图像分割——基于阈值和区域的分割要点.pptVIP

自适应阈值方法的基本步骤 将整幅图像分成一系列互相之间有50%重叠的子图像； 做出每个子图像的直方图； 检测各个子图像的直方图是否为双峰，如果是，则采用最佳阈值法确定一个阈值，否则就不进行处理； 根据对直方图为双峰的子图像得到的阈值通过插值得到所有子图像的阈值。 原图 大津法结果 自适应大津法结果 图9.8 自适应阈值分割图例 4. 动态阈值（分水岭阈值算法） 一些物体粘连的图像，如何区分？ 用全局阈值不易分割 典型：分水岭阈值算法 算法的主要目标是找出分水线。 和直接在最佳阈值处分割不同，分水岭阈值算法是一种特殊的自适应迭代阈值分割算法。 可以看成是一种自适应的多阈值分割算法。 时间和空间复杂性较高，但抗噪声能力强。 谷底孔 分水岭 图9.9 分水岭算法示意图 (1) 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。 对于分水岭这种“地形学”的解释，需考虑三点： （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，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时，水会等概率地流向不止一个这样的最小值点。 “汇水盆地”或“分水岭”： 对一个特定区域最小值，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”。 “分水线”或“分割线”： 满足条件（c）的点的集合组成地形表面的峰线。 图9.20 分水岭形成示意图 分水岭对应于原始图像中的边缘 (2) 基本思想 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。 图中给出的是一幅图像中的一个剖面，其中灰度较高的两个峰分别对应目标O1和O2。 分割的任务是将两个目标从背景中提取出来并互相分开。 先用一个较大的阈值进行分割，它可将图中的两个目标与背景分开，只是其间的间隙太宽。 如果接下来逐渐减小阈值，目标的边界随阈值的减小而相向扩展，最终两个目标会相遇；但此时不让两个目标合并。这样它们相接触前所保留的最后像素集合就给出了两个目标间最终的边界。 这个过程在阈值减小到背景灰度之前结束，即在被恰当分割的物体的边界正确地确定时终止。 可以用图来进一步说明： 原始图 阈值分割 分水岭 叠加轮廓 图9.10 分水岭阈值法分割图像实例 三、基于区域的分割法 阈值分割法缺点： 没有或很少考虑空间关系，使多阈值选择受到限制。 基于区域的分割方法： 利用图像的空间性质，认为分割出来的属于同一区域的像素应具有相似的性质。 传统的区域分割算法： 区域增长法和区域分裂合并法。 对含有复杂场景或自然景物等先验知识不足的图像，也可以取得较好的分割性能。（优点） 空间和时间开销都比较大。（缺点） 1. 什么是区域 图像中属于某个区域的像素点必须加以标注 当应用区域生长法来分割图像时，最终应该不存在没有被标注的像素点。 在同一区域的像素点必须相连 可以从现在所处的像素点出发，按照某种连接方式到达任何一个邻近的像素点。 常用的有两种各向同性连通方式：四连通和八连通。 区域之间不能重叠 也就是说一个像素只能有一个标注。 在区域Ri中每一个像素点必须遵从某种规则P(Ri) 例：当区域Ri中所有像素具有相似的灰度(相似性在一定的范围内)， P(Ri)为真。 两个不同的区域Ri和Rj具有的规则不同 2. 区域生长法 基本思想：将相似像素结合起来构成区域 基本步骤： 选择区域的种子像素 确定将相邻像素包括进来的准则 制定生长停止的规则(确定相似性准则) 最简单的区域生长法是将像素聚类。 影响因素： 种子像素的选取 生长准则依赖应用 生长示例 根据直方图选取聚类中心的像素为种子 根据与种子像素灰度差（T）判断是否生长 根据图像边缘确定生长何时终结 原始图 T = 3 T = 2 T = 7 特征相似性是构成与合并区域的基本准则。 相邻性是指所取的邻域方式。 将灰度相关的值作为区域生长准则，区域生长可分为： 单一型(像素与像素) 质心型(像素与区域) 混合型(区域与区域) 单一型区域生长法原理 以图像的某个像素为生长点，将特征相似的相邻像素合并为同一区域； 然后以合并的像素为生长点，重复以上的操作， 最终形成具有相似特征的像素的最大连通集合。 以像素灰度为特征进行简单区域生长的步骤： 对图