开题报告样例

HEFEI UNIVERSITY

毕 业 设 计（论文）

开题报告

题 目 系 别 专 业 班 级 姓 名 指导老师 完成时间

合肥学院电子信息与电气工程系 毕业设计（论文）开题报告

学生： 班级： 论文题目 可行性方案分析见附页 可 行 性 方 案 分 析 [1]付峰，应义斌。生物图像阙值分割方法的研究[J]。浙江大学校报，2003; [2]义斌、章文英，蒋亦元等。及其视觉技术在农产品收获和加工自动化中的应用[J]。农业机械学报，2000,31：112-115； [3]张瑞英，沈明霞等。计算机视觉技术在番茄收获中的应用[J]。农业机械学报，2001,32:50-58; [4]高锐，农业采摘机器人的初步应用研究[D]。北京农业大学校报，2004； [5]Otsu.A threshold selection method technique[J].Computer Vision Graphics Image Process,1998(41):233-260; [6]Linda G.Shaoiro,George C.Stockman.计算机视觉[M]。北京：机械工业出版社，2005； 导师姓名 参 考 文 献 开 题 小 组 及 教 研 室 意 见 开题小组签名： 年 月 日

一． 研究背景：

图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。有些算法需要先对图像进行粗分割，因为他们需要从图像中提取出来的信息。例如，可以对图像的灰度级设置门限的方法分割。值得提出的是，没有唯一的标准的分割方法。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割，同时，某些分割方法也只是适合于某些特殊类型的图像分割。分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。

所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。简单地讲，就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理。图像处理技术在航空航天、生物医学工程、工程检测、机器人视觉、公安司法、军事制导、文化艺术、地理测绘等领域受到广泛重视，并取得了重大的开拓性成就，使图像处理成为一门引人注目、前景远大的新型学科。

二． 图像分割的主要方法归纳及性能

图像分割的研究多年来一直受到人们的高度重视，分割算法也层出不穷，对于像分割算法的分类依据也不统一。图像分割方法的选择，在很大程度上依赖于特定的图像、成像方式以及成像中的可变因素和不变因素(如噪声和纹理等)，这些都会在很大程度上影响后续的处理工作。现今国内外广泛使用的图像分割方法主要可分为基于阈值分割、基于变形模型分割、基于区域生长分割、基于聚类法分割等。

1. 基于阈值的图像分割

基于阈值的图像分割是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。阈值分割法的基本思想为，通过设定不同的特征阈值，把图像像素点分为具有不同灰度级的目标区域和背景区域的若干类，然后把每个像素点的像素值和阈值相比较，根据比较的结果对图像进行分割。它特别适用于目标和背景占据不同灰度级范围的图像。

阈值方法分为全局阈值和局部阈值，如果分割过程中对图像上每个像素所使用的阈值都相等，则为全局阈值方法；如果每个像素所使用的阈值可能不同，则为局部阈值方法。 确定最佳全局阈值的常用方法一般有：实验法，直方图法，最小误差法（这种方法是假设背景和前景的灰度分布都是正态分布的）。当光照不均匀、有突发噪声，或者背景灰度变化比较大时，整幅图像分割将没有合适的单一门限，因为单一的阈值不能兼顾图像各个像素的实际情况。这时，可对图像按照坐标分块，对每一块分别选则一阈值进行分割。这种与坐标相关的阈值也称为自适应阈值方法。自适应阈值的选取比较简单的方法是对每个像素确定以它为中心的一个邻域窗口，计算窗口内像素的最大和最小值，然后取它们的均值作为阈值。对图像分块后的每一个子块可以采用直方图分析，如果某个子块内有目标和背景，则直方图呈双峰。如果块内只有目标或背景，则直方图没有双峰，可根据邻域各块分割得到的参数插值进行分割。实际的自适应阈值分割完全可以根据图像的实际性质，对每个像素设定阈值，但这个过程要考虑到实际的要求和计算的复杂度问题。

基于阈值分割法虽然简单，但在阈值的选取很大程度上影响图像分割的效果，它只考虑像素本身的灰度值，而不考虑图像的空间分布，这样其分割结果就对噪声很敏感，对从事图像分割的人员的先验知识依赖过强。虽然目前出现了各种基于阈值分割的改进算法，图像分割的效果有所改进，但在阈值的设置上还是没有完美的解决方法。

2. 基于变形模型分割

变形模型可分为两类，即参数变形模型与几何变形模型。参数变形模型在变形过程中以显式参数的形式表达曲线或曲面，允许与模型直接交互，且表达紧凑，利于模型快速实时地实现。但是，该方法难以处理在变形过程中发生拓扑结构的变化，如曲线的分裂或融合等问题。相反，几何模型能自然地处理拓扑结构的变化，该方法基于曲线演化理论和水平集。这些变形模型的能量方程一般有两种类型的能量项：外力能量和内力能量，其变形过程就是这两种力量彼此消长的过程，最后达到平衡或达到其它的约束条件。这种能量公式在建立前要找好对象的边界，首先在图像区域初始化参数曲线，然后在两力的作用下将其移动到势能最小点。由于模型建立依赖边缘终止函数和图像的梯度，因为要终止曲线进化，所以此变形模型仅能检测图像边缘用梯度定义的图像目标。在实际应用中，图像的不连续的梯度是有界的，同时边缘终止函数在

图像的边缘永远不趋于零，这时活动轮廓将穿过图像边缘。

变形模型对噪声和对比度不是很敏感，能将目标从复杂背景中分割出来。但是，该模型存在天然缺点：其一是变形模型对初始轮廓的选取很敏感，初始轮廓的选取能影响分割的效果；其二是能量函数的设定，它决定变形曲线的走势，即影响分割效果；其三是分割终止条件的设定。近几年来广大研究者在这个领域做了大量的科研工作，也取得一些相关成就

3．基于区域增长法的图像分割

区域增长是一种已受到广泛关注的图像分割方法。这种方法把一幅图像分成许多小区域开始。这些初始的区域可能是小的领域甚至是单个像素。在每个区域中，对不经过适当定义的能反映一个物体内成员隶属程度的性质进行计算，用于区分不同物体内像素的性质。对相邻区域的所有边界进行计算，决定所属区域并合并到其所属区域，这样一个迭代过程将具有相似性的像素集合起来构成一个区域。即这种相似性质的像索区域不断地增大。它是一种典型的串行区域分割方法，其特点是将处理过程分解为多个顺序步骤，其中后续步骤的处理要根据对前面步骤的结果进行判断后确定。

采用区域生长法的关键在于种子点的位置选择、生长准则和生长顺序。此方法最简单的形式是先人工给出一个种子点，然后提取出和此种子点具有相同灰度值的所有像素。把待分割区域像素值看作一个正态分布，先用原始区域生长算法估算出分布参数．再将该参数应用到第二遍生长过程中，从而获得更好的结果。为了克服大多数区域生长算法对于初始种子点的选取顺序和位置敏感的问题，国内学者开发出了不需种子点的自动分割算法，将图像的纹理信息和灰度信息融合在区域生长的标准中; 将模糊理论和优化算法应用到区域生长算法中等各种算法优化办法。

基于区域增长法进行图像分割存在的不足之处在于： (1)如何定义区域一致性准则；

(2)其分割结果和种子点的选择有很大关系；

(3)对噪声很敏感，可能形成孔状甚至足根本不连续的区域；

(4)对面积不大的区域分割效果较好，如果对面积较大的区域进行分割则计算速度就会减慢；

(5)对于图像中不相邻而灰度值相同或相近的区域，不能一次分割出来；

4. 基于聚类法的图像分割

基于聚类法的图像分割时图像分割中较为实用的方法，首先将像素灰度等性质映射到根据一定的规则为几个区域的特征空间，然后根据像素的性质判定其所属的区域，并对此加以标记进行分割。

聚类总体上可包括硬聚类、概率聚类、模糊聚类等方法。目前最常用的聚类方法是模糊C-2均值算法，它是一种基于模糊理论的图像分割方法，该法实际上是两次寻优的迭代过程，首先由C-2均值聚类得到聚类中心的次最优解，在此基础上再由FCM进行模糊聚类，最终得到图像的最优模糊分割。隶属函数的设计是整个模糊算法的关键所在。此算法具有较好的收敛性，结果受初值的设置影响不大。由于医学图像本质上存在模糊性(如CT图像同一组织灰度值的含糊性，容积效应引起的边缘、形状的模糊件及运动伪影造成图像的不确定性等)，因而聚类法更适合采用对图像不确定性有较好描述能力的模糊理论。国内外很多研究者将模糊理论用于图像增强、图像分割及边缘检测中，取得了优于传统图像处理方法的结果。

聚类分析必须解决的两个关键问题就是：(1)如何评定样本之间的类似程度；(2)如何根据样本之间的类似程度将给定的样本划分为不同的群。聚类分割中对图像特征的提取、相似度的计算和正确的聚类方法是基于聚类图像分割的研究关键。

三． 设计方案 1.图像分割方法的选择

根据课题进行分析，以番茄为例，选取分割方法进行自然条件下果实的分割。自然条件下的番茄，其成熟过程大体可分为六个阶段：未熟期、绿熟期、转色期（果实的颜色主要以绿色为主，略微泛红。半熟期（果实顶部的橙红色扩展到果腹部，着色程度约为百分之50左右）、成熟期（果实特有的红色扩大到果实全部，但是果基部有绿色）和完熟期（完全为浓厚的红色）。由此可见，分割目标（番茄果实）和背景之间存在明显的色彩差异（主要为红绿色差）。因此，选择基于阈值的图像分割方法，根据番茄图像的（R-G）色差灰度特征，进行果实的分割。

2.主要步骤和方法

使用基于阈值的图像分割方法实现图像自动分割的主要过程为：（1）对图像进行

预处理；（2）确定阈值；（3）将阈值和像素值比较；（4）把像素归类，完成分割。

其中，阙值选择对于最后的分割结果有很大的影响。自动选择阙值的方法目前有很多种，其中Ostu最大类间方差法是一种性能良好的自动阙值分割方法，是通过计算图像中的目标类和背景类的的类内方差最小，类间方法最大来进行自动阙值求取的。番茄图像的（R-G）色差图像的灰度分布基本呈双峰分布，这种灰度分布特点非常适合Otsu法进行分割处理的要求。

因此，使用基于（R-G）色差特征的自适应阙值分割，利用RGB彩色图像的（R-G）色差灰度特征结合Otsu最大类间方差法，实现果实图像自动分割的主要方法。

四．关键问题

1.利用Otsu法选择适当的阙值； 2.图像分割MATLAB程序的实现；

五．时间安排

第1周～第4周，学习图像分割相关知识，了解相关研究背景和主要方法。 第5周～第8周，完成开题报告。

第9周～第12周，使用MATLAB完成程序的编写，并根据程序运行情况进行修改调试。

第13周～第14周，总结研究成果，撰写论文并装订，准备答辩。

本文来源：https://www.bwwdw.com/article/d7o6.html