這是圖像分割畢業(yè)ppt，包括了圖像分割的方法，并行邊界分割，串行邊界分割，邊緣檢測的優(yōu)缺點(diǎn)，并行區(qū)域分割，閾值分割，基于人工神經(jīng)網(wǎng)絡(luò)的分割方法等內(nèi)容，歡迎點(diǎn)擊下載。

圖像分割畢業(yè)ppt是由紅軟PPT免費(fèi)下載網(wǎng)推薦的一款課件PPT類型的PowerPoint.

圖像分割技術(shù) 計(jì)算機(jī)應(yīng)用技術(shù) 2018.9.5 圖像分割是圖像分析的第一步，是計(jì)算機(jī)視覺的基礎(chǔ)，是圖像理解的重要組成部分，是圖像處理到圖像分析的關(guān)鍵步驟，同時(shí)也是圖像處理中最古老和最困難的問題之一。 圖像分割：將圖像表示為物理上有意義的連通區(qū)域的集合，也就是根據(jù)目標(biāo)與背景的先驗(yàn)知識，對圖像中的目標(biāo)、背景進(jìn)行標(biāo)記、定位，然后將目標(biāo)從背景或其他偽目標(biāo)中分離出來。由于這些被分割的區(qū)域在某些特性上相近，因而，圖像分割常用于模式識別與圖像理解以及圖像壓縮與編碼兩大類不同的應(yīng)用目的。 圖像分割的方法 早期的圖像分割方法可以分為兩大類： 一類是邊界方法，這種方法假設(shè)圖像分割結(jié)果的某個(gè)子區(qū)域在原來圖像中一定會有邊緣存在； 一類是區(qū)域方法，這種方法假設(shè)圖像分割結(jié)果的某個(gè)子區(qū)域一定會有相同的性質(zhì)，而不同區(qū)域的像素則沒有共同的性質(zhì)。 這兩種方法都有優(yōu)點(diǎn)和缺點(diǎn)。 根據(jù)應(yīng)用目的不同，分為粗分割和細(xì)分割：對于模式識別應(yīng)用，一個(gè)物體對象內(nèi)部的細(xì)節(jié)與顏色(或灰度)漸變應(yīng)被忽略，而且一個(gè)物體對象只應(yīng)被表示為一個(gè)或少數(shù)幾個(gè)分割區(qū)域，即粗分割；而對于基于區(qū)域或?qū)ο蟮膱D像壓縮與編碼，其分割的目的是為了得到色彩信息一致的區(qū)域，以利于高效的區(qū)域編碼。若同一區(qū)域內(nèi)含有大量變化細(xì)節(jié)，則難以編碼，圖像需要細(xì)分割，即需要捕捉圖像的細(xì)微變化。 根據(jù)分割方法的不同，可分為并行邊界分割（邊界檢測），串行邊界分割（邊界跟蹤），并行區(qū)域分割（閾值分割、聚類），串行區(qū)域分割（區(qū)域生長、分裂合并）。 根據(jù)分割對象的屬性，可被分為灰度圖像分割和彩色圖像分割。 根據(jù)分割對象的狀態(tài)，可被分為靜態(tài)圖像分割和動(dòng)態(tài)圖像分割。 根據(jù)分割對象的應(yīng)用領(lǐng)域，可分為醫(yī)學(xué)圖像分割、工業(yè)圖像分割、安全圖像分割、軍事圖像分割、交通圖像分割等。 并行邊界分割 不同圖像灰度不同，邊界處一般會有明顯的邊緣，利用此特征可以分割圖像。 說明：邊緣和物體間的邊界并不等同。邊緣：圖像中像素的值有突變的地方；而物體間的邊界：現(xiàn)實(shí)場景中的存在于物體之間的邊界。有可能有邊緣的地方并非邊界，也有可能邊界的地方并無邊緣，因?yàn)楝F(xiàn)實(shí)世界中的物體是三維的，而圖像只具有二維信息，從三維到二維的投影成像不可避免的會丟失一部分信息。 另外，成像過程中的光照和噪聲也是不可避免的重要因素。正是因?yàn)檫@些原因，基于邊緣的圖像分割仍然是當(dāng)前圖像研究中的世界級難題，目前研究者正在試圖在邊緣提取中加入高層的語義信息。 在實(shí)際的圖像分割中，往往只用到一階和二階導(dǎo)數(shù)，雖然，原理上可以用更高階的導(dǎo)數(shù)，但是，因?yàn)樵肼暤挠绊懀�三階以上的導(dǎo)數(shù)信息往往失去了應(yīng)用價(jià)值。二階導(dǎo)數(shù)還可以說明灰度突變的類型。在有些情況下，如灰度變化均勻的圖像，只利用一階導(dǎo)數(shù)可能找不到邊界，此時(shí)二階導(dǎo)數(shù)就能提供很有用的信息。 二階導(dǎo)數(shù)對噪聲也比較敏感，解決的方法是先對圖像進(jìn)行平滑濾波，消除部分噪聲，再進(jìn)行邊緣檢測。不過，利用二階導(dǎo)數(shù)信息的算法是基于過零檢測的，因此得到的邊緣點(diǎn)數(shù)比較少，有利于后繼的處理和識別工作。 Roberts算子：邊緣定位準(zhǔn)，但是對噪聲敏感。適用于邊緣明顯且噪聲較少的圖像分割。 Prewitt算子：對噪聲有抑制作用，抑制噪聲的原理是通過像素平均，但是像素平均相當(dāng)于對圖像的低通濾波，所以Prewitt算子對邊緣的定位不如Roberts算子。 Sobel算子：Sobel算子和Prewitt算子都是加權(quán)平均，但是Sobel算子認(rèn)為，鄰域的像素對當(dāng)前像素產(chǎn)生的影響不是等價(jià)的，所以距離不同的像素具有不同的權(quán)值，對算子結(jié)果產(chǎn)生的影響也不同。一般來說，距離越遠(yuǎn)，產(chǎn)生的影響越小。 Isotropic Sobel算子：加權(quán)平均算子，權(quán)值反比于鄰點(diǎn)與中心點(diǎn)的距離，當(dāng)沿不同方向檢測邊緣時(shí)梯度幅度一致，就是通常所說的各向同性。上面的算子是利用一階導(dǎo)數(shù)的信息。 Laplacian算子：是二階微分算子。其具有各向同性，即與坐標(biāo)軸方向無關(guān)，坐標(biāo)軸旋轉(zhuǎn)后梯度結(jié)果不變。但是，其對噪聲比較敏感，所以，圖像一般先經(jīng)過平滑處理，因?yàn)槠交�處理也是用模板進(jìn)行的，所以，通常的分割算法都是把Laplacian算子和平滑算子結(jié)合起來生成一個(gè)新的模板。 串行邊界分割 并行邊緣檢測的方法，對圖像的每一點(diǎn)上所做的處理不依賴于其它的點(diǎn)處理結(jié)果。串行邊界分割在處理圖像時(shí)不但利用了本身像素的信息，而且利用前面處理過像素的結(jié)果。對某個(gè)像素的處理，以及是否把它分類成為邊界點(diǎn)，和先前對其它點(diǎn)的處理得到的信息有關(guān)。 串行邊界分割技術(shù)通常是通過順序的搜索邊緣點(diǎn)來工作的，一般有三個(gè)步驟： 1.起始邊緣點(diǎn)的確定。 2.搜索準(zhǔn)則，將根據(jù)這個(gè)準(zhǔn)則確定下一個(gè)邊緣點(diǎn)。 3.終止條件，設(shè)定搜索過程結(jié)束的條件。 邊界跟蹤 由梯度圖中一個(gè)邊緣點(diǎn)出發(fā)，搜索并連接邊緣點(diǎn)進(jìn)而逐步檢測所有邊界的方法。在并行邊界分割法中，邊緣像素不一定能夠組合成閉合的曲線，因?yàn)檫吔缟嫌锌赡軙�遇到缺口。缺口可能太大而不能用一條直線或曲線連接，也有可能不是一條邊界上的缺口。邊界跟蹤的方法則可以在一定程度上解決這些問題，對某些圖像，這種方法的分割結(jié)果更好。 具體算法：先對原圖像進(jìn)行梯度運(yùn)算，然后進(jìn)行邊界跟蹤算法。 1.起始點(diǎn)：對梯度圖搜索，找到梯度最大點(diǎn)，作為邊界跟蹤的開始點(diǎn)。 2.生長準(zhǔn)則：在這個(gè)點(diǎn)的8鄰域像素中，梯度最大的點(diǎn)被當(dāng)做邊界，同時(shí)，這個(gè)點(diǎn)還會作為下一個(gè)搜索的起始點(diǎn)。 3.終止條件：按照2的準(zhǔn)則一直搜索，直到梯度絕對值小于一個(gè)閾值時(shí)，搜索停止。 有時(shí)為了保證邊界的光滑性，每次只是在一定的范圍的像素中選擇，這樣得到的邊界點(diǎn)不但能保證連通性，還能保證光滑性。 邊緣檢測的優(yōu)缺點(diǎn) 實(shí)質(zhì)：利用不同區(qū)域間像素灰度不連續(xù)的特點(diǎn)檢測出區(qū)域間的邊緣實(shí)現(xiàn)圖像分割。圖像中相鄰的不同區(qū)域間總存在邊緣，邊緣處像素的灰度值不連續(xù)，這種不連續(xù)性可通過求導(dǎo)數(shù)來檢測到，因此常用灰度的一階或二階微分算子進(jìn)行邊緣檢測。而邊界跟蹤是先檢測到邊緣再串行連接成閉合邊界的方法，此方法很容易受始點(diǎn)的影響。 難點(diǎn)：在于邊緣檢測時(shí)抗噪性和檢測精度之間的矛盾。若提高檢測精度，則噪聲產(chǎn)生的偽邊緣會導(dǎo)致不合理的輪廓；若提高抗噪性，則會產(chǎn)生輪廓漏檢和位置偏差。 因此提出各種多尺度邊緣檢測方法，根據(jù)實(shí)際問題設(shè)計(jì)多尺度邊緣信息的結(jié)合方案，可以較好地兼顧抗噪性和檢測精度。 并行區(qū)域分割 采用并行的方法對目標(biāo)區(qū)域進(jìn)行檢測實(shí)現(xiàn)圖像分割的方法。區(qū)域分割是最直接的方法，因此這種分割方法可以直接得到感興趣的目標(biāo)區(qū)域。 主要方法：閾值分割和聚類。 直接的閾值分割一般不能適用于復(fù)雜景物的正確分割，如自然場景，因?yàn)閺?fù)雜景物的圖像，有的區(qū)域很難判斷究竟是前景還是背景。不過，閾值分割在處理前景和背景對比很強(qiáng)的圖像時(shí)特別有用，此時(shí)需要的計(jì)算復(fù)雜度小。當(dāng)物體的灰度級比較集中時(shí)，簡單的設(shè)置灰度級閾值提取物體是一個(gè)有效的辦法。 閾值分割 基本思想：確定一個(gè)閾值，然后把每個(gè)像素點(diǎn)的像素值和閾值相比較，根據(jù)比較的結(jié)果把像素劃分為兩類，前景或背景。 一般分三個(gè)步驟：（1）確定閾值。（2）將閾值和像素值比較。（3）把像素歸類。 分割的關(guān)鍵：確定一個(gè)最優(yōu)的閾值，就可以對圖像進(jìn)行正確、方便的分割。 閾值方法分：全局閾值和局部閾值，如果分割過程中對圖像上每個(gè)像素所使用的閾值都相等，則為全局閾值方法；如果每個(gè)像素所使用的閾值可能不同，則為局部閾值方法。 確定最佳全局閾值的常用方法一般有：實(shí)驗(yàn)法，直方圖法，最小誤差法（這種方法是假設(shè)背景和前景的灰度分布都是正態(tài)分布的）。 自適應(yīng)閾值方法：當(dāng)光照不均勻、有突發(fā)噪聲，或者背景灰度變化比較大時(shí)，整幅圖像分割將沒有合適的單一門限，因?yàn)閱我坏拈撝挡荒芗骖檲D像各個(gè)像素的實(shí)際情況。這時(shí)，可對圖像按照坐標(biāo)分塊，對每一塊分別選一閾值進(jìn)行分割。這種與坐標(biāo)相關(guān)的閾值也稱為動(dòng)態(tài)閾值方法。 優(yōu)缺點(diǎn)：時(shí)間和空間復(fù)雜度比較大，但抗噪聲能力比較強(qiáng)，對采用全局閾值不容易分割的圖像有較好的效果。 自適應(yīng)閾值的選�。罕容^簡單的方法是對每個(gè)像素確定以它為中心的一個(gè)鄰域窗口，計(jì)算窗口內(nèi)像素的最大和最小值，然后取它們的均值作為閾值。對圖像分塊后的每一個(gè)子塊可以采用直方圖分析，如果某個(gè)子塊內(nèi)有目標(biāo)和背景，則直方圖呈雙峰。如果塊內(nèi)只有目標(biāo)或背景，則直方圖沒有雙峰，可根據(jù)鄰域各塊分割得到的參數(shù)插值進(jìn)行分割。實(shí)際的自適應(yīng)閾值分割完全可以根據(jù)圖像的實(shí)際性質(zhì)，對每個(gè)像素設(shè)定閾值，但這個(gè)過程要考慮到實(shí)際的要求和計(jì)算的復(fù)雜度問題。 閾值分割優(yōu)點(diǎn)：計(jì)算簡單、運(yùn)算效率較高、速度快。 全局閾值對于灰度相差很大的不同目標(biāo)和背景能進(jìn)行有效的分割。 當(dāng)圖像的灰度差異不明顯或不同目標(biāo)的灰度值范圍有重疊時(shí)，應(yīng)采用局部閾值或動(dòng)態(tài)閾值分割法。 另一方面，這種方法只考慮像素本身的灰度值，一般不考慮空間特征，因而對噪聲很敏感。在實(shí)際應(yīng)用中，閾值法通常與其他方法結(jié)合使用。 串行區(qū)域分割 采用串行處理策略對目標(biāo)區(qū)域直接檢測實(shí)現(xiàn)分割的方法。特點(diǎn)：整個(gè)處理過程可以分解為順序的多個(gè)步驟依次進(jìn)行。一般可分為：一種是區(qū)域生長，二是分裂合并。 區(qū)域生長：從某個(gè)像素出發(fā)，按照一定的準(zhǔn)則，逐步加入鄰近像素，當(dāng)滿足一定的條件時(shí)，區(qū)域生長終止。 區(qū)域生長的好壞決定于： 1.初始點(diǎn)（種子點(diǎn)）的選取； 2.生長準(zhǔn)則； 3.終止條件。 區(qū)域生長是從某個(gè)或者某些像素點(diǎn)出發(fā)，最后得到整個(gè)區(qū)域，進(jìn)而實(shí)現(xiàn)目標(biāo)的提取。 分裂合并差不多是區(qū)域生長的逆過程：從整個(gè)圖像出發(fā)，不斷分裂得到各個(gè)子區(qū)域，然后再把前景區(qū)域合并，實(shí)現(xiàn)目標(biāo)的提取。分裂合并的假設(shè)是對于一幅圖像，前景區(qū)域由一些相互連通的像素組成，因此，如果把一幅圖像分裂到像素級，那么就可以判定該像素是否為前景像素，當(dāng)所有像素點(diǎn)或者子區(qū)域完成判斷后，把前景區(qū)域或像素合并就可得到前景目標(biāo)。 區(qū)域分割與邊界分割的比較 區(qū)域分割實(shí)質(zhì)：把具有某種相似性質(zhì)的像素連通，從而構(gòu)成最終的分割區(qū)域。它利用了圖像的局部空間信息，可有效地克服其他方法存在的圖像分割空間不連續(xù)的缺點(diǎn)。 基于區(qū)域的分割方法往往會造成圖像的過度分割，而單純的基于邊緣檢測方法有時(shí)不能提供較好的區(qū)域結(jié)構(gòu)，為此可將基于區(qū)域的方法和邊緣檢測的方法結(jié)合起來，發(fā)揮各自的優(yōu)勢以獲得更好的分割效果。 其它的圖像分割方法 近年來，很多研究人員致力于圖像分割方法的研究，但是直到目前為止還不存在一個(gè)通用的方法，也不存在一個(gè)判斷分割是否成功的客觀標(biāo)準(zhǔn)。圖像分割的廣泛應(yīng)用，促使人們?nèi)�尋找新的理論和方法來提高圖像分割的效果，滿足各方面的需求。 隨著各學(xué)科許多新理論和新方法的提出，像神經(jīng)網(wǎng)絡(luò)、遺傳算法、統(tǒng)計(jì)學(xué)理論、小波理論以及分形理論等，人們也提出了許多與此類特定理論、方法和工具相結(jié)合的分割技術(shù)。 基于人工神經(jīng)網(wǎng)絡(luò)的分割方法 基本思想：用訓(xùn)練樣本集對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以確定節(jié)點(diǎn)間的連接和權(quán)值，再用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)分割新的圖像數(shù)據(jù)。 優(yōu)缺點(diǎn)：此方法需要大量的訓(xùn)練數(shù)據(jù)。神經(jīng)網(wǎng)絡(luò)存在巨量的連接，容易引入空間信息，能較好地解決圖像中的噪聲和不均勻問題，但是選擇何種網(wǎng)絡(luò)結(jié)構(gòu)是此方法要解決的主要問題。另外，這種方法較復(fù)雜，計(jì)算量較大，還有待進(jìn)一步實(shí)用化。 基于小波分析和變換的分割方法 借助數(shù)學(xué)工具小波變換來分割圖像的一種方法。小波變換是一種多尺度多通道的分析工具，它是空域和頻域的局域變換，能有效地從信號中提取信息，通過伸縮和平移等運(yùn)算功能對函數(shù)或信號進(jìn)行多尺度分析，解決了傅立葉變換不能解決的許多問題。小波變換為信號在不同尺度上的分析和表征提供了一個(gè)精確和統(tǒng)一的框架。 小波分解提供了一個(gè)數(shù)學(xué)上完備的描述；小波變換通過選取合適的濾波器，可以極大地減少或去除所提取的不同特征之間的相關(guān)性，不僅具有“變焦”特性，且在實(shí)現(xiàn)上有快速算法。 近年來多進(jìn)制小波開始用于邊緣檢測。另外，利用正交小波基的小波變換也可提取多尺度邊緣，并可通過對圖像奇異度的計(jì)算和估計(jì)來區(qū)分一些邊緣的類型。 基于數(shù)學(xué)形態(tài)學(xué)的分割技術(shù) 數(shù)學(xué)形態(tài)學(xué)是以形態(tài)結(jié)構(gòu)元素為基礎(chǔ)對圖像進(jìn)行分析的數(shù)學(xué)工具。 基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去量度和提取圖像中的對應(yīng)形狀，以達(dá)到對圖像分析和識別的目的。由于形態(tài)學(xué)對圖像分割具有優(yōu)異的特性，使其在未來的圖像分割中起主導(dǎo)作用。但該方法還不能很好地解決耗時(shí)問題，將其與一些節(jié)約時(shí)間的方法結(jié)合起來，是圖像分割的一種趨勢。 遺傳算法在圖像分割中的應(yīng)用 遺傳算法是基于進(jìn)化論自然選擇機(jī)制的、并行的、統(tǒng)計(jì)的、隨機(jī)化搜索的方法。因此可將它們運(yùn)用于各種類型的優(yōu)化問題，在分割復(fù)雜的圖像時(shí)，人們往往采用多參量進(jìn)行信息融合，在多參量參與的最優(yōu)值的求取過程中，優(yōu)化計(jì)算是最重要的，把自然進(jìn)化的特征應(yīng)用到計(jì)算機(jī)算法中，將能解決很多困難。 遺傳算法的出現(xiàn)為解決這類問題提供了有效的方法，它不僅可以得到全局最優(yōu)解，而且大大縮短了計(jì)算時(shí)間。 基于圖論的圖像分割技術(shù) 基于圖論的圖像分割技術(shù)是近年來國際上圖像分割領(lǐng)域的一個(gè)新的研究熱點(diǎn)。 該方法將圖像映射為帶權(quán)無向圖，把像素視作節(jié)點(diǎn)。利用最小剪切準(zhǔn)則得到圖像的最佳分割，本質(zhì)上將圖像分割問題轉(zhuǎn)化為最優(yōu)化問題。是一種點(diǎn)對聚類方法。對數(shù)據(jù)聚類也具有很好的應(yīng)用前景。 由于其涉及的理論知識較多，應(yīng)用也還處在初級階段。因此國內(nèi)這方面的研究報(bào)道并不多見。 圖像分割技術(shù)的發(fā)展趨勢 多種特征的融合。利用圖像的原始灰度特征，圖像的梯度特征、幾何空間特征(形態(tài)、坐標(biāo)、距離、方向、曲率等)、變換特征(傅立葉譜、小波特征、分形特征等)及統(tǒng)計(jì)特征(紋理、不變矩、灰度均值等)等對每個(gè)待分割的像素，將所提取的特征值組成一個(gè)多維特征矢量，再進(jìn)行多維特征分析。通過多種特征的融合，圖像像素能被全面描述，從而可獲得更好的分割結(jié)果。 多種分割方法的結(jié)合。由于目標(biāo)的多樣性以及目標(biāo)成像的不確定性，除需要利用多種特征的融合外，還需要將多種分割方法進(jìn)行結(jié)合，使各種方法充分發(fā)揮各自的優(yōu)勢，避免各自的缺點(diǎn)。 新理論與新方法。傳統(tǒng)學(xué)習(xí)分類方法，像神經(jīng)網(wǎng)絡(luò)方法，由于網(wǎng)絡(luò)模型難以確定，容易出現(xiàn)過學(xué)習(xí)與欠學(xué)習(xí)以及局部最優(yōu)等問題。而支持向量機(jī)(SVM)方法以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)，基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則，具有精度高、速度快、自適應(yīng)能力強(qiáng)、不受高維維數(shù)限制等優(yōu)點(diǎn)，越來越受到各個(gè)研究領(lǐng)域的關(guān)注。ZB3紅軟基地

ppt圖像分割：這是ppt圖像分割，包括了圖像分割概述，邊緣檢測，閾值分割，區(qū)域分割，圖像分割和集合定義的描述，圖像分割方法和種類等內(nèi)容，歡迎點(diǎn)擊下載。

圖像分割技術(shù)論文PPT：這是一個(gè)關(guān)于圖像分割技術(shù)論文PPT，主要介紹了§7.1 邊界分割法。§7.2 邊緣連接分割法�！�7.3 閾值分割法�！�7.4 區(qū)域分割法�！�7.5 彩色圖像分割等等內(nèi)容。生物電子與影像技術(shù)哈爾濱工業(yè)大學(xué)（威海）控制科學(xué)與工程系第七章 圖像分割 §7.1 邊界分割法 §7.2 邊緣連接分割法 §7.3 閾值分割法 §7.4 區(qū)域分割法 §7.5 彩色圖像分割 第七章 圖像分割 §7.1 邊界分割法 §7.2 邊緣連接分割法 §7.3 閾值分割法 §7.4 區(qū)域分割法 §7.5 彩色圖像分割 §7.1 邊界分割法 1 圖像分割 Image 圖像分割基本概念輸入圖像，輸出是分析分割的目的是把圖像空間分成一些有意義的區(qū)域分割建立在相似性和非連續(xù)性上例子：確定航空照片中的森林、耕地、城市區(qū)域辨認(rèn)文件中的個(gè)別文字識別和標(biāo)定細(xì)胞顯微照片中的染色體 §7.1 邊界分割法 1 圖像分割 Image Segmentation 圖像分割基本概念分割的結(jié)果：一般是二值圖像若想從一幅圖像中“提取”物體，可以設(shè)法用專門的方法標(biāo)出屬于該物體的點(diǎn)，如把物體上的點(diǎn)標(biāo)為“1”，而把背景點(diǎn)標(biāo)為“0” 應(yīng)用 機(jī)器閱讀理解 遙感圖像自動(dòng)識別 在線產(chǎn)品檢測 醫(yī)學(xué)圖像測量 §7.1 邊界分割法 1 圖像分割 Image Segmentation 圖像分割基本概念把圖像分解成構(gòu)成它的部件和對象的過程有選擇性地定位感興趣對象在圖像中的位置和范圍 §7.1 邊界分割法 1 圖像分割 Image Segmentation 圖像分割基本概念分割基本思路從簡到難，逐級分割控制背景環(huán)境，降低分割難度把焦點(diǎn)放在增強(qiáng)感興趣對象，縮小不相干圖像成分的干擾上 §7.1 邊界分割法，歡迎點(diǎn)擊下載圖像分割技術(shù)論文PPT哦。