模式识别图像分割摘要.pptVIP

以Sobel边缘算子为例。 -1 -2 0 0 -1 0 1 2 1 0 0 0 0 0 0 1 1 1 1 1 1 5 5 6 4 5 5 0 0 0 0 1 0 5 5 0 5 5 6 5 0 0 5 5 1 0 0 0 0 0 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 2 2 -1 -2 0 0 -1 0 1 2 1 -1 0 -2 0 1 2 -1 0 1 -1 0 -2 0 1 2 -1 0 1 检测出边缘。 直接求梯度 去噪 或 18.5.2　边缘连接 　　小断点，在某端点为中心的5×5邻域内找其他端点，并补充像素。 　　为避免多断点连错，规定边缘强度和走向相近才连接。 18.5.2.1　启发式搜索 　　缺口大，也可能不是同一条边界的缺口。应建立一个函数，通过计算补点。 18.5.2.2　曲线拟合（适合边缘点很稀） (0, 0.5) (0.25, 0.375) (0.5, 0.25) (0.75, 0.125) (1, 0) 18.5.2.3　Hough变换 y=mx+b的极坐标表示：?=xcos?+ysin? 。 (?,?)定义了从原点到线上最近点的向量，与线垂直。 x,y平面的任一直线对应?,?平面的一个点。 对第1点，x=0, y=0.5，于是：?=0.5sin? 。 对第3点， x=0.5, y=0.25，于是：?=0.5cos?+0.25sin? 　　把一幅图像分成许多小区域，因而出现许多边界（小邻域甚至单个像素）。然后在每个区域中对经过适当定义的能反映一个物体内成员隶属程度的性质（度量）进行计算。 18.6　区域增长 平均灰度、纹理、颜色等 　　首先赋给每个区域一组参数，这些参数能反映区域属于哪个物体。然后对相邻区域边界进行考查，计算相邻区域平均度量之间的差。若边界两侧度量差异明显，则边界很强（如果超过某个定值即确定为边界），否则不是边界，该边界被取消，原来的小区域变大（增长了）。 　　这是迭代过程。当没有可以消除的弱边界时，区域合并过程也就结束了。图像分割完成。 * 数字图像处理 Digital Image Processing DIP 中国传媒大学信息工程学院 * 第18章　模式识别：图像分割 18.1 引言 　　模式识别可以从图像处理中分离出来，也可以与计算机视觉相关。以下讨论模式识别技术中最基本的内容，即统计模式识别。 18.1.1　统计模式识别 　　人工智能（AI）领域——计算机视觉分支：关注开发分析图像内容的算法，其中之一便是统计模式识别。应用最广，也是理解其他模式识别过程的基础。 　　一幅图像可能包含一个或多个物体，并且每个物体属于若干事先定义的类型、范畴或模式之一。 　　在给定一幅含有多个物体的数字图像的条件下，模式识别过程由三个主要阶段组成： 图像分割 特征抽取 分类 物体图像 特征向量 输入图像 物体类型 “Bar” 　　图像分割或物体分离阶段：检测出各个物体，并把它们的图像和其余景物分离。（MPEG-4所关心的核心问题之一就是视频对象的分离）。 　　特征抽取阶段：对检测出的物体进行度量，得到某个度量值（如尺寸、颜色、形状等），而特征则是一个或多个度量的函数。通过计算，可以对物体的一些重要特征进行定量化表示，形成一组特征，从而构成特征向量。实际上，度量抽取的特征向量可以是n维的，引入n维空间的概念，于是，任一特定物体都对应于特征空间中的一点。 　　分类阶段：以物体的特征向量为依据对物体进行分类，输出一种决策，也就是确定了每个物体应该归属的类别。在这一阶段，每一个物体都会被指定属于若干预先定义好的组（类）中的某一个组。出现分类错误的概率称为误判率。 10cm Red Circle 苹果 2cm Red Circle 樱桃 2cm Green Circle 青杏 特征向量 分类结果 18.1.2 模式识别的一个例子 　　测量水果的两个特点：直径和颜色，得到“直径——颜色”分布图，其中颜色用红色程度来表示。 　　水果的属性在其进入摄像机的视野时被测量，得到二维特征空间中的一个点。于是，根据这个点在特征空间里的位置，该水果便可被指定为四类中的某一类，决策系统自动对应的启动机械挡板，将其拨入对应的包装箱中。 　　每类水果在特征空间里产生了一个概率密度函数分布PDF，决策分界线可以通过这些PDF的相互作用，按尽可能减少误分类的原则加以确定。 直径 红色程度 樱桃 柠檬 苹果 葡萄 决策分界线 18.1.3　模式识别系统的设计 步　骤 作　用 物体检测器设计 选择能够将图像中各个物体分离开的景物分割算法 特征选择 确定能够最好地辨别物体类型的物体性质以及如何度量这些性质的方法 分类器设计 建立分类算法的数学基础并选择所使用的