第07章图像分割讲解.ppt

7.1 概 述 图像处理的重要任务:对图像中的对象进行分析和理解 在图像分析中，输出的结果是对图像的描述、分类或其他的某种结论 。 7.1 概 述 图像分析主要包括以下几部分内容： 把图像分割成不同的区域，或把不同的目标分开（分割）。即把图像分成互不重叠的区域并提取出感兴趣目标 ； 找出各个区域的特征（特征提取）； 识别图像中的内容，或对图像进行分类（识别与分类）； 给出结论（描述、分类或其他的结论）。 图像分割的目的 图像分割是指通过某种方法，使得画面场景被分为“目标物”（前景目标）及“非目标物”（背景）两类,即将图像的像素变换为黑、白两种。 因为结果图像为二值图像，所以通常又称图像分割为图像的二值化处理。 图像分割的作用 图像分割是图像识别和图像理解的基本前提步骤，图像分割质量的好坏直接影响后续图像处理的效果。 图像分割的作用 图像分割示例 图像分割示例 —— 肾小球区域的提取 图像分割示例 —— 细菌检测 图像分割示例 —— 印刷缺陷检测 图像分割示例—— 印刷缺陷检测 图像分割的方法 图像分割的基本策略：分割算法基于灰度值的两个基本特性：不连续性和相似性。 第一类性质的应用途径是基于灰度的不连续变化分割图像，比如图像的边缘。第二类性质的主要途径是依据事先制定的准则将图像分割为相似的区域。 图像分割的方法 从分割依据出发 “相似性分割”就是将具有同一灰度级或纹理的像素聚集在一起，形成图像中的不同区域。这种基于相似性原理的方法常称为“基于区域相关的分割技术” 图像分割的方法 “相似性分割”就是将具有同一灰度级或纹理的像素聚集在一起，形成图像中的不同区域。这种基于相似性原理的方法常称为“基于区域相关的分割技术” 两种方法具有互补性，一般在不同的场合需要不同方法，有时也将它们的处理结果相结合，以获得更好的效果。 根据分割算法本身 阈值法、边缘检测法、匹配法等 分割结果中同一个子区域内的像素应当是连通的； 同一个子区域内的任两个像素在该子区域内互相连通。 7.2 像素的邻域和连通性 4邻域 对一个坐标为 的像素p，它可以有两个水平和两个垂直的近邻像素。坐标分别为： 这四个像素称为p 的4邻域。 互为4邻域的像素又称为4连通的。 7.2 像素的邻域和连通性 8邻域 取像素p四周的8个点作为相链接的邻域点，除掉p本身外，剩下的8个点就是p的8邻域。 互为8邻域的像素又称为8连通的 。 目标和背景的连通性定义必须取不同，否则会引起矛盾。 应用函数bwlabel根据4连通或8连通准则在二值图像中判断目标。 7.3 图像的阈值分割技术 灰度阈值分割方法： 若图像中目标和背景具有不同的灰度集合，且两个灰度集合可用一个灰度级阈值T进行分割，这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域。 设图像为 ，其灰度集范围是[0,L]，在0和L之间选择一个合适的灰度阈值T进行分割。 图像分割方法得到一幅二值图像： 一、全局阈值分割 整幅图象使用同一个阈值做分割处理，是最简单的图像分割方法。 根据不同的目标，选用最佳的阈值。 最佳阈值的确定方法： 实验法 需要知道图像的某些特征 直方图法 适用于目标和背景的灰度差较大，直方图有明显谷底的情况。 最小误差的方法 基于灰度直方图的峰谷方法设计思想 假设某图像的灰度直方图具有二峰性，则表明这个图像较亮的区域和较暗的区域可以较好地分离。 取二峰间的谷点为阈值点，可以得到好的二值处理的效果。 基于灰度直方图的峰谷方法示例 基于灰度直方图的峰谷方示例 基于灰度直方图的峰谷阈值方法特点 简单、有效的阈值方法 局限性：图像的灰度直方图必须具有双峰性 二、自适应阈值分割 当照明不均匀、有突发噪声或者背景灰度变化比较大的时候，物体和背景的对比度在图象中不是各处一样的，这时很难用统一的一个阈值将物体与背景分开，可以根据图象的局部特征分别采用不同的阈值进行分割。 实际处理时，需按照具体问题将图象分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图象分割 。 与坐标相关的阈值称为自适应阈值的方法或动态阈值方法。 自适应阈值分割特点： 算法的时间复杂度和空间复杂度比较大； 抗噪声的能力比较强。 7.4 图像的边缘检测 基于灰度不连续性进行的分割方法。 用差分、梯度、拉普拉斯算子及各种高通滤波处理方法对图像边缘进行增强，只要再进行一次门限化的处理，便可以将边缘增强的方法用于边缘检测。 边缘检测=图像增强处理+门限化处理。 其目的不是加强图像中边缘信息，而是抽取边缘轮廓，并用于区域分割。 7.4