术是图像分割技术，即把图像中有意义的特征或者需要应用的特征提取出来。图像分割是图像处理中的项关键技术，自世纪年代起直受到人们的高度重视，至今已提出了上千种各种类型的分割算法，而且近年来每年都有上百篇相关研究报道发表。图像分割的方法有许多种，有阈值分割方法，边缘检测方法，区域提取法，结合特定理论工具的分割方法等。早在年就有人提出检测边缘算子，边缘检测已产生不少经典算法。但近二十年间，随着计算机技术技术的迅速发展，有关图像处理方面的研究已取得了很大的发展。图像分割方法结合了些特定理论方法和工具，如基于数学形态学的图像分割基于小波变换的分割基于遗传算法的分割等。尤其是近年来迅速发展起来的小波理论为图像处理带来了新的理论和方法。小波变换具有良好局部特性，当小波函数尺度较大时抗噪声的能力强，当小波函数尺度较小时，提取图像细节的能力强，这样就可以很好地解决抑制噪声和提取图像边缘细节之间的矛盾。图像分割主要研究方法图像分割是图像处理中的项关键技术，自世纪年代起直受到人们的高度重视，至今已提出了上千种各种类型的分割算法，尚无通用的分割理论，现提出的分割算法大都是针对具体问题的，并没有种适合于所有图像的通用分割算法。而且近年来每年都有上百篇相关研究报道发表。然而，由于另外，还没有制定出选择合用分割算法的标准，这给图像分割技术的应用带来许多实际问题。因此，对图像分割的研究还在不断深入之中，是目前图像处理中研究的热点之。图像分割在图像工程中的位置如图所示，从图可以看出，它起着承上启下的作用。最近几年又出现了许多新思路新方法或改进算法。下面将对些经典的原有方法和新出现的方法作简要的概述。图图象分割在图像工程中的位置多年来人们对图像分割提出了不同的解释和表述，借助集合概念对图像分割可给出如下定义令集合代表整个图像区域，对的分割可看做将分成若干个满足以下五个条件的非空的子集子区域，„„对于所有和，≠，有空集对„有对≠，有对„是连通的区域。其中是对所有在集合中元素的逻辑谓词。对图像分割的研究可以分为对分割方法的研究和对分割评价标准的研究。图像分割是把图像分割成若干个特定的具有独特性质的区域并提取出感兴趣目标的技术和过程。图像分割算法的研究直受到人们的高度重视，到目前为止，提出的分割算法已经多达上千种。图像分割方法有许多种分类方式，在这里将分割方法概括为四类边缘检测方法区域提取方法阈值分割方法结合特定理论工具的分割方法。下面就这些方法展开介绍。边缘检测方法图像分析和理解的第步常常是边缘检测。边缘检测方法是人们研究得比较多的种方法，它通过检测图像中不同区域的边缘来达到分割图像的目的。很多的边缘检测算法是基于对图像的灰度函数求导和在图像中匹配特定的边缘模型这两种方法，如算法和算法就是这两种方法的经典代表。在具体做法上，表现为空域算子与图像模板求卷积和用迭代等方法求匹配函数的系数等。新近提出的方法有徐蔚然等人提出的基于语法语义信息的多滤波器集成边缘检测方法，该方法把图像灰度分布的形式所包含的边界信息看成是语义信息，而把不同滤波器所提取出的灰度分布形式的信息看成是语法信息，然后从语法信息出发，按定的逻辑推出不同种类的边界，最后用模糊逻辑得出符合实际需要的边缘检测结果。宋焕生等人提出的多尺度脊边缘方法，该方法利用算法对图像进行二进小波分解，然后计算出在二进尺度空间的多尺度脊边缘及其强度，最后通过脊边缘跟踪滤波和小波反变换，得到分割结果。殷德奎等人提出的基于多分辨分析的多模板边缘提取方法，根据图像边缘灰度阶跃与嗓声在不同分辨率层次上表现出来的相关性质，合理地确定了检测规则并推断出边缘，此方法适用于复杂嗓声环境和宽分割阈值下的边缘定位。王宇生等人提出的基于积分变换的边缘检测算法，该方法引入了灰度尺度和空间尺度，将图像变为表示像素点相互吸引的向量场，从而将边缘检测问题转化为在向量场中寻找相分离向量的问题。周凌翔等人提出的结合信噪比与定位精度的新的边缘检测准则，导出了满足最佳性质的算子，利用该算子进行边缘检侧，取得了较好的效果。等人提出的哈夫变换的改进算法，利用角度信息来控制选择和分配像素在同直线上的过程，使分割效果优于标准哈夫变换的同时，大大减少了计图也可以体现，那么要从直方图中选择出准确的阈值，就必需采用种有效的方法对直方图进行滤波处理。传统的降噪方法多采用平均或线性方法进行，常用的是维纳滤波，但是降噪效果不够好。随着小波理论的日益完善，它以自身良好的时频特性在图像降噪领域受到越来越多的关注。小波能够降噪主要利益于小波变换具有以下的特点低熵性小波系数的稀疏分布，使图像变换后的熵降低。多分辨率特性由于采用了多分辨率的方法，所以可以非常好的刻画信号的非平稳性。相关性小波变换可以对信号去相关，且噪声在变换后有白化趋势，所以小波域比时域更利于去噪。函数选择灵活小波变换可以灵活选择基函数，可根据信号特点和降噪要求选择小波函数。常用的图像降噪方法是小波阈值消噪方法，是种实现简单而且效果较好的消噪方法。阈值消噪方法就是对小波分解后的各层系数模大于和小于阈值的系数分别进行处理，然后利用处理后的小波系数重构出消噪后的图像。在阈值消噪中，阈值函数体现了对小波分解系数的不同处理策略及不同估计方法，常用的阈值函数有硬阈值函数和软阈值函数。硬阈值函数可以很好的保留图像边缘等局部特征，但会出现视觉失真现象软阈值处理相对平滑，可能会造成边缘模糊等失真现象。对于维直方图信号的降噪方法的步骤如下维直方图信号的小波分解。应当选择合适的小波和恰当的分解层次，对分析的维直方图进行层分解计算。对分解后的高频系数进行阈值量化。对于分解的每层，选择个恰当的阈值，并对该高频系数进行软阈值量化处理。维小波的重构直方图信号。根据小波分解后的第层近似和经过阈值化处理后的各层细节，来计算维信号的小波重构。消噪结果如图所示滤波前滤波后图直方图信号的小波滤波小波变换的很多特性使其在图像去噪中具有极大优势，如低熵性和多分辨率特性等。但主要还是其去相关性和精确的定位功能发挥了重要作用。直方图的小波变换小波变换是对变换的进步伸延，它分为连续小波变换和离散小波变换。本文所要分析的直方图信号是维离散信号，那么在本节中重点对维离散小波理论作分析介绍。小波变换理论维离散小波变换的维离散小波变换的定义为对于，有其变换对,这里的，和，分别是尺度函数和小波函数。和，是离散变量，„，的函数。小波变换的多分辨率分析和提出的多分辨率分析是理解和构造小波的统框架，无论在理论分析还是在构造理解和应用小波方面都十分重要多分辨率分析是建立在函数空间概念上的理论。其基本思想将图像在不同尺度下分解来获得有用信息。多分辨率分析的思想与多采样率滤波器组不谋而合，使我们可以将多分辨率分析与数字滤波器组的理论结合起来，因此多分辨率分析在小波变换理论中具有非常重要的作用。多分辨率分析的定义如下闭子空间的序列，∈，称为形成个二进多分辨率分析，如果满足内系列嵌套子空间，∈，„„这系列嵌套子空问具有逼进性,逼进性因此，依次是上级子空间的近似子空间。在函数，对所有的所∈，构成的无条件基。即,存在，对所有的∈∈，有这里多分辨率分析的尺度函数在不同尺度下平移系列张成系列的尺度空间。尺度增大，它张成的尺度空间只能包括大尺度的缓变信号，尺度空间减小相反尺度的减小，其张成的尺度空间包含函数更细微的变化信号，即所包含的函数增多，尺度空间变大。由同尺度函数缩后的平移系列张成的尺度空间是相互包含的关系。小波算法尺度选择采用前小节的小波算法，针对图进行多层小波分解。然后重构第四五六层小波近似分量，分别如图，通过比较发现，与中波形最为相符的是图中的第五层近似分量。那么选取第五层分量将会得到更为准确的阈值，而中显然分解还不够，细节较更为突出，而分解得有些过了，与原直方图波形严重不符。图不同层次的小波近似量与原直方图的比较预处理后直方图第四层近似量第五层近似量第六层近似量小结本章首先基于小波对直方图进行滤波，利用小波变换中的变尺度特性，对确定信号有种集中能力，对噪声有很好的效果。其次，提出了基于小波对直方图的多层次分解。通过重构近似分量有效地保留了波形轮廓的信息，达到了预期处理的目的，为后期的试验做了很好的铺垫。第四章图像阈值分割技术当非灰度图像转换为灰度图像后，图像中各目标区域的灰度值会不样，如果图像的灰度直方图具有明显的双峰值或多峰值特征，我们就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。阈值分割技术简述我们所了解的最为简单的阈值分割方法就是简易的图像二值化，但在很多情况下，简单的二值化并不总是取得好的效果，因此不能满足医学分析的需要。而基于直方图的图像分割研究已经有大量算法。和利用简单差分算子进行峰谷检测和分类，获得分割结果采用多项式拟合直方图分布函数的方法确定峰谷位置和提出种基于灰度集群的峰谷检测算法。这些算法存在的共同缺点是它们都无法做到能够同时检测出直方图中的微小变化合粗变化这些算法中的参数都需要人工确定，通过反复实验才能确定个最佳阈值。在这里，我们来研究种基于直方图及小波变换的多阈值分割技术。阈值分割方法阈值分割就是设置个门限阈值，凡图像灰度值大于等于或小于等于门限的归为类，剩余的归为另类，其中类为背景，另类为目标。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个对比较强的背景图像所组成的场景图像特别有效。而且，二值化方法般速度较快，而且使每个分割出