8第五章图像分割摘要.ppt

线性滤波器服从交换率(Commuativity)和结合率(Associativity)： Gauss滤波器的分离运算特性： 5.6.7 Canny算子 5.6.7 Canny算子 边缘数值： 边缘方向： 5.6.7 Canny算子 5.6.7 Canny算子 定位（ localisation ）包含两步： 非最大值抑制 （non-maximal suppression） 滞后阈值 （hysteresis thresholding） 非最大值抑制: 高斯平滑可以抑制图像的噪声，但也减弱了边缘信息。因此要通过Sobel算子提取图像的边缘。得到的边缘线可能较粗。要想沿边缘走向尽量留取少数点，非最大值抑制过程先找出一个边缘点处的边缘走向；在与其垂直的法向方向去除灰度梯度小的边缘点，仅保留灰度梯度最大的边缘点。这样就可得到沿边缘走向的较细的边缘线。 5.6.7 Canny算子 如果M(x,y)〉M1并且M(x,y)〉M2 ，将点Px,y标记为灰度梯度最大值点。 否则，将点Px,y舍去。这样就使原来获得的边缘变窄许多。 设Px,y是步骤（1）提取的一个边缘点。过Px,y的边缘如图所示，Px,y的灰度梯度M(x,y) 的两个分量分别是Mx和My。将过Px,y的边缘法线向两个方向延伸，与点Px,y的8邻域网格相交于两点。设这两个交点的灰度梯度分别为M1和M2，其数值可用Px,y邻点的灰度梯度做内插计算。 5.6.7 Canny算子 双阈值法连接边缘点: 对非最大值抑制标记的灰度梯度最大值 点继续搜索。如果某个点的梯度值（图中的强度）超过上阈值，标记为种子点，输出白色（255）。然后考察该点的8个邻域点。如果哪个点的灰度梯度超过下阈值，就将该点标记为新的种子点。将低于下阈值的点舍去，输出黑色（0）。再对新的种子点的8个邻域点同样考察。反复重复这一过程，就可得到一条条的边缘线。箭头指示可能的移动方向。从黑色得到白色只有一种方式，反之亦然。 5.6.7 Canny算子 非最大值抑制与双阈值法联合工作的示意图 随着图像边缘点的灰度梯度相对上、下阈值的变化，输出呈相应的二值灰度。由于边缘点可能反复超过上阈值或低于下阈值，又称迟滞阈值法。 5.6.7 Canny算子 超声图像通常包含较多噪声和伪迹，需要经过适当的图像处理才能得到有用的信息。上图给出一幅低对比度、高噪声的超声图像及多种边缘检测算子的结果。比较起来，显然只有Canny算子检测性能最佳。 5.6.7 Canny算子 * 影响C-均值算法性能的一些因素： （1）聚类中心的个数 （2）初始聚类中心的选取 （3）输入数据几何性质 需要对C聚类数目、初始参数做些实验选取。 尽管对算法的收敛性没有形式的证明，如果数据性质符合以最小距离作为相似性测度所做的假设，这种算法就会得到预期的良好效果。 5.5.2 ISODATA算法 Iterative Self-Organizing data Analysis ISODATA算法是统计模式识别中非监督动态聚类算法中的一种。通过设定初始聚类中心和聚类数，定义相似度准则函数将全部样本调整完毕后重新计算样本均值作为新的聚类中心；在调整样本过程中完成聚类分析，动态地进行类的合并和分裂，从而得到类数比较合理的各个聚类。 参数定义 K: 期望得到的聚类数 θn: 一个聚类中最少样本数 θs : 标准偏差参数 θc : 类间合并参数 L: 每次迭代允许合并的最大聚类对数 α：分裂时的加权项 IMAX: 允许迭代的次数 设置控制参数 K, θn,θs,θc,α,L,Imax 设初始聚类数C,初始聚类中心Wi i=1,2,…,C 循环计数器 I=0 按近邻法对样本分类 舍弃样本数过少的小聚类: 计算(1) 聚类中心; (2) 类内平均距离: (3) 全部样本总平均距离: D E F F B A F yes no 计算各类样本标准差: d: x向量之维数 : 第k个样本的第j个分量 Wij:第i类中心的第j个分量 找出各类最大的标准差分量: A C B 对每个聚类 分裂(Splitting) 将Ri 分成两个新类, 中心分别为 c=c+1 分裂步骤: 给定设计参数 α, 0α ?1, 令 Ri中ni个样本按 分成两类 no yes B C 对所有类,计算两两之间的距离; 对 的按升序排列 逐对合并,计算新的聚类中心 ( Lumping ) 每合并一对, c=c-1, 共合