图像边缘检测及提取,分水岭算法

《图像边缘检测及提取,分水岭算法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、1.几种算子图像边缘提取:程序代码如下:运行结果:原图为一堆苹果(彩图),各算子处理后的边缘提取图:分水岭算法实现:a.直接对图像进行分水岭算法处理代码如下：（原图还是上题一堆苹果）运行结果如右图：很明显，属于过度分割了。下面有改进算法：b.改进算法代码如下：实现包括下列步骤：(1)读图像。读入图像(2)对比度最大化。注意到图像中有许多彼此连通的不同大小的对象。为使通过watershed变换找到的低谷数目最小，我们使感兴趣的对象的对比度达到最大。对比度增强的一个常用的技术是综合应用top—hat和bottom—hat变换。top

2、—hat变换定义为原图像和它的开之差。图像的开是一与特定结构元素匹配的图像前景部分的集合。bottom—hat变换定义为在原图像和它的闭之间的差。图像的闭是一与特定结构元素匹配的图像背景的集合。通用的结构元素是正方形，长方形，圆盘，菱形，球和线。既然图像中我们感兴趣的目标对象看起来像圆盘，我们用strel函数建立一个半径为15个像素的圆盘形结构元素。这个圆盘尺度是图像中的目标对象的平均半径的一个估计。(3)图像相加减。为使目标对象与分隔它们的间隙之间的对比达到最大，用“原图top—hat图像+bottom—hat图像”得到增强的

3、结果图。(4)转换感兴趣的对象。调用watershed变换找出图像的亮度”低谷”，把imcomplement作用增强过的图像上，将感兴趣的目标对象转换为亮度低谷，得到增强图的补图。(5)检测亮度低谷。对所得补图运用imextendedmin函数检测低于某特别阈值的所有亮度低谷。imextendedmin函数的输出是一个二值(逻辑值)图像。二值图像中重要的是区域的位置而非区域的大小。用imimposemin函数把补图改为只含有那些由imtendedmin函数找到的低谷，并将低谷的像素值变为O(8位图像可能的深谷)。(6)water

4、shed分割。通过watershed变换，可找出来所有含有强加给最小值的区域。用watershed函数实现watershed分割。watershed函数返回一个标记矩阵，它含有对应于watershed区域的非负数。凡未落入任何watershed区域的像素均被赋予像素值0。用label2rgb把一个标记矩阵变为一幅图像。运行结果：对于改进后的算法，过度分割的现象不明显或者根本觉察不出