《[工学]数字图像处理技术ppt、图像分割》由会员分享，可在线阅读，更多相关《[工学]数字图像处理技术ppt、图像分割（33页珍藏版）》请在金锄头文库上搜索。
1、第四章 图像分割,数字图像处理的目的之一是用作图像识别，本章内容介绍的图像分割是图像识别工作的基础。,引言,图像处理的一个重要任务是对图像中的景物进行分析和理解，包括： 图像分割：把图像分割成不同的区域 特征抽取：找出分开的各区域的特征 图像识别与分类：识别图像中要找的东西，或对图像中不同的特征进行分类 图像分析或理解：对于不同区域进行描述，或寻找不同区域之间的相互联系，或把相关区域连接起来组成一个有意义的结构,引言,图像处理、识别与理解的含义： 图像处理 包括图像增强与恢复，可看作是预处理。其输入、输出均为图像 图像识别 对图像的分割、特征提取、分类及结构分析可称为图像识别。输入是图像，输出
2、是分类及结构分析 图像理解 对图像的描述与解释。输入是图像，输出是描述和解释,引言,图像分割 根据某种均匀性的原则将图像分成若干个有意义的部分，使每部分都符合某种一致性的要求。而任意两个相邻部分的合并都会破坏这种一致性 图像的边缘 边缘指的是包围着连通区域的一条封闭的边缘曲线。边缘两侧分属于两个区域，每个区域内部特性相对一致，而两个区域之间特性有差异，存在着灰度的突变，,引言,图像分割的原则： 基于点相关的分割 依据各个像素点的灰度不连续性进行分割。如基于边界的分割方法 基于区域相关的分割 依据同一区域具有相似的灰度这一特性，寻求不同区域之边界。如基于区域的分割方法,一 寻找图像边界的分割,1
3、、边界跟踪 (Boundary tracking，Edge point linking)是指从灰度图像中的一个边缘点出发，依次搜索并连接相邻边缘点，从而逐步检测出边界的方法,（1）确定作为搜索起点的边缘点（通常采用梯度值最大的点） （2）采取一种合适的数据结构和搜索机理，在已经发现的边界点基础上确定新的边界点。 （3）确定搜索终结的准则或终止条件,一 寻找图像边界的分割,8邻域搜索跟踪法,例：在33邻域中选取边界点，并限制没有大于45o的转折,一 寻找图像边界的分割,2、曲线拟合的边界连接,针对锐化后图像边缘间隔大或边缘点稀疏的情况，采用直线段或曲线函数来拟合这些边缘点，以形成部分边界，从而得
4、到整个完整边界,二 基于区域灰度的图像分割,通过对图像的直方图进行分析，发现图像分割的阈值，通过该阈值完成对图像不同区域的分割,二 基于区域灰度的图像分割,1、灰度级的门限化法 （1）门限化法：适用于对象与背景占据不同灰度级范围 原理：选取一个适当的灰度级门限，然后将每个像素灰度和它进行比较，超过门限的重新分配以最大灰度，低于门限的分配以最小灰度。这样可组成一幅新的二值图像，并将对象从背景中分离出来,二 基于区域灰度的图像分割,（2）半门限化法 原理：对图像中的背景表示成最大或最小的灰度，而把图像中的对象保留下来。,T,T,1,1,1,1,二 基于区域灰度的图像分割,（3）用门限化法检测对象边
5、缘 原理：使用门限化法时，令灰度和所取门限值相同的像素点具有新的灰度值为1，而其余的各点的灰度值为0，即可检测出边缘。 实用的方法：令原图像灰度值在门限值近旁一个小区域内的像素点的灰度为1，其余为0。,2、阈值的选择,极小点阈值 通过寻找直方图的极小点确定分割阈值，在确定极小点过程中可能需要对直方图进行平滑。 最优阈值 通常，图像中目标和背景的灰度值有部分交错，再分割时总希望减少分割误差。为此，需要研究最优阈值问题。通过背景和目标 的灰度概率分布函数可以在一定条件下确定最佳阈值,设图像由目标和背景两部分组成，目标的灰度分布概率密度为po(r)，而背景的灰度分布概率密度为pb(r)，同时设目标占
6、整个画面的百分比为q，则背景占1- q。若取阈值为t，则：,将背景点误判为物体点的误判概率为：,将物体点误判为背景点的误判概率为：,注意到上式右端第二项恰好是灰度小于 t 的背景点出现的总概率Pb(t)，故：,因此总的误判概率为：,我们的目标是求出最佳阈值 t ，使总的误判概率最小，故利用莱布尼茨法则，将上述误判函数对 t 求导，并令其为零，故有：,或写成：,若已知背景和目标的灰度概率密度，可以利用数值方法求出最佳阈值。,若背景和目标的灰度概率密度均为正态分布，则可以求出解析解：,设目标区和背景区灰度的均值分别为 mo 和 mb，均方差分别为 so和 sb，则：,代入上述总误判概率表达式，并取
7、对数得：,经化简，此方程具有以下形式：,其中：,因此可以通过求解二次方程，求出两个根 t1和 t2，并选取合理的结果。,对灰度位于 t1 和 t2 间的象素，根据该象素邻域内已经作出判决的其他象素的情况确定该象素的归属。或利用其他方法如跟踪法或区域扩张方法进行进一步分割。,因此 H(r) 是上述5个参数的函数，可以通过拟合方式使理论的直方图与实际的直方图的均方误差最小，从而估计 5 个参数。,若sb=so；且q=1/2, 则,上述结果是在已知 sb、so、 mb、mo、q 条件下得到的，一般讲，上述参数并不知道，可以通过直方图来估计上述参数。图像的总概率密度分布为：,如果背景与目标的灰度范围有
8、部分重叠，仅取一个固定的阈值会产生较大的误差，为此，可采用双阈值方法。,3、边缘检测,基于灰度不连续性进行分割的方法 差分边缘检测 处在边缘两侧的点，图像灰度将发生急剧的变化，因此具有较大的差分值，当差分方向与边界方向垂直时，具有最大的差分值。差分是灰度变化的有方向性的运算 梯度边缘检测 梯度是各向同性的运算，它既可以检测出边缘，又和施加运算的方向无关 可采用四邻域和八邻域的运算,3、边缘检测,拉普拉斯边缘检测 各向同性的运算，对灰度突变敏感 用于边缘检测时，为避免出现负值，常取其绝对值 方向模板边缘检测 类似于锐化模板，采用方向模板进行边缘检测 各种边缘检测算子： Sobel、Prewitt
9、、Krisch、Wallis等算子既可以用于图像锐化，又可以用于图像边缘检测,3、边缘检测,Roberts梯度交叉边缘检测 普通梯度算子检测水平或垂直方向上的变化； Roberts梯度交叉算子检测的是沿与图像坐标轴45度或135度角方向上的灰度梯度；,-1,0,0,1,0,-1,1,0,Roberts,Roberts交叉边缘检测效果,3、边缘检测,Sobel模板,垂直检测模板,水平检测模板,Sobel模板边缘检测效果,3、边缘检测,Kirsch算子 对八邻域进行计算，用3个相邻点的加权和减去5个相邻点的加权和；,3、边缘检测,Laplace算子 无方向性的二阶微分算子，可用二阶差分代替；经常表
10、示成模板形式 用于边缘检测时，为避免出现负值，常取其绝对值 对图像中的噪声非常敏感，另外还会产生双象素宽的边缘，很少直接用于边缘提取,3、边缘检测,LoG算子（Laplacian of Gaussian） 对Laplace算子的改进，为减少噪声的影响，对图像进行平滑，平滑函数采用高斯函数 对平滑后的图像再用Laplace算子 LoG算子是轴对称的各向同性算子,Laplacian of Gaussian,Canny算子边缘检测效果,三 区域扩张的图像分割,基本思路： 将图像划分为逐级分解的小区，利用一定的合并和分裂准则对小区进行检验，确定小区是否需要分裂或相邻小区是否需要合并。通常特征准则是以图像某些特征 (灰度、色彩、统计特征) 的均匀性为依据的。,三 区域扩张的图像分割,1、区域生长法 从生长点开始，搜索其邻域，把符合接收规则的点或子区归并进来，形成新的生长点，直到当前区域不能再合并为止,种子算法,种子的选取,生长的准则,生长过程终止的条件或规则,三 区域扩张的图像分割,2、子区域合并法 以小区域内的灰度分布的相似性来进行区域合并 将图像分成若干个子区 从第一个子区开始，分别计算子区与相邻子区的灰度统计量，然后做相似性判别。若满足则合并；不满足，则进行标记 继续新一轮判定，直到没有可归并的子区为止 对整幅图像中有标记的子区重复上述操作,门限法示例,返回,
