雷竞技网页版研究与评论-国际期刊雷竞技苹果下载

国际计算机与通信工程创新研究杂志

菜单

在线刊号(2320-9801)印刷刊号(2320-9798)

所有提交的EM系统将被重定向到网上投稿系统．作者被要求将文章直接提交给网上投稿系统各自的日志。

基于形态运算的图像分割自动区域生长

Ritu Sharma, Rajesh Sharma
CTIEMT，贾朗达尔，PTU，旁遮普邦，印度
有关文章载于Pubmed，谷歌学者

更多相关文章请访问国际计算机与通信工程创新研究杂志

国际计算机与通信工程创新研究杂志

摘要

图像分割是计算机视觉广泛领域的一个子集，它处理图像的空间内容分析。它用于从图像的其余部分分离区域，以便将它们识别为对象。本文的关键贡献是基于一个算法，并逐步执行。首先利用各种滤波器对噪声图像进行滤波。其次，利用形态学运算对滤波后的图像进行重构。随后，将区域生长技术应用于重建图像，实现图像分割。进一步对分割后的图像进行了细分。最后，在三个基础上，首先对分割后的噪声图像进行分析，其次对滤波后的分割图像进行分析，最后用PSNR(峰值信噪比)、MSE(均方误差)、Mean difference(均差)和Maximum difference(最大差)四个参数对滤波后的噪声图像的子部分进行分析。

关键字
图像分割，高斯噪声，引导滤波，形态学运算，自动区域生长

介绍
近年来，图像自动分割已成为图像分析和计算机视觉领域的一个突出方向。图像分割可以定义为将图像中的所有图像元素或像素划分为具有相似特征的不同聚类[1]。图像分割是众多信号处理技术及其应用中的重要组成部分。它渴望将像素聚集到突出的图像区域，即相当于单个表面、项目或对象的可接受部分的区域。图像分割的结果是覆盖完整图像的一组片段，或从图像中提取的一组轮廓。数字图像容易产生多种类型的噪声。噪声是图像采集过程中错误的结果，导致像素值不能模仿真实场景的准确强度。本文利用引导滤波器对噪声进行了去除。我们使用形态学操作创建掩码，并结合自动区域生长技术对过滤后的图像进行分割。因此，在这种方法中，用户无需手动选择种子点，因此不需要人为的侵犯。

2实用的方法
本方法的流程流程如图1所示。将输入噪声图像作为输入图像，然后借助滤波器进行滤波。梯度幅度是计算后应用形态学操作。图像分割采用区域生长法。最后将结果分为三个部分进行分析。第一个表示了非滤波分割图像的图形和表格表示，涉及四个参数，PSNR(峰值信噪比)，MSE(均方误差)，均差和最大差。第二部分是滤波后分割图像对上述四个参数PSNR(峰值信噪比)、MSE(均方误差)、mean difference和Maximum difference的图形和表格表示。结果的第三部分描述了表格形式，我们通过执行四个参数表示分割图像的子部分的值，PSNR(峰值信噪比)，MSE(均方误差)，平均差和最大差。

A.图像预处理
在第一步中，我们取一张图像并在该图像中添加噪声。噪声是影响图像质量的一个因素，主要是在图像获取和传输过程中形成的。图像中的噪声来自不同的来源。图像采集过程是将光学图像转换为连续的电信号进行采样的主要过程，在这个过程中，数字图像中出现了噪声。我们将添加高斯噪声。

B.高斯噪声
高斯噪声是具有正态分布的概率密度函数的数值噪声。此外，噪声所能获得的值是高斯分布的。高斯噪声被恰当地定义为具有高斯振幅分布的噪声。噪声被建模为保护性高斯白噪声，当所有图像像素在高斯曲线后偏离其原始值时。为方便起见，对于每个强度值为fij的图像像素(对于m × n的图像，1≤i≤m, 1≤j≤n)，噪声图像gij的等效像素为，gi,j= fi,j + ni,j其中，每个噪声值n来自于一个零均值高斯分布。[4]

C.引导滤波器降噪
第二步，去除高斯噪声。这种类型的噪声应通过引导滤波去除。引导滤波器是一种清晰的图像滤波器，由局部线性模型产生;该方法通过考虑引导图像的内容来生成滤波输出，该引导图像可以是图像本身的关键，也可以是另一个不同的图像。该算法具有快速、非近似的线性时间算法，其计算复杂度与滤波核大小无关。它的输出接近于制导图像的线性变换。该滤波器具有双边滤波器一样的保边平滑特性，但不受梯度后退伪影的影响。此外，该制导滤波器对灰度图像和彩色图像都具有O (N)时间(像素数N)的正确算法。该制导滤波器在降噪、细节平滑/丰富、HDR细节平滑/丰富、HDR压缩、图像垫层/羽化和消除雾霾等一系列应用中表现出了良好的优势和效率

D.形态学操作
形态运算是一种研究和处理几何结构的技术，它基于集假设、格假设、拓扑和任意函数。它主要用于数字图像，但也可以用于图形、表面网格、固体和许多先进的空间结构。它使用一个称为结构元素的小表单或模板来探索图像。结构元素位于图像中的所有潜在位置，并将其与像素的后续区域进行比较。一些操作测试元素是否“适合”区域，而另一些操作测试元素是否“击中”区域或与区域相交。[7]形态运算包括:-

？扩张
它是图像中所有点的集合，即结构元素“接触”前方的地方。考虑输入图像中的每个像素，如果结构元素接触到前沿图像;在构造元素的起始点写一个“1”。

？侵蚀
侵蚀是图像中所有点的集合，其中结构元素“适合”。视图像中关键字中的每个前沿像素，结构元素是否合适;在构造元素的初始点写一个“1”。模式匹配是侵蚀的简单应用

？开放
开放由侵蚀和膨胀组成，用于消灭区域中的所有像素，这些区域太小而不包括结构元素。在这里，构造元素经常被称为查询，因为它正在询问图像，寻找要从图像中扭出的小对象。

？关闭
封闭包括膨胀和侵蚀，可以用来填补洞和小的缝隙。
E.区域自动生长方法
自动种子区域生长算法是最简单的基于区域的分割方法之一。它对图像进行分割，检查一组点的相邻像素，这些点被认定为种子点，并判断这些像素是否可以归为种子点的聚类[8]。算法过程如下。
步骤1。我们从一些种子点开始，这些种子点被聚成n个簇，称为C1, C2…Cn。初始种子点的位置设为p1, p2，…，p3。
步骤2。计算初始种子点pi与其相邻点像素值的差值，如果差值小于我们定义的阈值(判据)，则将相邻点划分为Ci，其中i = 1,2，…，n。
步骤3。重新计算Ci的边界，并将这些边界点设置为新的种子点pi (s)。另外，Ci的平均像素值也需要重新计算。
第四。重复步骤2和3，直到图像中的所有像素都分配到合适的集群中。

3实现
实施分为两部分:-
a)不去噪的分割，即无滤波图像。
b)通过去除噪声即过滤图像进行分割。

A.不去噪的分割，即未经过滤的图像

B.不去噪的分割，即过滤图像

四、结果
该部分表示了关于四个参数psnr(峰值信噪比)，MSE(均方误差)，未滤波和滤波分割图像之间的平均差和最大差的图形表示。

峰值信噪比(峰值信噪比)

B.均方误差(MSE)

C.最大差值

D.平均差

诉的结论
这是一种区域生长分割方法，用于分割有噪声和滤波后的图像。我们提出了一种新的、鲁棒的、快速的、全自动的算法。该算法不需要先验信息和训练过程。我们成功地找到了种子点，得到的分割结果非常准确。通过对4个不同参数的分析，对未滤波图像和滤波图像进行了比较。与其他方法相比，该方法的效果更好。

数字一览
图1 图2 图3 图4
图1 图2 图3 图4
图1 图2 图3
图5 图6 图7

参考文献
















全球科技峰会