第五章 图像的分割技术.ppt

数字（医学）图像处理 5.1 图像分割定义和方法分类 图像分割的定义 图像分割是把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。 ——图像分割技术是图像处理技术研究的热点之一。 图像分割的性质 （1） （2）对所有i和j，i≠j，有 （3）对i 1,2,…,n，有 （4）对i≠j，有 （5）对i 1,2,…,n，Ri是连通的区域 分割方法分类 从分割依据出发 “相似性分割”就是将具有同一灰度级或纹理的像素聚集在一起，形成图像中的不同区域。这种基于相似性原理的方法常称为“基于区域相关的分割技术” “非连续性分割”需要先检测图像的局部不连续性，然后将它们连接起来形成边界，这些边界将图像分割成不同的区域。这种基于不连续原理检测图像中物体边缘的方法也称为“基于点相关的分割技术”。 这两种方法具有互补性，一般来说在不同的场合需要不同的方法，有时也将它们的处理结果相结合，以获得更好的效果。 根据分割算法本身 阈值法、边缘检测法、匹配法等 分割算法分类 根据策略分类 串行算法 串行边界类、串行区域类 并行算法 并行边界类、并行区域类 5.2 边缘检测 边缘可定义为在局部区域内图像的差别，他表现为图像上的不连续性。 灰度级的突变，纹理结构的突变，颜色的变化 ，可通过灰度门限法和空间特性分类得到。 5.2 边缘检测——边缘分类 微分算子 典型算子 微分算子 2. 拉普拉斯算子 提取边缘策略 MARR算子 5.3 轮廓跟踪和图搜索 轮廓跟踪 又称边缘点链接方法，从一个边缘点出发，依次搜索，从邻接点检测出轮廓并连接。 轮廓跟踪流程 图搜索方法 借助状态空间搜索来寻求全局最优的轮廓 基本概念 有向弧 有向图 父节点、子节点 展开 层 最小代价 图搜索法 例6.3.2 5.4 阈值分割 最常用的图像分割技术 主要利用图像中背景与对象之间的灰度差异。 理想状态下图像的灰度直方图上呈明显的双峰分布，两类物体灰度级间无交叠。在直方图中处于谷底的区域选取一个灰度值作为阈值，根据灰度与阈值的关系将像素判定为对象点或背景点，这个过程称为图像二值化。对二值图像进行进一步的分析就可以获得图像的分割结果。 二值化 多阈值二值化 1、极小值点阈值 T 120 2、最优阈值算法 最优条件 已知概率模型下的简化 5.5 基于变换直方图选取阈值 1.直方图变换 具有低梯度值像素的直方图，谷变深 具有高梯度值像素的直方图，峰变高 可进行加权变换 例如:权值＝1/ 1+g 2 灰度－梯度散射图 作图： 分别以灰度和梯度为横纵坐标进行投影。以形成的聚类团作为分割的依据。 5.6 空间聚类 空间聚类可看作是阈值分割概念的推广。 空间聚类是把图像中的像素点按照特征用相应的特征点表示，这些点形成的类团作为分割的依据 灰度－梯度散射就属于一种空间聚类的算法 K均值聚类 算法：（迭代算法） 设定任意类的均值 进行迭代，把任意像素点按下面的准则进行分配： 分配完毕后更新类的均值 直到类均值不再产生变化，即算法收敛为止。 K均值聚类 其中K为初始设定的分类数 实际采用试算方法来确定合理的K值。即首先根据图像特征，设定不同的K值，然后根据聚类的结果选择较合理的K值。 ISODATA聚类 和K均值法类似，采用聚类的中心来进行迭代搜索 确定N个聚类中心位置 根据中心位置划分各个像素点为不同区域 重新确定区域的中心位置 迭代至中心位置不在产生移动 5.7 区域生长 区域生长算法 区域生长算法 例子6.7.1 区域生长算法 改进： 设定灰度差的阈值为零，先进行相似区域的扩张，获得一系列的小区域 求出小区域的平均灰度值 合并平均灰度值差小于门限的邻接区域 区域生长的误差 （1）区域为均匀的 （2）区域非均匀的（假设为两个部分的叠加） 其思想是求出分割产生误差的概率，然后按照极值公式设定误差最小（见P198） 5.8 彩色图像的分割 核心思想是根据颜色模型，把彩色图像转换为各个分量的独立图像，然后利用灰度图像分割的方法进行分割。 RGB、HSI模型 分割策略 分割算法基于空间聚类，采用3维的不同特征聚类进行分割 算法流程 图6.8.1 （a）原图 （b）直方图 （c）二值化结果 Rice图像双峰法分割 设图像由两类对象?1、 ?2组成，它们的条件概率分别为：P x/ ?1 、P x/ ?2 ,其中x是灰度级，T是阈值 二值化判断： ?x T,x ??2； ?x T,x ? ?1 最优域值法示意图 P x/w1 P x/w2 x 0 T ?2误为?1的误差概率： ?1 T