DVIP12 图像分割解析.ppt

* 基于形态学分水岭的分割—标记的使用 问题：由于噪声和梯度的局部不规则性等的影响，造成分水岭算法的过度分割。 过度分割意味着存在大量的分割区域，足以令分割结果变得毫无意义。 实际解决方案：通过融入预处理步骤来限制允许存在的区域的数目，设计的预处理步骤是将附加知识应用于分割过程。 电泳现象图像； 对梯度图像应用分水岭分割算法得到的结果，过渡分割现象很明显。 * 基于形态学分水岭的分割—标记的使用 方法 基于标记的概念； 一个标记是属于一幅图像的连通分量； 内部标记：与感兴趣物体相联系的标记； 外部标记：与背景相联系的标记。 选择标记的经典过程 预处理； 定义标记必须满足的一个准则集合。 为了对标记选择过程进行说明，考虑上页的电泳图像，导致分水岭过度分割结果的部分原因是大量潜在的最小值。由于这些区域的尺寸很小，许多最小值是不相关的细节。将很小的空间细节对图像的影响降至最低的有效方法是用一个平滑滤波器对图像进行过滤。在本例子特定情况下，这是一种合适的预处理方案。 * 基于形态学分水岭的分割—标记的使用 假设将内部标记定义为：1) 被更高‘海拔’点包围的区域；2)区域中形成一个连通分量的那些点；3) 连通分量中所有的点具有相同的灰度值。 图像经平滑后，满足上述定义的内部标记在下图中以浅灰色的斑点状区域表示。接着，在限制这些内部标记只能是允许的区域最小值的情况下，对平滑图像使用分水岭算法，下图 a 显示的分水线定义为外部标记，沿分水线的点经过相邻标记间的最高点。 显示有内部标记 (浅灰色区域) 和外部标记 (分水线) 的图像，有效地将图像分割成不同区域。每个区域包含一个唯一的内部标记和部分背景； 分割结果，效果改善明显。 * 基于形态学分水岭的分割—标记的使用 外部标记有效地将这些区域划分为了简单的两部分：单个物体和背景，后续分割： 可以采用本章前述的各种分割方法进行处理； 对各个区域简单地应用分水岭分割算法： 简单地求得平滑图像的梯度； 将算法限制在只对在该特殊区域汇中包含这一标记的单一分水岭进行操作； 标记的选择 可以用基于灰度值和连通性的简单过程归类，如前述； 更复杂的描述涉及尺寸、形状、位置、相对距离、纹理内容等； 关键是使用标记带来的和分割问题有关的先验知识。 人们经常以先验知识，用日常的视觉辅助，进行各种分割和更高级的处理，例如使用上下文。分水岭分割方法提供了一种能有效使用这类知识的框架，这是其突出优点。 * 本章内容 Outlines 间断检测 边缘连接 阈值处理 基于区域的分割 基于形态学分水岭的分割 分割中运动的应用 空间技术 频域技术 * 分割中运动的应用—空间技术 运动是人类和动物从背景中提取感兴趣物体或区域的强有力的信息。在成像系统中，运动来自摄像系统和场景间的相对位移。本节考虑运动在空间和频域分割中运用。 空间技术的基本方法 检测两幅图像之间是否变化的最简单方法是逐像素比较着两幅图像，得到差值图像。在 ti 和 tj 时刻的两幅图像的差值图像定义为： 其中，T 是指定的阈值。 在运动图像处理中，差值图像 dij(x,y) 中值为 1 的所有像素是物体运动的结果。这种方法只有在两幅图像都做了空间配准，而且在 T 值设定的范围内亮度相对稳定的情况下才是适用的。 * 实际中，dij(x,y) 中的 1 值项可能是由于噪声造成的。通常，在差值图像中这些点是孤立的，去除它们的一种简单方法是在 dij(x,y) 中构造 1 的 4-连通或 8-连通区域，然后忽略 1 值项少于预定元素数量的任何区域。尽管这种方法会忽略掉小的和/或慢速运动物体，但它提高了剩余项真是运动结果的概率。 积累差值图像 问题：通过阈值处理的连通性分析可以减少孤立噪声项的数目，但这类过滤操作会去掉小的或慢速运动的对象。 方法：考虑几帧图像中相同空间位置像素的变化，引入记忆，其思想是忽略在序列帧上零星出现的变化。 实现：一个图像帧序列，令 t1 时刻的图像 f(x,y,t1)=R (x, y) 为参考图像，累积差值图像 (ADI) 是将参考图像和序列中每幅后续图像进行比较，每当在某个像素位置上出现一次差异时，累计图像中这个位置的计数器就计数一次，当比较完序列的所有图像后，累计差值图像就累计了每个位置上像素值不同的次数。 分割中运动的应用—空间技术 * 假设运动物体的灰度值大于背景的灰度值，考虑三种类型的累积差值图像：绝对 ADI、正 ADI 和负 ADI，定义如下： 其中，R(x, y) 表示参考图像，R(x,y) = f(x,y,t1)；A、P、N分别为第 k 帧图像后的绝对 ADI、正 ADI 和负 ADI。 注意：1）ADI 的值是计数，都是从零开始计数；2）这些 ADI 与