图像分割算法的研究与实现开题报告.docx
《图像分割算法的研究与实现开题报告.docx》由会员分享,可在线阅读,更多相关《图像分割算法的研究与实现开题报告.docx(18页珍藏版)》请在冰点文库上搜索。
图像分割算法的研究与实现开题报告
湖北师范学院学士学位论文(设计)开题报告
学生姓名
所在院系
物理与电子信息科学学院
所在班级
指导教师
学生学号
专业方向
电子信息科学与技术
开题时间
2010.3.8
导师职称
论文题目
图像分割算法的研究与实现
文献综述:
从上世纪70年代起,许多研究人员为图像分割问题付出了巨大的努力。
现代图像处理技术已成功地应用于许多领域。
例如,机动车号牌识别,交通路口(段)的电子警察,文字识别(OCR),指纹识别,等等。
图像分割是图像识别和图像理解的基本前提,图像分割质量的好坏直接影响后续图像处理的效果,因此图像分割的作用是至关重要的。
图像分割是指将一幅图像分解为若干互不交叠的有意义具有相同性质的区域。
好的图像分割应具备的特征:
①分割出来的各区域对某种性质例如灰度,纹理而言具有相似性,区域内部是平整的且没有许多小孔;②相邻区域对分割所依据的性质有明显的差异;③区域边界是明确和规整的。
大多数图像分割方法只是部分满足上述特征。
如果加强分割区域的同性质约束,则分割区域很容易产生大量小孔和不规整边缘;若强调不同区域间性质差异的显著性,则易造成不同质区域的合并。
具体处理时,不同的图像分割方法总是在各种约束条件之间寻找一种合理的折中[1]。
图像分割是图像处理到图像分析的关键步骤,也是进一步图像理解的基础。
所谓图像分割是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。
借助集合概念对图像分割可给出如下比较正式的定义令集合R代表整个图像区域,对的分割可看作将R分成N个满足下列5个条件的非空子集(子区域)R1,…,RN;
1R1UR2…URN=R;
2对所有的i和j,有Ri∩Rj=ø(i≠j);
3对i=1,2,⋯,N,有P(Ri)=TRUE;
④对i≠j,有P(Ri∪Rj)=FALSE;
⑤对i=1,2,⋯,N,Ri是连通区域。
其中P(Ri)是对所有在集合Ri中元素的逻辑谓词,ø代表空集。
在实际应用中,图像分割不仅要把一幅图像分成满足上面5个条件的各具特性的区域,而且需要把感兴趣目标区域提取出来。
由于符合上述条件的分割计算十分复杂和困难,图像分割成为图像处理中一个经典的研究课题[2]。
图像分割方法
根据分割方法的不同特点可分为:
阈值分割、基于边缘的图像分割、基于区域的图像分割、基于模型的图像分割和基于人工智能的图像分割等[3]。
阈值分割
图像分割的经典方法是基于灰度阈值的分割方法,它通过设置阈值,把像素点按灰度级分若干类,从而实现图像分割。
把一副图像转化为二值图像是阈值分割的最简单形式。
阈值处理是一种区域分割技术,将灰度根据主观愿望分成两个或多个等间隔或不等间隔灰度区间,它主要是利用图像中要提取的目标物体和北京在灰度上的差异,选择一个合适的阈值,通过判断图像中的每一个像素点的特征属性是否满足阈值的要求来确定图像中该像素点术语目标区还是应该属于区域,从而产生二值图像,它对物体和背景有较强对比景物的分割特别有用。
它计算简单,而且总能用封闭而且连通的边界定义不交叠的区域。
阈值值分割主要有两个步骤:
1)确定正确分割的阈值;
2)将所有像素的灰度级与阈值进行比较,以进行区域划分,
达到目标与背景分离的目的。
在这一过程中,正确确定阈值是关键,只要能确定一个合适的阐值就可完成图像的准确分割。
阈值法简单、运算效率高,是图像分割中广泛采用的方法。
阈值分割法的结果很大程度上依赖于对阈值的选取,因此该方法关键是如何选择合适的阈值[4]。
常见阈值选取方法:
1.双峰法
双峰法的原理:
是它假设图象是由前景和背景组成,在灰度直方图上前后二景都形成高峰,在双峰之间的最低谷处就是图象的阈值所在。
该方法的分割效果来看,当前后景对比较为强烈时,分割效果较好,否则基本无效。
2.迭代法(最优方法)
它基于逼近的思想,基本算法如下:
(1)求出图像的最大灰度值和最小灰度值,分别记为Max和Min,令初始阈值为:
根据阈值
将图像分割为前景和背景,分别求出两者的平均灰度值
和
;
(2)求出阈值
;
(3)如果
;则所得即为阈值;否则转
(2)迭代计算。
迭代所得的阈值分割图象的效果良好,基于迭代的阈值能区分图象的前景和背景的主要区域所在,但是在图象的细微处还是没有很好的区分度,令人惊讶的是对某些特定图象,微小数据的变化会引起分割效果的巨大变化,两者的数据只是稍有变化,分割效果反差极大,具体原因还有待进一步研究[5]。
阈值分割法不仅可以极大地压缩数据量,而且也大大简化了分析和处理步骤,对于直方图呈明显双峰特性的图像,可得到很好的分割效果。
阈值分割看似个简单的问题,在过去的四十年里受到国内外学者的广泛关注,产生了数以百计的阐值选取方法,但是遗憾的是,如同其他图像分割算法一样,没有一个现有方法对各种各样的图像都能得到令人满意的结果,甚至也没有一个理论指导我们选择特定方法处理特定图像。
基于直方图的谷点搜索法阈值是通过分析图像的直方图来决定的。
假设,一副图像只有物体和背景两部分组成,其灰度图直方图呈现明显的双峰值,如下图1。
找出阈值T,则可以对整个图像进行二值化赋值。
程序的实现:
通过数组记录直方图中的各像素点值的个数,再对逐个像素值进行扫描。
记录每个像素能作为谷底的范围值,接着找出能作为谷底范围最大的点作为阈值。
实现流程图:
阈值法是一种简单但是非常有效的方法,特别是不同物体或结构之间有很大的强度对比时,能够得到很好的效果它一般可以作为一系列图像处理过程的第一步。
它一般要求在直方图上能得到明显的峰或谷,并在谷底选择阈值。
如何根据图像选择合适的阈值是基于阈值分割方法的重点所在,也是难点所在。
它的主要局限是,最简单形式的阂值只能产生二值图像来区分两个不同的类。
另外,它只考虑象素本身的值,一般都不考虑图像的空间特性,这样就对噪声很敏感它也没有考虑图像的纹理信息等有用信息,使分割效果有时不能尽如人意[4]。
基于边缘检测的图像分割
边缘检测的分割方法是通过检测包含不同区域的边缘来解决图像分割问题。
所谓边缘,就是目标和背景的分界线,提取出边缘就可以将目标和背景区分开来,因此它是图像分割所依赖的重要特征,同时也是纹理特征的重要信息源和形状特征的基础。
它包含了用于识别的有用信息,为人们描述或识别目标以及解释图像提供了一个有价值的、重要的特征参数。
在图像中,边界既是一个特征区域的终结,也是另一个特征区域的开始,边界所分开区域的内部特征或属性是一致的,而不同区域内部的特征或属性是不同的,边缘的检测正是利用物体和背景在某种图像特性上的差异来实现的,这差异包括灰度、颜色以及纹理特征。
边缘检测实际上就是要检测出图像的特性发生变化的位置。
图像的信息量很大,而边缘信息是图像的一种紧描述,它所包含的往往是图像中最重要的信息。
因此边缘检测在计算机视觉中有着非常重要的地位[6]。
边缘检测法
所谓边缘是指其周围像素灰度有阶跃变化的那些像素的集合。
它存在于目标与背景之间,是图像分割所依赖的最重要的特征。
因此,边缘检测可以看作是处理许多复杂问题的关键。
对于边缘的检测常常借助于边缘检测算子进行,常用的边缘检测算子有:
Roberts算子、Laplace算子、Prewitt算子、Sobel算子、Robinson算子、Kirsch算子和Canny算子等。
其中Canny边缘检测是一种比较新的边缘检测算子,不容易受噪声的干扰,能够检测到真正的弱边缘。
基于边缘的分割技术依赖于由边缘检测算子找到的图像边缘,这些边缘标示出了图像在灰度、色彩、纹理等方面不连续的位置。
常见的基于边缘的分割方法有:
边缘图像阈值化、边缘松驰法、边界跟踪法、作为图搜索的边缘跟踪法、作为动态规划的边缘跟踪法、Hough变换法和基于边界位置信息的边界检测法等。
该类方法对边缘灰度值过渡比较尖锐且噪声较小等不太复杂的图像,大都可以取得较好的效果。
但对于边缘复杂、采光不均匀的图像来说,则效果不太理想,主要表现在边缘模糊、弱边缘丢失和整体边缘不连续等方面.在噪声较大的情况下常用的边缘检测算法,如Marr算子,递归滤波器和Canny算子等都是先对图像进行适当的平滑,抑制噪声,然后求导数,或者先对图像进行局部拟合,然后再用拟合的光滑函数的导数来代替直接的数值导数。
Canny算子较简单,而且考虑梯度方向,效果比较好[7]。
边缘检测的几种经典算法
(1)Canny算子
Canny边缘检测利用高斯函数的一阶微分,在噪声抑制和边缘检测之间寻求较好的平衡,其表达式近似于高斯函数的一阶导数。
Canny边缘检测算子对受加性噪声影响的边缘检测是最优的。
(2)Roberts梯度算子
对阶跃状边缘,在边缘点处一阶导数有极值,因此可计算每个像素处的梯度来检测边缘点。
对于图像g(x,y),在(x,y)处的梯度定义为grad(x,y)。
梯度是一矢量,大小代表边缘的强度,方向与边缘走向垂直。
梯度算子仅用最近邻像素的灰度计算,对噪声敏感,无法抑制噪声的影响。
(3)Prewitt和Sobel算子
Prewitt从加大边缘检测算子的模板大小出发,由2×2扩大到3×3来计算差分算子,采用Prewitt算子不仅能检测边缘点,而且能抑制噪声的影响。
Sobel在Prewitt算子的基础上,对4-邻域采用带权的方法计算差分,该算子不仅能检测边缘点,且能进一步抑制噪声的影响,但检测的边缘较宽。
(4)Laplace算子
Laplace算子是一与方向无关的各向同性(旋转轴对称)边缘检测算子。
其特点是各向同性、线形和位移不变,对细线和孤立点检测效果好。
但边缘方向信息丢失,常产生双像素的边缘,对噪声有双倍加强作用。
由于梯度算子和Laplace算子都对噪声敏感,因此一般在用它们检测边缘前要先对图像进行平滑。
(5)马尔算子
马尔算子是在拉普拉斯算子的基础上实现的,由于拉普拉斯算子对噪声比较敏感,为减少噪声影响,可先对待检测图进行平滑,然后再用拉普拉斯算子检测边缘。
再利用二阶导数算子过零点的性质,可确定图像中阶跃状边缘的位置。
应注意马尔算子用于噪声较大的区域会产生高密度的过零点[8]。
物体的边缘是以图像的局部特征不连续的形式出现的,也就是指图像局部亮度变化最显著的部分,例如灰度值的突变、颜色的突变、纹理结构的突变等等,同时物体的边缘也是不同区域的分界处。
对于单色图像,通常认为边缘是灰度陡然变化的部分,Herskovits指出了边缘的几种典型情况,例如阶跃形、屋顶形、边缘-效应形、斜坡-阶跃形等等。
边缘检测算法有如下四个步骤:
1)滤波:
边缘检测算法主要是基于图像强度的一阶和二阶导数,但导数的计算对噪声很敏感,因此必须使用滤波器来改善与噪声有关的边缘检测器的性能。
需要指出,大多数滤波器在降低噪声的同时也导致了边缘强度的损失,因此,增强边缘和降低噪声之间需要折衷。
2)增强:
增强边缘的基础是确定图像各点邻域强度的变化值。
增强算法可以将邻域(或局部)强度值有显著变化的点突显出来。
边缘增强一般是通过计算梯度幅值来完成的。
3)检测:
在图像中有许多点的梯度幅值比较大,而这些点在特定的应用领域中并不都是边缘,所以应该用某种方法来确定哪些点是边缘点。
最简单的边缘检测判据是梯度幅值阈值判据。
4)定位:
如果某一应用场合要求确定边缘位置,则边缘的位置可在子像素分辨率上来估计,边缘的方位也可以被估计出来。
边缘检测的问题起源于20世纪50年代末,经过几十年的研究工作已提出了基于不同图像模型、不同原理的边缘检测方法。
目前对边缘提取方法的分类有多种方式,各类方法之间的互相渗透、互相结合使得新型方法不断涌现。
基于一阶、二阶微分的算子如下:
A)梯度算子
我们已经知道在点F(j,k)处,梯度G[F(j,k)]的幅度为
Laplacian算子
式中,S可以是F(j,k)中心上、下、左、右4邻点的集合,也可以是8邻点集合,或者是对角线4邻点的集合。
与之对应的表达式分别为以下三式:
简要分析:
根据上述思想,人们提出了各种边缘检测器。
Pratt定义了四个方向偏导数算子,对角方向的边缘锐化可以由对角像素灰度相减得到,边缘图像可以用门限法获得;Prewitt提出了8个3×3模板,即罗盘梯度(CompassGradient),通过对原图像的每一象素进行匹配卷积,取输出值最大的那个模板作为此边缘要素的取向;Arggle及Mclead等提出用高斯型加权函数作为边缘增强的梯度算法。
这些基于一阶微分的线性边缘锐化方法将引起高频空间噪声增强。
因而,发展了非线性边缘检测,即将去噪声平滑方法引入线性边缘检测,利用象素的非线性组合来解决噪声问题。
这方面有许多有名的算子,如Robert、Kirsch、Sobel、Hale、FreandChen等边缘检测算子。
这些算法运算简单,软件实现较为方便,它们在提取边缘的同时又抑制了图像中的噪声。
但它总在边界附近产生较宽的响应,结果往往需要细化边缘,这不仅影响了边界的定位精确,而且也会影响边界的质量及处理的时间。
如果所求的一阶导数高于某一阈值,则确定该点为边缘点,这样做会导致检测的边缘点太多。
一种更好的方法就是求梯度局部最大值对应的点,并认定它们是边缘点。
通过去除一阶导数中的非局部最大值,可以检测出更精确的边缘。
一阶导数的局部最大值对应着二阶导数的零交点,这意味着在边缘点处有一阶导数的峰值,同样地,有二阶导数的零交叉点。
这样,通过寻找图像强度的二阶导数的零交叉点就能找到边缘点。
在零交叉检测中,二阶导数通常是用拉普拉斯变换实现的。
因为它对高频敏感,所以受高频噪声的影响较大。
由于微分算子在实际应用时,对噪声非常敏感,于是人们采用最佳拟合的边缘检测算法,如Hueckel的边缘拟合算法,这种方法有较好的抗噪声能力,是近年出现的较好成果。
但是,在干扰很大,以致物体部分缺损,或物体之间相互重叠时,这种方法却可能得出相当不满意的结果。
下表给出了一些常用边缘检测算子
结论及边缘检测准则
上面给出的机组图像可以看到对同一原始图像进行边缘检测的效果。
为了便于比较,我们也专门把基于Canny类的检测器结果列在了图三。
下表给出以上算法的计算时间:
Canny为了解决"定位精度和抑制噪声"的矛盾,提出了我们熟知的Canny准则:
(1)不漏检真实存在的边缘,也不把非边缘点作为边缘点检出,使输出信噪比最大。
(2)检测到的边缘点位置距实际边缘点的位置最近。
(3)实际存在的边缘点和检测到的边缘点一一对应。
为了达到这3个准则,Canny采用变分法导出高斯函数的导数能够达到他提出的最优滤波器的指标,由此得到公认"较好的"一类边缘检测算法[9]。
基于区域的图像分割
基于区域的图像分割是根据图像灰度、纹理、颜色和图像像素统计的均匀性等图像的空间局部特征,把图像中的像素划归到各个物体或区域中,进而将图像分割成若干个不同区域的一种分割方法。
基于区域的分割方法主要有区域生长法、分裂合并法和分水岭分割方法。
区域生长法、分裂合并法:
区域生长法的基本思想是根据一定的相似性准则,将图像中满足相似性准则的像素或子区域合成更大的区域;分裂合并法是从整个图像出发,根据图像和各区域的不均匀性,把图像或区域分割成新的子区域,根据毗邻区域的均匀性,把毗邻的子区域合并成新的较大的区域。
这两种方法通常相结合,以便把相似的子区域合并成尽可能大的区域。
区域生长的固有缺点是分割效果依赖于种子的选择及生长顺序,区域分裂技术的缺点是可能破坏边界,所以它们常常与其他方法相结合,以期取得更好的分割效果。
分水岭分割方法:
分水岭算法实际上是基于数学形态学的分割算子,Vincent和Soille提出的浸没模拟分水岭算法包含两步,先将图像中的像素按灰度值大小的升序排列;然后对像素排序进行扫描,构造“集水盆地”,在不同标记的“集水盆地”的边缘处构造“防水堤坝”,完成对图像区域的初始划分。
分水岭分割方法能够准确定位边缘,具有运算简单、易于并行化处理等优点,但同时也存在一些缺点:
对图像中的噪声极为敏感;易于产生过分割;对低对比度图像易丢失重要轮廓[3]。
区域增长方法
区域增长的基本思想是将具有相似性质的像素结合起来构成区域。
具体先对每个需要分割的区域找一个种子像素作为生长的起点,然后将种子像素周围邻域中与种子像素有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中。
将这些新像素当作新的种子像素继续进行上面的过程,直到再没有满足条件的像素可被包括进来,这样一个区域就长成了。
在实际应用区域生长法时需要解决三个问题:
一是选择或确定一组能正确代表所需区域的种子像素;二是确定在生长过程中能将相邻像素包括进来的准则;三是制定让生长过程停止的条件或规则。
种子像素的选取常可借助具体问题的特点进行。
利用迭代的方法从大到小逐步收缩是一种典型方法,它不仅对2-D图像而且对3-D图像也适用。
要是对具体问题没有先验知识,常可借助生长所用准则对每个像素进行相应计算。
如果计算结果呈现聚类的情况则接近聚类中心的像素可取为种子像素。
生长准则的选取不仅依赖于具体问题本身,也和所用图像数据的种类有关。
例如,当图像是彩色的时候,仅用单色的准则效果就会受到影响。
另外还需考虑像素间的连通性和邻近性,否则有时会出现无意义的分割结果。
现有的几种典型的生长准则有:
基于区域灰度差;基于区域内灰度分布统计性质;基于区域形状[10]。
和阈值法一样,区域生长法一般不单独使用,而是放在一系列处理过程中。
它主要的缺陷是,每一个需要提取的区域都必须人工给出一个种子点,这样有多个区域就必须给出相应的种子个数。
此法对噪声也很敏感,会造成孔状甚至是根本不连续的区域,相反的,局部且大量的影响还会使本来分开的区域连接起来[4].
基于模型的图像分割
基于模型的图像分割都是基于一定的模型,将图像分割问题转换成目标函数的求解问题,其中目标函数的设计和求解是问题的难点。
基于模型的图像分割方法中应用广泛的主要是马尔可夫随机场模型和活动轮廓模型。
基于马尔可夫随机场模型的图像分割:
马尔可夫随机场方法建立在马尔可夫模型和Bayes理论的基础上,根据统计决策和估计理论中的最优准则确定分割问题的目标函数,求解满足这些条件或消费函数的最大可能分布,从而将分割问题转化为最优化问题。
基于活动轮廓模型的图像分割:
活动轮廓模型主要分为两类,一类是Kass等人提出的以能量函数极小化为基础的参数活动轮廓模,又称为Snake模型;另一类是Osher等人提出的基于水平集(LevelSet)方法和曲线演化的几何活动轮廓模型。
一般而言,参数活动轮廓模型中的平滑基函数比不连续的点需要的参数要少,可以产生更优的算法;同时很容易对Snake框架引入一个先验的形状约束,也很容易用户交互。
但是这类模型通常只具备单目标轮廓分割能力,缺少应付拓扑变化的灵活性。
几何活动轮廓模型由于采用了水平集方法而隐含有拓扑变化的能力,因而使得更为复杂结构的图像分割成为可能,但是计算比较复杂,很难给框架引入一个先验的形状约束,可见两类模型各有千秋。
基于人工智能的图像分割
在图像分割领域应用广泛的人工智能技术主要包括模糊聚类和神经网络,主要是利用人工智能方法得到图像分割的某一参数,然后基于这一参数采用图像分割方法来分割图像。
特征空间聚类
很多图像因为光照不均,会使目标具有缓变的边界,甚至出现亮度或色彩不一致的情况,而模糊方法则能够克服这些不确定性,并能得到可接受的分割结果。
模糊聚类就是其中的重要方法之一,其主要有模糊C均值聚类和K均值聚类。
模糊C均值算法的基本思想就是要使价值函数目标函数最小,由Bezdek于1981年提出,利用初始化方法确定若干初始聚类中心,通过多次迭代循环,不断调整和优化聚类中心,最终使类内方差达到最小,从而实现聚类。
由于聚类也没有考虑空间信息,因而对噪声敏感。
基于神经网络的图像分割
人工神经网络(ArtificialNeuralNetworks,ANN)因其具有并行处理能力和非线性的特点而特别适合于解决分类问题。
神经网络方法的出发点是将图像分割问题转化为诸如能量最小化、分类等问题,即先利用训练样本集对ANN进行训练,再用训练好的ANN去分割新的图像。
ANN的不足是需要大量的训练样本集,计算速度往往难以达到要求[3]
参考文献:
1.李旭,唐晓东,董金祥.图像分割技术的比较研究.中国人民公安大学学报(自然科学版)[J]2009年第2期:
37~40
2.宋锦萍,职占江.图像分割方法研究.《现代电子技术》[J]2006年第6期总第221期:
59~64
3.黄长专,王 彪,杨 忠.图像分割方法研究.计算机技术与发展[J]第19卷第6期2009年6月:
76~79
4.赵春燕,闰长青,时秀芳.图像分割综述.中国科技信息[J]2009年第一期:
42~43
5.刘爽.图象分割中阈值选取方法的研究及其算法实现[J].电脑知识与技术:
68~70
6.周强.图像分割算法研究.福建电脑[J]2009年第6期:
27、35
7.周鲜成.图像分割方法及其应用研究综述.信息技术[J]2007年第12期:
11~14
8.吕玉琴,曾光宇.基于图像边缘检测算法的研究.太原科技[J]2009年第2期:
31~33
9.李葆青,文山.边缘检测准则与几种典型算法.六盘水师范高等专科学校学报[J]第18卷第3期2006年6月:
6~9
10.图像分割研究综述.焦玉斌,徐艳蕾,陈喜龙.科技创新导报[J]2009NO.13:
11
开题报告(正文):
(一)选题背景和意义:
图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。
它是图像处理、模式识别和人工智能等多个领域中的重要课题,也是计算机视觉技术中首要的、重要的关键步骤。
图像分割的应用非常广泛,几乎出现在有关图像处理的所有领域。
因此,从20世纪60年代以来,图像分割一直都是图像技术中的研究热点,经过近四十多年的研究,国内外学者已经提出了各种算法上千种,但目前还没有一种适合于所有图像的通用分割算法,绝大多数算法都是针对具体问题而提出的。
另一方面,给定一个实际应用要选择合用的分割算法仍是一个很麻烦的问题,由于缺少通用的理论指导,常常需要反复的进行实验。
在已提出的这些算法中,较为经典的算法有阈值分割法、区域增长技术、边缘检测方法等。
图像分割的目的
图像分割是图像分析的第一步,是计算机视觉的基础,是图像理解的重要组成部分,也是图像处理、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。
所谓图像分割就是要将图像表示为物理上有意义的连通区域的集合,也就是根据目标与背景的先验知识,对图像中的目标、背景进行标记、定位,然后将目标从背景或其他伪目标中分离出来。
由于这些被分割的区域在某些特性上相近,因而图像分割常用于模式识别与图像理解以及图像压缩与编码两大类不同的应用目的门。
由分割产生的区域是图像内容的一种表示,它是对图像进行视觉分析和模式识别的基本前提,分割结果的质量直接影响到以后的图像分析、识别和解释的质量,具有重要的意义。
图像分割的目的在于根据某些特征(如灰度级、频谱、纹理等)将一幅图像分成若干有意义的区域,使得这些特征在某一区域内表现一致或相似,而在不同区域间表现出明显的不同。
图像分割的意义
图像分割的应用非常广泛,几乎出现在有关图像处理的所有领域,如:
工业自动化、在线产