的區域都有均勻小方差。
分裂和合並可能結合在一起用於復雜場景的分割，基於規則可以指導分裂和合並運算的應用。

『捌』 區域生長的區域生長的優勢和劣勢

1. 區域生長通常能將具有相同特徵的聯通區域分割出來。
2. 區域生長能提供很好的邊界信息和分割結果。
3. 區域生長的思想很簡單，只需要若干種子點即可完成。
4. 在生長過程中的生長准則可以自由的指定。
5. 可以在同一時刻挑選多個准則。 1. 計算代價大。
2. 雜訊和灰度不均一可能會導致空洞和過分割。
3. 對圖像中的陰影效果往往不是很好。
對雜訊問題，通常可以用一些平滑濾波器，或是diffusion濾波器做預處理來解決，所以通常雜訊問題並不是很嚴重。所以實際上，區域生長的最嚴重的問題就是效率低下。
據實驗，在2.4GHz的電腦上，一個512*512*343的數據，進行一次區域生長大約需要200s的時間

『玖』 圖像分割

圖像閾值化分割是一種傳統的最常用的圖像分割方法，因其實現簡單、計算量小、性能較穩定而成為圖像分割中最基本和應用最廣泛的分割技術。它特別適用於目標和背景占據不同灰度級范圍的圖像。它不僅可以極大的壓縮數據量，而且也大大簡化了分析和處理步驟，因此在很多情況下，是進行圖像分析、特徵提取與模式識別之前的必要的圖像預處理過程。

圖像閾值化的目的是要按照灰度級，對像素集合進行一個劃分，得到的每個子集形成一個與現實景物相對應的區域，各個區域內部具有一致的屬性，而相鄰區域不具有這種一致屬性。這樣的劃分可以通過從灰度級出發選取一個或多個閾值來實現。

基本原理是：通過設定不同的特徵閾值，把圖像象素點分為若干類。
常用的特徵包括：直接來自原始圖像的灰度或彩色特徵；由原始灰度或彩色值變換得到的特徵。
設原始圖像為f(x，y)，按照一定的准則f(x，y)中找到特徵值T，將圖像分割為兩個部分，分割後的圖像為：
若取：b0=0(黑)，b1=1(白)，即為我們通常所說的圖像二值化。

閾值分割方法實際上是輸入圖像f到輸出圖像g的如下變換：

其中，T為閾值，對於物體的圖像元素g(i,j)=1，對於背景的圖像元素g(i,j)=0。

由此可見，閾值分割演算法的關鍵是確定閾值，如果能確定一個合適的閾值就可准確地將圖像分割開來。閾值確定後，將閾值與像素點的灰度值逐個進行比較，而且像素分割可對各像素並行地進行，分割的結果直接給出圖像區域。
閾值分割的優點是計算簡單、運算效率較高、速度快。有著各種各樣的閾值處理技術，包括全局閾值、自適應閾值、最佳閾值等等。

閾值處理技術參看：

區域分割是講圖像按照相似性准則分成不同的區域，主要包括區域增長，區域分裂合並和分水嶺等幾種類型。

區域生長是一種串列區域分割的圖像分割方法。區域生長是指從某個像素出發，按照一定的准則，逐步加入鄰近像素，當滿足一定的條件時，區域生長終止。區域生長的好壞決定於1. 初始點（種子點）的選取。 2. 生長准則。 3. 終止條件 。區域生長是從某個或者某些像素點出發，最後得到整個區域，進而實現目標的提取。

區域生長的基本思想是將具有相似性質的像素集合起來構成區域。具體先對每個需要分割的區域找一個種子像素作為生長的起點，然後將種子像素周圍鄰域中與種子像素有相同或相似性質的像素(根據某種事先確定的生長或相似准則來判定)合並到種子像素所在的區域中。將這些新像素當作新的種子像素繼續進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這樣一個區域就長成了。

區域生長需要選擇一組能正確代表所需區域的種子像素，確定在生長過程中的相似性准則，制定讓生長停止的條件或准則。相似性准則可以是灰度級、彩色、紋理、梯度等特性。選取的種子像素可以是單個像素，也可以是包含若干個像素的小區域。大部分區域生長准則使用圖像的局部性質。生長准則可根據不同原則制定，而使用不同的生長准則會影響區域生長的過程。

圖1是區域增長的示例。

區域生長是一種古老的圖像分割方法，最早的區域生長圖像分割方法是由Levine等人提出的。該方法一般有兩種方式，一種是先給定圖像中要分割的目標物體內的一個小塊或者說種子區域(seed point)，再在種子區域基礎上不斷將其周圍的像素點以一定的規則加入其中，達到最終將代表該物體的所有像素點結合成一個區域的目的；另一種是先將圖像分割成很多的一致性較強，如區域內像素灰度值相同的小區域，再按一定的規則將小區域融合成大區域，達到分割圖像的目的，典型的區域生長法如T. C. Pong等人提出的基於小面（facet）模型的區域生長法，區域生長法固有的缺點是往往會造成過度分割，即將圖像分割成過多的區域

區域生長實現的步驟如下:

區域分裂合並演算法的基本思想是先確定一個分裂合並的准則，即區域特徵一致性的測度，當圖像中某個區域的特徵不一致時就將該區域分裂成4個相等的子區域，當相鄰的子區域滿足一致性特徵時則將它們合成一個大區域，直至所有區域不再滿足分裂合並的條件為止。當分裂到不能再分的情況時，分裂結束，然後它將查找相鄰區域有沒有相似的特徵，如果有就將相似區域進行合並，最後達到分割的作用。在一定程度上區域生長和區域分裂合並演算法有異曲同工之妙，互相促進相輔相成的，區域分裂到極致就是分割成單一像素點，然後按照一定的測量准則進行合並，在一定程度上可以認為是單一像素點的區域生長方法。區域生長比區域分裂合並的方法節省了分裂的過程，而區域分裂合並的方法可以在較大的一個相似區域基礎上再進行相似合並，而區域生長只能從單一像素點出發進行生長（合並）。

反復進行拆分和聚合以滿足限制條件的演算法。

令R表示整幅圖像區域並選擇一個謂詞P。對R進行分割的一種方法是反復將分割得到的結果圖像再次分為四個區域，直到對任何區域Ri，有P(Ri)=TRUE。這里是從整幅圖像開始。如果P(R)=FALSE，就將圖像分割為4個區域。對任何區域如果P的值是FALSE．就將這4個區域的每個區域再次分別分為4個區域，如此不斷繼續下去。這種特殊的分割技術用所謂的四叉樹形式表示最為方便(就是說，每個非葉子節點正好有4個子樹)，這正如圖10.42中說明的樹那樣。注意，樹的根對應於整幅圖像，每個節點對應於劃分的子部分。此時，只有R4進行了進一步的再細分。

如果只使用拆分，最後的分區可能會包含具有相同性質的相鄰區域。這種缺陷可以通過進行拆分的同時也允許進行區域聚合來得到矯正。就是說，只有在P(Rj∪Rk)=TRUE時，兩個相鄰的區域Rj和Rk才能聚合。
前面的討論可以總結為如下過程。在反復操作的每一步，我們需要做：

可以對前面講述的基本思想進行幾種變化。例如，一種可能的變化是開始時將圖像拆分為一組圖象塊。然後對每個塊進一步進行上述拆分，但聚合操作開始時受只能將4個塊並為一組的限制。這4個塊是四叉樹表示法中節點的後代且都滿足謂詞P。當不能再進行此類聚合時，這個過程終止於滿足步驟2的最後的區域聚合。在這種情況下，聚合的區域可能會大小不同。這種方法的主要優點是對於拆分和聚合都使用同樣的四叉樹，直到聚合的最後一步。

分水嶺分割方法，是一種基於拓撲理論的數學形態學的分割方法，其基本思想是把圖像看作是測地學上的拓撲地貌，圖像中每一點像素的灰度值表示該點的海拔高度，每一個局部極小值及其影響區域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺的概念和形成可以通過模擬浸入過程來說明。在每一個局部極小值表面，刺穿一個小孔，然後把整個模型慢慢浸入水中，隨著浸入的加深，每一個局部極小值的影響域慢慢向外擴展，在兩個集水盆匯合處構築大壩，即形成分水嶺。

分水嶺的計算過程是一個迭代標注過程。分水嶺比較經典的計算方法是L. Vincent提出的。在該演算法中，分水嶺計算分兩個步驟，一個是排序過程，一個是淹沒過程。首先對每個像素的灰度級進行從低到高排序，然後在從低到高實現淹沒過程中，對每一個局部極小值在h階高度的影響域採用先進先出(FIFO)結構進行判斷及標注。

分水嶺變換得到的是輸入圖像的集水盆圖像，集水盆之間的邊界點，即為分水嶺。顯然，分水嶺表示的是輸入圖像極大值點。因此，為得到圖像的邊緣信息，通常把梯度圖像作為輸入圖像，即

分水嶺演算法對微弱邊緣具有良好的響應，圖像中的雜訊、物體表面細微的灰度變化，都會產生過度分割的現象。但同時應當看出，分水嶺演算法對微弱邊緣具有良好的響應，是得到封閉連續邊緣的保證的。另外，分水嶺演算法所得到的封閉的集水盆，為分析圖像的區域特徵提供了可能。
為消除分水嶺演算法產生的過度分割，通常可以採用兩種處理方法，一是利用先驗知識去除無關邊緣信息。二是修改梯度函數使得集水盆只響應想要探測的目標。

為降低分水嶺演算法產生的過度分割，通常要對梯度函數進行修改，一個簡單的方法是對梯度圖像進行閾值處理，以消除灰度的微小變化產生的過度分割。即

程序可採用方法：用閾值限制梯度圖像以達到消除灰度值的微小變化產生的過度分割，獲得適量的區域，再對這些區域的邊緣點的灰度級進行從低到高排序，然後在從低到高實現淹沒的過程，梯度圖像用Sobel運算元計算獲得。對梯度圖像進行閾值處理時，選取合適的閾值對最終分割的圖像有很大影響，因此閾值的選取是圖像分割效果好壞的一個關鍵。缺點：實際圖像中可能含有微弱的邊緣，灰度變化的數值差別不是特別明顯，選取閾值過大可能會消去這些微弱邊緣。

參考文章：

圖像分割的一種重要途徑是通過邊緣檢測，即檢測灰度級或者結構具有突變的地方，表明一個區域的終結，也是另一個區域開始的地方。這種不連續性稱為邊緣。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特徵可以分割圖像。

圖像中邊緣處像素的灰度值不連續，這種不連續性可通過求導數來檢測到。對於階躍狀邊緣，其位置對應一階導數的極值點，對應二階導數的過零點(零交叉點)。因此常用微分運算元進行邊緣檢測。常用的一階微分運算元有Roberts運算元、Prewitt運算元和Sobel運算元，二階微分運算元有Laplace運算元和Kirsh運算元等。在實際中各種微分運算元常用小區域模板來表示，微分運算是利用模板和圖像卷積來實現。這些運算元對雜訊敏感，只適合於雜訊較小不太復雜的圖像。

由於邊緣和雜訊都是灰度不連續點，在頻域均為高頻分量，直接採用微分運算難以克服雜訊的影響。因此用微分運算元檢測邊緣前要對圖像進行平滑濾波。LoG運算元和Canny運算元是具有平滑功能的二階和一階微分運算元，邊緣檢測效果較好，

在邊緣檢測演算法中，前三個步驟用得十分普遍。這是因為大多數場合下，僅僅需要邊緣檢測器指出邊緣出現在圖像某一像素點的附近，而沒有必要指出邊緣的精確位置或方向．邊緣檢測誤差通常是指邊緣誤分類誤差，即把假邊緣判別成邊緣而保留，而把真邊緣判別成假邊緣而去掉．邊緣估計誤差是用概率統計模型來描述邊緣的位置和方向誤差的．我們將邊緣檢測誤差和邊緣估計誤差區分開，是因為它們的計算方法完全不同，其誤差模型也完全不同．

Roberts運算元 ：邊緣定位準，但是對雜訊敏感。適用於邊緣明顯且雜訊較少的圖像分割。Roberts邊緣檢測運算元是一種利用局部差分運算元尋找邊緣的運算元,Robert運算元圖像處理後結果邊緣不是很平滑。經分析，由於Robert運算元通常會在圖像邊緣附近的區域內產生較寬的響應，故採用上述運算元檢測的邊緣圖像常需做細化處理，邊緣定位的精度不是很高。

Prewitt運算元 ：對雜訊有抑製作用，抑制雜訊的原理是通過像素平均，但是像素平均相當於對圖像的低通濾波，所以Prewitt運算元對邊緣的定位不如Roberts運算元。

Sobel運算元 ：Sobel運算元和Prewitt運算元都是加權平均，但是Sobel運算元認為，鄰域的像素對當前像素產生的影響不是等價的，所以距離不同的像素具有不同的權值，對運算元結果產生的影響也不同。一般來說，距離越遠，產生的影響越小。

Isotropic Sobel運算元 ：加權平均運算元，權值反比於鄰點與中心點的距離，當沿不同方向檢測邊緣時梯度幅度一致，就是通常所說的各向同性。
在邊沿檢測中，常用的一種模板是Sobel 運算元。Sobel 運算元有兩個，一個是檢測水平邊沿的；另一個是檢測垂直平邊沿的 。Sobel運算元另一種形式是各向同性Sobel(Isotropic Sobel)運算元，也有兩個，一個是檢測水平邊沿的，另一個是檢測垂直平邊沿的 。各向同性Sobel運算元和普通Sobel運算元相比，它的位置加權系數更為准確，在檢測不同方向的邊沿時梯度的幅度一致。由於建築物圖像的特殊性，我們可以發現，處理該類型圖像輪廓時，並不需要對梯度方向進行運算，所以程序並沒有給出各向同性Sobel運算元的處理方法。

1971年，R.Kirsch[34]提出了一種能檢測邊緣方向的Kirsch運算元新方法：它使用了8個模板來確定梯度幅度值和梯度的方向。

圖像中的每個點都用8個掩模進行卷積，每個掩模對某個特定邊緣方向作出最大響應。所有8個方向中的最大值作為邊緣幅度圖像的輸出。最大響應掩模的序號構成了對邊緣方向的編碼。
Kirsch運算元的梯度幅度值用如下公式：

不同檢測運算元的對比：

參考文章：

文章引用於 木夜溯
編輯 Lornatang
校準 Lornatang

『拾』 圖像分割與邊緣處理有什麼區別請大俠回答，謝謝了。

這個不太熟悉，下面是轉載，希望能幫到你：
圖像分割有那些方法 區別如何
圖像分割有那些方法 區別如何？
yhl41001 發表於 2009-4-14 15:20

圖像分割是圖像處理領域中的一個基本問題。從大的方面來說，圖像分割方法可大致分為基於區域的方法、基於邊緣的方法、區域與邊緣相結合的方法，以及在此基礎上的、採用多解析度圖像處理理論的多尺度分割方法 。基於區域的方法採用某種准則，直接將圖像劃分為多個區域，基於邊緣的方法則通過檢測包含不同區域的邊緣，獲得關於各區域的邊界輪廓描述，達到圖像分割的目的，而區域與邊緣相結合的方法通過區域分割與邊緣檢測的相互作用，得到分割結果。

·1 基於區域的圖像分割

圖像分割中常用的直方圖門限法、區域生長法、基於圖像的隨機場模型法、鬆弛標記區域分割法等均屬於基於區域的方法。

（1）直方圖門限分割就是在一定的准則下，用一個或幾個門限值將圖像的灰度直方圖（一維的或多維的）分成幾個類，認為圖像中灰度值在同一個灰度類內的象素屬於同一個物體，可以採用的准則包括直方圖的谷底 、最小類內方差（或最大類間方差） 、最大熵 （可使用各種形式的熵）、最小錯誤率 、矩不變 、最大繁忙度 （由共生矩陣定義）等。門限法的缺陷在於它僅僅考慮了圖像的灰度信息，而忽略了圖像中的空間信息，對於圖像中不存在明顯的灰度差異或各物體的灰度值范圍有較大重疊的圖像分割問題難以得到准確的結果。

（2）區域生長是一種古老的圖像分割方法，最早的區域生長圖像分割方法是由Levine等人提出的。該方法一般有兩種方式，一種是先給定圖像中要分割的目標物體內的一個小塊或者說種子區域，再在種子區域基礎上不斷將其周圍的像素點以一定的規則加入其中，達到最終將代表該物體的所有像素點結合成一個區域的目的；另一種是先將圖像分割成很多的一致性較強，如區域內像素灰度值相同的小區域，再按一定的規則將小區域融合成大區域，達到分割圖像的目的，典型的區域生長法如T. C. Pong等人提出的基於小面（facet）模型的區域生長法，區域生長法固有的缺點是往往會造成過度分割，即將圖像分割成過多的區域。

（3）基於圖像的隨機場模型法主要以Markov隨機場作為圖像模型，並假定該隨機場符合Gibbs分布。使用MRF模型進行圖像分割的問題包括：鄰域系統的定義；能量函數的選擇及其參數的估計；極小化能量函數從而獲得最大後驗概率的策略。鄰域系統一般是事先定義的，因而主要是後面兩個問題。S. Geman，首次將基於Gibbs分布的Markov隨機場模型用於圖像處理，詳細討論了MRF模型的鄰域系統，能量函數，Gibbs采樣方法等各種問題，提出用模擬退火演算法來極小化能量函數的方法，並給出了模擬退火演算法收斂性的證明，同時給出了MRF模型在圖像恢復中的應用實例。在此基礎上，人們提出了大量的基於MRF模型的圖像分割演算法 。

（4）標記法（labeling）就是將圖像欲分割成的幾個區域各以一個不同的標號來表示，對圖像中的每一個象素，用一定的方式賦之以這些標記中的某一個，標記相同的連通象素就組成該標記所代表的區域。標記法常採用鬆弛技術來給圖像中的各個象素賦予標記，一般可分為離散鬆弛、概率鬆弛、模糊鬆弛等三種 。Smith等人最先採用鬆弛標記技術進行圖像分割 ，以後人們又提出了大量的圖像鬆弛分割演算法 。另外，鬆弛標記不僅可用於圖像分割，還可用於邊緣檢測、目標識別等。

·2 基於邊緣的圖像分割

基於邊緣的分割方法則與邊緣檢測理論緊密相關，此類方法大多是基於局部信息的，一般利用圖像—階導數的極大值或二階導數的過零點信息來提供判斷邊緣點的基本依據，進一步還可以採用各種曲線擬合技術獲得劃分不同區域邊界的連續曲線。根據檢測邊緣所採用的方式的不同，邊緣檢測方法可大致分為以下幾類：基於局部圖像函數的方法、圖像濾波法、基於反應—擴散方程的方法、基於邊界曲線擬合的方法及活動輪廊（active contour）法等。

(1) 基於局部圖像函數法的基本思想是將灰度看成高度，用一個曲面來擬合一個小窗口內的數據，然後根據該曲面來決定邊緣點.

(2) 圖像濾波法是基於如下理論的：即對濾波運算元與圖像的卷積結果求導，相當於用運算元的同階導數與圖像做卷積。於是，只要事先給出運算元的一階或二階導數，就可以將圖像平滑濾波與對平滑後的圖像求一階或二階導數在一步完成。因而，這種方法的核心問題是濾波器的設計問題。
常用的濾波器主要是高斯（Gaussian）函數的一階和二階層數，Canny認為高斯函數的一階導數是他求得的最優濾波器的較好似近，一般採用Laplacian運算元求高斯函數的二階導數得到LOG(Laplacian of Gaussian) 濾波運算元，該運算元由計算機視覺的創始人Marr首先提出.近年來研究的濾波器還有可控濾波器（steerable），B-樣條濾波器等。

問題提出：圖像濾波的方法是基於對平滑濾波後的圖像求其一階導數的極大值或二階導數的過零點來決定邊緣的，必然遇到的問題是，一階的極大值或二階導數的過零點對應的像素點是否真的就是邊緣點？

(3) 基於反應—擴散方程的方法是從傳統意義上的Gaussian核函數多尺度濾波來的。由於本人閱讀文獻有限，這里不多做介紹了。

(4) 基於邊界曲線擬合的方法用平面曲線來表示不同區域之間的圖像邊界線，試圖根據圖像梯度等信息找出能正確表示邊界的曲線從而得到圖像分割的目的，而且由於它直接給出的是邊界曲線而不象一般的方法找出的是離散的、不相關的邊緣點，因而對圖像分割的後繼處理如物體識別等高層處理有很大幫助。即使是用一般的方法找出的邊緣點，用曲線來描述它們以便於高層處理也是經常被採用的一種有效的方式。L. H. Staib等人在文獻中給出了一種用Fourier參數模型來描述曲線的方法，並根據Bayes定理，按極大後驗概率的原則給出了一個目標函數，通過極大化該目標函數來決定Fourier系數。實際應用中，先根據對同類圖像的分割經驗，給出一條初始曲線，再在具體分割例子中根據像數據優化目標函數來改變初始曲線的參數，擬合圖像數據，得到由圖像數據決定的具體曲線。這種方法比較適合於醫學圖像的分割。除了用Fourier模型來描述曲線外，近年來還研究了一些其它的曲線描述方法，如A. Goshtasby詳細介紹了用有理Gaussian曲線和曲面來設計和擬合二維及三維形狀的方法。R. Legault等人給出了一種曲線平滑的方法。M. F. Wu等人給出了一種雙變數三維Fourier描述子來描述三維曲面。

(5) 活動輪廓（又稱Snake模型）是一種可變形模型（或稱彈性模型），最初由Kass等人提出 。活動輪廓法邊緣檢測認為圖像中各區域的輪廓線應為平滑曲線，各輪廓線的能量由內部能量及外部能量（包括圖像能量及控制能量）兩部分組成，其中內部能量表徵了輪廓線的光滑約束，圖像能量由輪廓線上對應點的灰度、梯度和角點曲率半徑（若該點為角點）等決定，而控制能量則代表了圖像平面上固定點對輪廓線的吸引或排斥作用。採用變分法求解該能量函數的極小值就可得到與區域邊界相對應的輪廓線。