《《数图》第9章 图像分割和描述课件》由会员分享，可在线阅读，更多相关《《数图》第9章 图像分割和描述课件（60页珍藏版）》请在金锄头文库上搜索。
1、Digital Image Processing,1,数字图像处理基础,Digital Image Processing 第九章 图像分割和描述,Digital Image Processing,2,图像分割（image segmentation） 把图像分成各具特性的目标区域的技术和过程。 图像分割 从低层次图像处理到较高层次图像分析、图像理解的关键步骤。 图像处理中的瓶颈问题，事关图像描述、特征提取、目标识别等。 基于边缘的分割、基于阈值的分割、基于区域的分割。 图像描述（image description） 对图像的区域、周长、面积以及其它特征的表示。 边界描述、区域描述。,Digita
2、l Image Processing,3,第1节 图像分割简述,1.图像分割的定义 图像分割通过对图像不同特征的分析，将图像分割成各具特性的区域， 提取出感兴趣目标的技术和过程。 数学定义： 假设一幅图像中所有像素的集合为F，有关一致性的假设为P()。 图像分割：把F划分为n个满足下述4项条件的连通区域子集S1，S2，Sn。 1） ，分割是完全的，图像中的每一像素必须归属一个区域； 2） ，分割出的不同区域是不相交的； 3） ，分割出的每个区域的像素具有一致的特性； 4） ，分割出的不同区域的像素不具有一致的特性。,Digital Image Processing,4,2.图像分割的分类 从不
3、同的角度和特征进行分类： 1）运算策略不同：并行分割算法，串行分割算法。 2）实现技术不同：基于直方图的分割，基于边界的分割，基于区域的分割。 3）应用要求不同：粗图像分割，细图像分割。 4）对象属性不同：灰度图像分割，彩色图像分割。 5）是否借助像素灰度模式：纹理图像分割，非纹理图像分割。 6）对象状态不同：静态图像分割，动态图像分割。,Digital Image Processing,5,1）基于边界的图像分割 先检测图像边界，再连接目标边界的轮廓线。 边界检测：Robert算子、Prewitt算子、梯度算子、拉普拉斯算子、 Canny算子、高斯-拉普拉斯算子等。 2）基于阈值的图像分割
4、基于图像直方图的分割方法。 分割问题实际上就是像素分类的参数估计问题，易受噪声干扰。 3）基于区域的图像分割 检测满足特定预设条件的区域。 区域增长法、区域分裂合并法、分水岭算法等。 三种基本的图像分割既可单独使用，也可综合使用。,Digital Image Processing,6,第2节 基于边界的分割,基于边界的图像分割： 1）边缘检测，检测出图像中可能的边缘点， 2）边缘连接，按一定策略连接成轮廓，实现不同区域的分割。 边缘检测技术： 并行边缘检测：当前像素点是否属于边缘，取决于当前正在检测的像素点以及该 像素点的一些相邻像素点； 串行边缘检测：当前像素点是否属于边缘，取决于先前像素的
5、验证结果。 （在实际中应用较少）,Digital Image Processing,7,1.并行微分算法 边缘图像中不同灰度区域交界处； 边缘检测利用导数对图像中灰度的变化进行检测， 一阶导数算子：梯度算子、Sobel算子、Prewitt算子、 二阶导数算子：Laplacian算子、Kirsch算子、 实用：去噪（减少噪声对微分的影响） 微分（一阶或二阶） LOG（Laplacian of Gaussian）滤波高斯低通滤波 + Laplacian二阶导数； Canny边界检测 高斯低通滤波 + 一阶导数。,Digital Image Processing,8,（1）高斯-拉普拉斯（LOG）算
6、子 对待检测图像f(x,y)采用高斯滤波器g(x,y)进行平滑（降低噪声影响）， 再用拉普拉斯算子进行二阶微分，： LOG检测就是用对图像f(x,y)进行滤波， 边缘点滤波输出的符号变化（过零点）的位置。,Digital Image Processing,9,LOG边缘检测算子： 轴对称图形，各向同性，形状酷似草帽，“墨西哥草帽”函数：,图9.1 LOG边缘检测算子,（9.3),近似为LOG模板,函数波形,Digital Image Processing,10,【例9.1】图9.2所示为某图像的LOG边缘检测实例。,(a) 55LOG模板 (b) 原始图像 (c) LOG边缘检测 图9.2 L
7、OG边缘检测结果,Digital Image Processing,11,（2）Canny算子 边缘检测要求： 有效地抑制噪声，有较高的信噪比；准确，检测出的边缘在真正的边界上。 1）高斯滤波，去噪： （9.4） 2）对平滑后的图像求梯度，获得每一点梯度的幅值和方向： （9.5） 梯度的模值： 梯度的方向值（弧度）： （9.6） （9.7）,Digital Image Processing,12,3）对梯度幅值进行“非极大抑制” 作用：准确定位，控制边界宽度为一个像素。 在待处理像素a的梯度方向上比较它们的梯度模值， 如a为极大，则保留；如果不是，则把像素a的灰度设为0。4）用双阈值算法检测和
8、连接边缘 对梯度模极大值采用两个阈值T1（低）和T2 （高）进行处理，得到 高阈值边缘图像A2(x,y) 含有很少的假边缘，但有间断。 低阈值边缘图像A1(x,y) 含有很多的假边缘，没有间断。 在A2(x,y)中把边缘连接成轮廓， 遇到轮廓断点时，在A1(x,y)的8邻域位置寻找可以连接到轮廓上的像素。,Digital Image Processing,13,【例9.2】一个具体的Canny边缘检测的例子。 Canny 边缘检测的边缘图像比较准确，轮廓细，要优于常用的Robert、Prewit等方法。,Digital Image Processing,14,2.边界跟踪算法 边界跟踪获得边缘
9、像素后从中提取图像连续边界或轮廓的方法。 跟踪性能： 1）跟踪起始点的选取。 2）跟踪准则的选取。 基本方法： 先根据跟踪准则找出目标物体轮廓或边界上的像素点， 然后根据这些像素点用同样的跟踪准则找到下一个像素点， 以此类推，直到闭合或者最后一个像素点都不满足跟踪准则为止。,Digital Image Processing,15,（1）边界的链码表示 链码边界跟踪描述方法，为边界的不同走向编码。 编码方法：直接链码，差分链码。 按方向的划分：4-连通链码， 8-连通链码。,Digital Image Processing,16,【例9.3】采用4-连通和采用8-连通链码表示边界时，其结果并不完
10、全相同。 图9（b）的4-连通链码表示边界：00003032232321212011； 图9（c）的8-连通链码表示边界：00070555424312.,Digital Image Processing,17,（2）逻辑运算法获取边界 适用于目标和背景组成的二值图像。 S为目标像素的集合，其边界S是指在（背景）中有邻点的S中点的集合。 S中去掉S的其余部分点的集合称其为S的内部，即为差集S-S。 实例说明：,Digital Image Processing,18,3. 边界拟合算法 拟合检测到的边缘点成边界曲线，分割图像为不同区域。 边界拟合算法：最小均方误差曲线拟合法，参数模型曲线拟合法等。
11、 小均方误差（MSE）拟合算法： 已经检测点的稀疏边界点 (xi ,yi ), i=0,1,2,N-1， 求函数y=f(x)，使得下式（均方误差）为最小： （9.8）,Digital Image Processing,19,【例9.5】设拟合曲线 f(x) 是一条抛物线，求拟合系数： （9.9） 矩阵形式： （9.10）,Digital Image Processing,20,第3节基于阈值的分割,直方图阈值分割方法：适用于物体与背景有较强的对比度， 所有灰度值大于或等于（或相反）某阈值的像素都被判属于目标； 所有灰度值小于或等于（或相反）该阈值的像素都背叛属于背景。 优点： 算法简单， 分割
12、形成封若干闭且连通的不交叠的区域。 类型： 全局阈值方法， 自适应阈值方法， 概率统计、类间方差优化方法。,Digital Image Processing,21,1.全局阈值算法 基本原理在一幅图像中选取一个或多个灰度阈值， 将图像中各个像素的灰度值与阈值进行比较， 并根据比较的结果将图像中的对应像素分成两类或多类， 将图像划分成互不交叉重叠区域的集合。 如：原始图像为f(x,y)，按照阈值T将图像分割为两个部分： （9.12） 图像二值化分割,Digital Image Processing,22,难点： 分割区域数目的确定； 具体阈值的确定： 阈值过高，容易把大量的目标误判为背景； 阈值
13、过低，容易把大量的背景误判为目标。,Digital Image Processing,23,（1）峰-谷法选取阈值 目标区域和背景区域在灰度区别明显“双峰”和“一谷”状直方图， 选取两峰值之间“谷值”为阈值，将目标和背景分开，得到分割后的图像。,Digital Image Processing,24,（2）微分法选取阈值 将直方图包络看成一条曲线，可采用求曲线极小值方法选取直方图谷值 。 设用h(x)为直方图曲线，x为图像灰度变量，那么极小值应满足： 以及 （9.13） 为避免噪声影响，可用高斯函数g(x,)先对直方图进行平滑处理： （9.14） 在全局阈值分割法中，阈值的选取是关键， 至今还
14、未能找到一种对所有图像都能有效分割的阈值选取方法。,Digital Image Processing,25,2.自适应阈值算法 固定阈值法难以应付： 图像中目标和背景的灰度值并非常数， 图像中目标和背景的对比度也有变化， 自适应阈值分割：把灰度阈值取成一个随图像中位置缓慢变化的函数， 保持局部的、相对的背景和物体之间的差异。 如子图像分割法： 将图像细分为若干个子图像， 对不同的子图像使用单独的阈值进行分割处理， 将各个分割后的子图像拼合成一个完整分割图像。,Digital Image Processing,26,3.统计最优阈值算法 统计判决确定阈值：目标和背景被误分割的概率达到最小的阈值分割方法。 目标区域灰度概率密度为pa(z)，出现的概率为， 背景区域灰度概率密度为pb(z)，出现的概率为 1-， 图像的灰度混合概率密度函数为： （9.15）,Digital Image Processing,27,将目标点误判为背景点的概率为： 把背景点误判为目标点的概率为： （9.16） （9.17） 总
