图像处理与理解(第六章)解析.pptVIP

例题: 设有一数字图像如图所示，平均灰度均匀测度度量中阈值k=2,分别选取种子点为9、7进行区域增长 例题: 设有一数字图像如图所示，分别选取种子点为1和7，平均灰度均匀测度度量中阈值k分别为3和6,进行区域增长 6.4.2??? 分开――合并区域方法 1)?? 图像数据的金字塔结构及其四叉树表示 对于 的 ，若用 表示其层 次，第 层上为 的图像。即 第0层为原始图像，最顶层为第N层，只有 一个点。 上层(大尺度)图像表示是对图像的整体概括性的描述，小尺度空间是对图像细节的细致描述 2)??????? 算法的步骤 (a) 确定均匀性测试准则H，将原始图像构造四叉树数据结构。 (b) 选某中间层作为初始区域划分。对任一区域R，若H(R)为false，则R分裂成4个子区，对任1/4子区，若H(Ri)为false，再分。若H(Ri1U Ri2U Ri3U Ri4)为true，合并。重复上述步骤 (c)? 若有不同大小的两个相邻区域Ri 和Rj满足H（Ri URj）＝true，合并。 P230 例6.9 　　　 由此得到三个等价判决准则 寻找t,使得判决函数取得最大值，使得C0、C1两类得到最佳分离 tank.bmp原图 坦克图类间方差阈值分割 steel1.jpg原图 钢筋类间方差阈值分割 ship.bmp原图 类间方差阈值分割 6.3.3 二维最大熵阈值分割 熵的定义： 　　　　 其中： 是随机变量x的概率密度函数 对于数字图像而言，随机变量x可以是像素的灰度值、区域灰度、梯度等特征。 1）一维最大熵阈值分割 思路：选取一个阈值，使图像分割后两部分的一阶灰度统计的信息量最大。 对于大小为 的数字图像：　　　 设阈值t把图像分割为目标区域O和背景区域B，则O和B区域的概率分布为： O区域：　 　　 B区域：　　　　　　　 其中　　　 熵函数定义为： 　　　　　 式中： 　　　 于是，一维最大熵阈值分割就求解　　　 2）二维最大熵阈值分割 一维最大熵仅基于原始图像的直方图，因此未充分利用图像的空间信息。 思路：构造一个点灰度――区域灰度均值的二维直方图。 方法：首先以原始灰度图像中各像素及其4邻域的4个像素为一个区域，计算出区域灰度均值图像，这样原始图像中的每一个像素都对应一个点灰度――区域灰度均值对。 设图像有L个灰度级，这样的数据对的取值的LｘL种可能。 图6.3.8给出了图像的二维直方图。 点灰度――区域灰度均值对的概率高峰主要分布在对角线附近，总体上呈现双峰和一谷的状态。 表明： (1) 目标和背景区域内部的灰度较均匀 (2) 远离对角线，峰的高度急剧下降；主要为噪声点、边缘点、杂散点。 (3)真正代表目标和背景的信息量应该在对角线部分。如图6.3.9A、B区域。 设 为图像中点灰度为 ，区域灰度为j 的像素点数， 为点灰度――区域灰度均值对为（ ）发生的概率，则 　　　　　　　　 图像的大小为 若阈值设为（ ）　则 离散二维熵为 则A区和B区的二维熵分别为： 式中： 同理： 式中： 假设C区和D区的 ，（ C区和D区主要是噪声和边缘的信息， 可忽略） 则　 　　 其中　 　 熵的判别函数定义为 选取（ ）使 　　　 3）二维最大熵阈值分割递推算法 利用PA(s,t)递推PA(s,t+1)；HA(s,t)递推HA(s,t+1)； Ps (t+1)递推Ps+1(t+1); Hs (t+1)递推Hs+1(t+1) 消除原算法中每次均从 开始计算所造成的重复计算，但需要存储单元增大。 6.3.4??????? 模糊阈值分割 近年来，不少学者将模糊数学的方法引入到图像处理中取得了显著的成果，模糊集在图像增强、边缘检测以及图像分割中的应用，表明基于模糊子集理论的处理和识别技术，在一些场合，具有比传统方法更好的效果。 思路：将一幅图像看作一个模糊阵列，然后通过计算图像的模糊率或模糊熵来确定阈值。 图像的模糊特征平面 按照模糊子集的概念，可以将一幅MxN维且具有L个灰度级的图像X看作为一个模糊点阵。该阵可记为 其中 阵列中第（ ）个模糊单点集的隶属函数为 ，或图像的第（ ）个像素 具有某种特征的程度为 （1）