11图像分割-阈值分割精要.ppt

减背景，背景建模 减背景background subtraction,背景建模background modeling 背景并不是静止不变的 微小运动 光照变化 Watershed 分水岭算法 把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。 Watershed 分水岭算法 在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大 坝，即形成分水岭，也就是两个区域的分界线 Watershed分割实例 灰度图像 梯度图像 梯度三维视图 分水岭 图像分割 Marker based Watershed Watershed过度分割 使用灰度局部极小值作为分割起点，导致分块过多 Marker based Watershed 使用标记 使用预处理方法选择若干标记点作为分割起始点。标记的数量也是分割后得到的区域数量。 作业与练习 作业： 举例论述图像分割在图像处理中的作用和意义 编程实现最佳阈值法 编程实现Otsu法，与Matlab函数graythresh的结果比较 光电图像处理 ----图像分割 张昊 zhangh@tju.edu.cn 主要内容 图像分割的定义 图像分割的意义 灰度阈值分割 直接阈值分割 最小误判概率（最佳阈值） 最大类间方差（Otsu） 区域增长 减背景 分水岭算法 图像分割的定义 定义：把图像细分为有意义的区域。 区域：是图像中相邻的具有类似性质的点组成的集合。同一区域中的像素是连通的。 连通：同一个连通区域内任意两个像素之间，至少存在一个由这个区域内的像素连接的路径。 连通 非连通 图像分割的集合解释 图像可以看做是由像素组成的有序集合。图像分割是将此集合按某种规则划分为若干子集。 一般地说，这些子集满足五个特性 图像分割的作用 图像分割在图像处理中的作用和意义 图像分割简化或改变图像的表示形式，使得图像更容易理解和分析，是从图像处理到图像分析、图像理解和机器视觉的重要桥梁。许多图像理解和分析方法都是以图像分割为前提的。 图像处理 图像分割实例 如何从图像中，特别是复杂图像中分割或检测出目标，是图像分割的主要任务，也是图像和视觉研究中最困难的问题之一。 魔棒 遥感图像分割 图像分割实例 细胞分割 心血管三维重建 图像分割中人眼视觉的优越性 人眼视觉的优越性 阈值分割 利用图像中要提取的目标区域与其背景在灰度特性上的差异，把图像看作具有不同灰度级的两类区域(目标区域和背景区域)的组合，选取一个比较合理的阈值，以确定图像中每个像素点应该属于目标区域还是背景区域，从而产生相应的二值图像（0/1或0/255）。 一般把感兴趣的区域或目标叫做前景(foreground)，在分割后的图像中常用白色表示。其他部分称为背景(background)，用黑色表示。图像分割也可以看做一个二值化过程。 直接阈值法 直接阈值法：给定灰度图像f(x,y) ∈[t1,t2]，指定一个灰度阈值T将图像二值化 T=? 直接阈值法 如何选择阈值 根据观察，直接选择 根据直方图 如何根据图像，自动选择阈值？ 最小误判概率法估算阈值 设前景像素点灰度概率密度函数为p(x)，背景像素点灰度概率密度函数为q(x)，分布函数如图。前景像素个数占图像总像素数的百分比为?1，背景点为? 2 =1-? 1 p q 最小误判概率法估算阈值 设分割阈值为T，前景像素被错分为背景的概率为 背景像素被错分为前景的概率为 阈值T造成的错误分割概率为 最小误判概率法就是求一个使E(T)的数值最小的阈值T 最小误判概率法估算阈值 E(T)取得最小值时，其导数为0 假设图像中前景和背景像素灰度都呈正态分布,均值和方差分别为 所以有 最小误判概率分割算法 p q 为了便于计算，假设 最佳阈值公式 最小误判概率法的数值实现 迭代实现 最小误判概率法分割实例 三次迭代，得到阈值125.4 Otsu’s method Otsu法 又叫大津法 (大津展之) 基本假设：一个阈值T将图像像素分为前景和背景两点集，每一点集的方差尽可能小，也就是类内方差(intra-class)最小。这等价于最大化类间方差(inter-class) 最小化类内方差 p q Otsu’s method 两个点集的均值和方差分别为 整幅图像的方差 类内方差 类间方差 Otsu’s method 最小化类内方差，等价于最大化类间方差 为什么采用这样的表示形式？ Ots