- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
Digital Image Processing 数字图像处理 第八章 图像分割 8.1 概述 图像分割 ? 分割出来的各区域对某种性质例如灰度,纹理而言具有相似性,区域内部是连通的的且没有过多小孔。 ? 区域边界是明确的 ? 相邻区域对分割所依据的性质有明显的差异 图像分割 图像分割 ? 边缘检测 ? 边缘跟踪 ? 阈值分割 ? 区域分割 ? 运动分割 8.4 阈值分割 基本原理 原始图像——f(x,y) 灰度阈值——T 阈值运算得二值图像——g(x,y) ? 阈值选择直接影响分割效果,通常可以通过对灰度直方图 的分析来确定它的值。 阈值选择 利用灰度直方图求双峰或多峰 选择两峰之间的谷底作为阈值 人工阈值 人工选择法是通过人眼的观察,应用人对图像的知识,在分析图像直方图的基础上,人工选出合适的阈值。也可以在人工选出阈值后,根据分割效果,不断的交互操作,从而选择出最佳的阈值。 T=155的二值化图像 T=210的二值化图像 原始图像 图像直方图 人工阈值 自动阈值 迭代法 基本思想:开始时选择一个阈值作为初始估计值,然后按某种策略不断地改进这一估计值,直到满足给定的准则为止。在迭代过程中,关键之处在于选择什么样的阈值改进策略,好的阈值的改进策略应该具备两个特征,一是能够快速收敛,二是在每一个迭代过程中,新产生阈值优于上一次的阈值。 自动阈值 迭代法 (1)? 选择图像灰度的中值作为初始阈值Ti=T0。 (2)? 利用阈值Ti把图像分割成两部分区域, R1和R2,并计算其灰度均值 (3) 计算新的阈值Ti+1 (4) 重复步骤2、3,直到Ti+1和Ti的值差别小于某个给定值 自动阈值 迭代法 原始图像 迭代阈值二值化图象 图8.20 迭代式阈值二值化图像 自动阈值 Ostu法 ? Ostu方法是使类间方差最大而推导出的一种能自动确定阈值的方法 ?具有简单,处理速度快的特点 ? Matlab工具箱提供的graythresh函数求取阈值采用的正是Ostu法 自动阈值 Ostu法 原始图像 Otsu法二值化图象 图8.21 Otsu法二值化图像 自动阈值 分水岭算法 ?分水岭算法(watershed)是一种借鉴了形态学理论的分割方法,它将一幅图象看成为一个拓扑地形图,其中灰度值被认为是地形高度值。高灰度值对应着山峰,低灰度值处对应着山谷。将水从任一处流下,它会朝地势底的地方流动,直到某一局部低洼处才停下来,这个低洼处被称为吸水盆地,最终所有的水会分聚在不同的吸水盆地, 吸水盆地之间的山脊被称为分水岭,水从分水岭流下时,它朝不同的吸水盆地流去的可能性是相等的。 ?将这种想法应用于图像分割,就是要在灰度图像中找出不同的吸水盆地和分水岭,由这些不同的吸引盆地和分水岭组成的区域即为我们要分割的目标。 自动阈值 分水岭算法 (a)原始图像 (b)图像对应的拓扑地形图 图8.23 图像对应的拓扑表面图 * * 特征 图像 图像识别 图像 预处理 图像理解 图8.1图像分割在整个图像处理过程中的作用 图像分割 作用 本章要点 8.2 边缘检测 梯度算子 梯度算子是一阶导数算子 ?幅值 ?方向角 梯度算子 ? 数字图像处理中用差分代替微分 ? ? ? 近似计算 梯度算子 Roberts算子 Z9 Z6 Z3 Z8 Z5 Z2 Z7 Z4 Z1 1 0 0 -1 0 -1 1 0 梯度算子 Sobel算子 Z9 Z6 Z3 Z8 Z5 Z2 Z7 Z4 Z1 1 0 -1 2 0 -2 1 0 -1 1 2 1 0 0 0 -1 -2 -1 梯度算子 Prewitt算子 Z9 Z6 Z3 Z8 Z5 Z2 Z7 Z4 Z1 1 0 -1 1 0 -1 1 0 -1 1 1 1 0 0 0 -1 -1 -1 梯度算子 原图 Prewitt算子 Sobel算子 Roberts算子 拉普拉斯算子 差分 微分 二阶导数算子 拉普拉斯算子 ? ?图8.5 两种常用的拉普拉斯算子模板 0 1 0 1 -4 1 0 1 0 1 1 1 1 -8 1 1 1 1 拉普拉斯算子 ? Canny算子 ? ?好的检测结果:对边缘的错误检测率要尽可能低,在检测出图像真实的边缘的同时要避免检测出现虚假的边缘。 ? 好的边缘定位精度:标记出的边缘位置要和图像上真正边缘的位置尽量接近。 ?对同一边缘要有低的响应次数:有的算子会对一个边缘回产生多个响应。也就是说图像上本来只有一个边缘点的,可是检测出来就会出现多个边缘点。 ? 克服噪声的影响 基本思想 Canny算子 ? 算法步骤
文档评论(0)