数字图象处理—图像分割与特征表示

《数字图象处理—图像分割与特征表示》由会员分享，可在线阅读，更多相关《数字图象处理—图像分割与特征表示（73页珍藏版）》请在金锄头文库上搜索。

1、第七章 图像分割、特征提取与描述 主要内容 n7.1 引言 n7.2 图像分割 n7.3 图像的特征 n7.4 图像的描述 7.1 引言 n图像分割是将图像划分为若干互不相 交的小区域的过程。小区域是某种意 义下具有共同属性的象素的连通集合 ，如物体所占的图像区域、天空区域 等。 7.1 引言 n图像分割是图像理解的基础，而在理论上图 像分割又依赖图像理解，彼此是紧密关联的 。图像分割在一般意义下是十分困难的问题 ，目前的图像分割一般作为图像的前期处理 阶段，是针对分割对象的技术，是与问题相 关的，如最常用到的利用阈值化处理进行的 图像分割。 7.1 引言 n图像分割有二种不同的途径： 1.区

2、域法：将各象素划归到相应物体或区域 的象素聚类方法 2.边界方法：通过直接确定区域间的边界来 实现分割 7.2 图像的分割 7.2.1、并行区域技术基于阈值的图像分割技术 7.2.2、串行区域技术 7.2.3、并行边界技术基于边界的图像分割 7.2 图像的分割 7.2.1、并行区域技术基于阈值的图像分割技术 7.2.2、串行区域技术 7.2.3、并行边界技术基于边界的图像分割 7.2.1并行区域技术基于阈值 取阈值是最常见的并行的直接检测区域的分割方法。阈 值是在分割时作为区分物体与背景象素的门限，大于或 等于阈值的象素属于物体，而其它属于背景。这种方法 对于在物体与背景之间存在明显差别（对比

3、）的景物分 割十分有效。实际上，在任何实际应 用的图像处理系 统中，都要用到阈值化技术。为了有效地分割物体与背 景，人们发展了各种各样的阈值处 理技术，包括全局 阈值、自适应阈值 、最佳阈值、局部阈值等。 7.2.1并行区域技术基于阈值 n单阈值分割 只用一个阈值分割。 n多阈值分割 用多个阈值分割。在一般的多阈值情况下，多阈值 分割取为： 7.2.1并行区域技术基于阈值 （1）极小值点阈值 对于双峰直方图，选取两个峰之间的谷对应的灰 度值作为阈值 。 将直方图的包络看作一条曲线，求直方图包络线的 极小值点对应的灰度值作为阈值 。 7.2.1并行区域技术基于阈值 在阈值化处理之后，可以通 过直

4、接跟踪物体边界的方法 将物体区域分割出来，得到 其轮廓并进一步分析其几何 形状特征。 7.2.1并行区域技术基于阈值 7.2.1并行区域技术基于阈值 （2）最佳阈值 有时目标和背景的灰度值有部分交错， 用1个全局阈值 不能将它们绝 然分开。 希望减小误分割的概率，选取一个最佳 阈值 。阈值 的选择 需要根据具体问题 来 确定，一般通过实验 来确定。 7.2.1并行区域技术基于阈值 （3）直方图变换 利用象素邻域的局部性质变换 原来的直 方图得到一个新的直方图。新的直方图 或者谷更深或者谷变成峰，更容易检测 。常用的方法是用象素的梯度值。 7.2.1并行区域技术基于阈值 （4）灰度和灰度平均图

5、物体与背景各自的灰度都较均匀二者相差不大 时，分割时可以这样处 理：横轴取象素的灰 度r，纵轴取r的邻域的平均 。直方图 为坐标点上的象素数目。边界上的点将远离 对角线，因此选远离对角线的点的灰度作为 分割的灰度门限将获得较好的分割效果。 7.2.1并行区域技术基于阈值 （5）灰度值和梯度值散射图 做直方图（r，g）横轴取象素的灰度r，纵轴 取r的梯度g。直方图（r，g）为具有某个灰度 和梯度值的象素数目。 7.2 图像的分割 7.2.1、并行区域技术基于阈值的图像分割技术 7.2.2、串行区域技术 7.2.3、并行边界技术基于边界的图像分割 7.2.2 串行区域技术 一、区域生长 二、分裂合

6、并 一、区域生长 区域生长方法是根据同一物体区域内象素的相似性质 来聚集象素点的方法，从初始区域（如小邻域或甚至 于每个象素）开始，将相邻的具有同样性质的象素或 其它区域归并到目前的区域中从而逐步增长区域，直 至没有可以归并的点或其它小区域为止。区域内象素 的相似性度量可以包括平均灰度值、纹理、颜色等信 息。关键是相似性度量准则以及初始区域或象素的确 定。 7.2.2 串行区域技术 7.2.2 串行区域技术 n图像： 5 5 8 6 取跟踪门限T2 5 5 8 6 4 8 9 7 4 8 9 7 2 2 8 3 2 2 8 3 3 3 3 3 3 3 3 3 n生长准则：区域任一象素与其邻点灰

7、度差T 结果与起始点选择和门限选择有关 7.2.2 串行区域技术 n图像： 5 5 8 6 5 5 8 6 5 5 8 6 4 8 9 7 4 8 9 7 4 8 9 7 2 2 8 3 2 2 8 3 2 2 8 3 3 3 3 3 3 3 3 3 3 3 3 3 n生长准则：待检测象素的灰度与已检测的区域的平 均灰度差T 例：取跟踪门限T2 结果与起始点选择(如选6)和门限选择有关 7.2.2 串行区域技术 n二、区域分裂与合并 从整个图像开始不断分裂得到各个区域。实际中常 常先把图像分成任意大小且不重叠的区域，然后再合 并或分裂这些区域以满足要求。 7.2.2 串行区域技术 n确定均匀性

8、准则。例如以一个区对某种特征（如灰度 、彩色或纹理）的均匀性为准则，通常用门限T来约束 。 n对满足均匀性准则的小区则合并，不满足均匀性准则 的小区则采用四叉树的方式将此区等分为四个小区。 7.2.2 串行区域技术 10008777 11118888 00007888 00017887 44337810 33448810 87111111 87111101 10008777 11118888 00007888 00017887 44337810 33448810 87111111 87111101 7.2.2 串行区域技术 10008777 11118888 00007888 00017887

9、 44337810 33448810 87111111 87111101 10008777 11118888 00007888 00017887 44337810 33448810 87111111 87111101 7.2 图像的分割 7.2.1、并行区域技术基于阈值的图像分割技术 7.2.2、串行区域技术 7.2.3、并行边界技术基于边界的图像分割 7.2.3 并行边界技术基于边界的图像分割 n边缘检测是所有基于边界的分割方法的第一步。视觉 系统对图像的边缘更敏感，而不是根据点的灰度区分 出物体，人对边界的识别机理也不是设置一个灰度门 限T来分割物体的。 n图像增强讨论了用梯度、拉普拉斯算

10、子以及高通滤波 增强图像边缘轮廓的方法，实际上，对增强后的图像 边缘轮廓进行门限化处理，就可以用于边缘检测。 7.2.3 并行边界技术基于边界的图像分割 n一、梯度边缘检测 当物体与背景有明显对比度时，物体的边界处于图像 梯度最高的点上，通过跟踪图像中具有最高梯度的点 的方式获得物体的边界，可以实现图像分割。这种方 法容易受到噪声的影响而偏离物体边界，通常需要在 跟踪前对梯度图像进行平滑等处理，再采用边界搜索 跟踪算法来实现。 7.2.3 并行边界技术基于边界的图像分割 梯度图像 阈值化梯度图像 7.2.3 并行边界技术基于边界的图像分割 n二、边界提取与轮廓跟踪 为了获得图像的边缘人们提出了

11、多种边缘检测方法。 在边缘图像的基础上，需要通过平滑等处理去除噪声 点、毛刺、空洞等不需要的部分，再通过细化、边缘 连接和跟踪等方法获得物体的轮廓边界。 例：采用光栅跟踪（顺序跟踪）的方法 7.2.3 并行边界技术基于边界的图像分割 n步骤： 1）先用高阈值Th（检测阈值）检出图像梯度轨迹曲线的初选点 。 2）从第一行的初选点开始用较低阈值Tl（跟踪阈值）对初选点 的下三个点进行判断。在阈值范围之内的接收，反之去除。 3）对应于某个检出点，如果下一行无可接收的对象，则这条曲 线跟踪即可结束。 7.2.3 并行边界技术基于边界的图像分割 n步骤： 4）对应于某个检出点，如果下一行有多个可接收的对

12、象 ，则这条曲线发生分支。跟踪对各个分支同时进行。 5）对于不在第一行的其他初选出来的象素，从该点开始 ，重新使用跟踪阈值进行跟踪，以检出不是从第一行开 始的其他曲线。 7.2.3 并行边界技术基于边界的图像分割 原图像 用阈值Th7处理的结果 90008000 47125332 22801721 05326009 87017160 21118070 32659218 41073031 98 7 87 9 877 87 98 7 7.2.3 并行边界技术基于边界的图像分割 用检测阈值Th7和跟踪阈值Tl4处理的结果 90008000 47125332 22801721 05326009 870

13、17160 21118070 32659218 41073031 7.2.3 并行边界技术基于边界的图像分割 n检测与跟踪时的准则不一定是灰度，也可以是 梯度等反映局部性质的量。 n光栅顺序跟踪跟光扫描方向有关，最好用其他 方向再跟踪一次，例如逆序向上，两种方法综 合起来能得到更好的效果。 n若边缘和扫描方向平行时效果不好，最好在垂 直方向跟踪一次。 7.2.3 并行边界技术基于边界的图像分割 n三、 HOUGH变换 HOUGH变换是利用图像全局特性而将边缘象素连接起来 组成区域封闭边界的一种方法。在预先知道区域形状 的情况下，用哈夫变换可以很方便的得到边界曲线而 将不连续的边缘象素点连接起来

14、。哈夫变换的主要优 点：受噪声和曲线间断的影响较小。利用哈夫变换可 以检测图像中某些符合参数模型的主导特征，如直线 、圆、椭圆等，可以通过对其参数进行聚类的方法， 抽取相应的特征。适用于二值图像。 7.2.3 并行边界技术基于边界的图像分割 n哈夫变换的基本思想是：点线对偶性。在图像空 间XY中，所有过点的直线满足直线方程： p为斜率，q为截距 所以： 可以认为该式是参数空间PQ中过点(p,q)的一条直线。 Y X 0 Q P 这条直线上所有点的p，q相同 7.2.3 并行边界技术基于边界的图像分割 n显然，XY空间中的共线的点对应PQ空间中一组相交的 线，这组线的交点就是p，q。反过来，在参

15、数空间相 交于同一个点的所有直线在图像空间中都有共线的点 与之对应。这就是点线对偶性。哈夫变换就是根据 这些关系把图像空间中的检测问题转换到了参数空间 中，通过在参数空间中进行简单的累加统计完成检测 任务。 7.2.3 并行边界技术基于边界的图像分割 n具体实现时，考虑p、q的可能取值范围，从大到小进 行累加。 1) 初始化A(p,q)=0 2) 对XY空间中的每一点，P取遍所有可能值 3）算出对应的q，给A(p,q)单元加1 4）根据maxA(p,q)，求出直线 7.2.3 并行边界技术基于边界的图像分割 n问题：p、q的取值较大时，计算量增加 n可以采用极坐标系形式。 直线在极坐标系下具有如下的参数方程形式： 这条直线在极坐标下表示为一个点 7.2.3 并行边界技术基于边界的图像分割 7.3 图像的特征 n图像特征是图像的重要属性，它一般应具备4 个特点：可区分性、可靠性、独立性、数量少 n图像的特征主要有： 1) 颜色（灰度）特征 2) 形状特征 3) 纹理特征 4) 空间关系特征 7.4 图像的描述 n边界描述 n区域或闭合边界的描述 7.4.1 图像的边界描述 n一、周长和边长L 周长的定义通常有3种：