1. 研究目的与意义
视觉是人类感知的重要手段，图像是视觉的基础，随着科学技术的进步与发展，图像处理和分析形成了自己的学科体系，新的方法层出不穷。图像分割是图像识别和计算机视觉至关重要的预处理。没有正确的分割就没有正确的识别。但光线、像素等因素会影响图像质量，计算机处理时会遇到各种困难，常常发生分割错误，图像分割技技术需要进一步研究，因此图像分割仍具有很大的研究价值。
2. 研究内容和预期目标
2.1研究内容
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。其中包括基于阈值的分割方法，基于区域的分割方法。
Otsu算法使用的是聚类的思想，把图像的灰度数按灰度级分成2个部分，使得两个部分之间的灰度值差异最大，每个部分之间的灰度差异最小，通过方差的计算来寻找一个合适的灰度级别 来划分。所以，可以在二值化的时候采用otsu算法来自动选取阈值进行二值化。otsu算法被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响。因此,使类间方差最大的分割意味着错分概率最小。
区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。
3. 国内外研究现状
传统的分割方法三种，分别是有基于阈值分割方法，计算简单、效率高的，但一般不考虑空间特征，因此对噪声敏感、鲁棒性低；基于区域生长分割方法，对图像分割效果好，算法复杂、计算量大；基于边缘检测的分割方法，边缘定位准确、速度快、但不能保证边缘的连续性和封闭性。
除此之外还有基于小波分析和小波变换的图像分割方法、基于遗传算法的图像分割、基于主动轮廓模型的分割方法、基于深度学习的分割。各类算法各有优缺，应用领域不同，发挥着不同的作用。
4. 计划与进度安排
通过资料查阅本设计以Microsoftvisual studio 2010为开发平台，融合ostu算法和区域生长算法的优缺点融合为一个算法系统，以实现对图像更加准确有效地分割。同时减少开销，使图像分割更加高效。
建立图像灰度直方图（共有L个灰度级，每个灰度级出现的概率为），计算背景和目标的出现概率，所选定的阈值用t表示，A表示背景（灰度级为0-t），根据直方图中的元素可知， 表示背景出现的概率，同理，B表示目标。计算A和B两个区域的类间方差，得到单个灰度值上的类间方差，能够使A与B的类间灰度方差最大的灰度值，被认为是最佳分割阈值。
区域生长算法一般分为三个步骤实现：确定生长种子点、确定生长准则、确定生长停止条件。对图像顺序进行扫描，找到第一个还没有归属的像素，设该像素为（x0，y0）。以（x0，y0）为中心，考虑其八邻域像素（x，y），如果符合生长准则，将（x，y）合并，并压入堆栈。从堆栈中取出一个像素，把它作为（x0，y0），并重复前一步骤。当堆栈为空时，返回到开始步骤，直到图像中所有点都有归属为止。
5. 参考文献
[1]刘百红,邵志东,郑四连,宋志翔.基于区域生长算法的初至自动拾取方法[J].物探与化探,2019,43(04):843-850.
[2]于越.基于融合颜色信息与深度信息的区域生长算法的物体定位[J].数字技术与应用,2018,36(01):140 207.
[3]吴建.基于区域生长算法的彩色遥感图像分割[J].广西大学学报(自然科学版),2011,36(06):981-986.
[4]刘欢,张梅,彭星星.基于边缘检测和区域生长的彩色图像分割方法研究[J].中国新通信,2016,18(11):153-154.
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
