樹木圖像分割是樹木可視化重建、樹木精準對靶施藥等研究的重要環(huán)節(jié),對于樹木生長態(tài)勢評價和樹木材積率以及森林蓄積量估計具有重要意義。本文對經(jīng)典圖像分割方法、C-V模型、LBF模型及其改進模型進行了理論研究,并應用不同模型算法對樹木圖像進行了分割實驗,具體內(nèi)容如下:研究了閾值分割法(迭代法、OTSU法、局部閾值法)、邊緣檢測算子(Canny算子、Sobel 算子、Roberts 算子、Prewitt 算子、Laplacian 算子、LoG-Laplacian 算子)以及區(qū)域分割法(種子區(qū)域生長法、區(qū)域分裂合并法)三類算法的理論,并應用這些方法對樹木圖像進行圖像分割實驗,并分析了實驗結果。研究了C-V模型理論,基于C-V模型對樹木圖像進行了圖像分割實驗,對分割結果進行了分析。研究了傳統(tǒng)LBF(Local Binary Fitting)模型的理論,并對弱邊緣分割效果不理想的缺陷進行了改進,應用傳統(tǒng)LBF模型及其改進算法對樹木圖像做分割實驗,研究了模型參數(shù)對基于改進LBF算法的圖像分割結果的影響,并通過實驗進一步得出其最優(yōu)參數(shù)組,使用該組參數(shù)進行多組實驗,并與傳統(tǒng)LBF模型算法的分割結果對比,驗證了該算法的優(yōu)越性。
【學位單位】：東北林業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：S712;TP391.41
【部分圖文】：

邐（ｂ）樹木２邐（ｃ）樹木３逡逑圖２－１迭代法閾值分割原圖像逡逑＃邋？邋＃逡逑．一＇邋■■ＨＲｏｔＨ逡逑（ａ）樹木１圖像分割結果邐（ｂ）樹木２圖像分割結果邐（ｃ）樹木３圖像分割結果逡逑圖２－２迭代法閾值分割結果逡逑由圖２－２分割結果可見，迭代閾值分割方法基本能夠實現(xiàn)樹木圖像的分割，能夠將逡逑單一背景中的樹木冠層輪廓分割出來，樹葉間隙之間的背景，也能被準確分割出來。但逡逑樹木葉片間的空洞區(qū)域存在被誤分割為背景的現(xiàn)象，如圖２－２邋（ａ）所示，且與樹木處于逡逑同一灰度級的草地背景，也被誤認為是樹木目標而分割出來，如圖２－２邋（ｂ），圖２－２邋（ｃ）逡逑所示。逡逑２．１．２基于ＯＴＳＵ法的樹木圖像分割逡逑ＯＴＳＵ圖像分割屬于自適應閾值法［１４］。通過圖像直方圖上的峰、谷值來確定背景和逡逑目標像素。如果背景和目標之間的灰度差異較大，則二者之間的方差必然較大［１５］。因逡逑此，目標和背景之間的最大方差將決定圖像分割的最佳閾值｜１６１。逡逑設圖像灰度級數(shù)為ｈ灰度級／的像素數(shù)為ｍ圖像總像素數(shù)為Ｍ貝ＩＪ：逡逑Ｌ逡逑Ｎ＝ｈ邐（２－４）逡逑ｉ＝＼逡逑灰度級／的比例：逡逑Ｐ，＝ｎＪＮ邐（２－５）逡逑圖像灰度均值：逡逑－６－逡逑

ｒ邋＝邋｛ｔ邋Ｉ邋ａ＼ｒ）＞邋ｃｔ＼Ｔ＼＼／Ｔ邋ｅ邋［／＿，／＿］｝邐（２－１２）逡逑采用ＯＴＳＵ法對圖２－３所示的樹木圖像進行分割，分割結果如圖２－４所示。逡逑（ａ）樹木Ｉ邐（ｂ）樹木２邐（ｃ）樹木３逡逑圖２－３邋ＯＴＳＵ方法閾值分割原圖像逡逑－７－逡逑

a�！冿辶x希ǎ幔┦髂荊蓖枷穹指罱峁危ǎ猓┦髂荊餐枷穹指罱峁危ǎ悖┦髂荊懲枷穹指罱峁義賢跡玻村澹希裕櫻輾椒ㄣ兄搗指罱峁義嫌賞跡玻村澹ǎ幔┛杉饕都湎噸淶謀塵氨環(huán)指畛隼�，但树叶反光造成蝗~冉閑〉膩義喜糠忠脖晃蠓指畛殺塵�。哇E玻村澹ǎ猓�，邋（ｃ）中，矇墨彩~厙蟣晃蠓指畛贍勘昵潁義義鮮饕都浣舷感〉謀塵扒蠆⑽幢環(huán)指畛隼矗皇欠指畛鍪髂鏡拇籩侶擲�。分割结果钡a鰨義希希裕櫻賬惴ㄋ淙荒艽籩路指釷髂韭擲級ㄎ皇髂疚恢�，但存灾X蠓指釹窒螅瘓弒稿義锨質饕杜芟∈璧哪芰�，也不纳惖腺|髂鏡木販指�。辶x希玻保郴誥植褲兄搗ǖ氖髂就枷穹指鑠義暇植褲兄搗ㄏ冉枷瘢ǎ�，邋ＧG唬┓殖啥喔鱟油枷瘢緩蟛捎媚持址椒ㄎ油枷袢范ㄥ義細髯緣你兄擔郟福蕁ｅ義媳疚慕髂就枷窬然治保斗ゲ恢氐淖油枷�，各子图像的局惭澬謸跎泳捔x希希裕櫻賬惴ɡ慈范āＨ緩蠖裕保斗油枷穹直鸞秀兄搗指

本文編號：2815727