基于边缘的图像分割要点.ppt

基于边缘的图像分割 图像分割 分割将图像细分为构成它的子区域或物体，细分的程度取决于要解决的问题，也就是说，在应用中，当感兴趣的物体或区域已经能够被检测出来时，就可以停止分割。 异常图像的分割是图像处理中最困难的任务之一。 多数分割算法均基于灰度值的两个基本性质之一：不连续性和相似性。不连续性：以灰度突变为基础分割一幅图像 相似性：根据一组预定义的准则将一幅图像分割为相似的区域 基于图像边缘的分割 阈值处理 区域生长 区域分裂 区域聚合 基础知识 令R表示一幅图像占据的整个空间区域，我们可以将图像分割是为把R分成n个子区域R1，R2，...，Rn的过程，满足： 分割必须是完全的， 每个像素都必须在一 个区域内 一个区域内的点以某 些预定义的方式来连 接（4连接或8连接） 各个区域必须是不相交的 分割后的区域中的像素 必须满足的属性 两个邻接区域Ri和Rj在 属性Q的意义上必须是 不同的 基于边缘的图像分割——点、线和边缘检测 （1）背景知识 （2）孤立点的检测 （3）线检测 （4）边缘模型 （5）基本边缘检测 （6）更先进的边缘检测技术 预备知识 一阶二阶导数 梯度算子 Prewitt模板 Sobel模板 Marr-Hildreth边缘检测器 坎尼边缘检测器 （1）背景知识 灰度突变可以用微分来表示。 一阶导数：（1）恒定灰度区域必须为零 （2）在灰度台阶或斜坡开始处必须不为零 （3）沿灰度斜坡点处也必须不为零 二阶导数：（1）在恒定灰度区域必须为零 （2）在灰度台阶或斜坡的开始处和结束处必须不为零 （3）沿灰度斜坡必须为零 （1）背景知识 结论：一阶导数通常在图像中产生较粗的边缘 二阶导数对精细细节，如细线、孤立点和噪声有较强的响应 二阶导数在灰度斜坡和灰度台阶过渡处会产生双边缘响应 二阶导数的符号可用于确定边缘的过渡是从亮到暗还是从暗道亮 方法：使用滤波器 w1 w2 w3 w4 w5 w6 w7 w8 w9 （2）孤立点的检测 点的检测以二阶导数为基础——拉普拉斯算子 （3）线检测 同样也是使用拉普拉斯算子，使用下面的模板，改模板的响应与方向无关。具有各向同性。 如果我们的兴趣在于检测特定方向的线可以使用下面的模板： （4）边缘模型 边缘检测是基于灰度突变来分割图像的最常用地方法。 边缘模型由以下三种： 台阶模型 在一个像素的距离 上发生两个灰度级 间理想的过渡，是 清晰、理想的模型 斜坡模型 不存在一条细的轨 轨。一个边缘点现 在是斜坡中包含的 任何点 屋顶模型 宽度由该线的宽度 和尖锐度决定。穿 过图像中一定区域 的一条线 （4）边缘模型 边缘模型应用到图像中： 台阶模型 斜坡模型 屋顶模型 （4）边缘模型 零交叉点：零灰度轴和二阶导数极值间的连线的交点 结论： 一阶导数的幅度可用于检测图像中的某个点处是否存在边缘 二阶导数的符号可用于确定一个边缘像素位于边缘的亮侧还是暗侧 二阶导数的附加性质： （1）对图像中的每条边缘，二阶导数生成两个值（不希望的特点） （2）二阶导数的零交叉点可用于定位粗边缘的中点 （4）边缘模型 有噪声边缘的一阶导数和二阶导数的性质 无噪声图像 0.1个灰度级 的随机高斯噪 声污染的图像 1.0个灰度级 的随机高斯噪 声污染的图像 10.0个灰度级 的随机高斯噪 声污染的图像 一阶导数 二阶导数 执行边缘检测的三个步骤： 1、降噪对图像进行平滑处理 2、边缘点的检测（局部操作，提取边缘点的候选者） 3、边缘定位（从候选边缘点中选择组成边缘点集合中的真是成员） （5）基本边缘检测 图像梯度及其性质 该向量指出了f在位置(x,y)处的最大变化率的方向 （5）基本边缘检测 梯度算子 Sobel模板能较好的平滑噪声