关于本科毕设

从这周起，本科毕设开始。今天下午过去给他们讲了一下大概的要求，所要完成的任务及关于图像分割的基础知识。

+WJ-Q#FA0应该说这三个方面的分割技术是图像分割中很基础的分割技术，首先说说基于阈值的分割技术，从本质上来说，它属于基于区域的分割技术，应该说它是一种比较老也是比较成熟的分割技术了，但同时，它又是一种不断更新的分割技术，那就是关于阈值的确定方法的研究从来没有停滞过，目前已经结合一些特定理论诸如信息论，模糊数学，神经网络，遗传算法等等提出了很多取阈值的技术。曾经在一个论坛中看到过关于基于阈值的图像分割有没有必要再研究下去的争论，我想由于阈值分割对于特定图像及应用邻域所具有的一些独特的优越性（比如运算速度的优势），关于它的研究还是会继续发展下去的。

关于基于边缘检测的分割技术，好像近年来针对它的研究并不是很多，虽然图像边界的确包含着很重要的图像信息，但基于边界的分割技术在实际中并不能得到很好的应用，由于基于边界的算法本身不可避免的问题，比如对噪声的敏感，就很大程度的限制了它的应用，但是对于特定的图像和特定的应用，它的作用还是不可替代的，毕竟，关于图像分割，大多时候都是具体问题具体分析了。关于边缘检测，应该说比较成熟也比较简单的方法就是通过边缘检测算子来进行了。基于一阶微分的Robets,Prewitt,Kirsh算子，基于二阶微分的Laplace,Marr,Cany算子都可以较容易地检测到边缘点。但是由于噪声等因素的影响，我们检测到的通常也只是边缘点，而不是闭合连续的边界线，那么下一步任务就是执行边界闭合操作了，边界闭合操作可以基于前一步所得梯度信息本身来进行，也可以通过数学形态学的开闭运算来实现，第三种方法就是通过Hough变换实现边界闭合。应该说基于边缘检测的分割技术属于基于边界的分割技术的一种，那么另一种就是曲线拟合技术了，Hough变换也应该属于后者，它们都属于从代数空间到图像空间的一种变换，用一个代数方程去逼近图像的轮廓。关于这种方法，目前了解的较少。

第三种，基于区域生长的分割技术，应该说这个题目出的不是很好，可能到时候写论文的时候工作量会显得有点少，也不太好做出什么新颖的东西来，有点“老土”的一个方法。很显然，这是一种基于区域的分割技术，核心思想也就三点：第一，选取合适的种子点；第二，制定合理的生长规则；第三，明确的终止条件。其实，基于区域的分割技术应该是目前研究的最多也是应用最广的分割技术吧，很多一些结合新理论的分割技术都属于基于区域的分割技术，比如典型的分水岭分割技术，也应该算是一种区域生长技术，如果到时候这个工作量太少，完成的较早的话，可以让学生再做一下分水岭，这样就可以写一篇很好的论文了。LUPA开源社区 \2X VV~0\k

-H_ M{5U b4uP0以上就是关于这次毕设中图像分割部分的基本技术吧，令我担心的是，他们现在对数字图像还没有概念呢，没有学过数字图像处理，直接就来做分割了，应该比较有挑战性了，需要做的功课还很多很多，加上自己也好像还没有入门，希望能够教学相长，互相促进吧。  LUPA开源社区8g+UD,r%a:w,il A