1. 研究目的与意义
在一幅图像中，人们往往只对其中的某些目标感兴趣，而这些目标通常占据一定的区域，并且在某些特性上（如灰度，轮廓，颜色及纹理等）上和周围的图像有差别。
这些差别可能很明显也可能很微小，随着计算机图像处理技术的发展，使得人们可以通过计算机来对图像进行某些方面的处理。
其中，生活中最常见的就是图像识别技术，而图像识别的基础就是图像分割。
2. 课题关键问题和重难点
关键问题：通过程序实验边缘检测，并且可以实现图像分割
难点：图像分割是图像处理和计算机视觉方便的经典难题，至今没有统一的标准进行评判，因此每年都会涌现出很多分割技术。然而，它们大多数遵循图像在像素级的两个性质：相似性和不连续性。属于同一目标的区域具有相似性，属于不同目标的区域在边界出现不连续性。若是过于强调同一区域内性质一致性，则分割区域会产生很多小孔和一些不规整的边界；若是过于强调相邻区域显著的差异，则有很多分割区域就会合并到一起。所以，不同的分割技术总是在各种特点中寻求一种平衡。本次毕业设计主要是为理解数字图像分割的基本概念，了解不同的图像存储形式，掌握边缘检测器的基本理论和基本原理，学习MATLAB的编程，通过编程实现边缘检测器的算法，将给定的图像读入到内存当中；利用基于边缘的图形分割算法对教师给定的图像进行分割，并且能够保存分割后的图像。
3. 国内外研究现状（文献综述）
图像分割就是把图像分成各具特色的区域提取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，是一种基本的计算机视觉技术。图像分割起源于电影行业。伴随着近代科技的发展，图像分割在实际中得到了广泛应用，如在工业自动化、在线产品检验、生产过程控制、文档图像处理、遥感和生物医学图像分析、以及军事、体育、农业工程等方面。总之，只要是涉及对对象目标进行特征提取和测量，几乎都离不开图像分割。所以，对图像分割的研究-真是图像工程中的重点和热点。自图像分割的提出至今，已经提出了上千种各种类型的分割算法。由于分割算法非常多，所以对它们的分类方法也不尽相同。我们依据使用知识的特点与层次，将其分为基于数据和基于模型两大类。前者是直接对当前图像的数据进行操作，虽然可以利用相关的先验信息，但是不依赖于知识;后者则是直接建立在先验知识的基础上，这类分割更符合当前图像分割的技术要点，也是当今图像分割的主流。
基于数据的图像分割算法多数为传统算法，常见的包括，基于边缘检测，基于区域以及边缘与区域相结合的分割方法等等。这类分割方法具有以下缺点，①易受噪声和伪边缘影响导致得到的边界不连续，需要用特定的方法进行连接;②只能提取图像局部特征，缺乏有效约束机制，难以获得图像的全局信息;③只利用图像的底层视觉特征，难以将图像的先验信息融合到高层的理解机制中。这是因为传统的图像处理算法都是基于MIT人工智能实验室Marr提出的各层相互独立、严格由低到高的分层视觉框架下进行的。由于各层之间不存在反馈，数据自底向上单向流动，高层的信息无法指导底层特征的提取，从而导致底层的误差不断积累，且无法修正。
基于模型的分割方法则可以克服以上缺陷。基于模型的分割方法可以将分割目标的先验知识等有用信息融合到高层的理解机制之中，并通过对图像中的特定目标对象建模来完成分割任务。这是一种自上而下的处理过程，可以将图像的底层视觉特征与高层信息有机结合起来，因此更接近人类的视觉处理。基于模型的图像分割方法主要包括:①基于统计模型的分割方法:②基于神经网络的分割方法:③基于形变模型的分割方法。
4. 研究方案
学习关于图像分割的基础知识，对应图形中特定的，具有独特性质的区域。图像处理的任务就是对图像中的对象进行分析和理解。图像处理着重强调在图像之间进行变换以改善图像的视觉效果，图像分析则主要是对图像中感兴趣的目标进行检测和测量，以获得他们的客观信息从而建立对图像的描述，图像理解重点是在图像分析的基础上，进一步研究图像中各种目标的性质和他们之间的互相联系，并得出原始客观场景的解释，从而指导和规划行动。
边缘检测技术非常重要，因为边缘时所要提取目标与背景的分界线，提取出边缘才能将目标与背景分隔开。在图像中，边缘往往表征一个特征区域的终结和另一个特征区域的开始，边界所分开区域的内部特征或属性是一致的，而不同区域内部的特征或属性是不同的，边缘检测正是利用物体和背景在某种图像特征上的差异来实现的，这些差异包括灰度，颜色，纹理等。
边缘检测的实质就是检测图像特性发生变化的位置。
5. 工作计划
2022-2023-1学期第15-16周准备开题报告，阅读并摘要与课题有关的中文材料，收集相关设计材料
第17-18周 完成开题报告，完成与课题相关的中文材料摘要
第19周 完成英文翻译一份（3000汉子以上），进行方案论证，确定初步设计方案
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
