新数字视频图像处理与通信 教学课件 刘富强 王新红 宋春林 陈康力第5_6章 第5章 图像分割.pptVIP

第5章 图像分割 目录 5.1 阈值分割 5.2 基于区域的图像分割 5.3 基于边缘提取的图像分割 5.4 图像分割的量化评价 图像分割（Image Segmentation） 图像分割（Image Segmentation）就是把一幅图像分成不同的区域，从而分离出图像中的各个对象，然后从这些区域中获取对象的特征，如大小、形状、颜色、纹理等。 它是计算机视觉处理中极为重要的环节之一，它不仅是目标识别的前提，也可以用于图像压缩算法，同时也是自动图像分析时首先需要完成的工作。 图像分割的基本原理 根据图像的某些特征或特征集合的相似性准则，对图像像素进行分组聚类，把图像平面划分为一系列“有意义”的区域，使其后的图像分析、识别等高级处理阶段所要处理的数据量大大减少，同时又保留有关图像结构等特征信息。 5.1 阈值分割 5.1.1阈值分割原理与方法 5.1.2 基于像素的阈值选取 5.1.3 基于区域的阈值选取 5.1 阈值分割 灰度阈值分割是一种简单的基于区域的分割技术，这种方法是把每个像素的灰度值与一个阈值T进行比较，根据该像素的灰度值是否超过阈值T而将该像素归于目标或背景中的一类。 5.1 阈值分割 阈值运算可以看做是一种对图像中某点的灰度函数，或者该点的某种局部特征及该点在图像中的位置的检验，这种阈值检验函数可记做： 是g(x,y)点(x,y)的灰度值；N (x,y)是点(x,y)的局部邻域特性。 5.1.1阈值分割原理与方法 最常用的灰度特征可描述如下：假设图像由具有单峰灰度分布的目标和背景组成，在目标或背景内部的相邻像素间的灰度值是高度相关的，但在目标和背景交界处两边的像素在灰度值上有很大的差别。 5.1.1阈值分割原理与方法 最简单阈值分割方法： 1. 对一幅灰度取值在gmin和gmax之间的图像确定一个灰度阈值T（gminTgmax） 2. 将图像中每个像素的灰度值与T相比较，并将对应的像素根据比较结果划（分割）为两类 5.1.1阈值分割原理与方法 单阈值方法，阈值分割后的图像可定义为： 多阈值方法： 5.1.1阈值分割原理与方法 根据对T的不同约束，可以得到三种不同类型的阈值，即 全局阈值 局部阈值 动态阈值 5.1.2 基于像素的阈值选取 1.极小点阈值 如果将直方图的包络看做一条曲线，则选取直方图的谷可借助求曲线极小值的方法。设用代表直方图，那么极小值点应满足 , 和这些极小值点对应的灰度值就可用做分割阈值。 5.1.2 基于像素的阈值选取 2.最优阈值 有时背景和目标的灰度值有部分交错，用一个全局阈值并不能将它们完全分开。这时希望减小误分割概率，选取最优阈值是常用的方法。 2.最优阈值 背景点误判为物体点的概率 物体点错判为背景点的概率 若P=0.5， ，则 5.1.3 基于区域的阈值选取 1.直方图变换 直方图变换的基本思想是利用一些像素邻域的局部性质变换原来的直方图以得到一个新的直方图。 1.直方图变换 1.直方图变换 变换的直方图就是根据这些特点得到的，一般可分为两类：具有低梯度值像素的直方图和具有高梯度值像素的直方图。 第一类：做出仅具有低梯度值的像素的直方图或赋给低梯度值的像素更大的权值，则新直方图的谷应比原直方图要深。 第二类：做出仅具有高梯度值像素的直方图或赋给高梯度值的像素更大的权值，则新直方图在对应目标和背景的边界像素灰度级处有一个峰。 2.灰度值和梯度值散射图 2-D直方图，其中一个轴是灰度值轴，另一个轴是梯度值轴，而其统计值是同时具有某一个灰度值和梯度值的像素个数。 例如，当做出仅具有低梯度值像素的直方图时，实际上是对散射图用了一个阶梯状的权函数进行投影，其中给低梯度值像素的权为1，而给高梯度值像素的权为0。 3.基于过渡区的方法 过渡区是介于图像中目标和背景之间的一类区域。 过渡区可借助对图像有效平均梯度EAG（Effective Average Gradient）的计算和对图像灰度的剪切操作来确定。 3.基于过渡区的方法 TG和TP分别代表梯度图的总梯度值和非零梯度像素的总数 为了减少各种干扰的影响，需要用一种特殊的剪切变换。 3.基于过渡区的方法 对这样剪切后的图像求梯度，则其梯度函数必然与剪切值L有关，由此得到的EAG也变成了剪切值L的函数EAG(L)。 这两个边界的灰度值分别是Lhigh和Llow。可以证明，这两个极值点有三个重要的性质： 1）对每个过渡区，Lhigh和Llow总是存在并且各存在一个。 2） Lhigh和Llow所对应的灰度值都具有明显的像素特性区别能力。 3）