图像处理-6章-2(研究生)要点.ppt

6.1.4 阈值分割法（相似性分割） 6.1.4.1 阈值分割法简介 6.1.4.2 阈值选定 6.1.4.3 图像阈值化 6.1.4.1 阈值分割法简介 1 阈值分割法(thresholding)的基本思想： 确定一个合适的阈值T（阈值选定的好坏是此方法成败的关键）。 将大于等于阈值的像素作为物体或背景，生成一个二值图像。 If f(x,y) ? T set 255（即为1） Else set 0 6.1.4.1 阈值分割法简介 2 阈值分割法的特点： 适用于物体与背景有较强对比的情况，重要的是背景或物体的灰度比较单一。 这种方法总可以得到封闭且连通区域的边界。 6.1.4.2 阈值选定 1 通过交互方式进行选区 基本思想： 在通过交互方式下，得到对象（或背景 ）的灰度值。 假设：对象的灰度值(也称样点值)为f(x0,y0), 取满足下式的像素，将它们作为对象区域： |f(x,y) – f(x0,y0)| ? R 其中R 是容忍度，可通过试探获得。 6.1.4.2 阈值选定 实施方法： （1）通过光标获得样点值f(x0,y0) （2）选取容忍度R （3）if |f(x,y)–f(x0,y0)| ? R set 255 else set 0 6.1.4.2 阈值选定 2 利用灰度直方图选阈值 1) 状态法（the mode method ）（双峰法） 基本思想 边界上的点的灰度值出现次数较少。 取值的方法 取直方图谷底(最小值)的灰度值为阈值T。 6.1.4.2 阈值选定 缺点：会受到噪声的干扰，从而偏离期望的值。 改进： 取两个峰值之间某个固定位置，如中间位置上。由于峰值代表的是区域内外的典型值，一般情况下，比选谷底更可靠，可排除噪声的干扰。 6.1.4.2 阈值选定 2) 最佳阈值(Optimal Threshoding) 最佳阈值：使图像中目标物和背景分割错误最小的阈值。 有时目标和背景的灰度值有部分交错，用一个全局阈值并不能将它们绝对分开。这时常希望能减小误分割的概率，而选取最优阈值是一种常用的方法。 设一幅图像仅包含两类主要的灰度值区域（目标和背景），它的直方图可看成灰度值概率密度函数p(z)的一个近似。这个密度函数实际上是目标和背景的两个单峰密度函数之混合。 6.1.4.2 阈值选定 设一幅图像中，背景和目标物的灰度级分布概率密度p1(z)和p2(z)均为高斯函数，它的混合概率密度是： 例：最优阈值的计算 为求得使该误差最小的阈值可将E(T)对T求微分，并令微分式等于零，结果是 P1p1(T)=P2p2(T) 将这个结果用于高斯密度，可得到解一元二次方程的根判别式的系数： 6.1.4.2 阈值选定 3 利用局部特征自动选阈值 1) 通过边界特性(Boundary Characteristics)选择阈值 基本思想： 如果直方图的各个波峰很高、很窄、对称，且被很深的波谷分开时，有利于选择阈值。 为了改善直方图的波峰形状，我们只把区域边缘的像素绘入直方图，而不考虑区域中间的像素。 用微分算子处理图像，使图像只剩下边缘中心两边的像素的值。 6.1.4.2 阈值选定 这种方法有以下优点： 1)在前景和背景所占区域面积差别很大时，不会造成一个灰度级的波峰过高，而另一个过低。 2)边缘上的点在区域内还是区域外的概率是相等的，因此可以增加波峰的对称性。 6.1.4.2 阈值选定 算法的实现： 1）对图像进行梯度计算，得到梯度图像。 2）得到梯度值最大的那一部分（比如10%）的像素直方图。 3）通过直方图的谷底，得到阈值T。 6.1.4.2 阈值选定 2）基于变换直方图选取阈值 基本思想： 利用一些像素邻域的局部性质来变换原来的直方图，以得到一个新的直方图。比如： 具有低梯度值像素的灰度直方图，其中峰之间的谷比原直方图深。有利于更好地求出谷底。 具有低梯度值像素的灰度直方图 由于目标或背景内部的像素具有较低的梯度值，而它们边界上的像素具有较高的梯度值，所以这个新直方图中，对应内部点的峰应基本不变，但因为减少了一些边界点，所以谷应比原直方图要深。 更一般地，可计算一个加权的直方图，其中赋给具有低梯度值的像素权重大一些。例如，设一个像素点的梯度值为g，则在统计直方图时，可给它加权1/(1+g)2。这样一来，如果像素的梯度值为零，则它得到最大的权重“1”，如果像素具有很大的梯度值，则它得到的权重就变得微乎其微。在这样加权的直方图中，峰基本不变而谷变深，所以峰谷差距加大。 6.1.4.3 图像阈值化 1 简单全局阈值分割 基本思想：用前述方法