基于形态学分水岭的分割.docVIP

基于形态学分水岭的分割 　 到现在为止，已经讨论了基于3种主要概念的分割方法：(a)间断的检测；(b)门限处理和(c)区域处理。每种方法各有优点(例如，全局门限处理的速度优势)和缺点(如，以灰度级的间断检测为基础的方法需要诸如边线连接等后处理)。本节中，讨论基于所谓的形态学分水岭概念的方法。接下来将要说明，形态学分水岭分割将其他3种方法中的许多概念进行了具体化，包括连续的边界分割在内，它生成的分割结果通常更为稳定。这条途径也为在分割过程中结合基于知识的约束提供了一个简单的框架。 一．基本概念 分水岭概念是以对图像进行三维可视化处理为基础的：其中两个是坐标，另一个是灰度级。对于这样：一种“地形学”的解释，我们考虑三类点：(a)属于局部性最小值的点；(b)当一滴水放在某点的位置上的时候，水一定会下落到一个单一的最小值点；(c)当水处在某个点的位置上时，，水会等概率地流向不止一个这样的最小值点。对一个特定的区域最小值，满足条件(b)的点的集合称为这个最小值的“汇水盆地”或“分水岭”。满足条件(c)的点的集合组成地形表面的峰线，术语称做“分割线”或“分水线”。 基于这些概念的分割算法的主要目标是找出分水线。基本思想很简单：假设在每个区域最小值的位置上打一个洞并且让水以均匀的上升速率从洞中涌出，从低到高淹没整个地形。当处在不同的汇聚盆地中的水将要聚合在一起时，修建的大坝将阻止聚合。水将只能到达大坝的顶部处于水线之上的程度。这些大坝的边界对应于分水岭的分割线。所以，它们是由分水岭算法提取出来的(连续的)边界线。 这些思想可以用图10.44作为辅助做进一步的解释。图10.44(a)显示了一个简单的灰度级图像。图10.44(b)是地形图。其中“山峰”的高度与输入图像的灰度级值成比例。为了易于解释，这个结构的后方被遮蔽起来。这是为了不与灰度级值相混淆；三维表达对一般地形学是很重要的。为了阻止上升的水从这些结构的边缘溢出，我们想像将整幅地形图的周围用比最高山峰还高的大坝包围起来。最高山峰的值是由输入图像灰度级可能具有的最大值决定的。 假设在每个区域最小值中打一个洞[如图10.44(b)中的深色区域]，并且让水以均匀的上升速率从洞中涌出，从低到高淹没整个地形。图10.44(c)说明被水淹没的第一个阶段，这里水用浅灰色表示，覆盖了对应于图中深色背景的区域。在图10.44(d)和(e)中，我们看到水分别在第一和第二汇水盆地中上升。由于水持续上升，最终水将从一个汇水盆地中溢出到另一个之中。图10.44(f)中显示了溢出的第一个征兆。这里，水确实从左边的盆地溢出到右边的盆地，并且两者之间有一个短“坝”(由单像素构成)阻止这一水位的水聚合在一起(在接下来的章节中将讨论坝的构筑)。由于水位不断上升，实际的效果要超出我们所说的。如图10.44(g)所显示的那样。这幅图中在两个汇水盆地之间显示了一条更长的坝，另一条水坝在右上角。这条水坝阻止了盆地中的水和对应于背景的水的聚合。这个过程不断延续直到到达水位的最大值(对应于图像中灰度级的最大值)。水坝最后剩下的部分对应于分水线，这条线就是要得到的分割结果。 对于这个例子，在图l0.44(h)中显示为叠加到原图上的一个像素宽的深色路径。注意一条重要的性质就是分水线组成一条连通的路径，由此给出了区域之间的连续的边界。 分水岭分割法的主要应用是从背景中提取近乎一致(类似水滴的)的对象。那些在灰度级上变化较小的区域的梯度值也较小。因此，实际上，我们经常可以见到分水岭分割方法与图像的梯度有更大的关系，而不是图像本身。有了这样的表示方法，汇水盆地的局部最小值就可以与对应于所关注的对象的小的梯度值联系起来了。 二．水坝构造 在进行讨论之前，让我们考虑一下如何构造分水岭分割方法所需的水坝或分水线。水坝的构造是以二值图像为基础的，这种图像属于二维整数空间Z2(见2.4.2节)。构造水坝分离二元点集的最简单的方法是使用形态膨胀(见9.2.1节)。 图l0.45说明了如何使用形态膨胀构造水坝的基本点。图l0.45(a)显示了两个汇水盆地的部分区域在淹没步骤的第n-1步时的图像。图10.45(b)显示了淹没的下一步(第n步)的结果。水已经从一个盆地溢出到另一个盆地，所以，必须建造水坝阻止这种情况的发生。为了与紧接着要介绍的符号相一致，令M1和M2表示在两个区域极小值中包含的点的坐标集合。然后，将处于汇水盆地中的点的坐标集合与这两个在溢出的第n-1个阶段的最小值联系起来，并用Cn-1(M1)和Cn-1(M2)表示。这就是图10.45(a)中的两个黑色区域。 令这两个集合的联合用C[n—1]表示。图l0.45(a)中有两个连通分量(见2.5.2节关于连通分量的部分)，而图10.45(b)中只有一个连通分量。这个连通分量包含着前面的两个分量，用虚