第9章图像分割2——基于边缘的分割技术报告.ppt

其他变换：Radon变换 ——车牌图像倾斜校正 (2) 曲线检测与边界检测 基本思路：图像空间的点，变换到参数空间参考点的可能轨迹，并对参考点计数，最后选出峰值。 可以推广到检测曲线。 关键： 写出到参数空间变换的公式，解析曲线的参数表示一般形式是 ， 是图像平面上的边界点（二维向量）， 是参数空间中的点（向量）。 检测边界： 寻找一种从区域边界到参数空间的变换，用大多数边界点满足的对应的参数来描述这个区域的边界。 ——利用图像全局特性直接检测目标轮廓 在预先知道区域形状的条件下，利用Hough变换可以方便地得到边界曲线而将不连续的边缘像素点连接起来。 圆的检测： 所有圆可以表示成： 每点对应（a, b, r）空间上的一个圆锥面 对a, b, r 离散化并累加 显然三个参数累加运算量非常大。 某点的边缘方向通常可以得到，利用该信息作约束限制可以变化的范围，可以大大减少运算量。 Hough变换法只对检测参数较少的曲线有意义。 实际使用时要尽量想办法减少参数数目，以减少计算量。 4. 边界跟踪 图像的轮廓（边界）跟踪(boundary tracking)与边缘检测是密切相关的，因为轮廓跟踪实质上就是沿着图像的外部边缘“走”一圈。 轮廓跟踪也称边缘点连接，是一种基于梯度的图像分割方法。 从梯度图中一个边界点出发，依次通过对前一个边界点的考察而逐步确定出下一个新的边界点，并将它们连接而逐步检测出边界的方法。 实际处理： 容易受到噪声的影响而偏离物体边界； 通常需要在跟踪前对梯度（边缘）图像进行平滑、形态学等处理去除噪声点、毛刺、空洞等不需要的部分； 再通过细化、边缘连接和跟踪等方法获得物体的轮廓边界。 常用的轮廓跟踪技术： 探测法 梯度图法 (b) 边缘细化后的图像 (a) 阈值化图像抽取边缘 图9.20 边缘提取与边界跟踪 (1) 轮廓跟踪（串行方法）的一般步骤 确定轮廓跟踪的起始边界点。 根据算法的不同，选择一个或多个边缘点作为搜索的起始边缘点。 选择一种合适的数据结构和搜索策略。 根据已经发现的边界点确定下一个检测目标并对其进行检测。 制定出终止搜寻的准则 一般是将形成闭合边界作为终止条件，在满足终止条件时结束搜寻。 根据光栅扫描，发现像素p0，其坐标为(3,5)。 反时针方向研究像素p0的8-邻接像素(3,4)、(4,4)、(4,5)，由此发现像素p1。 反时针方问从p0以前的像素，即像素(3,4)开始顺序研究p1的8-邻接像素，因此发现像素p2。这时，因为p0 ≠ p1，所以令pk= p2，返回第三步。 反复以上操作，以p0、p1,…, pn的顺序跟踪8-邻接的边界像素。 (2) 二值图像光栅跟踪法 0 1 2 3 4 5 6 7 i 1 2 3 4 5 6 j 二值图像光栅跟踪法 根据光栅扫描发现像素从0开始变为1的像素时，存储它的坐标 (i, j)值。 从像素 (i, j-1)开始反时针方向研究 8邻接像素，当第一次出现像素值为1的像素记为 pk，开始 k = 1，也同样存储 p1 的坐标。 同上，反时针方向从 pk-1 以前的像素研究 pk 的8邻接像素，把最先发现像素值为1的像素记为 pk +1。 当 pk= p0 而且 pk+1= p1 时，跟踪结束。在其他情况下，把 k+1更新当作k 返回第③步。 图9.21 二值图像边界跟踪 图9.22 灰度图像边界跟踪 5. 主动轮廓模型 给定对图像中目标轮廓的一个近似（初始轮廓），主动轮廓模型可用来检测准确的轮廓 主动轮廓模型逐步改变封闭曲线的形状以逼近图象中目标的轮廓。在这个过程中，目标轮廓的各部分常用线、边缘等表示。 主动轮廓模型也称Snakes，因为在对目标轮廓的逼近过程中，封闭曲线像蛇爬行一样不断改变形状。 主动轮廓是图像上一组排序的点的集合 处在轮廓上的点可通过解一个最小能量问题来迭代地逼近目标的边界 Eint(vi)是依赖于轮廓形状的能量函数 Eext(vi)是依赖于图象性质的能量函数 能量函数 内部能量 推动主动轮廓形状的改变 并保持轮廓上点间的距离 (1) 连续能量 迫使不封闭的曲线变成直线而封闭的曲线变成圆环 (2) 膨胀力 强制轮廓在没有外来影响的情况下扩展或收缩 能量函数 外部能量 将变形模板向感兴趣的特征吸引 构建能量函数：如目标的尺寸和形状 (1) 图像灰度能量 将轮廓吸向高或低的灰度区域 (2) 图像梯度能量