数字图像处理实验——图像分割

发表于 更新于 分类于 阅读次数：
本文字数： 2.9k 阅读时长 ≈ 3 分钟
数字图像处理实验4——图像分割的实现。

图像分割实验

Lab4

一、 实验目的

  1. 实验目标 设计图像分割算法完成实验图像的分割，分割结果“米粒”像素标记为 255，“背 景”像素标记为 0。

  2. 具体要求：

    （1）程序使用 C++语言编写，集成开发环境可以选择 vs 或 Qt，核心代码不允许直接调 用库函数实现，不允许使用 opencv 等第天天；

    （2）独立完成实验，自由设计处理流程和选择算法；

    （3）分割结果以 BMP 格式文件保存，完成实验报告。

  3. 提示 此实验图像存在背景光照不均匀的现象，在设计分割算法时应该加以考虑。

二、 处理流程和算法设计

处理流程：

算法设计：

  1. 先通过均值滤波，消除图像噪声，该图像没有特别明显的会产生干扰的噪声，但尝试后发现平滑可以起到一定效果。具体说明见结果分析。

  2. 对图像进行分块。由于图像存在背景光照不均匀现象，图像下方的背景色比上方的小，所以将图像进行分块，不同的块使用不同的阈值。考虑到图像大小为474×474像素，将整个图像分为79×79的36个小块。

  3. 对每一小块使用大津阈值法，计算出阈值后直接对该块进行分类。

三、 实验及结果分析

实验结果：

​

结果分析：

  1. 使用均值滤波：图像中看似会对图像分割产生影响的噪声不多，但实验发现滤波还是能产生很大效果。我只尝试了3×3卷积核的均值滤波，感觉可以使用更大的卷积核。

​

​ 左侧为未滤波的分割结果，可以看出存在少量噪声的干扰。而经过滤波后这些干扰消失了。

  1. 使用分块后计算阈值：该图像存在背景光照不均匀现象，图像下方的背景色比上方的小，如果对整个图像计算阈值，会让上方和下方像素对阈值比较敏感。

​

​ 左侧为未分块计算阈值后的分割结果，可以看出对于图像下方的影响较大，但对于上方产生的影响不大，由此 可以得出分成36块其实有点多，分为上中下三个部分可能就可以达到类似效果。

  1. 总体而言，该算法没有明显不足，可以很好地实现这个图像的分割。

四、 具体实现

均值滤波

均值滤波的实现比较简单，即使用一个全为1的核进行卷积。其他的模板运算也可以使用这段代码，只需要改变模板即可。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
void CSegmentation::smoothing()
{
int core[9] = { 1, 1, 1,
				1, 1, 1,
				1, 1, 1};
	LPBYTE ptr;
	int p = CSegImg->GetPitch();
	ptr = (LPBYTE)CSegImg->GetBits();
	int height = CSegImg->GetHeight();
	int width = CSegImg->GetWidth();
	for (int j=1;j<height-1;j++)
	{
		for (int i=1;i<width-1;i++)
		{
			int sum = 0;
			int pr = 0;
			for ( int m=j-1; m<j+2; m++)
			{
				for (int n=i-1; n<i+2; n++)
				{
					/*sum += ptr [ m*width + n] * core[pr++] ;*/
					sum += ptr [ m*p + n] * core[pr++] ;
				}
			}
			sum/=8;
			if (sum > 255)
				sum = 255;
			if (sum <0)
				sum = 0;
			ptr [ j*p+i ] = sum;
		}
	}
			for ( int m=0; m<height; m++)
			{
				for (int n=0; n<width; n++)
				{
					BYTE xx;
					xx = ptr [ m*p + n];
				}
			}
}

分块大津阈值

实现对于一个给定的块的大津阈值法操作

r、c、x表示进行操作的范围为第r到r+x行，c到c+x列

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
void CSegmentation::otsu(int r,int c,int x)
{
	int grayhis[256]; //灰度直方图
	int thresigma[256];//存储各阈值的方差
	memset(grayhis,0,1024);
	memset(thresigma,0,1024);
	LPBYTE ptr;
	int p = CSegImg->GetPitch();
	ptr = (LPBYTE)CSegImg->GetBits();
	//计算灰度直方图
	for(int i=r;i<r+x;i++)
	{
		for(int j=c;j<c+x;j++)
		{
			BYTE gray = ptr[i*p+j];
			grayhis[gray]++;
		}
	}
	int l=0,h=255;
	while(grayhis[l]==0)
		l++;
	while(grayhis[h]==0)
		h--;
	for(int t=l+1;t<h-1;t++)
	{
		int PA=0,PB=0;
		for(int i=l;i<t;i++)
			PA+=grayhis[i];
		for(int i=t;i<=h;i++)
			PB+=grayhis[i];
		int miua=0,miub=0;
		for(int i=l;i<t;i++)
			miua+=(i*grayhis[i]);
		for(int i=t;i<=h;i++)
			miub+=(i*grayhis[i]);
		miua/=PA;
		miub/=PB;
		int sigmaa=0,sigmab=0;
		for(int i=l;i<t;i++)
			sigmaa+=((i-miua)*(i-miua)*grayhis[i]);
		for(int i=t;i<=h;i++)
			sigmab+=((i-miub)*(i-miub)*grayhis[i]);
		sigmaa/=PA;
		sigmab/=PB;
		int sigma=PA*sigmaa+PB*sigmab;
		thresigma[t]=sigma;
	}
	int thre=0,mint=INT_MAX;
	for(int i=l+1;i<h-1;i++)
	{
		if(thresigma[i]<mint)
		{
			mint=thresigma[i];
			thre=i;
		}
	}
	for(int i=r;i<r+x;i++)
	{
		for(int j=c;j<c+x;j++)
		{
			if(ptr[i*p+j]<thre)
				ptr[i*p+j]=0;
			else
				ptr[i*p+j]=255;
		}
	}
}

对总体进行分块后使用大津阈值

1
2
3
4
5
6
7
8
9
void CSegmentation::Seg()
{
	smoothing();
	for(int i=0;i<6;i++)
	{
		for(int j=0;j<6;j++)
			otsu(i*79,j*79,79);
	}
}