获取项目源代码，请联系QQ:2408679059,可指导毕业设计，课题设计
人脸图像模糊分割实验报告
摘 要
图像分割即指将图像分成各具特性的区域并提取出感兴趣目标的技术，它是从图像处理到图像分析关键步骤。
本文针对人脸库图像，首先，对图像进行预处理，提取人脸区域并采用分水岭算法进行图像分割。然后，对其产生的过分割问题，应用数学形态学的开闭运算对图像进行滤波，求取其梯度，并依据内外标记对梯度图像进行修正，进而实施分水岭变换。最后，在对小区域进行模糊聚类时，建立了包含邻域信息的聚类目标函数。
实验表明，该方法分割速度快、抗噪能力强，实现了人脸图像区域的较优分割。
关键词：形态学滤波 梯度 分水岭 模糊分割
目 录
1 引言
1.1 课题背景
图像分割是进行图像理解的基础，是图像工程技术中的一个重要问题。近年来，人们越来越重视图像的分割算法，并期望寻求一种实时性、鲁棒性较好的算法。图像分割技术在当今信息社会中具有极其广泛的用途，特别是在图像检索、视频监控、医学图像诊断、卫星遥感图像识别、交通车牌信息识别等等方面尤其有现实意义。
人脸图像分割目前经过多年来的广泛深入研究，多种方法被提出。基于边缘的分割法，基于阈值的分割法，基于能量泛函的分割方法，基于区域的分割法以及分水岭算法。其中分水岭算法是一种被广泛应用的基于数学形态学的图像分割方法。具有边界定位准确，即独特的区域边缘定位能力。拥有计算速度快，算法易于实现，分割精度高，产生的边界是单像素宽度等各种优点，被运用到人脸图像分割中。然而对于传统的分水岭算法一个不良的缺点就是易于产生过分割问题。
主要原因： 1、对噪声敏感，受内部局部纹理的影响，会使检测到的局部极值过多，从而形成大量封闭的细小区域。2、让输入的图像是梯度图像，图像不经过预处理进行分水岭，图像中的噪声会直接影响后续的分割效果。3、对于人脸图像易丢失区域的重要轮廓。
目前的研究来看，主要有两类解决办法去抑制过分割。一是在图像分割之前对图像做预处理，在对处理后的图像目标进行标记提取。二是对分水岭分割后的结果进行区域融合，但是融合的区域数目较大，过程中的计算量也较大，并且十分耗时。因此本文实现了一种改进分水岭算法。在图像分割之前进行预处理，通过中值滤波器滤除部分噪声，再通过形态开闭滤波器平滑图像，保留图像的重要轮廓而去除易造成过分割的噪声和细节。提取出目标的形态学梯度，同时对梯度进行阈值优化。标记出所需要的目标，利用标记对梯度进行修正。最后对修正优化后的梯度图像再进行分水岭分割。最后，利用模糊c-均值聚类算法对过分割的图像进行后续处理。
1.2 本课题研究现状
针对传统的分水岭变换有过分割问题，很难拥有我们想要的满意的分割结果。很多学者结合自己的研究，提出了很多改进的方法。就目前进展来看，主要在4类方法中改进：1、预处理滤波2、区域合并3、标记4、其他。
在预处理滤波期间，由于图像本身具有的噪声和纹理量化误差。传统分水岭被运用在分割时，会在大边缘包围的区域分割形成很多细小的区域，因此就在真正的边缘中出现了许多的虚假的边缘。那很多学者在预处理方面做了深入的研究，同时配合实验操作，取得了较好的实验效果。比如：康维等人先使用形态学滤波的方法滤除医学图像中离散的细胞核点的同时也包括了细胞核其中的孔洞，随后应用分水岭算法对重叠细胞进行分割，结果显示算法能提取理想的细胞组织边界。潘婷婷等人针对卫星图像中道路的基本特征，考虑到提取道路信息的不易，她运用高通滤波器对原始图像进行去噪和平滑，取得了很好的效果。在改进算法中避免了过分割问题。有的研究者使用形态学滤波和各向异性滤波两种滤波器来处理遥感图像，同时加上分水岭算法用于检测自动橄榄树[1]。姬宝金等人在图像预处理过程中先使用中值滤波来消除部分噪声，然后对原始图像的梯度图进行开闭重建运算，在去除了噪声和图像细节的情况下又很好的保留了区域重要轮廓。
在区域合并方面学者们做了很多探究性改进。针对区域自身的特点，尤鸿霞等人将分水岭算法结合区域合并应用于虹膜图像。结果表明该方法得到精确封闭的虹膜边缘,减少过度分割现象。Harrisk等人提出一种有效的改进方法。即对分水岭分割所得区域进行区域融合，但是初始分水岭分割所得区域数目往往会很大，因此融合过程计算量极大。
学者在标记方向也做了许多改进的研究，在实际的项目中也取得了一定的成绩。文献[2]对于传统分水岭分割算法对噪声敏感，从而产生过分割的缺点，提出一种基于开闭二次重建的基础上进行非线性处理的分水岭图像分割方案。王鑫等人在测地距离的概念基础之上，利用小波变换产生多分辨率图像，然后采用基于标记对最低分辨率图像分水岭分割，得到最初分割区域，最后运用小波反变换和区域标记，得到的分水岭分割结果是高分辨率图像，有效地解决了过分割问题。一种改进方法在医学临床显微图像自动快速分析实现。参见文献[3]，具体是先将二值化后的图像进行距离变换，然后对重建距离变换后的图像采用快速灰度重建算法，最后用分水岭算法分割，实现了自动探测目标细胞并分割重叠细胞，有效避免了过分割和分水岭标记点过分依赖于图像先验知识的缺陷，效果非常好。
同时有些人将小波变换，链码，图论和能量驱动和分水岭结合。在降低空间复杂度和时间以及适应性方面有很好的成效。冯林等人将图论融合分水岭算法。根据分水岭分割所得到的小区域的空间信息和灰度，用归一化分割方法从全局角度在区域之间进行分割来消除过分割现象。
研究人员在传统的分水岭的基础上改进方法，同时与其他方法结合上面做了大量的研究和实验。将小波变换、链码、图论等与分水岭算法相结合的技术则为分水岭算法改进的研究提供了思路和研究方向。目前这已经成为了一个图像分割领域最重要的课题。
1.3 本课题研究的意义
从人脸图像中提取特征区域在人脸识别或检索中具有很高的现实意义。其中，利用人脸的生物特征来进行身份鉴定是一个很受关注的热点。在许多场合，人们利用各种方法手段获取未知身份的人脸照片或是人脸特征的描述语言。如果由这些已知条件从数据库中查询出未知身份者的身份信息，是基于图像进行检索一个重要课题。
鉴于分水岭方法能够定位准确的边缘，并行化处理容易，同时运行简单等优点，但是会产生过分割问题。所以如何利用改进的分水岭从噪声中提取出我们需要的有用的人脸区域图像将有助于解决这些问题。
1.4 本课题的主要内容
本文以人脸库图像为研究对象，以如何能够得到准确的人脸区域分割为出发点，在综合了前人对改进分水岭分割图像研究的基础上系统地研究了基于形态学梯度，开闭重建和阈值优化修正梯度以及通过内外标记限制极小值的分水岭分割算法，最后引入模糊聚类分割算法并进行比较试验。
本文首先综合阐述了分水岭图像分割的研究现状和背景意义。基于数学形态学的基本理论，详细全面的分析阐述了基本理论。从灰度图的形态学分析着手，在人脸图像分割的基础上，研究了分水岭分割及改进算法。同时将改进的算法用在了人脸分割的运用上。处理流程如下图所示。
论文的主要成果和安排工作如下：
- ，引言以概述的形式简单介绍了分水岭分割技术的发展现状以及本论文研究背景意义。
- ，主要介绍了分水岭的原理，形态学开闭滤波的图像预处理方法。分析了结构元素形状和大小的差别对滤波结果的影响，同时针对图像的复杂噪声，我们提出了改进的滤波方法。在单尺度形态学梯度的基础上，我们提出利用一组大小不等的正方形结构元素来求取多尺度形态学梯度，最后基于内外标记和强制极小值方法修正梯度，最后进行分水岭分割。
- ，主要介绍图像模糊分割算法以及流程。
- ，主要通过几副图像来说明改进方法的过程和分割效果，并对分割后的人脸区域进行彩色标记显示。
- ，对本论文的工作总结和展望。
2 基于分水岭的人脸图像分割
2.1 分水岭基本思想
2.2 分水岭实现原理
2.2.1 模拟浸水的过程原理
一副高低起伏的地形图，如果把图像的所有像素都看成是它们的地形海拔高度。地形图由盆地（局部灰度极小值），山脊，以及盆地和山脊之间形成的山坡三部分构成。水从各个局部最低点向上漫溢，水面逐步上升，不同区域的水在各个区域的边缘便会汇合，我们就需要在山脊上修筑大坝来阻止它们汇合。这样大坝就将地形模型分割成了不同的区域。区域边缘建起的大坝被称为分水岭，被分割开的各个区域被称为汇水盆地。这就是模拟浸水的过程。
2.2.2 模拟降水的过程原理
仍然把图像看作是地形图模型来说明。当一滴雨珠从模型上空落下时，水降落到山体表面并顺势向下流，直到流到相同的局部最低点。山脊水滴经过的路线就是一个连通分支，通往局部最低点的所有连通分支就形成了一个集水盆地。那么山脊就是分水岭。这个就是模拟降水的过程。
2.3 图像预处理技术
预处理是图像处理的第一步，也是非常关键的一步。它能够加强突出大家感兴趣的目标，而抑制对我们无用的信息，最终改善图像的质量。图像预处理去除背景噪声有很多种方法：中值滤波[4]，邻域平均法[5]，形态学滤波[6]。这些方法主要对图像中的点状噪声滤波效果比较好，对于实际人脸图像中复杂的区域背景噪声，往往达不到很好的滤波效果。那么针对人脸细胞图像中复杂区域噪声，我们利用改进的形态学开闭滤波算法。
2.3.1 灰度形态学开闭滤波器
把形态学处理从二值图像扩展到灰度图像的基本操作，包括2个基本的运算：腐蚀、膨胀。同时在这两个运算的基础上发展的开运算和闭运算。
用对函数的灰度膨胀用，定义为：
灰度腐蚀表示为，定义为：
“”表示膨胀算法，“”表示腐蚀算法。函数为一灰度图像，为结构元素。
灰度形态膨胀和灰度形态腐蚀，与二值图像不同，运算的时候，移动的是而不是。然而，实际应用中经常是比小，所以以滑过还是以滑过在概念上是没有区别的。灰度形态膨胀是用最大值运算代替卷积求和，用加法运算代替卷积求乘积。是以结构元素为模板，搜寻图像在结构元素大小范围内的灰度和的极大值。灰度形态腐蚀是用最小值运算代替求和，用减法运算代替相关乘积。是以结构元素为模板，搜寻图像在结构元素大小范围内的灰度和的极小值。从信号处理角度来看，灰度形态和差是一种极值滤波。灰度形态腐蚀和膨胀相当于局部的最小和最大运算，那么灰度形态学就是一种非线性的，不可逆的变换。
灰度膨胀的计算是逐点进行的，求某点的灰度值就是计算该点局部范围内各点与结构元素所对应点的灰度值之和，并选择其中的最大值作为该点的膨胀结果。经过膨胀后，目标的边缘得到了延伸。灰度腐蚀的计算是逐点进行的，求某点的灰度值就是计算该点局部范围内各点与结构元素所对应点的灰度值之差，并选择其中的最小值作为该点的腐蚀结果。经过腐蚀后，目标的边缘具有高灰度值的点的灰度会降低。
在腐蚀和膨胀基础上的二级运算是开闭运算，分别用“”和“”表示。
定义如下：
开运算是先对图像进行腐蚀运算，再进行膨胀运算。开运算一般能平滑图像的轮廓，削弱狭窄的部分，去掉细的突出。闭运算则是先对图像进行了膨胀后腐蚀的操作。它也能平滑图像的轮廓，它一般能融合窄的缺口和细长的弯口。
2.3.2 开闭滤波器的改进算法
1、将原始图像进行灰度化处理。
2、对灰度图像进行开闭滤波，经过实验发现，用圆形结构元素效果佳。
3、对开闭滤波后的图像结果进行阈值二值化处理。
4、将二值化处理后的结果和原灰度图像比较，提取最大特征区域，获取人脸区域矩形框，即为裁剪区域，那就能很好的滤掉背景噪声中的头发等噪声。
实验结果：下图为我们处理的原始图像，为了便于观察。我们随机选择人脸库中某幅人脸图像进行处理。
通过上面的对比可以看出，对于原人脸图像，通过膨胀、腐蚀操作，可以较好的滤除背景噪声，突出人脸区域，二值化效果明显，能较好的分割出人脸区域。
2.4 形态学梯度
2.4.1 形态学梯度
基于分水岭变换的图像分割方法，其性能在很大程度上依赖于用来计算待分割图像梯度的算法，对分水岭而言，理想的梯度算子输出应等于输入的边缘高度，即边缘两边像素的灰度差，而不是边缘的斜率。自然图像中一般很少出现阶跃边缘，通常都是界限比较模糊的边缘。对于这种边缘类型，传统的梯度算子输出的是边缘斜率，形态学梯度算子确能输出高度。
形态学梯度可以用原始图像与图像的膨胀或腐蚀的处理结果进行差分来计算。对于图像f和结构元素B常用的形态学梯度有以下三种定义：
1、膨胀图像和腐蚀图像之间的算术差
2、原始图像和腐蚀图像之间的算术差
3、膨胀图像和原始图像之间的算术差
B选择为圆盘状结构元素，“”和“”分别表示膨胀和腐蚀。
形态学梯度比一般的局部斜率梯度定义更明显地强调了结构元素所定义的窗口内的变化差异，形态学梯度使输入图像的灰度级跃变更为急剧。能够使图像中比较大的区域更加突出，它与各种空间算子不同的是，使用对称结构元素得到的形态学梯度对边缘方向性的依赖更小。但是一般来说，形态学梯度的计算量会大一些。B只是单尺度的形态梯度算子，形态学梯度算子的性能取决于结构元素B的大小，因此选择形态结构元素B就尤为重要。对于人脸区域的形状特性，我们采用圆盘形结构元素来处理。如果B结构元素太小，梯度算子虽有较高的空间分辨率，但是对斜坡边缘只产生一个很小的输出结果。如果B梯度算子足够大，则对于斜坡边缘来说，该梯度算子的输出就等于边缘的高度，但是大的梯度算子会造成边缘间的影响，将会导致梯度的极大值和边缘的不一致。
为了结合大结构算子和小结构算子的各自优点，我们采用多尺度形态学学梯度算法[7]。设为一组圆盘形的结构元素，其中的大小为个像素点。多尺度形态学梯度定义为
使用这一梯度算子对图像处理，将得到反映所有边缘高度的梯度图像。由于多尺度的形态梯度算子G使用了取平均运算，比单尺度的形态梯度算子抗噪声的能力更强，对于噪声较大的图像能取得较好的效果。
2.4.2 形态学图像重建
传统的开运算是先腐蚀，再膨胀操作。而闭运算则是先膨胀，再腐蚀操作。而且传统的开闭运算只能去掉图像的部分低灰度和高灰度细节，而形态学开重建运算则是先做的开运算，然后做重建。形态学闭运算则是先做的闭运算，然后做重建。综上两种运算比较，形态学开闭重建对图像梯度重建，消除了梯度图像中由非规则灰度扰动和噪声引起的局部极值。物体显著轮廓却在重建过程中得以恢复，使图像在简化的同时保持主要对象的形状信息。
有两个图像：原始灰度图像和参考图像。也称为掩膜图像，称为标记图像。
一、测地膨胀定义如下：
（i=1,2,3,...）其中B为圆盘形结构元素,形态学测地膨胀为迭代运算，当i达到预定次数或者时，迭代终止。
二、测地腐蚀的定义如下：
（i=1,2,3,...) 形态学测地腐蚀为迭代运算，当i达到预定次数或者时，迭代终止。
三、形态学开闭运算分别定义如下：
其中和分别表示形态学测地膨胀和测地腐蚀的收敛结果。构造形态学混合开闭算法，以原图像的腐蚀作为标记图像做膨胀重建，就得到重构开。以原图像的膨胀作为标记图像做腐蚀重建，就得到重构闭。先采用形态学开运算消除梯度图像中的非规则干扰和尺度比结构元素B小的极大值噪声,随后再进行形态学闭重建运算去除比结构元素B小的暗噪声。修正了区域极大值和极小值,减少甚至消除了由于噪声干扰和细节造成的分水线位置偏移,具有准确的轮廓定位能力,减小了区域轮廓线的位置偏移,且明显改善了因局部极小值过多造成的分水岭过分割现象。
2.5 分水岭分割
梯度图像经过开闭重建后消除了明暗噪声和非规则扰动，进一步减少了局部极小值点，接下来我们将通过修改标记符来修正梯度图像，我们通过三个步骤来进行改进。
1、用标记把人脸图像中的相关区域目标和背景标记出来，得到一副标记图；
2、根据标记的图像，运用形态学极小值技术来对梯度图像进行修正；
3、对修正后的梯度图像进行分水岭，产生分割的人脸图像。
2.5.1 修改标记符梯度图的分水岭变换
为了消除分水岭算法产生的过分割，采用对人脸图像的内部（前景）和外部（背景）分别进行标记区别。此时，每个区域对象的前景像素点都是相通的。背景里面的任何像素点都属于任何区域对象。再用分水岭算法会取得较好的效果。标记分水岭算法是分水岭算法的一种改进算法，它在区域图像上进行标记，标记可以为一个点，一条线，或者一片区域。重要的不是标记的形状，而是它所在的位置。每一个标记都代表了图像的最终分割区域，即区域图像中每个特征所在的位置。标记符是一个图像的连通分量。区域图像分割好坏的关键就是标记的选取。
我们提出了应用标记符算法来解决过分割问题，我们通过一个内部标记符集合（我们感兴趣的目标内）和一个外部标记符集合（背景）来修改梯度图像。通过计算图像的“扩展的最小变换”，使用函数imextendedmin来获得内部标记符集合：该函数可通过设定某个高度阈值h来扩展“局部最小区域”，即比周围更深的点的集合。接下来，我们需要寻找那些属于背景的外部标记，即为分水岭的脊线。本文采用的寻找方法是用二值图像的距离去进行分水岭变换。理论上讲就外部标记不会靠目标边缘太近。癌细胞梯度图像作为分水岭分割的输入图像，然后利用内部标记和外部标记通过形态学中的极小值标定技术[9]来修改梯度图像，屏蔽掉原有图像中的所有局部极小值。因此，修改后的梯度图像中，只有对应二值标记图像中不为零的地方强制有局部极小值。修改极小值后的梯度图像用表示。即
其中表示形态学极小值标定操作，分水岭分割在上进行，最终得到理想的分割区域结果，记作。分水岭算法表示如下：
其中是分水岭算法的分割算子。
2.5.2 实验步骤
1、预先设定一个高度阈值h来扩展“局部最小区域”，将二值图像前景像素的深局部最小区域位置标记出来。
2、标记外部标记符，寻找那些属于背景的外部标记，即为分水岭的脊线。本文采用的寻找方法是用二值图像的距离去进行分水岭变换。
3、通过强制最小技术（minima imposition)修正梯度。
4、对修正的图像进行标准的分水岭分割。
2.6 人脸图像形态学特征计算
我们得到被分割的人脸图像，下一步就是把图像转化成二值图像进行连通对象标注。二值图像中像素只能取1值（白色的前景）和0值（黑色的背景），实际中图像的前景往往由多个彼此分离的目标分量组成。如果我们把每个区域前景目标的像素值都分配一个唯一的整数。各个区域目标的像素值依次被赋予1、2、3……。背景的像素值取0。这样便实现了区域目标的连接对象标注。所得的新的图像称为标记矩阵。矩阵大小和原图像大小相同，这样就能得到连接分量目标的总数。
regionprops是用来度量图像中不同区域属性的函数[10]。表示形式是：stats=regionprops(L,properties)。如果 properties 等于字符串 'all'，则所有属性都将被计算。分别是：面积'Area' ,周长 'perimeter', 质心'Centroid'。在调用regionprops之前必须将二值图像转变为标注矩阵。[L,n]= bwlabel(BW); bwlabel函数可以把二值图像转变成标注矩阵。L中不同的正整数元素对应不同的区域。n代表标记连通区域的个数。
1、统计数目
统计分割后区域的数目，通过对二值化后的图像进行标记。寻找连通区域。那么连同区域的个数就是我们所要统计的区域的个数。
2、面积计算
区域的面积就用区域边界所围图像块所包含的像素数表示，在数字图像中，区域面积可以定义为区域内索含的像素的个数。即可以将区域内部的像素标记为，区域外部标记为。则面积为：
3、周长计算
区域周长就是用边界像素点连接成的闭合曲线的周长。
4、质心计算
区域的质心就是每个人脸区域的重心。用regionprops中'Centroid'属性来度量。Centroid 的第一个元素是重心水平座标（x座标）、第二个元素是重心垂直座标（y座标）。
3 基于模糊聚类的图像分割
3.1 模糊聚类图像分割
即通过模糊c-均值（FCM）聚类实现图像的分割。
FCM聚类算法目标函数为：
如果表示每一个样本的维数，是一个矩阵；表示样本数目，通常表示图像像素数；表示聚类数目；是矢量隶属于第类的隶属度函数，满足且；聚类中心是矩阵，和更新等式分别为：
对于每一个模糊隶属度，由控制模糊度的权重指数；为相似性测度。
3.2 算法步骤
算法的具体实现步骤如下：
Step1：设置目标函数精度，模糊指数（通常取2），最大迭代次数；
Step2：初始化模糊聚类中心；
Step3：由式（1-2）更新模糊划分矩阵和聚类中心
Step4：若则结束聚类；否则，并转Step3；
Step5：由所得得到各像素点分类结果。
4 实验仿真结果分析
实验图像
图像预处理过程
梯度图像显示
分水岭分割结果
模糊分割结果
分水岭+模糊分割结果
实验分析
对原始图像经过灰度形态学操作得到人脸区域，并进行图像增强操作得到增强后的人脸图像，可以看到，预处理效果明显，能有效的突出人脸区域。为进行分水岭变换，先计算其梯度图像，通过对梯度图像的观察，可以看到梯度图像突出显示了图像的边缘等较为突出的特征。为了进行比较，我们分别用分水岭分割算法、模糊分割算法、分水岭+模糊分割算法进行的实验，可以通过结果图像来观察实验结果。
5 结论
5.1 全文总结
在人脸图像分割实验开展的期间，通过查阅形态学图像分析、改进分水岭方法、图像模糊分割等相关的多种资源，包括书籍，论文，网络以及各种Matlab的专业论坛。学习并研究了图像处理与分析的主要理论和方法。
本文的主要目的是对人脸图像进行改进分水岭分割研究，进行区域计数和区域特征提取。对于人脸图像在进行分水岭算法之前，首先对原始图像进行滤波预处理。用灰度形态学滤波去除部分噪声，利用开闭运算对图像进行平滑可以去除噪声，保留重要的目标轮廓。本文中采用的形态学梯度算法计算图像的梯度以克服传统梯度对方向的依赖性。通过对平滑后的图像进行梯度优化，可以进一步减少造成过分割的因素。对梯度图像进行开闭重建。去除了噪声，保留了重要的区域轮廓，避免了标准分水岭存在的过分割。再通过极小值标记和外部背景标记修正梯度图像，对修正图像进行分水岭。最后，通过模糊分割算法进行分割，得到最终结果。
本文提出的改进分水岭算法图像分割方案具有极强的噪声抑制能力，分割的结果良好，具有完整精确连续的边缘，后期不需要后期的合并处理就能够达到有意义的分割。降低了算法的复杂性，从根本上解决了人脸区域图像复杂噪声对传统分水岭算法的影响。但是文章中涉及到结构元素大小的选择，算法灵活，具有更广阔的运用范畴。
5.2 全文展望
分水岭算法因为具有运行简单，准确的边缘定位等优点，人们越来越重视它在图像分割方向的运用。基于梯度优化和标记算法的改进分水岭分割虽然对于本文提到的人脸图像分割比较有效，但是对其他的图像有待进一步的研究。应该根据实际的需要，将其他有效的方法和分水岭相结合。用来解决实际项目应该解决的分割问题。虽然研究者在分水岭的改进方面做了很努力，用其他的方法与传统的分水岭分割相结合，提出了很多实用的改进方法，使分水岭成为图像分割领域的一个热门的研究主题。但是分水岭在实际运用中仍然有很多需要改进的地方。
一、对于分水岭算法，去除过分割是很重要的一环，本文在开闭重建滤波和梯度优化方面能有效的去除过分割，这里存在了一个参数的选择问题。可以在今后的研究中找到一种自适应参数的算法。同时扩展分水岭在不同领域图像的运用。
二、目前改进的分水岭方法很多，但是目前还没有一个统一评价标准来衡量何种方法是项目实际需要的最好方法，所以在实际运用时，不利于我们选择分水岭的改进方法。所以，制定一个统一的评价标准是以后的研究任务之一。
三、分水岭的算法和理论多用于灰度图像，那未来的研究方向就是如何把分水岭算法和改进方法用于彩色图像。
四、由于人脸图像处理算法的特定性，和图像的其他分割算法一样，任何一种算法都不可能适合所有情况下人脸图像的分割。人脸图像的分割还有很多问题有待解决。
参考文献
[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] 杨文明, 陈国斌, 沈晔湖, 等. 一种基于分水岭变换的图像分割方案[J]. 浙江大学学报:工学版,2006, 40(9):1503-1510
[3] 丛培盛,孙建忠.分水岭算法分割显微图像中重叠细胞[J].中国图象图形学报, 2006,11(12): 1781-1784
[4] 万剑.肿瘤细胞计算机辅助诊断系统的研究[D].武汉:华中师范大学机械科学与工程学院，2004
[5] 胡蕾，张伟，覃庆炎.几种图像去噪算法的应用分析[J].信息技术，2007(7):81—83
[6] 李凤慧.基于数学形态学的图像噪声处理[J].信息技术，2006(6):45—46
[7] 卢官明．一种计算图象形态梯度的多尺度算法[J]．中国图形图象学报，2001,6（A）（3）:214-218
[8] 郭亚，黄燕国，许伦辉．基于形态学和梯度重构的车牌图像分割方法[J].计算机运用研究，2011,28（11）:4392-4397
[9] 高丽，杨树元，李海强．一种基于标记的分水岭图像分割新算法[J]．中国图像图形学报，2007,12（6）:1025-1032．
[10] Soile P. Morphological Image Analysis Principles and Applications[M]. Berlin,Berlin, Germany :Springer_Verlag,1999
[11] 李朝锋，潘婷婷．基于形态学开闭运算和梯度优化的分水岭算法的目标检测方法[J]．计算机应用研究，2009，26(4):1593-1594
[12] 王凤娥．改进后的分水岭算法在图像分割中的应用研究[D].山东:山东大学，2008
致 谢
本文是在**老师的热情关心和指导下完成的，他渊博的知识和严谨的治学作风使我受益匪浅，对顺利完成本课题起到了极大的作用。在此向他表示我最衷心的感谢！
在论文完成过程中，本人还得到了其他老师和同学的热心帮助，本人向他们表示深深的谢意！
最后向在百忙之中评审本文的各位专家、老师表示衷心的感谢！