阈值分割毕业论文

阈值分割毕业论文

图像分割是图像处理与计算机视觉的基本问题之一，是图像处理图像分析的关键步骤。我整理了图像分割技术论文，欢迎阅读!

图像分割技术研究

摘要：图像分割是图像处理与计算机视觉的基本问题之一，是图像处理图像分析的关键步骤。本文介绍了基于阈值的分割方法和图像分割的图像分割性能的评价、应用现状;最后总结出图像分割的发展趋势。

关键词：图像分割、阈值、边缘检测、区域分割

中图分类号： TN957.52 文献标识码： A

1引言

随着图像分割技术研究的深入，其应用日趋广泛。凡属需要对图像目标进行提取、测量的工作都离不开图像分割。图像分割是图像处理、模式识别和人工智能等多个领域中一个十分重要且又十分困难的问题，是计算机视觉技术中首要的、重要的关键步骤。图像分割结果的好坏直接影响对计算机视觉中的图像理解。现有的方法多是为特定应用设计的，有很大的针对性和局限性，到目前为止还不存在一个通用的方法，也不存在一个判断分割是否成功的客观标准。因此，对图像分割的研究目前还缺乏一个统一的理论体系，使得图像分割的研究仍然是一个极富有挑战性的课题。

2图像分割方法

图像分割(Image Segmentation)，简单地说就是将一幅数字图像分割成不同的区域，在同一区域内具有在一定的准则下可认为是相同的性质，如灰度、颜色、纹理等。而任何相邻区域之间其性质具有明显的区别。

2.1基于灰度特征的阈值分割方法

阈值分割技术是经典的、流行的图象分割方法之一，它是用一个或几个阈值将图像的灰度级分为几个部分，认为属于同一个部分的像素是同一个物体。

这类方法主要包括以下几种：

(1)单阈值法，用一个全局阈值区分背景和目标。当一幅图像的直方图具有明显的双峰时，选择两峰之间的谷底作为阈值。

(2)双阈值法，用两个阈值区分背景和目标。通过设置两个阈值，以防单阈值设置阈值过高或过低，把目标像素误归为背景像素，或把背景像素误归为目标像素。

(3)多阈值法，当存在照明不均，突发噪声等因素或背景灰度变化较大时，整幅图像不存在合适的单一阈值，单一阈值不能兼顾图像不同区域的具体情况，这时可将图像分块处理，对每一块设一个阈值。

2.2 边缘检测分割法

基于边缘检测技术可以按照处理的顺序分为并行边缘检测和串行边缘检测两大类。常见的边缘检测方法有：差分法、模板匹配法及统计方法等。由于边缘灰度变化规律一般体现为阶梯状或者脉冲状。边缘与差分值的关系可以归纳为两种情况，其一是边缘发生在差分最大值或者最小值处;其二是边缘发生在过零处。

2.3基于区域的分割方法

基于区域的分割方法利用的是图像的空间性质。该方法认为分割出来的某一区域具有相似的性质。常用的方法有区域生长法和区域分裂合并法。该类方法对含有复杂场景或自然景物等先验知识不足的图像进行分割，效果较好。

区域生长方法是把一幅图像分成许多小区域开始的，这些初始的小区域可能是小的邻域甚至是单个像素，在每个区域中，通过计算能反映一个物体内像素一致性的特征，作为区域合并的判断标准。区域合并的第一步是赋给每个区域一组参数，即特征。接下来对相邻区域的所有边界进行考查，如果给定边界两侧的特征值差异明显，那么这个边界很强，反之则弱。强边界允许继续存在，而弱边界被消除，相邻区域被合并。没有可以消除的弱边界时，区域合并过程结束，图像分割也就完成。

2.4结合特定工具的图像分割技术

20世纪80年代末以来，随着一些特殊理论的出现及其成熟，如数学形态学、分形理论、模糊数学、小波分析、模式识别、遗传算法等，大量学者致力于将新的概念、新的方法用于图像分割，有效地改善了分割效果。产生了不少新的分割算法。下面对这些算法做一些简单的概括。

2.4.1基于数学形态学的分割算法

分水岭算法是一种经典的借鉴了数学形态理论的分割方法。该方法中，将一幅图像比为一个具有不同高度值的地形，高灰度值处被认为是山脊，底灰度值处被认为是山谷，将一滴水从任一点流下，它会朝地势底的地方流动，最终聚于某一局部最底点，最后所有的水滴会分聚在不同的吸引盆地，由此，相应的图像就被分割成若干部分。分水岭算法具有运算简单、性能优良，能够较好提取运动对象轮廓、准确得到运动物体边缘的优点。但分割时需要梯度信息，对噪声较敏感。

2.4.2基于模糊数学的分割算法

目前，模糊技术在图像分割中应用的一个显著特点就是它能和现有的许多图像分割方法相结合，形成一系列的集成模糊分割技术，例如模糊聚类、模糊阈值、模糊边缘检测技术等。

这类方法主要有广义模糊算子与模糊阈值法两种分割算法。

(1)广义模糊算子在广义模糊集合的范围内对图像处理，使真正的边缘处于较低灰度级，但还有一些不是边缘的像素点的灰度也在较低灰度级中，虽然算法的计算简明，且边缘细腻，但得到的边缘图会出现断线问题。

(2)模糊阈值法引入灰度图像的模糊数学描述，通过计算图像的模糊熵来选取图像的分割阈值，后用阈值法处理图像得到边界。

2.4.3基于遗传算法的分割方法

此算法是受生物进化论思想提出的一种优化问题的解决方法，它使用参数编码集而不是参数本身，通过模拟进化，以适者生存的策略搜索函数的解空间，它是在点群中而不是在单点进行寻优。遗传算法在求解过程中使用随机转换规则而不是确定性规则来工作，它唯一需要的信息是适应值，通过对群体进行简单的复制、杂交、变异作用完成搜索过程。由于此法能进行能量函数全局最小优化搜索，且可以降低搜索空间维数，降低算法对模板初始位置的敏感，计算时间也大为减少。其缺点是容易收敛于局部最优。

2.4.4基于神经网络分割算法

人工神经网络具有自组织、自学习、自适应的性能和非常强的非线性映射能力，适合解决背景知识不清楚、推理规则不明确和比较复杂的分类问题，因而也适合解决比较复杂的图像分割问题。原则上讲，大部分分割方法都可用 ANN(attificial neural network)实现。ANN 用于分割的研究起步较晚，只有多层前馈NN，多层误差反传(BP)NN，自组织NN，Hopfield NN以及满足约束的NN(CSNN-Const raint Satisfaction Neurat Network)等得到了应用。使用一个多层前向神经网络用于图象分割，输入层神经元的数目取决于输入特征数，而输出层神经元的数目等同于分类的数目。

2.5图像分割中的其他方法

前面介绍了4大类图像分割较常用的方法，有关图像分割方法和文献很多，新方法不断产生，这些方法有的只对特定的情形有效，有的综合了几种方法，放在一起统称为第5类。

(1)标号法(labeling)是一种基于统计学的方法，这种方法将图像欲分割成的几个区域各以一个不同的标号来表示，用一定的方式对图像中的每一个像素赋以标号，标号相同的像素就合并成该标号所代表的区域。

(2)基于Snak模型的分割方法，基于Snake模型的分割是通过对能量函数的动态优化来逼近图像目标的真实轮廓的

(3)纹理分割，由于新的数学工具的引入，纹理分割技术取得了一些进展，张蓬等人将小波分析应用于纹理基元提取。

(4)基于知识的图像分割方法，直接建立在先验知识的基础上，使分割更符合实际图像的特点。该方法的难度在于知识的正确合理的表示与利用。

3图像分割性能的评价

图像分割评价主要有两个方面的内容：一是研究各分割算法在不同情况下的表现，掌握如何选择和控制其参数设置，以适应不同需要。二是分析多个分割算法在分割同一图像时的性能，比较优劣，以便在实际应用中选取合适的算法。分割评价方法分为分析法和实验法两大类。分析法是直接分析分割算法本身的原理及性能，而实验法是通过对测试图像的分割结果来评价算法的。两种方法各有优劣，由于缺乏可靠理论依据，并非所有分割算法都能够通过分析法分析其性能。每种评价方法都是出于某种考虑而提出来的，不同的评价方法只能反映分割算法性能的某一性能。另一方面，每一种分割算法的性能是由多种因素决定的，因此，有可能需要多种准则来综合评价。

4图像分割技术的发展趋势

随着神经网络、遗传算法、统计学理论、小波理论以及分形理论等在图像分割中的广泛应用，图像分割技术呈现出以下的发展趋势：(1)多种特征的融合。(2)多种分割方法的结合。(3)新理论与新方法。

参考文献

[1] [美]RC冈萨雷斯.数字图像处理(第二版)[M].阮秋琦，等译.北京：电子工业出版社，2003

[2] 章毓晋.图像分割[M].北京：科学出版社，2001.

[3] 李弼程，彭天强，彭波等.智能图像处理技术[M].北京：电子工业出版社，2004.

[4] 杨晖，曲秀杰.图像分割方法综述[J].电脑开发与应用。2005，18(3)：21-23.

点击下页还有更多>>>图像分割技术论文

各位有没有数字图像处理方面的本科毕业论文题目

1 基于形态学运算的星空图像分割
主要内容： 在获取星图像的过程中，由于某些因素的影响，获得的星图像存在噪声，而且星图像的背景经常是不均匀的，为星图像的分割造成了极大的困难。膨胀和腐蚀是形态学的两个基本运算。用形态学运算对星图像进行处理，补偿不均匀的星图像背景，然后进行星图像的阈值分割。 要求： 1>
图像预处理：对原始星空图像进行滤波去噪处理； 2> 对去噪后的图像进行形态学运算处理； 3>
选取自适应阈值对形态学运算处理后的图像进行二值化；
4> 显示每步处理后的图像； 5>
对经过形态学处理后再阈值的图像和未作形态学处理后再阈值的图像进行对比分析。 待分割图像 直接分割图像
处理后的分割图像 2 基于数字图像处理的印刷电路板智能检测方法 主要内容：
通过对由相机实时获取的印刷电路板图像进行焊盘识别，从而提高电子元件的贴片质量，有效提高电路板的印刷效率。 要求： 1>
图像预处理：将原始彩色印刷电路板图像转成灰度图像，对灰度图像进行背景平滑和滤波去噪； 2> 对去噪后的图像进行图像增强处理，增强边缘提取的效果。 3> 对增强后的图像进行边缘提取（至少两种以上的边缘提取算法）； 4> 显示每步处理后的图像（原始电路板图像可自行查找）； 5>
图像处理后要求能对每个焊盘进行边缘提取，边缘清晰。

软件工程毕业论文提纲

软件工程毕业论文提纲范文

拟写论文提纲是论文写作过程中的重要一步，软件工程毕业生要如何写论文提纲呢?

摘要 5-6

Abstract 6

目录 7-9

第一章 绪论 9-15

1.1 研究背景与意义 9-10

1.2 国内外研究现状 10-12

1.2.1 数据仓库技术国内外应用情况 10-11

1.2.2 人口数据分析应用国内外现状 11-12

1.3 本文主要研究内容 12-13

1.3.1 研究目标 12

1.3.2 研究内容 12-13

1.4 本文组织结构 13-15

第二章 关键技术分析 15-25

2.1 人口数据分析 15-16

2.1.1 人口数据分析特点 15-16

2.1.2 人口数据分析内容 16

2.2 数据仓库技术 16-20

2.2.1 数据仓库概念 16-18

2.2.2 数据仓库设计 18-20

2.3 数据ETL技术 20-22

2.3.1 ETL概念 20

2.3.2 ETL设计 20-21

2.3.3 ETL实现 21-22

2.4 OLAP技术 22-23

2.4.1 OLAP概念 22

2.4.2 OLAP实现 22-23

2.5 小结 23-25

第三章 人口数据分析系统的设计与实现 25-65

3.1 系统概念设计 25-29

3.1.1 业务需求 25-26

3.1.2 数据描述 26-27

3.1.3 维度事实模型 27-29

3.2 系统逻辑设计 29-40

3.2.1 人口性别年龄民族分析主题 29-32

3.2.2 人口婚姻状况文化程度分析主题 32-35

3.2.3 人口姓氏分析主题 35-37

3.2.4 人口姓名分析主题 37-38

3.2.5 人口籍贯出生地分析主题 38-40

3.3 系统实现 40-63

3.3.1 物理设计 40-42

3.3.2 ETL准备及规则 42-46

3.3.3 ETL实现 46-57

3.3.4 多维数据模型构建 57-63

3.4 小结 63-65

第四章 实际应用及验证 65-87

4.1 应用背景 65

4.2 应用展示 65-84

4.2.1 OLAP操作 65-75

4.2.2 报表展现 75-84

4.3 效果分析 84-85

4.4 小结 85-87

第五章 结论与展望 87-91

5.1 论文工作总结 87-88

5.2 论文工作展望 88-91

参考文献 91-93

致谢 93-95

个人简历、在学期间发表的论文与研究成果 95

摘要 6-7

Abstract 7-8

第一章 绪论 11-19

1.1 课题来源 11

1.2 研究的背景和意义 11-13

1.3 国内外研究现状 13-16

1.3.1 土壤压实对作物影响 13

1.3.2 数字图像处理 13-14

1.3.3 虚拟植物 14-16

1.4 本研究的内容,技术路线 16-18

1.4.1 研究内容 16-17

1.4.2 技术路线 17-18

1.5 本章小结 18-19

第二章 试验方案设计 19-29

2.1 土钵容重标定 19-25

2.1.1 压实装置设计 19-20

2.1.2 容重标定 20-25

2.2 栽培与管理方法 25-26

2.3 数据采集方案 26-28

2.3.1 原位观测数据获取 26-27

2.3.2 破坏性采样测量数据获取 27-28

2.4 本章小结 28-29

第三章 基于图像分析的陆稻形态特征获取方法研究 29-42

3.1 植物图像获取 30-31

3.2 图像增强 31-32

3.2.1 图像平滑 31-32

3.2.2 图像锐化 32

3.3 图像分割 32-37

3.3.1 阈值分割法 33-34

3.3.2 数学形态学运算 34-37

3.3.3 连通域检测算法 37

3.4 植物特征提取的研究 37-41

3.4.1 图像标识 38-39

3.4.2 基于像素统计的面积计算 39-40

3.4.3 基于最小外界矩形理论的叶片长宽测量算法 40-41

3.5 本章小结 41-42

第四章 试验结果分析 42-47

4.1 土壤压实对陆稻地上部分的.影响 42-43

4.2 土壤压实对陆稻地下部分生长的影响 43-45

4.3 陆稻地上部分与地下部分相关性分析 45-46

4.4 结论 46-47

第五章 陆稻植株的三维建模 47-53

5.1 陆稻的生长机模型 48-51

5.1.1 陆稻根系的生长机模型 48-51

5.1.2. 陆稻茎秆、叶片的生长机模型 51

5.2 陆稻可视化模型 51-52

5.2.1. 陆稻根系可视化模型 51-52

5.2.2 陆稻茎秆、叶片的可视化模型 52

5.3 本章小结 52-53

第六章 陆稻模拟系统的实现与程序设计 53-67

6.1 系统开发关键技术简介 53-54

6.2 开发环境搭建 54-57

6.3 系统实观 57-64

6.3.1 系统需求分析及总体设计 57-58

6.3.2 生长机的模块 58-60

6.3.3 可视化模块 60-61

6.3.4 形态学参数统计模块 61-62

6.3.5 坐标变换模块 62-63

6.3.6 系统模拟界面 63-64

6.4 仿真结果及分析 64-66

6.5 本章小结 66-67

第七章 结论与展望 67-69

致谢 69-70

参考文献 70-74

附录A：本人在攻读硕士学位期间的科研情况及工作情况 74-75

附录B：试验附图 75-76

附录C：部分源代码 76-86