圖像分割（image segmentation）是一種非常關鍵的圖像技術，它是從圖像處理進到圖像分析要經(jīng)過的一個關鍵步驟。為了更高層次的圖像分析理解得以實現(xiàn)，必須先進行圖像分割、目標分離、特征提取等過程，把原始圖像轉化成為更緊湊更抽象的形式。對圖像進行研究或應用時，人們往往并不需要圖像中的所有信息，而只對其中的某些特定的、具有獨特性質的部分（常稱為目標或前景）感興趣。本文利用Matlab軟件熟悉數(shù)值模擬針對基于邊緣檢測和自動種子區(qū)域生長相結合的圖像分割。相關實驗結果表明，這種方法對噪聲有一定的抑制能力，可降低圖像分割的計算復雜度，能夠分割出較為完整的圖像邊緣，得到有意義的目標區(qū)域，分割方法可行有效。

1模型與方法

圖像的邊緣信息能較好的代表整個圖像的大致信息，利用直方圖分析圖像的邊緣信息能夠較為簡潔的得到圖像整體信息。

在灰度直方圖中，選取圖像邊緣信息中出現(xiàn)像素概率最高的點，即從灰度直方圖中讀出出現(xiàn)概率最多的像素值，在要處理的圖像中找到該像素值對應的像素點，同時，標記這些邊緣像素點，則這組像素點即為一組種子點，這樣就完成了種子點的自動選取。選取的這組種子點，從廣義上來講，代表了圖像邊緣的大致信息，也能大致反應出圖像的整體信息。在完成提取邊緣和直方圖分析后，根據(jù)得到的一組種子點，便可采用區(qū)域生長方法對整幅圖像實施分割。

設得到的邊緣像素點集中，邊緣像素點的總數(shù)為N，灰度分別為X（0），X（1），…，X（N-1），種子點的像素灰度

2結果與討論

如圖1給出的是細胞的背景圖像，通過對圖像選取合適的生長區(qū)域，并在區(qū)域內選擇一定數(shù)量的種子生長點，并對計算過程設置迭代參數(shù)及收斂參數(shù)?？紤]灰度的分布的情況，加入相應的邊緣檢測手段來對選取區(qū)域進行灰度閾值的分割。圖1（a）（b）給出的是迭代50次及100次，收斂參數(shù)設置為2與5所得出的圖像分割結果，通過改變收斂參數(shù)，加快迭代收斂速度，圖像分割已可以按灰度區(qū)別進行區(qū)分，結果較為準確。但考慮到本組圖像灰度區(qū)域變化明顯，對于灰度變化復雜圖像，要充分考慮噪聲的影

3結論

基于Matlab軟件模擬，數(shù)值研究了基于邊緣檢測和自動種子區(qū)域生長相結合的圖像分割。實驗結果表明：這種方法對噪聲有一定的抑制能力，可降低圖像分割的計算復雜度，能夠分割出較為完整的圖像邊緣，得到有意義的目標區(qū)域，分割方法可行有效。這種方法是對傳統(tǒng)的區(qū)域生長算法的一種改進，然而如何更好地改進區(qū)域生長算法的分割效果，還需要做進一步的研究。