彩色圖像快速分割方法研究【畢業(yè)論文】

1、<p><b>　　本科畢業(yè)設(shè)計(jì)</b></p><p><b>　　（20 屆）</b></p><p>　　彩色圖像快速分割方法研究</p><p>　　所在學(xué)院 </p><p>　　專業(yè)班級(jí) 電子信息工程

2、 </p><p>　　學(xué)生姓名 學(xué)號(hào) </p><p>　　指導(dǎo)教師 職稱 </p><p>　　完成日期 年 月 </p><p><b>　　摘 要</b></p

3、><p>　　圖像分割是一種重要的圖像技術(shù)，不論是在理論研究還是實(shí)際應(yīng)用中都得到了人們的廣泛重視。圖像分割是我們進(jìn)行圖像理解的基礎(chǔ)，是圖像處理中的難點(diǎn)之一，也是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要研究?jī)?nèi)容。</p><p>　　目前，圖像分割的主要方法有：基于區(qū)域生長(zhǎng)的圖像分割方法、基于邊緣檢測(cè)的圖像分割算法、基于統(tǒng)計(jì)學(xué)理論的圖像分割方法、基于模糊集合理論的圖像分割方法以及基于小波變換法等多種方法。其中，

4、基于JSEG的彩色圖像分割算法受到了廣泛的關(guān)注，該算法是一種基于區(qū)域生長(zhǎng)的圖像分割算法。它同時(shí)考慮了圖像的顏色信息和紋理信息，分割結(jié)果較為準(zhǔn)確。但是，JSEG算法要在多個(gè)尺度下反復(fù)進(jìn)行局部J值計(jì)算和區(qū)域生長(zhǎng)，同時(shí)還要進(jìn)行基于顏色直方圖的區(qū)域合并，這樣，該算法就顯得更為繁瑣、復(fù)雜。</p><p>　　本文主要研究一種基于JSEG的改進(jìn)彩色圖像分割算法。這種算法在計(jì)算得到J圖后，引入了分水嶺算法直接對(duì)J圖進(jìn)行空域分

5、割，然后通過(guò)形態(tài)后處理完成分割過(guò)程。通過(guò)實(shí)驗(yàn)證明，基于JSEG的改進(jìn)彩色圖像分割算法與原JSEG算法相比，能夠得到良好的分割效果，并且有效的降低了JSEG算法的復(fù)雜度,提高了彩色圖像的分割效率。</p><p>　　關(guān)鍵詞：圖像分割；JSEG算法；局部J值；區(qū)域生長(zhǎng)；區(qū)域合并；分水嶺算法 </p><p><b>　　Abstract</b></p>&

6、lt;p>　　Image segmentation is an important image technology, whether in theory or in practical application have been people’s extensive attention. Image segmentation is the foundation of our understanding of image, als

7、o is one of the difficulties in image processing, and is an important part of computer vision. </p><p>　　At present, the main methods of image segmentation have: a method based on regional growth, a method b

8、ased on edge detection, a method based on statistics theory, a method based on wavelet transform, a method based on fuzzy set theory and so on. Among these, JSEG algorithm is a method of image segmentation based on regio

9、nal growth. It considers the color of the image and the texture information, with more accurate segmentation result. So it has received widespread concern. But JSEG algorithm has</p><p>　　In this paper, we m

10、ainly study a color image segmentation algorithm based on improved JSEG. The new algorithm segments the airspace after calculating image J by means of introducing the watershed algorithm, and then finishes the segmentati

11、on by form processing. The experiment shows that, compared with the original JSEG algorithm, the color image segmentation algorithm based on improved JSEG has better segmentation results, reduces the JSEG algorithm’s com

12、plexity effectively, and improves the eff</p><p>　　Key Words: image segmentation; JSEG algorithm; local J value; regional growth; regional merger; watershed algorithm</p><p><b>　　目 錄</

13、b></p><p><b>　　1 引言1</b></p><p>　　2 圖像分割方法2</p><p>　　2.1 圖像分割的基本內(nèi)容2</p><p>　　2.2 彩色圖像分割方法2</p><p>　　2.2.1 基于3D直方圖的彩色圖像分割方法2</p>

14、<p>　　2.2.2 K值聚類(lèi)彩色圖像分割方法3</p><p>　　2.2.3 快速FCM彩色圖像分割方法3</p><p>　　3 基于JSEG的彩色圖像分割算法5</p><p>　　3.1 基于JSEG的彩色圖像分割算法的流程5</p><p>　　3.2 基于JSEG的彩色圖像分割算法的缺點(diǎn)7</p&

15、gt;<p>　　4 基于JSEG的改進(jìn)彩色圖像分割算法8</p><p>　　4.1 分水嶺算法8</p><p>　　4.2 基于JSEG的改進(jìn)彩色圖像分割算法的流程9</p><p>　　4.3 基于JSEG的改進(jìn)彩色圖像分割算法的缺點(diǎn)11</p><p>　　5 實(shí)驗(yàn)結(jié)果與分析12</p><

16、;p><b>　　6 結(jié)論14</b></p><p>　　致 謝錯(cuò)誤!未定義書(shū)簽。</p><p><b>　　參考文獻(xiàn)15</b></p><p>　　附錄1：主要程序17</p><p>　　附錄2：科研論文32</p><p><b>　　

17、1 引言</b></p><p>　　圖像分割是一種重要的圖像技術(shù)，不論是在理論研究還是實(shí)際應(yīng)用中都得到了人們的廣泛重視。圖像分割是我們進(jìn)行圖像理解的基礎(chǔ)，是圖像處理中的難點(diǎn)之一，也是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)重要研究?jī)?nèi)容。把圖像劃分為若干個(gè)有意義的區(qū)域的技術(shù)就是圖像分割技術(shù)，被劃分開(kāi)的這些區(qū)域相互不相交，而且每個(gè)區(qū)域也必須滿足特定區(qū)域的一致性條件[1]。</p><p>　　彩色圖

18、像反映了物體的顏色信息，比灰度圖像提供的信息更多，因此，彩色圖像的分割得到了越來(lái)越多人的關(guān)注，彩色圖像分割方法的研究具有很大的價(jià)值。彩色圖像分割一直是彩色圖像處理中一個(gè)很重要的問(wèn)題，它可以看作是灰度圖像分割技術(shù)在各種顏色空間上的應(yīng)用。</p><p>　　目前，圖像分割的主要方法有：基于區(qū)域生長(zhǎng)的圖像分割方法、基于邊緣檢測(cè)的圖像分割算法、基于統(tǒng)計(jì)學(xué)理論的圖像分割方法、基于模糊集合理論的圖像分割方法以及基于小波變換

19、法等多種方法。彩色圖像比灰度圖像的顏色信息多，在分割方法上面也會(huì)有所區(qū)別。目前，我們已經(jīng)知道的彩色圖像的分割方法也有多種分類(lèi)，分類(lèi)如下：基于直方圖的分割方法（閾值分割、聚類(lèi)等）、基于鄰域的分割方法（邊緣檢測(cè)、區(qū)域增長(zhǎng)等）、基于物理性質(zhì)的分割方法（利用光照特性和物體表面特征等）[2]。其中，基于JSEG的彩色圖像分割算法受到了廣泛的關(guān)注，該算法是一種基于區(qū)域生長(zhǎng)的圖像分割算法。它同時(shí)考慮了圖像的顏色信息和紋理信息，分割結(jié)果較為準(zhǔn)確。但是這

20、種算法要在多個(gè)尺度下反復(fù)計(jì)算局部J值，并且進(jìn)行區(qū)域生長(zhǎng)，同時(shí)還要進(jìn)行基于顏色直方圖的區(qū)域合并，這樣，該算法就顯得更為繁瑣、復(fù)雜。本文是對(duì)基于JSEG的改進(jìn)彩色圖像分割算法的研究，該算法在原JSEG算法的基礎(chǔ)上，通過(guò)引入了分水嶺算法直接對(duì)J圖進(jìn)行空域分割，然后通過(guò)形態(tài)后處理完成整個(gè)分割過(guò)程。該算法降低了原算法的計(jì)算量，降低了圖像分割的計(jì)算時(shí)間，從而有效的降低了原JSEG算法的復(fù)雜度，提高了圖像分割的</p><p>

21、;<b>　　2 圖像分割方法</b></p><p>　　2.1 圖像分割的基本內(nèi)容</p><p>　　圖像分割在理論研究與實(shí)際應(yīng)用中都得到了人們的廣泛重視，它是一種重要的圖像處理技術(shù)。圖像分割是指將圖像中具有特殊意義的不同區(qū)域分開(kāi)來(lái)，并使這些區(qū)域相互不相交，并且每個(gè)區(qū)域都要滿足特定區(qū)域的一致性條件[1]。圖像分割是我們進(jìn)行圖像理解的基礎(chǔ)，也是我們進(jìn)行圖像分析的關(guān)

22、鍵步驟，同時(shí)也是我們進(jìn)行圖像處理的重要手段。</p><p>　　2.2 彩色圖像分割方法</p><p>　　目前，國(guó)內(nèi)外有很多學(xué)者都在研究彩色圖像的分割方法，我們已經(jīng)知道的彩色圖像的分割方法也有多種分類(lèi)，大致可以分為3類(lèi)：基于直方圖的分割方法（閾值分割、聚類(lèi)等）、基于鄰域的分割方法（邊緣檢測(cè)、區(qū)域增長(zhǎng)等）、基于物理性質(zhì)的分割方法（利用光照特性和物體表面特征等）[2]。每種不同的類(lèi)型中也

23、有多種具體的彩色圖像的分割方法。</p><p>　　2.2.1 基于3D直方圖的彩色圖像分割方法</p><p>　　在圖形中，我們可以從一堆雜亂的離散數(shù)據(jù)中觀察到數(shù)據(jù)間的內(nèi)在關(guān)系，了解圖形傳遞的內(nèi)在本質(zhì)。雖然我們的視覺(jué)角度可以很容易的觀察到3D直方圖中像素的聚類(lèi)情況，但是這一人類(lèi)視覺(jué)處理的理論基礎(chǔ)還不明了，人類(lèi)的視覺(jué)感知的模式還是很難應(yīng)用于機(jī)器視覺(jué)。近年來(lái)，隨著神經(jīng)生理學(xué)的發(fā)展和計(jì)算

24、機(jī)輔助解剖學(xué)的研究，提出了幾個(gè)相當(dāng)精確地初級(jí)視覺(jué)系統(tǒng)的計(jì)算模型[2]。</p><p>　　真彩色圖像的3D直方圖是一種可視化數(shù)據(jù)圖，我們可以從中觀察到像素在3D顏色空間的聚類(lèi)特性?；?D直方圖生長(zhǎng)法和尺度空間聚類(lèi)法是以閾值分割技術(shù)為基礎(chǔ)的，利用真彩色圖像像素在3D空間呈現(xiàn)的聚類(lèi)特性，通過(guò)多維閾值分割（MDT）法與3D直方圖生長(zhǎng)法以及尺度空間聚類(lèi)法的相結(jié)合，這樣能夠克服過(guò)度分割的現(xiàn)象，取得較為理想的分割效果。&

25、lt;/p><p>　　2.2.2 值聚類(lèi)彩色圖像分割方法</p><p>　　1967年，MacQuen首次提出均值聚類(lèi)算法。該算法是解決聚類(lèi)問(wèn)題的一種經(jīng)典算法。均值算法的基本思想：對(duì)于給定的聚類(lèi)數(shù)目，首先隨機(jī)選擇個(gè)對(duì)象，每個(gè)對(duì)象初始的代表一個(gè)聚類(lèi)的平均值或中心。根據(jù)剩余的每個(gè)對(duì)象與各個(gè)聚類(lèi)中心的距離，把剩余的每個(gè)對(duì)象都賦給最近的聚類(lèi)。然后重新計(jì)算每個(gè)聚類(lèi)的平均值，比較數(shù)據(jù)庫(kù)中的每個(gè)對(duì)象與

26、每個(gè)聚類(lèi)的平均值，把對(duì)象賦給最相似的聚類(lèi)。重復(fù)執(zhí)行這個(gè)過(guò)程，直到準(zhǔn)則函數(shù)收斂，平方誤差函數(shù)值達(dá)到最小[3,4]。</p><p>　　初始聚類(lèi)中心的選取是均值聚類(lèi)算法中最重要的一步，一般是隨機(jī)選取個(gè)待聚類(lèi)樣本集的樣本。初始聚類(lèi)中心的選取與聚類(lèi)的性能有關(guān)，樣本的位置對(duì)聚類(lèi)的結(jié)果有很大的影響。如果選取的個(gè)樣本不合理，就會(huì)增加運(yùn)算的復(fù)雜性，誤導(dǎo)聚類(lèi)過(guò)程，得到不合理的聚類(lèi)結(jié)果[3]。</p><p&g

27、t;　　以往的一些均值聚類(lèi)和模糊均值聚類(lèi)圖像分割算法直接針對(duì)圖像的像素集合進(jìn)行聚類(lèi)，導(dǎo)致了巨大的計(jì)算量，消耗了大量的計(jì)算時(shí)間。為了解決這一問(wèn)題，我們把灰度圖像像素空間映射到其灰度直方圖特征空間中，從而把針對(duì)像素集合進(jìn)行的聚類(lèi)映射成針對(duì)灰度集合進(jìn)行的聚類(lèi)，這樣就大大提高了灰度圖像的分割速度[3]。在實(shí)際的應(yīng)用中，許多圖像處理的對(duì)象是彩色圖像，彩色像素為R、G、B三個(gè)分量，不能直接應(yīng)用均值或模糊均值聚類(lèi)圖像分割算法來(lái)處理彩色圖像。日本學(xué)者O

28、hta等人進(jìn)行了大量的彩色圖像區(qū)域分割的實(shí)驗(yàn)，得到了一個(gè)適合進(jìn)行彩色圖像分割的彩色特征集[3]：</p><p><b>　?。?-1）</b></p><p>　　他們通過(guò)這個(gè)實(shí)驗(yàn)證明，僅使用分量就可以進(jìn)行彩色圖像分割。改進(jìn)后的均值聚類(lèi)算法計(jì)算量小，運(yùn)算速度快，可以有效的提高圖像的分割質(zhì)量。</p><p>　　2.2.3 快速FCM彩色圖像

29、分割方法</p><p>　　模糊均值聚類(lèi)算法[5,6]（）廣泛應(yīng)用于彩色圖像分割，具有簡(jiǎn)單直觀、易于實(shí)現(xiàn)的特點(diǎn)，但是該算法需要先指定聚類(lèi)數(shù)目、計(jì)算量大、耗時(shí)長(zhǎng)且易陷入局部最優(yōu)等缺點(diǎn)。為此，在傳統(tǒng)的算法的基礎(chǔ)上，提出了一種自適應(yīng)快速彩色圖像分割算法[7]。這種算法將蟻群算法、分水嶺算法與傳統(tǒng)算法結(jié)合，同時(shí)還引入了特征距離。</p><p>　　自適應(yīng)快速算法內(nèi)容[7]主要包括：</p

30、><p>　?。?）以特征距離作為表征待聚類(lèi)樣本間差異的測(cè)度。</p><p>　?。?）將彩色空間轉(zhuǎn)換為空間,由于彩色空間R、G、B的高相關(guān)性，不適合彩色圖像的分割。</p><p>　?。?）利用蟻群算法得到初始聚類(lèi)中心和聚類(lèi)數(shù)目。根據(jù)聚類(lèi)中心的信息量把周?chē)鷶?shù)據(jù)歸在一起來(lái)得到聚類(lèi)結(jié)果的方法就是蟻群聚類(lèi)。</p><p>　?。?）對(duì)基于梯度的

31、分水嶺預(yù)分割結(jié)果進(jìn)行快速模糊聚類(lèi)。</p><p>　　該算法不需要事先確定聚類(lèi)數(shù)目，并且在優(yōu)化聚類(lèi)性能不變的前提下，大大提高了聚類(lèi)速度，實(shí)現(xiàn)了圖像的快速分割。</p><p>　　3 基于JSEG的彩色圖像分割算法</p><p>　　基于JSEG的彩色圖像分割算法是一種基于區(qū)域生長(zhǎng)的圖像分割方法。它同時(shí)考慮了圖像的顏色信息和紋理信息，分割結(jié)果較好，具有良好的魯棒

32、性，得到了廣泛的應(yīng)用。</p><p>　　3.1 基于JSEG的彩色圖像分割算法的流程</p><p>　　基于JSEG的彩色圖像分割算法同時(shí)考慮了圖像的顏色信息和空間信息，該方法主要是通過(guò)測(cè)試一個(gè)給定顏色紋理模板的同質(zhì)性來(lái)完成對(duì)圖像的分割[8]。</p><p>　　基于JSEG的彩色圖像分割算法過(guò)程主要包括顏色的量化以及空間的分割。</p>&l

33、t;p>　?。?）顏色量化。顏色量化的目的是為了減少原始彩色圖像的顏色數(shù)量，降低算法的復(fù)雜度。量化時(shí)通常是提取10～20種具有代表性的顏色，在分割時(shí)只對(duì)這些顏色進(jìn)行處理[9]，這樣就降低了計(jì)算量。量化的主要步驟包括：</p><p>　?、賹⒃瓐D像轉(zhuǎn)化成LUV顏色空間；</p><p>　?、谟梅蔷€性算法同組濾波器PGF進(jìn)行平滑去噪，去除顆粒噪聲，保留圖像邊緣信息；</p>

34、;<p>　?、弁ㄟ^(guò)GLA算法對(duì)像素進(jìn)行聚類(lèi)，得到類(lèi)圖［10］。</p><p>　　類(lèi)圖是一種特殊類(lèi)型的灰度圖像。在類(lèi)圖中，像素值不是顏色值，而是量化后的顏色類(lèi)別標(biāo)號(hào)。類(lèi)圖中用不同的符號(hào)來(lái)表示不同的顏色類(lèi)別。</p><p>　　（2）空間分割。量化后進(jìn)行空間分割，基于JSEG的彩色圖像分割算法的空間分割并不是直接對(duì)類(lèi)圖進(jìn)行的，而是對(duì)J圖進(jìn)行空間分割的。在J圖中，我們需要計(jì)

35、算像素位置的局部J值來(lái)表示該像素的像素值。像素的局部J值計(jì)算過(guò)程如下：</p><p><b>　　（3-1）</b></p><p><b>　　其中，</b></p><p><b>　?。?-2）</b></p><p><b>　?。?-3）</b>

36、;</p><p><b>　?。?-4）</b></p><p><b>　　（3-5）</b></p><p>　　其中，表示局部窗口，表示窗口內(nèi)的顏色數(shù)量， 表示窗口內(nèi)的像素集合，表示窗口內(nèi)的像素集合的大小， 表示第類(lèi)的像素集合，表示第類(lèi)像素集合的大小，和分別表示和內(nèi)像素位置均值。 </p><p

37、>　　基于JSEG的彩色圖像分割算法是基于J值進(jìn)行區(qū)域分割的，所以J值的分布會(huì)直接影響圖像分割結(jié)果。如果選擇的窗口較大，計(jì)算出的局部J值分布會(huì)比較均勻，分割的區(qū)域也比較完整，但是區(qū)域邊界可能會(huì)出現(xiàn)過(guò)分割現(xiàn)象，那么得到的邊界就不夠準(zhǔn)確。相反，就會(huì)得到精確的邊界，但是可能會(huì)出現(xiàn)區(qū)域過(guò)分割現(xiàn)象。所以，JSEG算法要在多個(gè)窗口尺度下反復(fù)計(jì)算局部J值，并進(jìn)行區(qū)域生長(zhǎng)，這樣才能得到較準(zhǔn)確的分割結(jié)果。</p><p>　

38、　計(jì)算得到J值后，要進(jìn)行種子選擇以及區(qū)域生長(zhǎng)。選擇計(jì)算J值的窗口后，根據(jù)閾值計(jì)算公式[8]</p><p><b>　　(3-6)</b></p><p>　　為非種子區(qū)域像素的J均值，為非種子區(qū)域像素的J方差，為描述圖像復(fù)雜度的參數(shù)，計(jì)算出后，把小于的像素歸為候選種子點(diǎn)。一般來(lái)說(shuō)，種子區(qū)域是候選種子點(diǎn)的區(qū)域大于相應(yīng)等級(jí)中最小區(qū)域的種子數(shù)的閾值區(qū)域，其余的為非種子區(qū)域

39、[8]。在種子區(qū)域中，計(jì)算得到未合并區(qū)域的平均J值，小于平均J值的像素就連接到生長(zhǎng)區(qū)域中。如果像素與增長(zhǎng)區(qū)域相鄰的只有1個(gè)種子區(qū)，就把該像素放入到該種子區(qū)域中。然后選擇更小等級(jí)的窗口來(lái)計(jì)算J值，重復(fù)以上步驟，直到最小等級(jí)的窗口。</p><p>　　空間分割完成之后，要進(jìn)行區(qū)域合并。先將顏色直方圖距離最小的2個(gè)相鄰區(qū)域合并，直到所有相鄰區(qū)域的距離都大于預(yù)設(shè)的區(qū)域合并的閾值，這樣就完成了圖像的整個(gè)分割過(guò)程。<

40、/p><p>　　3.2 基于JSEG的彩色圖像分割算法的缺點(diǎn)</p><p>　　基于JSEG的彩色圖像分割算法同時(shí)考慮了圖像的顏色信息和紋理信息，分割結(jié)果較好，具有良好的魯棒性。但是在分割的過(guò)程中，我們要選擇多個(gè)窗口尺度，并反復(fù)進(jìn)行局部J值的計(jì)算以及區(qū)域生長(zhǎng)，同時(shí)還要進(jìn)行基于顏色直方圖的區(qū)域合并，這樣就導(dǎo)致了計(jì)算的復(fù)雜度，整個(gè)分割過(guò)程也就顯得比較繁瑣，計(jì)算量大，算法的復(fù)雜度也高，消耗的時(shí)間

41、也比較長(zhǎng)。</p><p>　　4 基于JSEG的改進(jìn)彩色圖像分割算法</p><p>　　針對(duì)基于JSEG的彩色圖像分割算法的不足，本文主要研究一種基于JSEG的改進(jìn)彩色圖像分割算法。該算法取消了原算法的循環(huán)迭代過(guò)程，在計(jì)算得到J圖后，不需要進(jìn)行種子選擇以及區(qū)域增長(zhǎng)的過(guò)程，直接引入了分水嶺算法對(duì)J圖進(jìn)行空間分割，并且通過(guò)形態(tài)后處理來(lái)完成整個(gè)分割的過(guò)程。</p><p&

42、gt;<b>　　4.1 分水嶺算法</b></p><p>　　分水嶺算法是一種經(jīng)典的從數(shù)學(xué)形態(tài)學(xué)上發(fā)展而來(lái)的基于區(qū)域的圖像分割算法，它主要是借助于地形學(xué)的概念，將圖像中每一個(gè)像素值都看成海拔高度，分水嶺分割的過(guò)程就是自底向上逐漸淹沒(méi)該地形圖的過(guò)程[11-14]。該算法的主要過(guò)程如下：</p><p>　?。?）對(duì)原圖求梯度圖像。因?yàn)椴噬珗D像進(jìn)行分水嶺算法時(shí)，使用梯

43、度圖像比使用原圖的效果好。</p><p>　?。?）根據(jù)梯度圖像中的像素灰度最大值與最小值，確定一個(gè)灰度尺度。從最小灰度的像素開(kāi)始，把像素差值小于等于灰度尺度的所有像素歸為一個(gè)等級(jí)，這樣梯度圖像就被劃分為一定數(shù)量的等級(jí)。</p><p>　?。?）給各個(gè)等級(jí)中的所有像素分配標(biāo)號(hào)。先取出第一個(gè)等級(jí)中的所有像素，給每個(gè)像素按如下規(guī)則分配標(biāo)號(hào)：相鄰的像素點(diǎn)分配相同的標(biāo)號(hào)，孤立的像素點(diǎn)分配獨(dú)立的

44、標(biāo)號(hào)。然后把下一個(gè)等級(jí)中的所有像素點(diǎn)取出來(lái)，此時(shí)像素的鄰域內(nèi)除水線標(biāo)號(hào)外，如果存在已經(jīng)分配了標(biāo)號(hào)的像素，并且標(biāo)號(hào)相同，就賦予該像素相同的標(biāo)號(hào)；如果標(biāo)號(hào)不同，就賦予該像素一個(gè)特殊的標(biāo)號(hào)，稱為水線；如果不存在已經(jīng)分配了標(biāo)號(hào)的像素，就賦予該像素一個(gè)新的標(biāo)號(hào)，表示是一個(gè)新的區(qū)域。重復(fù)這些步驟，直到所有等級(jí)中的所有像素都被分配了標(biāo)號(hào)。</p><p>　　（4）把標(biāo)號(hào)相同的所有像素歸于同一個(gè)區(qū)域，檢查圖像分割后每個(gè)區(qū)域的大

45、小。如果其中某個(gè)區(qū)域的像素少于區(qū)域的臨界尺寸，就撤銷(xiāo)該區(qū)域內(nèi)所有像素的標(biāo)號(hào)，重新給每個(gè)像素分配標(biāo)號(hào)。這里區(qū)域的臨界尺寸是由圖像的尺寸大小確定的。</p><p>　?。?）重復(fù)步驟3、步驟4，直到圖像中的所有像素都分配了標(biāo)號(hào)，并且不存在小于臨界尺寸的區(qū)域。</p><p>　　分水嶺算法具有很好的魯棒性，在圖像分割中得到了廣泛的應(yīng)用，分割后的圖像能夠很好的反映圖像的輪廓和邊界。</p

46、><p>　　4.2 基于JSEG的改進(jìn)彩色圖像分割算法的流程</p><p>　　基于JSEG的改進(jìn)彩色圖像分割算法的主要步驟如圖4-1，包括：</p><p>　?。?）對(duì)原始圖像進(jìn)行顏色量化從而得到原始類(lèi)圖。量化的具體步驟在第3章中已經(jīng)做了介紹。</p><p>　?。?）空間分割不是直接對(duì)類(lèi)圖進(jìn)行的，要先基于類(lèi)圖計(jì)算得到J圖。如果只在一個(gè)

47、尺度下計(jì)算J值，尺度較小時(shí)容易出現(xiàn)過(guò)分割的現(xiàn)象，而在尺度較大時(shí)分割的邊界就不夠精確了。因此，基于JSEG的改進(jìn)彩色圖像分割算法要在1～2個(gè)尺度下進(jìn)行局部J值的計(jì)算，然后求其平均值來(lái)作為待分割的J圖，這樣分割結(jié)果會(huì)比較理想。</p><p>　　（2）接下來(lái)就可以對(duì)J圖進(jìn)行區(qū)域分割了。在這個(gè)過(guò)程中，取消了原JSEG算法的基于種子選擇和區(qū)域生長(zhǎng)的過(guò)程，而是采用了改進(jìn)的分水嶺算法。分水嶺算法的詳細(xì)步驟在4.1中介紹過(guò)。

48、在這里我們可以把J圖像看作是灰度圖像，那么J值就是灰度值。</p><p>　?。?）分水嶺分割后得到的圖像一般會(huì)存在過(guò)分割的現(xiàn)象，這就要我們進(jìn)行區(qū)域融合和合并。首先采用的是JSEG本身的合并方法來(lái)進(jìn)行初步合并，先將顏色直方圖距離最小的2個(gè)相鄰區(qū)域合并，直到所有相鄰區(qū)域的距離都大于預(yù)設(shè)的區(qū)域合并的閾值。如果還是存在個(gè)別的過(guò)分割現(xiàn)象，就要分析比較每個(gè)區(qū)域的大小，如果該區(qū)域滿足以下條件：</p><

49、;p><b>　　(4-1)</b></p><p>　　那么當(dāng)前的區(qū)域就可以融合到臨近區(qū)域。其中，表示的是選用的尺度序號(hào)，表示的是相應(yīng)尺度下的最小區(qū)域的大小，表示的是進(jìn)行初步融合后的區(qū)域數(shù)量。這樣就完成了區(qū)域融合和合并的過(guò)程。</p><p>　?。?）完成圖像的區(qū)域融合和合并過(guò)程后，還需要對(duì)合并后的圖像進(jìn)行形態(tài)學(xué)處理，主要就是噪聲的孤立和邊界的平滑。數(shù)學(xué)形態(tài)

50、學(xué)是一門(mén)建立在集合論基礎(chǔ)上的學(xué)科，它的基本思想是用一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對(duì)應(yīng)形狀，進(jìn)行圖像分析和識(shí)別。在數(shù)學(xué)形態(tài)學(xué)中，圖像目標(biāo)是用集合來(lái)描述的，它描述了圖像各部分之間的關(guān)系，說(shuō)明目標(biāo)的結(jié)構(gòu)特點(diǎn)。這里采用了形態(tài)開(kāi)、閉級(jí)聯(lián)組合形式來(lái)進(jìn)行處理，這樣可以同時(shí)起到消峰填谷的作用。為形態(tài)開(kāi)運(yùn)算運(yùn)算符，為形態(tài)閉運(yùn)算運(yùn)算符，那么形態(tài)開(kāi)運(yùn)算和閉運(yùn)算的定義如下：</p><p><b>　　（4-2）<

51、;/b></p><p><b>　　（4-3）</b></p><p><b>　?。?-4）</b></p><p><b>　　（4-5）</b></p><p>　　其中，合并與融合的圖像，為結(jié)構(gòu)元素，為圖像的定義域，為形態(tài)膨脹運(yùn)算，為形態(tài)腐蝕運(yùn)算。</p&

52、gt;<p>　　圖4-1 基于JSEG的改進(jìn)圖像分割算法流程圖</p><p>　　4.3 基于JSEG的改進(jìn)彩色圖像分割算法的缺點(diǎn)</p><p>　　基于JSEG的改進(jìn)彩色圖像的分割算法通過(guò)引入了分水嶺算法直接對(duì)J圖進(jìn)行空間分割，取消了原JSEG算法的局部J值計(jì)算、種子選擇和區(qū)域生長(zhǎng)等復(fù)雜的循環(huán)迭代過(guò)程，有效的降低了原JSEG算法的復(fù)雜度，降低了算法的計(jì)算量，從而降低了

53、算法的分割時(shí)間，。但該算法進(jìn)行分割后的區(qū)域邊界不夠精確，魯棒性不夠高。同時(shí)，由于彩色圖像本身的復(fù)雜性，使我們要獲得各種不同類(lèi)型圖像的良好的分割結(jié)果還非常困難。</p><p><b>　　5 實(shí)驗(yàn)結(jié)果與分析</b></p><p>　　為了驗(yàn)證基于JSEG的改進(jìn)彩色圖像分割算法的有效性，本實(shí)驗(yàn)采用了VC6.0軟件平臺(tái)，對(duì)部分彩色圖像進(jìn)行了實(shí)驗(yàn)仿真，所有測(cè)試圖片均來(lái)源于

54、網(wǎng)絡(luò)。圖5-1,5-2，5-3，5-4給出了部分的實(shí)驗(yàn)結(jié)果。從以下得到的部分彩色圖像分割結(jié)果中，我們可以看出，與原JSEG算法相比較，基于JSEG的改進(jìn)彩色圖像分割算法得到的分割邊界不夠準(zhǔn)確，在邊緣提取方面還有待于改進(jìn)，另外圖像的分割效果也不是很理想。</p><p>　?。╝）原圖像 （b）JSEG算法結(jié)果 （c）改進(jìn)算法結(jié)果</p><p>　

55、　圖 5-1 部分圖像分割結(jié)果</p><p>　?。╝）原圖像 （b）JSEG算法結(jié)果 （c）改進(jìn)算法結(jié)果</p><p>　　圖 5-2 部分圖像分割結(jié)果</p><p>　　（a）原圖像 （b）JSEG算法結(jié)果 （c）改進(jìn)算法結(jié)果</p><p>　　

56、圖 5-3 部分圖像分割結(jié)果</p><p>　　（a）原圖像 （b）JSEG算法結(jié)果 （c）改進(jìn)算法結(jié)果</p><p>　　圖 5-4 部分圖像分割結(jié)果</p><p>　　以下表5-1給出了JSEG算法以及JSEG改進(jìn)算法的分割時(shí)間，通過(guò)比較我們可以得到，JSEG改進(jìn)算法有效的降低了計(jì)算時(shí)間，降低了算法的計(jì)算復(fù)雜度

57、，提高了圖像的分割效率。</p><p>　　表5-1 JSEG算法和改進(jìn)算法分割時(shí)間對(duì)比結(jié)果(單位:s)</p><p><b>　　6 結(jié)論</b></p><p>　　當(dāng)前對(duì)彩色圖像分割還面臨著諸多問(wèn)題，比如顏色空間的選擇以及分割方法的選擇，這些都還需要進(jìn)一步的研究實(shí)現(xiàn)。</p><p>　　本文主要是對(duì)基于JS

58、EG的改進(jìn)彩色圖像分割算法的研究，我們通過(guò)實(shí)驗(yàn)驗(yàn)證了該算法的有效性。該算法在計(jì)算得到J值后，引入了分水嶺算法，直接對(duì)J圖進(jìn)行空間分割，然后進(jìn)行形態(tài)后處理，取消了原來(lái)的循環(huán)迭代過(guò)程，有效的降低了算法的復(fù)雜度，降低了算法的計(jì)算時(shí)間，提高了圖像的分割效率，得到了比較好的分割結(jié)果。但是由于彩色圖像的復(fù)雜性，基于JSEG的改進(jìn)彩色圖像分割算法得到的圖像分割邊界不夠準(zhǔn)確，分割效果也不是很理想。</p><p>　　隨著技術(shù)的

59、發(fā)展以及各種新技術(shù)的應(yīng)用，出現(xiàn)了許多的彩色圖像分割算法以及改進(jìn)的彩色圖像分割算法，使得彩色圖像分割結(jié)果更加理想，大大提高了彩色圖像的分割質(zhì)量。目前，國(guó)內(nèi)外很多學(xué)者都在研究彩色圖像的分割方法，也提出了許多有價(jià)值的彩色圖像分割算法及改進(jìn)的彩色圖像分割算法，通過(guò)一些算法的合并使用，使得彩色圖像的分割結(jié)果更加理想了。但是，從目前對(duì)彩色圖像的研究現(xiàn)狀來(lái)看，由于應(yīng)用領(lǐng)域的不同、圖像質(zhì)量的差別以及圖像色彩的分布等一些客觀因素引起的差異，我們還不能找到

60、一種能夠完全適用于所有彩色圖像分割的通用的算法。因此，彩色圖像的分割方法仍是一個(gè)尚未解決的難題，還是需要圖像處理領(lǐng)域的研究人員進(jìn)一步的研究和探索。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　[1] 孫挺, 王新社等. 一個(gè)有效的彩色圖像分割方法[J]. 微電子學(xué)與計(jì)算機(jī), 2009, 26(3): 232～235.</p><

61、;p>　　[2] 潘晨, 顧峰. 基于3D直方圖的彩色圖像分割方法[J]. 中國(guó)圖象圖形學(xué)報(bào), 2002, 7(8): 801～805.</p><p>　　[3] 王慧, 申石磊. 基于改進(jìn)的K均值聚類(lèi)彩色圖像分割方法[J]. 電腦知識(shí)與技術(shù), 2010, 6(4): 962～964.</p><p>　　[4] Tu Sheng-xian, Zhang Su etal. A Bi

62、ntree Energy Approach for Colour Image Segmentation Using Adaptive Channel Selection[J]. J．Shanghai Jiaotong Univ．(Sci．), 2008, 13(1): 52～59</p><p>　　[5] 林開(kāi)顏, 徐立鴻等. 快速模糊C 均值聚類(lèi)彩色圖像分割方法[J]. 中國(guó)圖象圖形學(xué)報(bào), 2004, 9(2

63、): 159～163.</p><p>　　[6] 杜海順, 汪鳳泉. 一種快速的模糊C均值聚類(lèi)彩色圖像分割方法[J]. 計(jì)算機(jī)工程與應(yīng)用2009, 45(33): 138～140.</p><p>　　[7] 陳驥思, 余艷梅等. 自適應(yīng)快速FCM 彩色圖像分割研究[J]. 計(jì)算機(jī)工程與應(yīng)用, 2010, 46(7): 178～180.</p><p>　　[8]

64、 李鵬飛, 王剛等. 基于JSEG算法的紡織品印花圖像分割[J]. 紡織學(xué)報(bào), 2010, 31(5): 137～140．</p><p>　　[9] 孫衛(wèi)芳, 段智勇, 朱仲杰. 結(jié)合JSEG與分水嶺方法的彩色圖像分割[J]. 計(jì)算機(jī)工程與應(yīng)用, 2010，46(21): 185～187.</p><p>　　[10] Deng Yi-ning, Kermery C, Moore M S

65、, et al. Peer group filtering and perceptual color image quantization[C]//IEEE International Symoposium on Circuits and System, 1999: 21～24.</p><p>　　[11] 冉玉梅, 王洪國(guó)等. 基于自適應(yīng)局部閾值的彩色圖像分割[J]. 計(jì)算機(jī)與現(xiàn)代化, 2010, (1):

66、109～112.</p><p>　　[12] 徐秋平, 郭敏等. 基于分水嶺變換和圖割的彩色圖像快速分割[J]. 計(jì)算機(jī)工程, 2009, 35(19): 210～212.</p><p>　　[13] 楊衛(wèi)莉, 郭雷等. 基于分水嶺變換和蟻群聚類(lèi)的圖像分割[J]. 量子電子學(xué)報(bào), 2008, 25(1): 19～24.</p><p>　　[14] 朱仲杰, 蔣

67、剛毅等. 一種基于時(shí)空信息的運(yùn)動(dòng)目標(biāo)提取新算法[J]. 中國(guó)圖象圖形學(xué)報(bào), 2003, 8（4）: 422～425.</p><p><b>　　附錄1：主要程序</b></p><p>　　float TQUAN,displayintensity,threshcolor;</p><p>　　int proc_type,media_type,

68、rmap_type,NSCALE,NY,NX;</p><p>　　char *infname,*outfname,*rmapfname,*verbosefname;</p><p>　　int inimg_flag,type_flag,outimg_flag,outmap_flag,size_flag,verbose_flag;</p><p>　　void pr

69、ocess_image(void);</p><p>　　void parse_arg(int argc, char *argv[]);</p><p>　　void main (int argc, char *argv[])</p><p><b>　　{</b></p><p><b>　　int i=0;

70、</b></p><p>　　clock_t start,finish;</p><p>　　double time;</p><p>　　start=clock();</p><p>　　parse_arg(argc,argv);</p><p>　　if (media_type<20) proce

71、ss_image();</p><p>　　finish=clock();</p><p>　　time=(double)(finish-start)/CLOCKS_PER_SEC;</p><p>　　printf("運(yùn)行時(shí)間：%fseconds\n",time); </p><p><b>　　}</b

72、></p><p>　　void process_image(void)</p><p><b>　　{</b></p><p>　　unsigned char *RGB,*cmap,*RGB2; //*RGB是原始圖像的RGB數(shù)據(jù)，cmap是類(lèi)圖</p><p>　　int dim,N,i,j,k,TR,imgs

73、ize,mapsize,l;//imgsize=ny*nx*dim,mapsize=ny*nx</p><p>　　float *LUV,**cb;// 由RGB轉(zhuǎn)化為L(zhǎng)UV，cb是是二維質(zhì)心數(shù)組</p><p>　　char fname[200], exten[10]; //*exten是類(lèi)型，比如，gif*/,fname,</p><p>　　unsigned

74、char *rmap;</p><p>　　unsigned char Fheadg[54];//char Pallette[1024];</p><p>　　switch (media_type)//處理類(lèi)型 infname是處理圖像的名字</p><p><b>　　{</b></p><p>　　case I_YU

75、V:</p><p>　　sprintf(exten,"yuv");</p><p>　　dim = 3; imgsize = NY*NX*dim;</p><p>　　RGB = (unsigned char *)malloc(imgsize*sizeof(unsigned char));</p><p>　　input

76、imgyuv(infname,RGB,NY,NX);</p><p><b>　　break;</b></p><p>　　case I_RGB:</p><p>　　sprintf(exten,"rgb");</p><p>　　dim = 3; imgsize = NY*NX*dim;</p

77、><p>　　RGB = (unsigned char *)malloc(imgsize*sizeof(unsigned char));</p><p>　　inputimgraw(infname,RGB,&NY,&NX,Fheadg);</p><p><b>　　break;</b></p><p>　　

78、case I_GRAY:</p><p>　　sprintf(exten,"gray");</p><p>　　dim = 1; imgsize = NY*NX*dim;</p><p>　　RGB = (unsigned char *)malloc(imgsize*sizeof(unsigned char));</p><p

79、>　　inputimgraw(infname,RGB,&NY,&NX,Fheadg);</p><p><b>　　break;</b></p><p>　　case I_PPM:</p><p>　　sprintf(exten,"ppm");</p><p>　　inputim

80、gpm(infname,&RGB,&NY,&NX);</p><p>　　dim = 3; imgsize = NY*NX*dim;</p><p><b>　　break;</b></p><p>　　case I_PGM:</p><p>　　sprintf(exten,"pgm&q

81、uot;);</p><p>　　inputimgpm(infname,&RGB,&NY,&NX);</p><p>　　dim = 1; imgsize = NY*NX*dim;</p><p><b>　　break;</b></p><p>　　case I_JPG:</p>

82、<p>　　//sprintf(exten,"jpg");</p><p>　　//dim = inputimgjpg(infname,&RGB,&NY,&NX);</p><p>　　//imgsize = NY*NX*dim;</p><p><b>　　break;</b></p

83、><p>　　case I_GIF:</p><p>　　sprintf(exten,"gif");</p><p>　　dim = inputimggif(infname,&RGB,&NY,&NX);</p><p>　　imgsize = NY*NX*dim;</p><p>

84、;<b>　　break;</b></p><p><b>　　default:</b></p><p>　　printf("Unknown media type \n");</p><p>　　exit (-1);</p><p><b>　　}</b>&

85、lt;/p><p>　　mapsize = NY*NX;</p><p>　　switch (proc_type)</p><p><b>　　{</b></p><p>　　case P_SEG: case P_QUA:</p><p>　　cb = (float **)fmatrix(256,di

86、m);</p><p>　　LUV = (float *) malloc(imgsize*sizeof(float));</p><p>　　if (dim==3) rgb2luv(RGB,LUV,imgsize);</p><p>　　else if (dim==1) { for (l=0;l<imgsize;l++) LUV[l]=RGB[l]; }<

87、;/p><p>　　else { printf("don't know how to handle dim=%d\n",dim); exit(0); }</p><p><b>　　//量化</b></p><p>　　N=quantize(LUV,cb,1,NY,NX,dim,TQUAN);//N是量化后的顏色個(gè)數(shù)&l

88、t;/p><p>　　printf("N=%d\n",N);</p><p>　　cmap = (unsigned char *) calloc(mapsize,sizeof(unsigned char));</p><p>　　if (dim==3) rgb2luv(RGB,LUV,imgsize);////RGB轉(zhuǎn)化為L(zhǎng)UV形式</p>

89、;<p>　　else if (dim==1) { for (l=0;l<imgsize;l++) LUV[l]=RGB[l]; }</p><p>　　getcmap(LUV,cmap,cb,mapsize,dim,N); //得到類(lèi)圖cmap，是由量化后的顏色的標(biāo)志位來(lái)表示的。</p><p>　　free_fmatrix(cb,256);</p>&

90、lt;p>　　free (LUV);</p><p>　　if (proc_type == P_QUA) { free(cmap); free(RGB); exit(0); }</p><p>　　//分割，關(guān)鍵是分割程序</p><p>　　rmap = (unsigned char *)calloc(NY*NX,sizeof(unsigned char))

91、;</p><p>　　TR = segment(rmap,cmap,N,1,NY,NX,RGB,verbosefname,exten,media_type,dim,NSCALE,</p><p>　　displayintensity,verbose_flag,1,Fheadg);</p><p>　　/*TR = merge(rmap,cmap,N,1,NY,NX

92、,TR,threshcolor,0); </p><p>　　printf("merge TR=%d\n",TR);*/</p><p>　　free(cmap);</p><p>　　/*if (outimg_flag)</p><p>　　outputEdge(outfname,exten,RGB,rmap,NY,NX

93、,-1,media_type,dim,displayintensity,Fheadg);</p><p>　　if (outmap_flag)</p><p><b>　　{</b></p><p>　　switch(rmap_type)</p><p><b>　　{</b></p>

94、<p>　　case I_RGB:</p><p>　　outputimgraw(rmapfname,rmap,NY,NX,Fheadg);</p><p><b>　　break;</b></p><p>　　case I_GIF:</p><p>　　outputimggif(rmapfname,rma

95、p,NY,NX,1);</p><p><b>　　break;</b></p><p><b>　　default:</b></p><p>　　printf("Unknown rmap type \n");</p><p>　　exit (-1);</p>&l

96、t;p><b>　　}</b></p><p><b>　　}*/</b></p><p>　　free(RGB);</p><p>　　free(rmap);</p><p><b>　　break;</b></p><p>　　segment.

97、c:</p><p><b>　　int MM=0;</b></p><p>　　unsigned char *rmap9;</p><p>　　char tmpfname[200];</p><p>　　int segment(unsigned char *rmap0,unsigned char *cmap,int N

98、,int nt,int ny,int nx,</p><p>　　unsigned char *RGB,char *outfname,char *exten,int type,int dim,int NSCALE,</p><p>　　float displayintensity,int verbose,int tt,unsigned char *Fheadg)</p>&l

99、t;p><b>　　{</b></p><p>　　int MINRSIZE[5];</p><p>　　int scale[5],offset[5],step[5],MAXSCALE,MINSCALE,*count,TR,i,j,k,l;</p><p>　　int oldTR,extraTR,*reg,*reg2,*convert,d

100、atasize,autoscale;</p><p>　　char fname[200];</p><p>　　short *rmap;</p><p>　　printf("start segmentation\n");</p><p>　　scale[0]=32; offset[0]=2; step[0]=1; &l

101、t;/p><p>　　scale[1]=64; offset[1]=4; step[1]=1;</p><p>　　scale[2]=128; offset[2]=8; step[2]=2;</p><p>　　scale[3]=256; offset[3]=16; step[3]=4;</p><p>　　scale[4]=512; of

102、fset[4]=32; step[4]=8;</p><p>　　for (i=4;i>=1;i--)</p><p><b>　　{</b></p><p>　　if (ny*nx>=sqr(scale[i])) { MAXSCALE=i; break; }</p><p><b>　　}<

103、/b></p><p>　　if (i==0) { printf("minimum image size 64x64\n"); return 0; }</p><p>　　if (nt==1)</p><p><b>　　{</b></p><p>　　for (i=0;i<=MAXSCA

104、LE;i++) MINRSIZE[i]=2.0*sqr(offset[i]);</p><p><b>　　}</b></p><p>　　datasize = nt*ny*nx;</p><p>　　rmap=(short *)calloc(datasize,sizeof(short));</p><p>　　for

105、(l=0;l<datasize;l++) rmap0[l]=1;</p><p><b>　　oldTR=1;</b></p><p>　　printf("i=%d",i);</p><p>　　for (l=0;l<datasize;l++) rmap[l]=0;</p><p>　　T

106、R=segment1(cmap,N,nt,ny,nx,offset,step,rmap,rmap0,oldTR,i,MINRSIZE[i],0,tt,RGB,outfname,exten,type,dim,NSCALE,displayintensity,verbose,Fheadg);</p><p>　　printf("TR=%d\n",TR);</p><p>　　

107、free(rmap);</p><p>　　return TR;</p><p><b>　　}</b></p><p>　　int segment1(unsigned char *cmap,int N,int nt,int ny,int nx,int *offset,int *step, </p><p>　　shor

108、t *rmap,unsigned char *rmap0,int oldTR,int i,float MINRSIZE,int redo,int tt,unsigned char *RGB,char *outfname,char *exten,int type,int dim,int NSCALE,</p><p>　　float displayintensity,int verbose,unsigned cha

109、r *Fheadg)//redo=0</p><p><b>　　{</b></p><p>　　float *J,*JT,**threshJ1,**threshJ2,*J1;</p><p>　　int j,TR,**done,alldone,datasize,it,imgsize,l,l1,l2,I,ix,iy,loc,loc1;</

110、p><p>　　int gg,m,m1;</p><p>　　int *JJ,tr,tr1,NUMBER,*JJ1;</p><p>　　int *OutSign,*OutBuf,*count;</p><p>　　unsigned char *Rmap,*Rmap1; </p><p>　　unsigned char

111、head[54]; char Pallette[1024];</p><p>　　unsigned char *img;</p><p>　　int B0[9]={0,1,0,1,1,1,0,1,0};</p><p>　　int B1[49]={0,0,1,1,1,0,0,0,1,1,1,1,1,0,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,

112、1,1,1,1,1,0,0,1,1,1,0,0,0,1,1,1,1,1,0};</p><p>　　imgsize = ny*nx;</p><p>　　datasize = nt*ny*nx;</p><p>　　J = (float *)calloc(datasize,sizeof(float));</p><p>　　getJ(cmap

113、,N,ny,nx,J,offset[i-1],step[i-1],rmap,rmap0,oldTR);</p><p>　　JJ = (int *)calloc(datasize,sizeof(int));</p><p>　　OutSign = (int *)calloc(datasize,sizeof(int));</p><p>　　OutBuf = (int

114、 *)calloc(datasize,sizeof(int));</p><p>　　//JJ1 = (int *)calloc(datasize,sizeof(int));</p><p>　　J1 = (int *)calloc(datasize,sizeof(int));</p><p>　　getJ(cmap,N,ny,nx,J1,4,1,rmap,rmap

115、0,oldTR);</p><p>　　for(l=0;l<imgsize;l++)J[l]=(J[l]+J1[l])/2;</p><p>　　for(l=0;l<imgsize;l++){J[l]=round(J[l]*100); JJ[l]=(int)J[l];}//printf("%10d",JJ[l]);}</p><p>

116、　　tr=Watershed(ny,nx,JJ,OutSign,OutBuf,&NUMBER);</p><p>　　Rmap = (unsigned char*)calloc(imgsize,sizeof(unsigned char));</p><p>　　for(l=0;l<datasize;l++)Rmap[l]=(unsigned char)OutBuf[l];&l