第4章图像分割重点分析.pptVIP

* 边缘连接和边界检测 整体处理- Hough变换 * 边缘连接和边界检测 整体处理- Hough变换 Hough变换Matlab函数 [H, theta, rho] = hough(bw) peaks = houghpeaks(H,numpeaks) lines = houghlines(BW, theta, rho, peaks) * 门限处理 门限处理基础 选择一个阈值T，将大于阈值的像素作为对象，小于阈值的像素作为背景，生成一幅二值图像 一幅图像f(x,y)，经过门限处理后的图像g(x,y)可表示为 * 门限处理 门限处理基础 根据门限T的不同，可分为全局门限、局部门限、自适应门限 全局门限: T=T[f(x,y)] T仅取决于f(x,y)， 整幅图像采用单一门限 局部门限: T=T[f(x,y), p(x,y)] T仅取决于f(x,y)和p(x,y)，p(x,y)表示点(x,y)的局部性质 不同局部区域采用不同门限 自适应门限: T=T[x,y,f(x,y), p(x,y)] T取决于空间坐标x和y 每个像素点的门限随像素的点的特性而变化 * 门限处理 基本全局门限 通过对图像逐像素扫描，将灰度级大于阈值的像素标记为对象，将灰度级小于阈值的像素标记为背景 全局门限的确定 试探法 自动确定 经典的全局阈值分割方法 * 门限处理 * 门限处理 基本全局门限 自动确定门限的算法 选择一个T的初始估计值 用T分割图像，G1由所有灰度值大于T的像素组成，G2由所有小于或等于T的像素组成 对区域G1和G2中的所有像素计算平均灰度值μ1和μ2 计算新的门限值T=(μ1 +μ2)/2 重复步骤2到4，直到逐次迭代得到的T值之差小于事先定义的参数T0 * 门限处理 * 门限处理 基本全局门限 经典全局阈值分割方法 经典全局阈值分割方法 p-分位数法 迭代法 最大类间方差法 熵阈值法 最小误差法 * 经典全局阈值分割方法 p-分位数法 基本原理是根据先验知识，得到目标与背景像素的先验概率比例，再根据此条件依次累计灰度直方图，直到累计值大于或等于该比例数，此时的灰度值即最佳阈值。 该算法简单，有一定的抗噪声能力，但对于一些复杂图像的先验概率比较难求得，不适用于所有图像。 迭代法 基本原理是选取图像的平均灰度T0为初始阈值，然后用T0 将图像的像素点分作两部分，计算两部分各自的平均灰度之间的中点T1 ，将T1 作为新的全局阈值代替T0 ，重复以上过程，如此迭代，直至阈值收敛。 当图像的灰度直方图双峰不明显，图像目标和背景比例差异悬殊时，迭代法的分割效果不理想。 * 经典全局阈值分割方法 最大类间方差法 最大类间方差法是Otsu 于1978 年提出的，是应用最广泛的阈值分割法之一。 其中ωo 为目标的概率，μ o 为目标的平均灰度值，ωb 为背景的概率，μb 为背景的平均灰度值。 最小误差法 最小误差法来源于Bayes 的最小误差分类方法，其原理是选择一个合适的阈值，使目标错分到背景和背景错分到目标的误差概率总和达到最小，此时的阈值即为最佳阈值。 * 经典全局阈值分割方法 * * 基于区域的分割 基本公式 分割的目标是将图像划分为不同的区域 令R表示整幅图像，可以将分割看成是将R划分为n个子区域的过程，n个子区域满足以下条件 完备性： 连通性：每个Ri都是一个连通区域 独立性： 单一性： 互斥性： * 基于区域的分割 区域生长 算法实现 根据图像的不同应用选择一个或一组种子 选择一个条件 从该种子开始向外扩张，首先把种子像素加入集合，然后不断将与集合中各个像素连通、且满足给定条件的像素加入集合 上一过程进行到不再有满足条件的新像素点加入集合为止 * 基于区域的分割 * 基于区域的分割 区域生长 1个种子像素已用深底色标出，判断准则是：如果某像素(种子点8邻域内)与种子像素的灰度值差的绝对值小于门限T，则将该像素纳入种子像素所在的区域，画出T=3的区域生长结果。 11 10 14 17 15 11 10 14 17 17 10 11 15 15 15 12 10 15 16 15 12 12 15 16 14 * 基于区域的分割 * 基于区域的分割 区域分裂和合并 图像的四叉树表示 区域的分裂与合并是将图像分割为一系列不相交的、一致性较强的小区域，然后再按照一定的规则对小区域进行拆分或聚合，最终达到图像分割的目的。 区域分裂与合并不需设置“种子”点 ，只需给定相似测度和同质测度，如果两个相邻子区域满足相似测度，则将其合并；如果子区域不满足同质测度，则将其拆分。 * 基于区域的分割 区域分裂和合并的基本步骤 （1）确定均匀性测试准则 ，将原始图像构造成四叉树数据结构； （2）将图像四叉树结构中的某一中间层作为初始的区域划分