9.图像分割.pptVIP

图像分割 陈荣钦 chen_rongqin@163.com 课程内容 计算机图像处理的两个目的： 产生更适合人观察和识别的图像 有计算机自动识别和理解图像 今天，我们开始学习自动化的图像分析理论，一个非常棘手的问题——图像分割（Image Segmentation）： 图像分割 阈值选择与阈值化处理 边界提取和轮廓跟踪 Hough变换 图像分割 图像分割的目标是重点根据图像中的物体将图像的像素分类，并提取感兴趣目标 图像分割是图像识别和图像理解的基本前提步骤 图像分割举例 图像分割举例 图像分割是把图像分解成构成的部件和对象的过程 把焦点放在增强感兴趣对象 汽车牌照 排除不相干图像成分： 非矩形区域 图像分割的策略 图像分割的基本策略是基于灰度值的两个基本特性： 区域之间的不连续性 先找到点、线（宽度为1）、边（不定宽度） 再确定区域 区域内部的相似性 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 点检测 用空域的高通滤波器来检测孤立点： R= (-1 * 8 * 8 + 128 * 8)/9=106 可以设置阈值T = 64 若R=0，则说明检测点与周围点像素值相同 若R T，则说明检测点与周围点像素值非常的不同，为孤立点 点检测 线检测 通过比较典型模板的计算值，确定一个点是否在某个方向的线上 你也可以设计其它模板： 模板系数之和为0 感兴趣的方向系数值较大 线检测 用4种模板分别计算 R水平 = -6 + 30 = 24 R45度 = -14 + 14 = 0 R垂直 = -14 + 14 = 0 R135度 = -14 + 14 = 0 从这些值中寻找绝对值最大值，确定当前点更加接近于该模板所对应的直线 边缘检测 边缘是位于两个区域的边界线上的连续像素集合 一般而言，当人们看到有边缘物体时，首先感觉到的便是边缘，灰度或结构等信息的突变处称为边缘 边缘上的这种变化可以通过微分算子进行检测： 一阶导数：通过梯度来计算 二阶导数：通过拉普拉斯算子来计算 边缘检测 一阶导数：用梯度算子来计算 特点：对于亮的边，边的变化起点是正的，结束是负的。对于暗边，结论相反。常数部分为零。 用途：用于检测图像中边的存在 边缘检测 二阶导数：通过拉普拉斯来计算 特点：二阶微分在亮的一边是正的，在暗的一边是负的。常数部分为零。 用途：确定边上的像素是在亮的一边，还是暗的一边，0用于确定边的准确位置 常用的边缘检测器 给定图像中的一个 3*3区域，使用下面的边缘检测滤波器进行检测，它们都使用一阶导数 边缘检测举例 边缘检测问题 边缘检测中经常碰到的问题是： 图像中存在太多的细节。比如，前面例子中的砖墙 图像受到噪声的干扰，不能准确的检测边缘 解决的一个方法是在边缘检测之前对图像进行平滑 平滑后的边缘检测举例 导数噪声 基于微分的边缘检测器，其基本依据是图像的边缘对应了一阶导数的极大值，而二阶导数则过零点。 但是，假如图像受到噪声的影响： 噪声的幅值往往很小，但频率往往很高，比如设： 那么一阶导数和二阶导数分别为： 可见，即使噪声的幅值很小，但当频率很大时，噪声的一阶和二阶导数的幅值也会很大 Laplacian 边缘检测 我们曾经碰到过基于2阶导数的Laplacian滤波器 Laplacian由于对噪声太敏感，因此一般不单独使用 通常和平滑Gaussian滤波器进行结合来进行边缘检测 高斯拉普拉斯（LOG） 高斯拉普拉斯(Laplacian of Gaussian，LOG，或Mexican hat，墨西哥草帽)滤波器使用了Gaussian来进行噪声去除并使用 Laplacian来进行边缘检测 高斯拉普拉斯举例 阈值（Thresholding） 图像分割的经典方法是基于灰度阈值的分割方法 我们已经讨论了简单的单值阈值，它把一幅灰度图像转换成二值图像 简单的单值阈值在数学上可以描述为： 常用的方法是求解灰度直方图中的双峰或者多峰，并以两峰之间的谷底作为阈值 阈值举例 设想电脑玩家手中的扑克牌，我们需要对其进行视觉上的分析 但是小心…… 如果你设置了错误的阈值，结果是很糟糕的 全局阈值（Global Thresholding） 全局阈值是指整幅图像使用同一个阈值做分割处理，并产生一个二值图，区分出前景对象和背景。 适用于背景和前景对比度大的图像 算法实现： 选取一个合适的阈值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 基本的全局阈值算法 基本的全局阈值T可以按如下计算： 1、选择一个初时估计值T （一般为图像的平均灰度值） 2、使用T分割图像，产生两组像素：G1包括灰度级大于T的像素，G2包括灰度级小于等于T的像素 3、计算G1 中像素的平均值并赋值给μ1