1 / 91

第 8 章 图像分割

8.1 图像分割的概念与方法分类 8.2 阈值分割法 8.3 边缘检测 8.4 区域分割 8.5 区域生长 8.6 数学形态法. 第 8 章 图像分割. 8.1 图像分割的概念与方法分类. 图像分析与图像分割 图像分析对图像中感兴趣的目标进行检测和测量，以获得它们的客观信息，从而建立对图像的描述。. 预处理. 图像分割. 特征提取. 对象识别. 图像分析系统的基本构成. 前景 （感兴趣目标） 背景 图像分割是将 图像分成 互不重叠的 区域并提取出感兴趣目标 技术。 利用区域特性，如灰度、颜色、纹理等. 一、图像分割的概念.

conan-sutton
Télécharger la présentation

第 8 章 图像分割

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 8.1 图像分割的概念与方法分类 8.2 阈值分割法 8.3 边缘检测 8.4 区域分割 8.5 区域生长 8.6 数学形态法 第8章 图像分割

  2. 8.1 图像分割的概念与方法分类 • 图像分析与图像分割 图像分析对图像中感兴趣的目标进行检测和测量，以获得它们的客观信息，从而建立对图像的描述。 预处理 图像分割 特征提取 对象识别 图像分析系统的基本构成

  3. 前景 （感兴趣目标） 背景 • 图像分割是将图像分成互不重叠的区域并提取出感兴趣目标技术。 • 利用区域特性，如灰度、颜色、纹理等 一、图像分割的概念

  4. 图像分割的严格定义(Conzalez R C,1992): • 令集合R代表整个图像区域，对R的分割可看作将R分成N个满足以下五个条件的非空子集（子区域）R1，R2，…，RN： • ； • 对所有的i和j，i≠j，有Ri∩Rj = ； • 对i = 1,2,…,N，有P(Ri) = TRUE； • 对i≠j,有P(Ri∪Rj) = FALSE； • 对i =1,2,…,N，Ri是连通的区域。

  5. 二、图像分割的基本原则 灰度图像的分割是基于像素灰度值的两个基本特性： 不连续性和相似性， 分割原则包括： • 利用区域灰度不连续性的基于边界的分割； • 利用区域灰度相似性的基于区域的分割。

  6. 利用区域灰度不连续性的基于边界的分割 检测图像像素灰度级的不连续性，找到点、线（宽度为1）、边（不定宽度）。先找边，后确定区域。

  7. 利用区域灰度相似性的基于区域的分割 检测图像像素的灰度值的相似性，通过选择阈值，找到灰度值相似的区域，区域的外轮廓就是对象的边。

  8. 图像分割的方法 • 基于边缘的分割方法 • 先提取区域边界，再确定边界限定的区域。 • 区域分割 • 确定每个像素的归属区域，从而形成一个区域图。 • 区域生长 • 将属性接近的连通像素聚集成区域 • 分裂－合并分割 • 综合利用区域分割和区域生长两种方法，既存在图像的划分，又有图像的合并。

  9. 8.1 阈值分割法 • 阈值分割法 • 通过交互方式得到阈值 • 通过直方图得到阈值 • 通过边界特性选择阈值 • 简单全局阈值分割 • 分割连通区域 • 基于多个变量的阈值

  10. 0 0 255 • 阈值分割法 • 阈值分割法的基本思想： • 确定一个合适的阈值T（阈值选定的好坏是此方法成败的关键）。 • 将大于等于阈值的像素作为物体或背景，生成一个二值图像。 If f(x,y)  T set 255 Else set 0 • 在四邻域中有背景的像素，即是边界像素。 0 255 255 255 255 255

  11. 阈值分割法 • 阈值分割法的特点： • 适用于物体与背景有较强对比的情况，重要的是背景或物体的灰度比较单一。（可通过先求背景，然后求反得到物体） • 这种方法总可以得到封闭且连通区域的边界。 灰度值 f(x0,y0) T

  12. 通过交互方式得到阈值 • 基本思想： • 在通过交互方式下，得到对象（或背景 ）的灰度值，比得到阈值T容易得多。 假设：对象的灰度值(也称样点值)为f(x0,y0),且：T = f(x0,y0) – R 有： f(x,y)  T f(x,y)  f(x0,y0) – R |f(x,y) – f(x0,y0)|  R 其中R 是容忍度，可通过试探获得。

  13. 通过交互方式得到阈值 • 实施方法： （1）通过光标获得样点值f(x0,y0) （2）选取容忍度R （3）if |f(x,y)–f(x0,y0)|  R set 255 else set 0

  14. 通过直方图得到阈值 • 基本思想 边界上的点的灰度值出现次数较少 T

  15. 通过直方图得到阈值 • 取值的方法： • 取直方图谷底，为最小值的灰度值为阈值T • 缺点：会受到噪音的干扰，最小值不是预 期的阈值，而偏离期望的值； • 改进：取两个峰值之间某个固定位置，如中间位置上。由于峰值代表的是区域内外的典型值，一般情况下，比选谷底更可靠，可排除噪音的干扰

  16. 通过直方图得到阈值 T

  17. 通过直方图得到阈值 • 对噪音的处理 对直方图进行平滑处理，如最小二乘法，等不过点插值。

  18. 通过边界特性选择阈值 • 基本思想： • 如果直方图的各个波峰很高、很窄、对称，且被很深的波谷分开时，有利于选择阈值。 • 为了改善直方图的波峰形状，我们只把区域边缘的像素绘入直方图，而不考虑区域中间的像素。 • 用微分算子，处理图像，使图像只剩下边界中心两边的值。

  19. 通过边界特性选择阈值 • 基本思想： • 这种方法有以下优点： 1)在前景和背景所占区域面积差别很大时，不会造一个灰度级的波峰过高，而另一个过低 2)边缘上的点在区域内还是区域外的概率是相等的，因此可以增加波峰的对称性 3)基于梯度和拉普拉斯算子选择的像素，可以增加波峰的高度

  20. 通过边界特性选择阈值 • 算法的实现： 1）对图像进行梯度计算，得到梯度图像。 2）得到梯度值最大的那一部分（比如10%） 的像素直方图 3）通过直方图的谷底，得到阈值T。 • 如果用拉普拉斯算子，不通过直方图，直接得到阈值，方法是使用拉普拉斯算子过滤图像，将0跨越点对应的灰度值为阈值T.

  21. 简单全局阈值分割 • 基本思想：用前述方法获得阈值T，并产生一个二值图，区分出前景对象和背景 • 算法实现： • 规定一个阈值T，逐行扫描图像。 • 凡灰度级大于T的，颜色置为255；凡灰度级小于T的，颜色置为0。 • 适用场合：明度图像是可以控制的情况，例如用于工业监测系统中。

  22. 分割连通区域 • 基本思想：用前述方法获得阈值T，并产生一个二值图，区分出单独的连通前景对象和背景区域 • 算法实现： • 规定一个阈值T，上下左右4个方向进行逐行扫描图像 • 凡灰度级大于T的，颜色置为255；凡灰度级小于T的，颜色置为0。

  23. 分割连通区域 • 适用场合：印前等。 先左后右，先上半部分、后下半部分

  24. 基于多个变量的阈值 • 基本思想：把前面的方法扩展到多维空间，则寻找波谷的过程，变为寻找点簇的过程。 • 算法实现： • 各维分量波谷之间进行逻辑与运算，从波谷重合的点，得到实际的阈值T。 • 应用场合：有多个分量的颜色模型，如RGB模型、CMYK模型、HSI模型

  25. 8.3 边缘检测 一、边缘的定义 图像中像素灰度有阶跃变化或屋顶变化的那些 像素的集合。 • 边缘的分类： • 阶跃状： • 边缘两边像素的灰度值明显不同； • 屋顶状： • 边缘处于灰度值从由小到大再到小的变化转折点处。

  26. 阶跃状 屋顶状

  27. 灰度的不连续可以利用求导数方便地检测到， 一般常用一阶和二阶导数来检测边缘。 一阶导数用梯度算子计算 二阶导数用Laplacian算子计算

  28. 边缘检测常借助空域中的边缘检测算子进行，通过将其模板与图像卷积完成。 二、边缘检测算子 将模板在图像上移动并在每个位置上计算模板中心对应像素值。

  29. 边缘检测算法的基本步骤： （1）滤波。边缘检测主要基于导数计算，但受噪声影响。但滤波器在降低噪声的同时也导致边缘强度的损失。 （2）增强。增强算法将邻域中灰度有显著变化的点突出显示。一般通过计算梯度幅值完成。 （3）检测。在有些图像中梯度幅值较大的并不是边缘点。最简单的边缘检测是梯度幅值阈值判定。 （4）定位。精确确定边缘的位置。

  30. 几种常用的边缘检测算子: • 梯度算子 • Roberts算子 • Prewitt算子 • Sobel算子 • Laplacian算子 • Marr算子

  31. 1.梯度算子 图像f(x,y)在像元点（x,y)的梯度为一个向量： 梯度的大小： 为简化计算，近似为：

  32. -1 -1 1 1 公式： 可用如下模板表示： 水平模板 垂直模板 梯度的方向：

  33. 边缘检测算例1： -1 1 阈值T=100 Grad>100时 g(x,y)=255; 否则,g(x,y)=0;

  34. 边缘检测算例1： -1 1

  35. 边缘检测算子 模板比较： （1）边缘粗细 （2）具有方向性

  36. 1 16 1 -1 1 6 17 0 1 2 2 7 1 1 2 1 -1 0 1 14 6 0 16 0 2 1 0 6 2 4 1 1 -1 -1 5 -1 5 0 6 1 -1 6 1 5 6 边缘检测算例2： 7 7 7 2 7 7 2 2 7 7 7 7 1 1 1 7 7 7 2 1 1 17 7 17 1 7 1 1 1 7 7 7 7 7 7 1 1 1 7 7 7 2 1 1 1 1 1 1 水平模板计算结果 垂直模板计算结果 原图像

  37. 模板组合：三种方法 梯度定义：

  38. 0 1 0 1 -4 1 0 1 0 -1 -1 -1 -1 8 -1 -1 -1 1 2.拉普拉斯算子 • Laplace算子： • 模板

  39. 3. Marr算子 • Marr算子是在Laplacian算子的基础上实现的。 • 由于Laplacian算子对噪声比较敏感，为了减少噪声影响，可先对图像进行平滑，然后再用Laplacian算子检测边缘。 • 平滑函数应能反映不同远近的周围点对给定像素具有不同的平滑作用，因此，平滑函数采用正态分布的高斯函数，即： 其中σ是方差

  40. 用h(x,y)对图像f(x,y)的平滑可表示为： *代表卷积。令r是离原点的径向距离，即r2=x2+y2。对图像g(x,y)采用Laplacian算子进行边缘检测，可得： 称为高斯－拉普拉斯滤波算子，也称为LOG滤波器，或“墨西哥草帽”。 由于平滑性质能减少噪声的影响，所以当边缘模糊或噪声较大时，利用 检测过零点能提供较可靠的边缘位置。

  41. Marr边缘Delta=2 Marr边缘delta=4 在该算子中，σ的选择很重要， σ小时边缘位置精度高，但边缘细节变化多； σ大时平滑作用大，但细节损失大，边缘点定位精度低。应根据噪声水平和边缘点定位精度要求适当选取σ。

  42. 8.4 区域分割 图像中属于同一区域的像元应具有相同或相似的属性，不同区域的像元属性不同。 图像分割就要寻求具有代表性的属性，用其进行划分，使具有相同属性的像元归属同一区域，不同属性的像元归属不同区域。 只利用一个属性时，图像区域分割就成为确定属性的阈值的问题。

  43. 1.状态法 统计最简单图像的灰度直方图，若其直方图呈双峰且有明显的谷，则将谷所对应的灰度值t 作为阈值，按下式进行二值化，就可将目标从图像中分割出来。 这种方法适用于目标和背景的灰度差较大，有明显谷的情况。 一、最简单图像的区域分割

  44. P 暗 Z1 Zi Zt Zj Zk 亮 B1 B2 背景 目标

  45. 2.判断分析法 假定最简单图像f(i,j)的灰度区间为[0,L-1],选择一阈值t将图像的像素分为c1、c2两组； 计算组内方差： 计算组间方差： 判别： 越大越好 通过改变t的取值，使判别最大。此时的t就为分割阈值

  46. 3.最佳熵自动阈值法 通过研究图像灰度直方图的熵测量，自动找出图像分割的最佳阈值。 KSW熵方法:基于两个分布假设的方法 使分割后图像的熵最大 设有阈值t，将灰度范围为[0，L-1]的图像划分为目标W与背景B两类。[0,t]的像素分布和[t+1,L-1]的像素分布分别为：

  47. 计算两个分布对应的熵，设分别为HW(t)和HB(t)，则整幅图像的熵为：计算两个分布对应的熵，设分别为HW(t)和HB(t)，则整幅图像的熵为： 使熵H(t)取最大值的t,就是分割目标与背景的最佳阈值。

  48. 4.最小误差分割 设图像中背景像素的灰度级服从正态分布，概率密度为p1(z),均值和方差分别为 ， 感兴趣目标的像素灰度级服从正态分布，概率密度为p2(z),均值和方差分别为 ， 设背景像素数占图像总像素数的百分比为 ，则目标的像素数占（1-θ），则混合概率密度为： 使错分概率最小

More Related