MATLAB数字图像分割系统
设计原理介绍
本章对设计所涉及的研究领域进行了较为详细的综述。 简要介绍了医学图像分割的研究目的和意义，给出了医学图像分割的基本方法和步骤。 在简要综述医学图像分割问题起源、发展和研究现状的基础上，介绍了该领域目前的研究热点和论文的主要研究内容。
图像分割是图像处理的关键技术之一，自20世纪70年代以来一直受到人们的重视，至今已提出了上千种分割算法，但目前提出的分割算法大多是针对具体问题的，适用于所有图像的通用分割算法是但是，选择合适分割算法的标准还没有建立，这给图像分割技术的应用带来了许多实际问题。 因此，关于图像分割的研究还很深入，是目前图像处理中研究的热点之一。
第二章图像分割预处理
2.1图像平滑图像平滑的目的是减少图像噪声。 图像的噪声多种多样，有来自系统外部的噪声，如通过电磁波和电源绕到系统内部引起的外部噪声，也有来自系统内部的噪声，如相机的热噪声、电器机械运动引起的抖动噪声等。 因此，去除噪声并恢复原始图像是图像处理的重要内容之一。 噪声主要来自以下三个方面。
(1)光电子噪声(主要起因于光的统计本质和图像传感器的光电转换过程)例如光电管的光量子噪声和电子起伏噪声)；
)2)电子噪声)主要是电子部件(例如电阻引起热噪声)；
(3)光学噪声(主要由光学现象产生)例如由薄膜粒状结构产生的粒子噪声)；
在图像的生成和传输过程中会受到这些噪声的干扰和影响，导致图像处理结果恶化。 因此，通过抑制或去除这些噪声来改善图像质量是图像处理的过程中重要的预处理，并且也称为对图像的平滑滤波处理。
2.2中值滤波原理
中值滤波器是一种非线性滤波器，在实际运算中不需要图像的统计特性，因此很方便。 中值滤波首先应用于一维信号处理技术，然后应用于二维图像信号处理技术。 在一定的条件下，可以克服线性滤波对图像细节的模糊，并且对去除脉冲噪声和图像扫描噪声最为有效。 中值滤波的目的是在保护图像边缘的同时去除噪声。
2.3平滑效果分析
图2-3显示了图像中值滤波前后的效果比较。 其中，图2-3(a )是不包含噪声的原图像，图2-3(a )是中值滤波处理后的图像，滤波窗口为33，中值滤波后的图像不仅受到了椒盐噪声的保护，而且边缘也被良好地保护
(a )带噪声图像；b )去噪后图像
图2-3有噪图像与中值滤波后图像的比较
2.4灰度调节成像过程中，扫描系统、光电转换系统中的许多因素，如光的强弱、感光体的灵敏度、光学系统的不均匀性、部件特性的不稳定等，引起图像亮度分布的不均匀，有的部分亮，有的暗。 灰度调整是指通过图像采集系统对图像中的像素进行校正，使整个图像的图像均匀。
2.5灰度调整原理灰度调整可以增加图像的动态范围，放大图像对比度，使图像清晰，特征清晰，是图像增强的重要手段之一。
曝光较少或过度时，图像的灰度可能会限制在狭小的范围内。 此时，显示器上显示的是模糊的、没有灰色灰度的图像。 通过线性灰度调整来线性扩展图像中每个像素的灰度，可以有效地改善图像的视觉效果。
2.6灰度调整效果分析
(a )灰度调整前；(b )灰度调整后
(c )原始图像直方图；d )调整后直方图
图2-4灰度调整前后的直方图比较
从图2-4可知，(b )的视觉效果比(a )更明显，若比较灰度调整前后的直方图，则调整后的直方图(d )去除原直方图(c )的噪声直方图，灰度调整后的图像明显清晰
第三章基于阈值的图像分割技术
将非灰度图像转换为灰度图像时，图像中每个目标区域的灰度值可以是图像灰度直方图明显的双峰值或
多峰值特征，可以利用阈值化方法求取最佳阈值，然后对图像进行合理分割。3.1 阈值分割原理
阈值化图像分割是一种最基本的图像分割方法，其基本原理就是选取一个或多个处于灰度图像范围之中的灰度阈值，然后将图像中各个像素的灰度值与阈值比较，并根据比较的结果将图像中的对应像素分成两类或多类，从而把图像划分成互不重叠的区域集合，达成图像分割的目的。
采用阈值化图像分割时通常需要对图像作一定的模型假设。利用图像模型尽可能了解图像有几个不同的区域组成。基于图像分割模型经常采用这样一种假设：目标或背景内相邻像素间的灰度值是相似的，但不同目标或背景的像素在灰度上存有差异。设原始图像为f(x,y),按照一定准则在f(x,y)中找到某种特征值，该特征值便是进行分割时的阈值T，或者找到某个合适的区域空间Ω，将图像分割成两个部分，分割后的图像为
（3-1）
对于有多种阈值情况，分割后的图像可以表示为：其中是一组分割阈值，是经分割后对应不同区域的图像灰度值，K为分割后的区域或目
标数，。
无论是单阈值分割还是多阈值分割，都是选取一个比较合理的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生相应的二值图像。
阈值分割就是设置一个门限（阈值），凡图像灰度值大于等于（或小于等于）门限的归为一类，剩余的归为另一类，其中一类为背景，另一类为目标。
3.3 图像二值化
基于区域的分割最主要方法是二值化。二值化方法对由多个实体和一个对比较强的背景图像所组成的场景图像特别有效。二值化方法一般速度较快，而且使每个分割出来的物体都具有闭合和连通的边界。图像二值化后信息丢失很严重，由此得到的边界轮廓可能会不精确。因此，可以用速度较快的二值化方法来获得一个关于图像分割结果的较粗略的描述。
3.4 双峰法
在一些简单的图像中，对象物的灰度分布较有规律，背景和各个对象物在图像的灰度直方图中各自形成一个qxdcjl，即区域和qxdcjl一一对应。由于每个qxdcjl间形成一个波谷，因为选择双峰间的波谷处所对应的灰度值为阈值，即可将两个区域分离。以此类推，可以在图像背景中分理出各类有意义的区域。
（a）原始图像 （b）原始图像直方图
（c）阈值=25分割图像 （d）阈值=40分割图像
图3-2 二值化双峰分割
图3-2为两个简单阈值分割图，双峰法比较简单，在可能的情况下常常作为首选的阈值确定法，但是图像的灰度直方图形状随着对象、图像输入系统、输入环境等因素的不同而千差万别，当出现双峰间的波谷平坦、各区域直方图的波形重叠等情况时，用双峰法难以确定阈值，必须寻求其他方法，实现自动选择适宜阈值要求。
3.5 最大方差自动取阈值（自适应二值化）
图像灰度直方图的形状是多变的，有双峰但是无明显低谷或者是双峰与低谷都不明显，而且两个区域的面积比也难以确定的情况常常出现，采用最大方差自动取阈值往往能得到较为满意的结果。
(a)原始图像 (b)最大方差法分割后图像
图3-11 最大方差自动取阈值法
该方法将图像分成两个类，当类间方差与类内方差的分离度最大时即为最佳阈值．由图3-11表明，该方法能够准确而快速地对图像进行二值化，特别是当对象物和背景的灰度值的差具有一定大小的时候，效果更明显。
第四章 基于细腻的荷花图像阈值分割技术
细腻的荷花变换是近年来得到广泛应用的数学工具,与傅里叶变换、窗口傅里叶变换相比,细腻的荷花变换是空间(时间) 和频率的局域变换，能有效地从信号中提取信息。
4.1 基于细腻的荷花阈值分割技术简述
本论文利用细腻的荷花变换对含噪图像的直方图进行多尺度分解,先在较大的尺度下找出图像分割阈值的粗略值,然后逐渐减小尺度,精确定位分割阈值，算法采用MATLAB 编程仿真。基于细腻的荷花变换的阈值法图像分割技术则能够有效地避免噪声的影响。该方法的基本思想是首先由二进制细腻的荷花变换将图像的直方图分解为不同层次的细腻的荷花系数, 然后依据给定的分割准则和细腻的荷花系数选择阈值门限, 最后利用阈值标出图像分割的区域。整个分割过程是从粗到细, 由尺度变化来控制, 即起始分割由粗略的L2（R）子空间上投影的直方图来实现, 如果分割不理想, 则利用直方图在精细的子空间上的细腻的荷花系数逐步细化图像分割。
4.2 细腻的荷花分析
基于细腻的荷花变换的阈值法图像分割技术能有效地弥补传统的图像阈值法分割技术的不足,具有较强的抗噪声性能,同时,对于直方图为多峰值的情况,可以利用细腻的荷花的多分辨率分解,对灰度阈值进行合理地选择,实现对图像的分割处理。
4.3 细腻的荷花变换
由于图像的直方图可以看作是一维信号，而直方图上的突变点（qxdcjl点和波谷点），往往可以代表图像灰度变化的特征。因此Jean-Christophe Olivo提出了用细腻的荷花变换对直方图进行处理的方法实现自动阈值提取。Olivo通过检测直方图细腻的荷花变换的奇异点和区域极值点给出直方图峰值点的特性。而细腻的荷花变换的qxdcjl和波谷点可以代表图像中灰度代表值和阈值点。利用细腻的荷花变换多尺度特性实现对图像的阈值分割。又由于细腻的荷花变换具有多分辨率的特性，因此可以通过对医学图像直方图的细腻的荷花变换，实现由粗到细的多层次结构的阈值分割。首先在最低分辨率一层进行，然后逐渐向高层推进。细腻的荷花变换的零交叉点表示了在分辨率2j时低通信号的局部跳变点。当尺度2j减小时，信号的局部微小细节逐渐增多，因此，能够检测出各微小细节的灰度突变点；当尺度2j增大时，信号的局部细节逐渐消失，而结构较大的轮廓却能清晰地反映出来，因而能检测出该结构较大的灰度突变点。因此，可以选择细腻的荷花为光滑函数的二阶导数，对图像的一维直方图信号进行细腻的荷花变换，检测出直方图信号的突变点，由此搜索出两峰之问的谷点作为分割阈值点。这就是细腻的荷花变换用于图像分割的基本原理。对图像的直方图来说，它的各层的细腻的荷花分解系数表示不同分辨率下的细节信号，它与细腻的荷花近似信号联合构成直方图的多分辨率细腻的荷花分解表示。给定直方图，考虑其多分辨率细腻的荷花分解表示的零交叉点和极值点来确定直方图的峰值点和谷点。
（a）细腻的荷花分解
（b）细腻的荷花分割 （c）传统分割
图4-10细腻的荷花阈值分割
传统阈值分割与细腻的荷花阈值分割方法的比较：
一、全局二值化方法由于采用的是用一个固定门限值来分割，因此门限值的选取十分重要。众多学者提出了许多种选取“最优门限”的方法，但这种分割方法在光照不均匀和需要提取多个复杂特征的物体的时候难以获得较理想的效果。自适应二值化方法由于采用了自动取阈值的方法，避免了采用固定阈值的弊病，但是图像分割后局限性太大，效果不佳。
二、基于灰度直方图细腻的荷花变换的多阈值分割，在小尺度下受噪声影响较大，但对阈值的定位比较准；大尺度下受噪声影响较小，可以找到确定阈值。峰与峰之间的谷点直接在大尺度下进行，既克服了噪声的影响，又有效的选取到最优阈值。对图像分割的效果明显优于前一种方法。
三、信噪比是信号与噪声的功率谱之比，但通常功率谱难以计算，有一种方法可以近似估计图象信噪比，即信号与噪声的方差之比。首先计算图象所有象素的局部方差，将局部方差的最大值认为是信号方差，最小值是噪声方差，求出它们的比值。信噪比越大，说明混在信号里的噪声越小，信号质量越好。
峰值信噪比一般是用于最大值信号和背景噪音之间的一个工程项目。通常在经过影像压缩之后，输出的影像通常都会有某种程度与原始影像不一样。为了衡量经过处理后的影像品质，我们通常会参考PSNR值来认定某个处理程序够不够令人满意。PSNR值越大，就代表失真越少。
通常一幅图像分割结果的好与坏，以人的主观判断作为评价标准[13]，也就是说是人的视觉决定了分割结果的优良，这样就导致了由于人的视觉差异对图像分割好坏评价的不统一，所以对不同分割方法的结果做一个定量的、定性的评价也是必要的且有意义。