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。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像索赋予相同的编号。

图像分割是图像分析的第一步，图像分割接下来的任务，如特征提取、目标识别等的好坏，都取决于图像分割的质量如何。由于该课题的难度和深度，进展比较缓慢。图像分割技术自20世纪70年代起一直受到人们的高度重视，虽然研究人员针对各种问题提出了许多方法，但迄今为止仍然不存在一个普遍适用的理论和方法。

数字图像处理技术是一个跨学科的领域。随着计算机科学技术的不断发展，图像处理和分析逐渐形成了自己的科学体系，新的处理方法层出不穷，尽管其发展历史不长，但却引起各方面人士的广泛关注。首先，视觉是人类最重要的感知手段，图像又是视觉的基础，因此，数字图像成为心理学、生理学、计算机科学等诸多领域内的学者们研究视觉感知的有效工具。其次，图像处理在军事、遥感、气象等大型应用中有不断增长的需求。1998年以来，人工神经网络识别技术已经引起了广泛的关注，并且应用于图像分割。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接，容易引入空间信息，能较好地解决图像中的噪声和不均匀问题。选择何种网络结构是这种方法要解决的主要问题。图像分割是图像识别和计算机视觉至关重要的预处理。没有正确的分割就不可能有正确的识别。但是，进行分割仅有的依据是图像中像素的亮度及颜色，由计算机自动处理分割时，将会遇到各种困难。例如，光照不均匀、噪声的影响、图像中存在不清晰的部分，以及阴影等，常常发生分割错误。因此图像分割是需要进一步研究的技术。人们希望引入一些人为的知识导向和人工智能的方法，用于纠正某些分割中的错误，是很有前途的方法，但是这又增加了解决问题的复杂性。在通信领域中，图像分割技术对可视电话等活动图像的传输很重要，需要把图像中活动部分与静止的背景分开，还要把活动部分中位移量不同的区域分开，对不同运动量的区域用不同的编码传输，以降低传输所需的码率。图像拼接技术就是将数张有重叠部分的图像（可能是不同时间、不同视角或者不同传感器获得的）拼成一幅大型的无缝高分辨率图像的技术。

图像拼接技术主要包括两个关键环节即图像配准和图像融合。对于图像融合部分，由于其耗时不太大，且现有的几种主要方法效果差别也不多，所以总体来说算法上比较成熟。而图像配准部分是整个图像拼接技术的核心部分，它直接关系到图像拼接算法的成功率和运行速度，因此配准算法的研究是多年来研究的重点。人类感知外部世界的两大途径是听觉和视觉，尤其是视觉，同时视觉信息是人类从自然界中获得信息的主要来源，约占人类获得外部世界信息量的80%以上。图像以视觉为基础通过观测系统直接获得客观世界的状态，它直接或间接地作用于人眼，反映的信息与人眼获得的信息一致，这决定了它和客观外界都是人类最主要的信息来源，图像处理也因此成为了人们研究的热点之一。人眼获得的信息是连续的图像，在实际应用中，为便于计算机等对图像进行处理，人们对连续图像进行采样和量化等处理，得到了计算机能够识别的数字图像。数字图像具有信息量大、精度高、内容丰富、可进行复杂的非线性处理等优点，成为计算机视觉和图像处理的重要研究对象。在一幅图像中，人们往往只对其中的某些区域感兴趣，称之为前景，这些区域内的某些空间信息特性（如灰度、颜色、轮廓、纹理等）通常与周围背景之间存在差别。图像分割就是根据这些差异把图像分成若干个特定的、具有独特性质的区域并提取感兴趣目标的技术和过程。在数字图像处理中，图像分割作为早期处理是一个非常重要的步骤。为便于研究图像分割，使其在实际的图像处理中得到有效的应用，严格定义图像分割的概念是十分必要的。图像分割的数学描述通常为：对图像I的整个图像域R根据相似性测量逻辑准则P划分为N个不相交的子其中：条件1保证所有分割区域的总和与整幅图像区域相等;条件2保证不同区域之间不重叠;条件3保证在同一区域的图像特征具有一致性;条件4保证不同分割区域的图像特征不同。到目前为止，研究者们在图像分割领域取得了大量的研究成果，这些成果源于对图像中不同特征的利用，如同一区域内的特征具有相似性和像素点之间具有连通性、目标与背景之间存在不连续性等，但是至今没有一种分割算法能用于所有的图像分割，这也促进了研究者们对图像分割进行不断地研究。早期经典的图像分割方法大多只利用到图像的低层信息，如边缘、纹理、灰度等，其中较为经典的算法有基于阂值的图像分割、基于边缘检测的图像分割基于图论的图像 分割等。近年来，研究者们将研究的重点转移到图像中的高层知识，并将先验知 识引入图像分割算法中，得到了一些新的图像分割理念，如小波变换模糊集［数学形态学、神经网络活动轮廓模型等，丰富了图像分割方法，很大程度上改善了分割效果。图像分割是图像处理和计算机视觉中重要的一环，近年来它不仅一直是计算 机视觉领域的热门话题，在实际生活中也得到广泛的应用。例如，在医学上，用 于测量医学图像中组织体积、三维重建、手术模拟等;在遥感图像中，分割合 成孔径雷达图像中的目标、提取遥感云图中不同云系与背景等、定位卫星图像 中的道路和森林等。图像分割也可作为预处理将最初的图像转化为若干个更加抽 象、更便于计算机处理的形式，既保留了图像中的重要特征信息，又有效减少了 图像中的无用数据、提高了后续图像处理的准确率和效率。例如，在通信方面， 可事先提取目标的轮廓结构、区域内容等，保证不失有用信息的同时，有针对性 地压缩图像，以提高网络传输效率;在交通领域可用来对车辆进行轮廓提取、 识别或跟踪，行人检测等。总的来说，凡是与目标的检测、提取和识别等相关的 内容，都需要利用到图像分割技术。因此，无论是从图像分割的技术和算法，还 是从对图像处理、计算机视觉的影响以及实际应用等各个方面来深入研究和探讨 图像分割，都具有十分重要的意义。

2. 研究的基本内容与方案

图像拼接主要包括以下五步:图像预处理,包括数字图像处理的基本操作(如去噪、边缘提取、直方图处理等)、建立图像的匹配模板以及对图像进行某种变换(如傅里叶变换、小波变换等)等操作。图像配准,就是采用一定的匹配策略,找出待拼接图像中的模板或特征点在参考图像中对应的位置,进而确定两幅图像之间的变换关系。建立变换模型,根据模板或者图像特征之间的对应关系,计算出数学模型中的各参数值,从而建立两幅图像的数学变换模型。统一坐标变换,根据建立的数学转换模型,将待拼接图像转换到参考图像的坐标系中,完成统一坐标变换。融合重构,将待拼接图像的重合区域进行融合得到拼接重构的平滑无缝全景图像。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等.我准备采用多种方法对比实验结果。灰度阈值分割法是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。阈值分割算法的关键是确定阈值，如果能确定一个合适的阈值就可准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度值逐个进行比较，而且像素分割可对各像素并行地进行，分割的结果直接给出图像区域。阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算效率的应用场合(如用于硬件实现)，它得到了广泛应用。图像分割的一种重要途径是通过边缘检测，即检测灰度级或者结构具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方。这种不连续称为边缘。不同的图像灰度不同，边界处一般有明显的边缘，利用此特征可以分割图像。直方图法与其他图像分割方法相比，基于直方图的方法是非常有效的图像分割方法，因为他们通常只需要一个通过像素。在这种方法中，直方图是从图像中的像素的计算，并在直方图的波峰和波谷是用于定位图像中的簇。颜色和强度可以作为衡量。这种技术的一种改进是递归应用直方图求法的集群中的形象以分成更小的簇。重复此操作，使用更小的簇直到没有更多的集群的形成。基于直方图的方法也能很快适应于多个帧，同时保持他们的单通效率。直方图可以在多个帧被考虑的时候采取多种方式。同样的方法是采取一个框架可以应用到多个，和之后的结果合并，山峰和山谷在以前很难识别，但现在更容易区分。直方图也可以应用于每一个像素的基础上，将得到的信息被用来确定的像素点的位置最常见的颜色。这种方法部分基于主动对象和一个静态的环境，导致在不同类型的视频分割提供跟踪。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。这样一个区域就长成了。

[1]仲晓庆,蔡朝晖.基于MATLAB的几个图像处理实例[J].信息系统工程,2018(12):96-98.

[2]成利敏,孙亮,鞠晓康.基于MATLAB GUI的图像分割处理仿真平台[J].廊坊师范学院学报(自然科学版),2018,18(02):118-120 128.

[3]党文静. 图像区域分割算法的研究与应用[D].安徽理工大学,2018.

[4]完文韬. 基于航拍图像的拼接技术研究[D].长春理工大学,2018.

[5]李旋宇,陈荣保.基于分块H-SIFT算法的图像拼接技术研究[J].河南科技学院学报(自然科学版),2018,46(02):48-51 59.