2。1。2 最小误差法 5

2。1。3 最大类间方差阈值 6

2。1。4 最大熵阈值分割 7

2。2 基于边缘的分割方法 8

2。3 基于区域的分割方法 9

2。4 K-means聚类法 11

2。5 分水岭算法 12

第三章  各类算法优缺点的比较与分析 15

3。1 阈值分割法的优缺点 15

3。1。1 直方图阈值分割法的优缺点 15

3。1。2 最小误差法的优缺点 15

3。1。3 最大类间方差法的优缺点 15

3。1。4 最大熵法的优缺点 15

3。2 几种边缘检测算子的优缺点 15

3。2。1 Canny算子的优缺点 15

3。2。2 Kirsch算子的优缺点 16

3。2。3 Prewitt算子的优缺点 16

3。2。4 Roberts算子的优缺点 16

3。2。5 Sobel算子的优缺点 16

3。3 区域生长法的优缺点。。。。17

3。4 K-means聚类分割的优缺点 17

3。5 分水岭算法的优缺点 17

第四章  图像分割算法仿真结果 19

4。1 阈值分割算法 19

4。1。1 直方图阈值法分割结果 19

4。1。2 最小误差法分割结果 20

4。1。3 最大类间方差法分割结果 22

4。1。4 最大熵算法分割结果 23

4。2 边缘检测算法 25

4。2。1 Canny算子分割结果 25

4。2。2 Kirsch算子分割结果 27

4。2。3 Prewitt算子分割算法 28

4。2。4 Robert算子分割结果 30

4。2。5 Sobel算子分割结果 31

4。3 区域增长分割算法 32

4。4 K-means聚类分割算法结果 34

4。5 分水岭分割算法 35

总结 37

致谢 39

参考文献 40

第一章  绪论

数字图像分割是一门非常重要的技术，它对于图像的预处理有着十分关键的作用，分割的效果好坏将直接影响最终的结果，因此有着十分重要的意义。它是图像处理、模式识别等多个领域中的重要研究课题，也是计算机视觉中的重要步骤[1]。图像分割技术有很强的应用性，生活中很多领域都会运用到这种技术。自20世纪60年代开始，图像分割就成为了数字图像中的研究重点，经过多年的讨论与研究，各国学者提出了很多方法，但还没有一种分割算法能够适用于所有图像，大多数情况下是针对图像的特性选择合适的方法。另外，不同的情况运用的分割方法也不同，因为缺少通用的理论指导，所以对于分割方法的选择比较复杂。在现有的算法中，常用的有阈值法、区域增长法、边缘检测法等。在本论文中，将对这几种算法进行深入详细的研究，通过使用这些方法对图像进行仿真，分析仿真结果，比较各方法的优缺点。