獲取項目源代碼，請聯繫QQ:2408679059,可指導畢業設計，課題設計
人臉圖像模糊分割實驗報告
摘 要
圖像分割即指將圖像分成各具特性的區域並提取出感興趣目標的技術，它是從圖像處理到圖像分析關鍵步驟。
本文針對人臉庫圖像，首先，對圖像進行預處理，提取人臉區域並採用分水嶺算法進行圖像分割。然後，對其產生的過分割問題，應用數學形態學的開閉運算對圖像進行濾波，求取其梯度，並依據內外標記對梯度圖像進行修正，進而實施分水嶺變換。最後，在對小區域進行模糊聚類時，建立了包含鄰域信息的聚類目標函數。
實驗表明，該方法分割速度快、抗噪能力強，實現了人臉圖像區域的較優分割。
關鍵詞：形態學濾波 梯度 分水嶺 模糊分割
目 錄
1 引言
1.1 課題背景
圖像分割是進行圖像理解的基礎，是圖像工程技術中的一個重要問題。近年來，人們越來越重視圖像的分割算法，並期望尋求一種實時性、魯棒性較好的算法。圖像分割技術在當今信息社會中具有極其廣泛的用途，特別是在圖像檢索、視頻監控、醫學圖像診斷、衛星遙感圖像識別、交通車牌信息識別等等方面尤其有現實意義。
人臉圖像分割目前經過多年來的廣泛深入研究，多種方法被提出。基於邊緣的分割法，基於閾值的分割法，基於能量泛函的分割方法，基於區域的分割法以及分水嶺算法。其中分水嶺算法是一種被廣泛應用的基於數學形態學的圖像分割方法。具有邊界定位準確，即獨特的區域邊緣定位能力。擁有計算速度快，算法易於實現，分割精度高，產生的邊界是單像素寬度等各種優點，被運用到人臉圖像分割中。然而對於傳統的分水嶺算法一個不良的缺點就是易於產生過分割問題。
主要原因： 1、對噪聲敏感，受內部局部紋理的影響，會使檢測到的局部極值過多，從而形成大量封閉的細小區域。2、讓輸入的圖像是梯度圖像，圖像不經過預處理進行分水嶺，圖像中的噪聲會直接影響後續的分割效果。3、對於人臉圖像易丟失區域的重要輪廓。
目前的研究來看，主要有兩類解決辦法去抑制過分割。一是在圖像分割之前對圖像做預處理，在對處理後的圖像目標進行標記提取。二是對分水嶺分割後的結果進行區域融合，但是融合的區域數目較大，過程中的計算量也較大，並且十分耗時。因此本文實現了一種改進分水嶺算法。在圖像分割之前進行預處理，通過中值濾波器濾除部分噪聲，再通過形態開閉濾波器平滑圖像，保留圖像的重要輪廓而去除易造成過分割的噪聲和細節。提取出目標的形態學梯度，同時對梯度進行閾值優化。標記出所需要的目標，利用標記對梯度進行修正。最後對修正優化後的梯度圖像再進行分水嶺分割。最後，利用模糊c-均值聚類算法對過分割的圖像進行後續處理。
1.2 本課題研究現狀
針對傳統的分水嶺變換有過分割問題，很難擁有我們想要的滿意的分割結果。很多學者結合自己的研究，提出了很多改進的方法。就目前進展來看，主要在4類方法中改進：1、預處理濾波2、區域合併3、標記4、其他。
在預處理濾波期間，由於圖像本身具有的噪聲和紋理量化誤差。傳統分水嶺被運用在分割時，會在大邊緣包圍的區域分割形成很多細小的區域，因此就在真正的邊緣中出現了許多的虛假的邊緣。那很多學者在預處理方面做了深入的研究，同時配合實驗操作，取得了較好的實驗效果。比如：康維等人先使用形態學濾波的方法濾除醫學圖像中離散的細胞核點的同時也包括了細胞核其中的孔洞，隨後應用分水嶺算法對重疊細胞進行分割，結果顯示算法能提取理想的細胞組織邊界。潘婷婷等人針對衛星圖像中道路的基本特徵，考慮到提取道路信息的不易，她運用高通濾波器對原始圖像進行去噪和平滑，取得了很好的效果。在改進算法中避免了過分割問題。有的研究者使用形態學濾波和各向異性濾波兩種濾波器來處理遙感圖像，同時加上分水嶺算法用於檢測自動橄欖樹[1]。姬寶金等人在圖像預處理過程中先使用中值濾波來消除部分噪聲，然後對原始圖像的梯度圖進行開閉重建運算，在去除了噪聲和圖像細節的情況下又很好的保留了區域重要輪廓。
在區域合併方面學者們做了很多探究性改進。針對區域自身的特點，尤鴻霞等人將分水嶺算法結合區域合併應用於虹膜圖像。結果表明該方法得到精確封閉的虹膜邊緣,減少過度分割現象。Harrisk等人提出一種有效的改進方法。即對分水嶺分割所得區域進行區域融合，但是初始分水嶺分割所得區域數目往往會很大，因此融合過程計算量極大。
學者在標記方向也做了許多改進的研究，在實際的項目中也取得了一定的成績。文獻[2]對於傳統分水嶺分割算法對噪聲敏感，從而產生過分割的缺點，提出一種基於開閉二次重建的基礎上進行非線性處理的分水嶺圖像分割方案。王鑫等人在測地距離的概念基礎之上，利用小波變換產生多分辨率圖像，然後採用基於標記對最低分辨率圖像分水嶺分割，得到最初分割區域，最後運用小波反變換和區域標記，得到的分水嶺分割結果是高分辨率圖像，有效地解決了過分割問題。一種改進方法在醫學臨牀顯微圖像自動快速分析實現。參見文獻[3]，具體是先將二值化後的圖像進行距離變換，然後對重建距離變換後的圖像採用快速灰度重建算法，最後用分水嶺算法分割，實現了自動探測目標細胞並分割重疊細胞，有效避免了過分割和分水嶺標記點過分依賴於圖像先驗知識的缺陷，效果非常好。
同時有些人將小波變換，鏈碼，圖論和能量驅動和分水嶺結合。在降低空間複雜度和時間以及適應性方面有很好的成效。馮林等人將圖論融合分水嶺算法。根據分水嶺分割所得到的小區域的空間信息和灰度，用歸一化分割方法從全局角度在區域之間進行分割來消除過分割現象。
研究人員在傳統的分水嶺的基礎上改進方法，同時與其他方法結合上面做了大量的研究和實驗。將小波變換、鏈碼、圖論等與分水嶺算法相結合的技術則爲分水嶺算法改進的研究提供了思路和研究方向。目前這已經成爲了一個圖像分割領域最重要的課題。
1.3 本課題研究的意義
從人臉圖像中提取特徵區域在人臉識別或檢索中具有很高的現實意義。其中，利用人臉的生物特徵來進行身份鑑定是一個很受關注的熱點。在許多場合，人們利用各種方法手段獲取未知身份的人臉照片或是人臉特徵的描述語言。如果由這些已知條件從數據庫中查詢出未知身份者的身份信息，是基於圖像進行檢索一個重要課題。
鑑於分水嶺方法能夠定位準確的邊緣，並行化處理容易，同時運行簡單等優點，但是會產生過分割問題。所以如何利用改進的分水嶺從噪聲中提取出我們需要的有用的人臉區域圖像將有助於解決這些問題。
1.4 本課題的主要內容
本文以人臉庫圖像爲研究對象，以如何能夠得到準確的人臉區域分割爲出發點，在綜合了前人對改進分水嶺分割圖像研究的基礎上系統地研究了基於形態學梯度，開閉重建和閾值優化修正梯度以及通過內外標記限制極小值的分水嶺分割算法，最後引入模糊聚類分割算法並進行比較試驗。
本文首先綜合闡述了分水嶺圖像分割的研究現狀和背景意義。基於數學形態學的基本理論，詳細全面的分析闡述了基本理論。從灰度圖的形態學分析着手，在人臉圖像分割的基礎上，研究了分水嶺分割及改進算法。同時將改進的算法用在了人臉分割的運用上。處理流程如下圖所示。
論文的主要成果和安排工作如下：
- ，引言以概述的形式簡單介紹了分水嶺分割技術的發展現狀以及本論文研究背景意義。
- ，主要介紹了分水嶺的原理，形態學開閉濾波的圖像預處理方法。分析了結構元素形狀和大小的差別對濾波結果的影響，同時針對圖像的複雜噪聲，我們提出了改進的濾波方法。在單尺度形態學梯度的基礎上，我們提出利用一組大小不等的正方形結構元素來求取多尺度形態學梯度，最後基於內外標記和強制極小值方法修正梯度，最後進行分水嶺分割。
- ，主要介紹圖像模糊分割算法以及流程。
- ，主要通過幾副圖像來說明改進方法的過程和分割效果，並對分割後的人臉區域進行彩色標記顯示。
- ，對本論文的工作總結和展望。
2 基於分水嶺的人臉圖像分割
2.1 分水嶺基本思想
2.2 分水嶺實現原理
2.2.1 模擬浸水的過程原理
一副高低起伏的地形圖，如果把圖像的所有像素都看成是它們的地形海拔高度。地形圖由盆地（局部灰度極小值），山脊，以及盆地和山脊之間形成的山坡三部分構成。水從各個局部最低點向上漫溢，水面逐步上升，不同區域的水在各個區域的邊緣便會匯合，我們就需要在山脊上修築大壩來阻止它們匯合。這樣大壩就將地形模型分割成了不同的區域。區域邊緣建起的大壩被稱爲分水嶺，被分割開的各個區域被稱爲匯水盆地。這就是模擬浸水的過程。
2.2.2 模擬降水的過程原理
仍然把圖像看作是地形圖模型來說明。當一滴雨珠從模型上空落下時，水降落到山體表面並順勢向下流，直到流到相同的局部最低點。山脊水滴經過的路線就是一個連通分支，通往局部最低點的所有連通分支就形成了一個集水盆地。那麼山脊就是分水嶺。這個就是模擬降水的過程。
2.3 圖像預處理技術
預處理是圖像處理的第一步，也是非常關鍵的一步。它能夠加強突出大家感興趣的目標，而抑制對我們無用的信息，最終改善圖像的質量。圖像預處理去除背景噪聲有很多種方法：中值濾波[4]，鄰域平均法[5]，形態學濾波[6]。這些方法主要對圖像中的點狀噪聲濾波效果比較好，對於實際人臉圖像中複雜的區域背景噪聲，往往達不到很好的濾波效果。那麼針對人臉細胞圖像中複雜區域噪聲，我們利用改進的形態學開閉濾波算法。
2.3.1 灰度形態學開閉濾波器
把形態學處理從二值圖像擴展到灰度圖像的基本操作，包括2個基本的運算：腐蝕、膨脹。同時在這兩個運算的基礎上發展的開運算和閉運算。
用對函數的灰度膨脹用，定義爲：
灰度腐蝕表示爲，定義爲：
“”表示膨脹算法，“”表示腐蝕算法。函數爲一灰度圖像，爲結構元素。
灰度形態膨脹和灰度形態腐蝕，與二值圖像不同，運算的時候，移動的是而不是。然而，實際應用中經常是比小，所以以滑過還是以滑過在概念上是沒有區別的。灰度形態膨脹是用最大值運算代替卷積求和，用加法運算代替卷積求乘積。是以結構元素爲模板，搜尋圖像在結構元素大小範圍內的灰度和的極大值。灰度形態腐蝕是用最小值運算代替求和，用減法運算代替相關乘積。是以結構元素爲模板，搜尋圖像在結構元素大小範圍內的灰度和的極小值。從信號處理角度來看，灰度形態和差是一種極值濾波。灰度形態腐蝕和膨脹相當於局部的最小和最大運算，那麼灰度形態學就是一種非線性的，不可逆的變換。
灰度膨脹的計算是逐點進行的，求某點的灰度值就是計算該點局部範圍內各點與結構元素所對應點的灰度值之和，並選擇其中的最大值作爲該點的膨脹結果。經過膨脹後，目標的邊緣得到了延伸。灰度腐蝕的計算是逐點進行的，求某點的灰度值就是計算該點局部範圍內各點與結構元素所對應點的灰度值之差，並選擇其中的最小值作爲該點的腐蝕結果。經過腐蝕後，目標的邊緣具有高灰度值的點的灰度會降低。
在腐蝕和膨脹基礎上的二級運算是開閉運算，分別用“”和“”表示。
定義如下：
開運算是先對圖像進行腐蝕運算，再進行膨脹運算。開運算一般能平滑圖像的輪廓，削弱狹窄的部分，去掉細的突出。閉運算則是先對圖像進行了膨脹後腐蝕的操作。它也能平滑圖像的輪廓，它一般能融合窄的缺口和細長的彎口。
2.3.2 開閉濾波器的改進算法
1、將原始圖像進行灰度化處理。
2、對灰度圖像進行開閉濾波，經過實驗發現，用圓形結構元素效果佳。
3、對開閉濾波後的圖像結果進行閾值二值化處理。
4、將二值化處理後的結果和原灰度圖像比較，提取最大特徵區域，獲取人臉區域矩形框，即爲裁剪區域，那就能很好的濾掉背景噪聲中的頭髮等噪聲。
實驗結果：下圖爲我們處理的原始圖像，爲了便於觀察。我們隨機選擇人臉庫中某幅人臉圖像進行處理。
通過上面的對比可以看出，對於原人臉圖像，通過膨脹、腐蝕操作，可以較好的濾除背景噪聲，突出人臉區域，二值化效果明顯，能較好的分割出人臉區域。
2.4 形態學梯度
2.4.1 形態學梯度
基於分水嶺變換的圖像分割方法，其性能在很大程度上依賴於用來計算待分割圖像梯度的算法，對分水嶺而言，理想的梯度算子輸出應等於輸入的邊緣高度，即邊緣兩邊像素的灰度差，而不是邊緣的斜率。自然圖像中一般很少出現階躍邊緣，通常都是界限比較模糊的邊緣。對於這種邊緣類型，傳統的梯度算子輸出的是邊緣斜率，形態學梯度算子確能輸出高度。
形態學梯度可以用原始圖像與圖像的膨脹或腐蝕的處理結果進行差分來計算。對於圖像f和結構元素B常用的形態學梯度有以下三種定義：
1、膨脹圖像和腐蝕圖像之間的算術差
2、原始圖像和腐蝕圖像之間的算術差
3、膨脹圖像和原始圖像之間的算術差
B選擇爲圓盤狀結構元素，“”和“”分別表示膨脹和腐蝕。
形態學梯度比一般的局部斜率梯度定義更明顯地強調了結構元素所定義的窗口內的變化差異，形態學梯度使輸入圖像的灰度級躍變更爲急劇。能夠使圖像中比較大的區域更加突出，它與各種空間算子不同的是，使用對稱結構元素得到的形態學梯度對邊緣方向性的依賴更小。但是一般來說，形態學梯度的計算量會大一些。B只是單尺度的形態梯度算子，形態學梯度算子的性能取決於結構元素B的大小，因此選擇形態結構元素B就尤爲重要。對於人臉區域的形狀特性，我們採用圓盤形結構元素來處理。如果B結構元素太小，梯度算子雖有較高的空間分辨率，但是對斜坡邊緣只產生一個很小的輸出結果。如果B梯度算子足夠大，則對於斜坡邊緣來說，該梯度算子的輸出就等於邊緣的高度，但是大的梯度算子會造成邊緣間的影響，將會導致梯度的極大值和邊緣的不一致。
爲了結合大結構算子和小結構算子的各自優點，我們採用多尺度形態學學梯度算法[7]。設爲一組圓盤形的結構元素，其中的大小爲個像素點。多尺度形態學梯度定義爲
使用這一梯度算子對圖像處理，將得到反映所有邊緣高度的梯度圖像。由於多尺度的形態梯度算子G使用了取平均運算，比單尺度的形態梯度算子抗噪聲的能力更強，對於噪聲較大的圖像能取得較好的效果。
2.4.2 形態學圖像重建
傳統的開運算是先腐蝕，再膨脹操作。而閉運算則是先膨脹，再腐蝕操作。而且傳統的開閉運算只能去掉圖像的部分低灰度和高灰度細節，而形態學開重建運算則是先做的開運算，然後做重建。形態學閉運算則是先做的閉運算，然後做重建。綜上兩種運算比較，形態學開閉重建對圖像梯度重建，消除了梯度圖像中由非規則灰度擾動和噪聲引起的局部極值。物體顯著輪廓卻在重建過程中得以恢復，使圖像在簡化的同時保持主要對象的形狀信息。
有兩個圖像：原始灰度圖像和參考圖像。也稱爲掩膜圖像，稱爲標記圖像。
一、測地膨脹定義如下：
（i=1,2,3,...）其中B爲圓盤形結構元素,形態學測地膨脹爲迭代運算，當i達到預定次數或者時，迭代終止。
二、測地腐蝕的定義如下：
（i=1,2,3,...) 形態學測地腐蝕爲迭代運算，當i達到預定次數或者時，迭代終止。
三、形態學開閉運算分別定義如下：
其中和分別表示形態學測地膨脹和測地腐蝕的收斂結果。構造形態學混合開閉算法，以原圖像的腐蝕作爲標記圖像做膨脹重建，就得到重構開。以原圖像的膨脹作爲標記圖像做腐蝕重建，就得到重構閉。先採用形態學開運算消除梯度圖像中的非規則干擾和尺度比結構元素B小的極大值噪聲,隨後再進行形態學閉重建運算去除比結構元素B小的暗噪聲。修正了區域極大值和極小值,減少甚至消除了由於噪聲干擾和細節造成的分水線位置偏移,具有準確的輪廓定位能力,減小了區域輪廓線的位置偏移,且明顯改善了因局部極小值過多造成的分水嶺過分割現象。
2.5 分水嶺分割
梯度圖像經過開閉重建後消除了明暗噪聲和非規則擾動，進一步減少了局部極小值點，接下來我們將通過修改標記符來修正梯度圖像，我們通過三個步驟來進行改進。
1、用標記把人臉圖像中的相關區域目標和背景標記出來，得到一副標記圖；
2、根據標記的圖像，運用形態學極小值技術來對梯度圖像進行修正；
3、對修正後的梯度圖像進行分水嶺，產生分割的人臉圖像。
2.5.1 修改標記符梯度圖的分水嶺變換
爲了消除分水嶺算法產生的過分割，採用對人臉圖像的內部（前景）和外部（背景）分別進行標記區別。此時，每個區域對象的前景像素點都是相通的。背景裏面的任何像素點都屬於任何區域對象。再用分水嶺算法會取得較好的效果。標記分水嶺算法是分水嶺算法的一種改進算法，它在區域圖像上進行標記，標記可以爲一個點，一條線，或者一片區域。重要的不是標記的形狀，而是它所在的位置。每一個標記都代表了圖像的最終分割區域，即區域圖像中每個特徵所在的位置。標記符是一個圖像的連通分量。區域圖像分割好壞的關鍵就是標記的選取。
我們提出了應用標記符算法來解決過分割問題，我們通過一個內部標記符集合（我們感興趣的目標內）和一個外部標記符集合（背景）來修改梯度圖像。通過計算圖像的“擴展的最小變換”，使用函數imextendedmin來獲得內部標記符集合：該函數可通過設定某個高度閾值h來擴展“局部最小區域”，即比周圍更深的點的集合。接下來，我們需要尋找那些屬於背景的外部標記，即爲分水嶺的脊線。本文采用的尋找方法是用二值圖像的距離去進行分水嶺變換。理論上講就外部標記不會靠目標邊緣太近。癌細胞梯度圖像作爲分水嶺分割的輸入圖像，然後利用內部標記和外部標記通過形態學中的極小值標定技術[9]來修改梯度圖像，屏蔽掉原有圖像中的所有局部極小值。因此，修改後的梯度圖像中，只有對應二值標記圖像中不爲零的地方強制有局部極小值。修改極小值後的梯度圖像用表示。即
其中表示形態學極小值標定操作，分水嶺分割在上進行，最終得到理想的分割區域結果，記作。分水嶺算法表示如下：
其中是分水嶺算法的分割算子。
2.5.2 實驗步驟
1、預先設定一個高度閾值h來擴展“局部最小區域”，將二值圖像前景像素的深局部最小區域位置標記出來。
2、標記外部標記符，尋找那些屬於背景的外部標記，即爲分水嶺的脊線。本文采用的尋找方法是用二值圖像的距離去進行分水嶺變換。
3、通過強制最小技術（minima imposition)修正梯度。
4、對修正的圖像進行標準的分水嶺分割。
2.6 人臉圖像形態學特徵計算
我們得到被分割的人臉圖像，下一步就是把圖像轉化成二值圖像進行連通對象標註。二值圖像中像素只能取1值（白色的前景）和0值（黑色的背景），實際中圖像的前景往往由多個彼此分離的目標分量組成。如果我們把每個區域前景目標的像素值都分配一個唯一的整數。各個區域目標的像素值依次被賦予1、2、3……。背景的像素值取0。這樣便實現了區域目標的連接對象標註。所得的新的圖像稱爲標記矩陣。矩陣大小和原圖像大小相同，這樣就能得到連接分量目標的總數。
regionprops是用來度量圖像中不同區域屬性的函數[10]。表示形式是：stats=regionprops(L,properties)。如果 properties 等於字符串 'all'，則所有屬性都將被計算。分別是：面積'Area' ,周長 'perimeter', 質心'Centroid'。在調用regionprops之前必須將二值圖像轉變爲標註矩陣。[L,n]= bwlabel(BW); bwlabel函數可以把二值圖像轉變成標註矩陣。L中不同的正整數元素對應不同的區域。n代表標記連通區域的個數。
1、統計數目
統計分割後區域的數目，通過對二值化後的圖像進行標記。尋找連通區域。那麼連同區域的個數就是我們所要統計的區域的個數。
2、面積計算
區域的面積就用區域邊界所圍圖像塊所包含的像素數表示，在數字圖像中，區域面積可以定義爲區域內索含的像素的個數。即可以將區域內部的像素標記爲，區域外部標記爲。則面積爲：
3、周長計算
區域周長就是用邊界像素點連接成的閉合曲線的周長。
4、質心計算
區域的質心就是每個人臉區域的重心。用regionprops中'Centroid'屬性來度量。Centroid 的第一個元素是重心水平座標（x座標）、第二個元素是重心垂直座標（y座標）。
3 基於模糊聚類的圖像分割
3.1 模糊聚類圖像分割
即通過模糊c-均值（FCM）聚類實現圖像的分割。
FCM聚類算法目標函數爲：
如果表示每一個樣本的維數，是一個矩陣；表示樣本數目，通常表示圖像像素數；表示聚類數目；是矢量隸屬於第類的隸屬度函數，滿足且；聚類中心是矩陣，和更新等式分別爲：
對於每一個模糊隸屬度，由控制模糊度的權重指數；爲相似性測度。
3.2 算法步驟
算法的具體實現步驟如下：
Step1：設置目標函數精度，模糊指數（通常取2），最大迭代次數；
Step2：初始化模糊聚類中心；
Step3：由式（1-2）更新模糊劃分矩陣和聚類中心
Step4：若則結束聚類；否則，並轉Step3；
Step5：由所得得到各像素點分類結果。
4 實驗仿真結果分析
實驗圖像
圖像預處理過程
梯度圖像顯示
分水嶺分割結果
模糊分割結果
分水嶺+模糊分割結果
實驗分析
對原始圖像經過灰度形態學操作得到人臉區域，並進行圖像增強操作得到增強後的人臉圖像，可以看到，預處理效果明顯，能有效的突出人臉區域。爲進行分水嶺變換，先計算其梯度圖像，通過對梯度圖像的觀察，可以看到梯度圖像突出顯示了圖像的邊緣等較爲突出的特徵。爲了進行比較，我們分別用分水嶺分割算法、模糊分割算法、分水嶺+模糊分割算法進行的實驗，可以通過結果圖像來觀察實驗結果。
5 結論
5.1 全文總結
在人臉圖像分割實驗開展的期間，通過查閱形態學圖像分析、改進分水嶺方法、圖像模糊分割等相關的多種資源，包括書籍，論文，網絡以及各種Matlab的專業論壇。學習並研究了圖像處理與分析的主要理論和方法。
本文的主要目的是對人臉圖像進行改進分水嶺分割研究，進行區域計數和區域特徵提取。對於人臉圖像在進行分水嶺算法之前，首先對原始圖像進行濾波預處理。用灰度形態學濾波去除部分噪聲，利用開閉運算對圖像進行平滑可以去除噪聲，保留重要的目標輪廓。本文中採用的形態學梯度算法計算圖像的梯度以克服傳統梯度對方向的依賴性。通過對平滑後的圖像進行梯度優化，可以進一步減少造成過分割的因素。對梯度圖像進行開閉重建。去除了噪聲，保留了重要的區域輪廓，避免了標準分水嶺存在的過分割。再通過極小值標記和外部背景標記修正梯度圖像，對修正圖像進行分水嶺。最後，通過模糊分割算法進行分割，得到最終結果。
本文提出的改進分水嶺算法圖像分割方案具有極強的噪聲抑制能力，分割的結果良好，具有完整精確連續的邊緣，後期不需要後期的合併處理就能夠達到有意義的分割。降低了算法的複雜性，從根本上解決了人臉區域圖像複雜噪聲對傳統分水嶺算法的影響。但是文章中涉及到結構元素大小的選擇，算法靈活，具有更廣闊的運用範疇。
5.2 全文展望
分水嶺算法因爲具有運行簡單，準確的邊緣定位等優點，人們越來越重視它在圖像分割方向的運用。基於梯度優化和標記算法的改進分水嶺分割雖然對於本文提到的人臉圖像分割比較有效，但是對其他的圖像有待進一步的研究。應該根據實際的需要，將其他有效的方法和分水嶺相結合。用來解決實際項目應該解決的分割問題。雖然研究者在分水嶺的改進方面做了很努力，用其他的方法與傳統的分水嶺分割相結合，提出了很多實用的改進方法，使分水嶺成爲圖像分割領域的一個熱門的研究主題。但是分水嶺在實際運用中仍然有很多需要改進的地方。
一、對於分水嶺算法，去除過分割是很重要的一環，本文在開閉重建濾波和梯度優化方面能有效的去除過分割，這裏存在了一個參數的選擇問題。可以在今後的研究中找到一種自適應參數的算法。同時擴展分水嶺在不同領域圖像的運用。
二、目前改進的分水嶺方法很多，但是目前還沒有一個統一評價標準來衡量何種方法是項目實際需要的最好方法，所以在實際運用時，不利於我們選擇分水嶺的改進方法。所以，制定一個統一的評價標準是以後的研究任務之一。
三、分水嶺的算法和理論多用於灰度圖像，那未來的研究方向就是如何把分水嶺算法和改進方法用於彩色圖像。
四、由於人臉圖像處理算法的特定性，和圖像的其他分割算法一樣，任何一種算法都不可能適合所有情況下人臉圖像的分割。人臉圖像的分割還有很多問題有待解決。
參考文獻
[1] Karantzalos K, Argialas D. Improving Edge Detection and Watershed Segmentation with Anisotropic Diffusion and Morphological Levellings[J]. International Journal of Remote Sensing,2006, 27(24): 5427-5434
[2] 楊文明, 陳國斌, 沈曄湖, 等. 一種基於分水嶺變換的圖像分割方案[J]. 浙江大學學報:工學版,2006, 40(9):1503-1510
[3] 叢培盛,孫建忠.分水嶺算法分割顯微圖像中重疊細胞[J].中國圖象圖形學報, 2006,11(12): 1781-1784
[4] 萬劍.腫瘤細胞計算機輔助診斷系統的研究[D].武漢:華中師範大學機械科學與工程學院，2004
[5] 胡蕾，張偉，覃慶炎.幾種圖像去噪算法的應用分析[J].信息技術，2007(7):81—83
[6] 李鳳慧.基於數學形態學的圖像噪聲處理[J].信息技術，2006(6):45—46
[7] 盧官明．一種計算圖象形態梯度的多尺度算法[J]．中國圖形圖象學報，2001,6（A）（3）:214-218
[8] 郭亞，黃燕國，許倫輝．基於形態學和梯度重構的車牌圖像分割方法[J].計算機運用研究，2011,28（11）:4392-4397
[9] 高麗，楊樹元，李海強．一種基於標記的分水嶺圖像分割新算法[J]．中國圖像圖形學報，2007,12（6）:1025-1032．
[10] Soile P. Morphological Image Analysis Principles and Applications[M]. Berlin,Berlin, Germany :Springer_Verlag,1999
[11] 李朝鋒，潘婷婷．基於形態學開閉運算和梯度優化的分水嶺算法的目標檢測方法[J]．計算機應用研究，2009，26(4):1593-1594
[12] 王鳳娥．改進後的分水嶺算法在圖像分割中的應用研究[D].山東:山東大學，2008
致 謝
本文是在**老師的熱情關心和指導下完成的，他淵博的知識和嚴謹的治學作風使我受益匪淺，對順利完成本課題起到了極大的作用。在此向他表示我最衷心的感謝！
在論文完成過程中，本人還得到了其他老師和同學的熱心幫助，本人向他們表示深深的謝意！
最後向在百忙之中評審本文的各位專家、老師表示衷心的感謝！