基于盒计数法的图形图像分形维数计算工具

资 源 简 介

本项目专注于利用MATLAB软件环境实现二维图形及数字图像盒维数（Box-Counting Dimension）的计算与分形分析。核心算法基于盒计数法原理，即用边长为r的正方形网格覆盖待测图形，统计包含图形部分的网格数N(r)，通过改变网格尺寸r并记录对应的N(r)，最后在双对数坐标系中利用最小二乘法进行线性拟合，其斜率即为盒维数。项目提供的原程序以TXT文档形式存储，用户需要将代码导入MATLAB环境中进行编译和运行。针对不同的分析对象（如数学定义的规则分形图形、自然界的海岸线、医学组织切片或材料表面纹理图像），用户需对程序进行适配性调整和编译，以确保图像二值化阈值、网格缩放范围等参数符合具体图形的特征。该项目旨在为研究人员提供一个灵活的工具，用于量化不规则几何体的复杂程度、粗糙度及空间填充特性，广泛应用于图像分割、纹理分类、地质勘探及生物医学工程等领域。

详 情 说 明

基于MATLAB的图形与图像盒维数计算工具

项目简介

本项目是一个基于MATLAB开发的分形分析工具，旨在利用盒计数法（Box-Counting Method）原理，计算二维图形或数字图像的分形维数。该工具不仅能够处理外部导入的二值或灰度图像，还内置了标准分形几何图形（谢尔宾斯基地毯）的生成算法，用于验证算法的准确性。通过量化不规则几何体的空间填充特性，该工具可应用于纹理分类、材料表面粗糙度分析及生物医学图像处理等领域。

核心功能特性

• 双模式运行机制：支持“内置演示模式”与“外部文件模式”的灵活切换。

* 演示模式：自动生成不同递归深度的谢尔宾斯基地毯（Sierpinski Carpet），并计算其理论维数与实际计算值的误差。 * 文件模式：支持读取.bmp、.jpg等常见格式图像，具备自动灰度转换与错误处理功能。

• 自动化图像预处理：集成Otsu算法（最大类间方差法）自动计算阈值，将输入图像转换为适合分析的二值图像。
• 高效盒计数算法：摒弃低效的逐像素循环，采用MATLAB矩阵向量化操作（Reshape与Sum策略）快速统计网格覆盖数，显著提升计算性能。
• 数据拟合与可视化：

* 利用最小二乘法进行双对数坐标下的线性回归分析。 * 自动计算拟合优度（R-squared）以评估分形特征的显著性。 * 提供可视化界面，同步显示二值化处理结果与双对数拟合曲线。

系统要求

• 软件环境：MATLAB 任意标准版本（推荐 R2016b 及以上以获得最佳的图形显示效果）。
• 工具箱：需安装 Image Processing Toolbox（图像处理工具箱），用于支持 imread, rgb2gray, graythresh, imbinarize 等函数。

使用方法

1. 环境准备：将项目源码保存至MATLAB的工作路径中。
2. 参数配置：

打开主程序文件，根据需求修改代码顶部的配置部分： * 设置 mode = 1：启用内置谢尔宾斯基地毯生成模式。 * 设置 mode = 2：启用外部图像读取模式。 * 若选择模式2，需将 img_filename 变量修改为待分析图像的实际文件名（需包含后缀，且文件应位于当前路径下）。

1. 运行程序：

直接运行主函数。程序将自动清理工作区，执行计算，并在控制台输出维数结果。

1. 结果解读：

* 控制台输出：显示回归方程、计算出的盒维数 $D$、拟合优度 $R^2$。若为模式1，还会显示与理论值的相对误差。 * 图形窗口：左侧显示预处理后的二值图像，右侧显示 $log(N)$ 与 $log(r)$ 的线性拟合图表。

算法实现细节与逻辑分析

本项目的主程序严格按照盒计数法的数学定义实现，具体流程与代码逻辑如下：

1. 图像获取与生成

程序首先依据 mode 参数决定数据源：

• 递归生成算法：若选择内置模式，通过自定义的递归函数构建谢尔宾斯基地毯。该算法初始化一个全白矩阵，通过递归逻辑将每个区域划分为 $3 times 3$ 的网格，并将中心网格挖空（置为黑色/背景），模拟标准的分形构造过程。
• 外部读取与容错：若选择文件模式，程序尝试读取图像文件。若图像为彩色（RGB），则通过 rgb2gray 转换为灰度图；若读取失败，则会抛出错误提示用户检查路径。

2. 图像二值化预处理

为了准确统计几何体的覆盖情况，代码使用 graythresh 函数基于Otsu方法自动寻找最佳全局阈值，随后利用 imbinarize 将图像转化为二值矩阵（前景为1，背景为0）。这一步确保了无论输入图像亮度如何，算法都能基于统计学特征提取出主要纹理或结构。

3. 盒计数核心逻辑（向量化优化）

这是本项目的核心部分。代码并未简单地调用循环来统计盒子，而是实施了高效的矩阵操作：

• 网格序列定义：采用指数递增策略生成网格尺寸序列 $r$ ($1, 2, 4, 8, dots$)，直到达到图像短边的一半。这种采样方式在双对数坐标下分布由密到疏，符合分形分析惯例。
• 图像裁剪：针对每个尺寸 $r$，先裁剪图像以确保其长宽能被 $r$ 整除，消除边缘不完整网格带来的统计误差。
• 矩阵重塑（Reshape）加速统计：

代码通过两次 reshape 和 sum 操作，将 $r times r$ 的网格块聚合。 1. 先将图像重排，对列方向进行压缩求和。 2. 再对行方向进行重排和求和。 3. 最后统计非零块的数量。 这种方法避免了显式的四层循环（遍历每个网格尺寸及其内部的每个网格），极大地提高了大规模图像的计算速度。

4. 维数计算与线性回归

根据分形公式 $N(r) propto (1/r)^D$，转化为对数形式 $log(N(r)) = D cdot log(1/r) + C$：

• 数据清洗：自动过滤掉计数为0的无效数据点（防止 log(0) 错误）。
• 对数变换：分别计算网格尺寸的对数 $log(r)$ 和盒计数的对数 $log(N)$。
• 最小二乘拟合：利用 polyfit 函数对数据点进行一阶线性拟合。根据公式推导，拟合直线的斜率对应 $-D$，因此程序取斜率的相反数作为最终的盒维数 output_D。

5. 结果验证与可视化

• 程序计算并输出决定系数 $R^2$，用于衡量线性关系的强弱，值越接近1表示分形特征越显著。
• 对于谢尔宾斯基地毯模式，程序内置了理论维数公式 $frac{ln(8)}{ln(3)} approx 1.8928$，并自动计算算法结果与理论值的相对误差，以便用户评估算法精度。