1、“.....采用多种算子对图像进行分割。实验结果基于多重分形理论的图像分割灰度直方图灰度图像算子分割后的图片基于多重分形理论的图像分割算子分割后的图片算子分割后的图片实验结果分析对于本次采用的三种测试算子，分别是算子，算子，算子。对于三种算子的实验现象，从视觉效果上来看，以算子最好，边缘信息丰富，集合保留了边缘所有的边缘点，而且边缘清晰，连续性好。算子，其分割图像中所含有的费边缘点较少，而且主要边缘大部分被保留，但还是去掉了很多真边缘点。算子的分割的图像中虽然集合没有费边缘点，但是边缘的连续性较差，从视觉上来看图像显得很杂乱。本章小结本章主要介绍了多重分形在图像处理图像分割中的应用。对于常用的图像处理技术，如去噪，边缘检测提取等都应用了基于多重分形理论的算法。基于多重分形理论的图像分割同特征。条件④指出在分割结果中，不同的子区域具有不同的特性，没有公共元素......”。

2、“.....条件要求分割结果中同个子区域内的像素应该是相通的，即同个子区域内的任意两个像素在该子区域内是相互连通的，或者说分割得到的区域是个连通基于多重分形理论的图像分割组元。上面的定义，不仅对明确的说明了分割的含义，而且对进行分割也有相当的指导作用。因为分割总是根据些分割准则进行的。条件和说明正确的分割准则应该可以适合所有的区域和像素条件和④说明合理的分割准则应该可以帮助确定各个区域像素有代表性的特征而条件说明完整的分割准则应该直接或间接地对区域内像素的连通性有定的要求或限定。在实际应用中图像分割不仅是要把幅图像分成满足以上五个要求的各具有特性的区域，而且需要把其中感兴趣的目标和区域提取出来，只有这样才算是真正完成了图像分割任务。图像分割方法综述图像分割是指将图像划分为与其中含有的真实世界的物体或区域有强相关性组成部分的过程。图像分割是图像处理和分析中的重要问题......”。

3、“.....尽管它直受到科研人员的重视，但是它的发展很慢，被认为是计算机视觉的个瓶颈。迄今为止，还没有种图像分割的方法适用于所有图像，也没有类图像所有的方法都适用于它。典型的图像分割方法有阈值法，边缘检测法，区域法。他们分割图像的基本依据和条件有下四个方面分割的图像区域应具有同质性，如灰度级别相近，纹理相似等区域内部平整，不存在很小的空间相邻区域之间对选定的种同质判据而言，应存在显著的差异性每个分割区域边界应具有齐整性和空间位置的准确性。现有的大多数图像分割方法只是满足上述依据。如果加强分割区域的同质性约束，分割区域很容易产生大量小空洞和不规整边缘若强调不同区域间性质差异的显著性，则极其容易造成非同质区域的合并和有意义的边界丢失。不同的图像分割方法总有在各种约束条件间找到适当的平衡点。阈值法阈值法的优点是计算简单，速度快，易于实现......”。

4、“.....能很有效果的对图像进行分割。其缺点是当图像中不存在明显的灰度差异或灰度值范围有较大的重叠时，分割效果不理想。并且阈值法仅仅考虑图像的灰度信息而没有考虑图像的空间信息，致使阈值法对噪声和灰度不均匀十分地敏感。在实际应用中，阈值法通常与其他方法结合使用。阈值法是种简单单非常有效的方法，特别是不同物体或建构之间有很大的强度对比时，能够得到很好的效果。它般可以作为系列图像处理过程的第基于多重分形理论的图像分割步。它般要求在直方图上能得到明显的峰或谷，并在谷底选择阈值。如何根据图像选择合适的阈值是基于阈值分割法的重点和难点所在。其主要局限性最简单形式的阈值法只能产生二值图像来区分两个不同的类。另外它只考虑本身的值，般不考虑空间特性，这样就对噪声很敏感它也没有考虑图像的纹理信息等有用信息，使分割效果不能尽人意。阈值法的几种阈值选择方法全局阈值法双峰法对于目标与背景的灰度级有明显差别的图像......”。

5、“.....两个波峰分别与图像中的目标与背景相对应，波谷与图像边缘相对应。当分割阈值位于谷底时，图像分割可取的最好的效果。该方法简单易行，但是对于灰度直方图中波峰不明显或波谷宽阔平坦的图像，不能使用该方法。假设副图像只有物体和背景两部分组成，其灰度图直方图呈现明显的双峰值，如下图找出阈值，则可以对整个图像进行二值化赋值。程序的实现通过数组记录直方图中的各像素点值的个数，再堆逐个像素值进行扫描。记录每个像素能作为谷底的范围值，接着找出能作为谷底范围最大的点作为阈值。实现流程图基于多重分形理论的图像分割灰度直方图变换法该方法不是直接选取阈值，而是对灰度直方图进行变换，使其具有更深的波谷和更尖的波峰，然后再利用双峰法得到最优阈值。这种方法的个共同特征是根据像素点的局部特性，对其进行灰度级的增强或减弱的变换。这种方法假设图像由目标和背景组成，并且目标和背景灰度直方图都是单峰分布......”。

6、“.....基本算法如下求出图像的最大灰度值和最小灰度值，分别记作和，令初始阈值为，根据阈值将图像分割为前景和背景，分别求出两者的平均灰度值和。求出阈值如果，则所得即为阈值，否则转入迭代计算。迭代所得的阈值分割图像的效果良好，基于迭代的阈值能区分图像的前景和背景的主要区域所在，但是在图像的细微处还是没有良好的区分度，令人惊讶的是对些特定图像，微小数据的变化会引起分割效果的巨大变化，两者的数据只是稍微变化，分割效果反差极大。局部阈值法原始图像被分维几个小的子图像，再对每个子图像分别求出重分形的主要困难之是对有限长离散数据的多重分形谱估计。个有效的算法是集合小波分析的多重分形方法，去除不需要的不规则性噪声，保留有用的奇异性目标，使去除噪声后大多数点在平滑区域。利用指数提供的所分析图像的局部信息，而多重分形谱则提供的是所分析图像的全局信息，不同信息的奇异性不同，其的分布规律也不同......”。

7、“.....我们只需要调整的值，使得所有的尽量接近于个值，这样也就是使得无规律的非奇异点在调整后与周围起点融合，好像被兼并样。换句话说，谱的相对强度没有变化即可实现图像的去噪。具体算法如下对图像经过具有规则性的正交小波变换分解，小波系数为，其中为小波的变换尺度，而表示该小波系数的位置。调整的值，使得接近于。变换后的记为，变换因子记为，则。根据小波系数的性质可知，当时，。所以，由二位维局域分析理论，可知指数从变成最简单的方法是乘以。即令，根据的变化调整小波系数，从而将调整到。基于多重分形理论的图像分割计算值，这里采用估计法来计算。实际就是通过手工设定的值，再将其进行计算，得出恢复图像，用视觉进行判别是否合适。通过对多幅图像的实际测试，选取个合适的，为原始数据已知，这样就能计算出。根据计算出调整后的小波系数，将该系数进行饭变化，即可得到恢复图像。从图中可以看出......”。

8、“.....但是同时边缘也模糊了，这是因为这种方法将图像中的所有数据都进行了中值滤波领域均值滤波法可以消除图像上的大部分噪声，但是还有少部分存在，滤波后的图像平面不够平滑，而且图像亮度也大大降低了。采用小波变化后的多重分形分析处理的目标图像不仅斑点噪声完全消除而且图像平面区域比较平滑，目标边缘依然清晰可见，效果较好。图像的边缘提取图像边缘提取是指在图像平面中灰度值发生跳变的点连接所称的曲线段。图像的边缘也就是图像的特征所在，它往往包含了图像的重要信息。找出图像的边缘称为边缘检测。图像的边缘检测对于图像的识别，压缩，匹配等都是非常重要的。边缘提取是要保留图像的灰度变化剧烈的区域。从数学上，最直观的方法就是微分，现在从信号处理的角度来看，也可以说是用高通滤波器，保留高频信号。边缘提取技术中较为成熟的方法是现行滤波器，其中尤其是以算子最为有名......”。

9、“.....计算方法也较简单方便。除此之外，算子，算子，算子，算子也都有定的研究成果。这类微分算子对噪声较为敏感，为了有效的拟制噪声，基于多重分形理论的图像分割般都首先对原图进行平滑，再进行边缘提取就能成功地检测到真正的边缘。这里主要介绍基于多重分形的图像边缘提取方法。传统的图像边缘提取方法仅仅考虑了图像边缘的几何特征，而语言描述的多重分形分析的方法不仅考虑了图像的边缘特征，还考虑了图像边缘在不同尺度下的统计特性，这样在进行图像边缘提取的时候，就能保留些重要的边缘信息同时忽略些不重要的边缘信息。但是，多重分形提取图像边缘也有他的缺点，比如它对噪声敏感，对于些含噪声较多的图像提取边缘比较困难。为了弥补这个缺点，我们在实验中采取了许多不同的修正方法。在对多重分形奇异谱几何性质分析时，可以看出不同测度的计算方法直接决定着多重分形奇异谱的分布情况。对研究对象的划分方式以及测度计算方法选择的不同......”。