图像分割与边缘检测讲述.ppt

图像分割与边缘检测 2011.5.31 步骤1： 首先按从上到下， 从左到右的顺序扫描图像， 寻找没有标记跟踪结束记号的第一个边界起始点A0， A0是具有最小行和列值的边界点。定义一个扫描方向变量dir， 该变量用于记录上一步中沿着前一个边界点到当前边界点的移动方向， 其初始化取值为 (1) 对4连通区域取dir = 3， 如图5-12(a)所示；  (2) 对8连通区域取dir = 7， 如图5-12(b)所示。 图5-12 方向变量的初始化 步骤2： 按逆时针方向搜索当前像素的3×3邻域， 其起始搜索方向设定如下：  (1) 对4连通区域取(dir + 3)mod 4， 如图5-13(a)所示；  (2) 对8连通区域， 若dir为奇数取(dir + 7)mod 8， 如图5-13(b)所示； 若dir为偶数取(dir + 6) mod 8， 如图5-13(c)所示。 图5-13 3×3邻域起始搜索方向 在3×3邻域中搜索到的第一个与当前像素值相同的像素便为新的边界点An，同时更新变量dir为新的方向值。 步骤3：如果An等于第二个边界点A1且前一个边界点An-1等于第一个边界点A0，则停止搜索，结束跟踪，否则重复步骤2继续搜索。 步骤4：由边界点A0、A1、A2、…、An-2构成的边界便为要跟踪的边界。 算法中步骤1中所采用的准则称为“探测准则”， 其作用是找出第一个边界点；步骤3中所采用的准则称为“跟踪准则”，其作用是找出所有边界点。 图5-14 轮廓跟踪示例 5.3.2 轮廓提取 二值图像轮廓提取的算法非常简单， 就是掏空内部点： 如果原图像中有一点为黑，且它的8个邻点都是黑色时，说明该点是内部点， 将该点删除（置为白色像素值255）。对图像中所有像素点执行该操作便可完成图像轮廓的提取。在此不对其作过多说明，请读者参考配套光盘的源程序。 5.4 图 像 匹 配 5.4.1 模板匹配 模板匹配是指用一个较小的图像，即模板与源图像进行比较， 以确定在源图像中是否存在与该模板相同或相似的区域， 若该区域存在， 还可确定其位置并提取该区域。 模板匹配常用的一种测度为模板与原图像对应区域的误差平方和。设f(x, y)为M×N的原图像，t(j,k)为J×K(J≤M，K≤N)的模板图像，则误差平方和测度定义为 （5-7） 将式（5-7）展开可得 (5-8) 令 DS(x, y)称为原图像中与模板对应区域的能量，它与像素位置(x, y)有关， 但随像素位置(x, y)的变化， DS(x, y)变化缓慢。DST(x, y)称为模板与原图像对应区域的互相关，它随像素位置(x, y)的变化而变化，当模板t(j, k)和原图像中对应区域相匹配时取得最大值。DT(x, y)称为模板的能量，它与图像像素位置(x, y)无关，只用一次计算便可。显然，用式(5-8)计算误差平方和测度可以减少计算量。 基于上述分析，若设DS(x, y)也为常数，则用DST(x, y)便可进行图像匹配，当DST(x, y)取最大值时，便可认为模板与图像是匹配的。但假设DS(x, y)为常数会产生误差， 严重时将无法正确地完成匹配，因此可用归一化互相关作为误差平方和测度， 其定义为 (5-9) 图5-15给出了模板匹配的示意图，其中假设原图像f(x, y)和模板图像t(k, l)的原点都在左上角。对任何一个f(x, y)中的(x, y)， 根据式（5-9）都可以算得一个R(x, y)值。当x和y变化时，t(j, k)在原图像区域中移动并得出R(x, y)所有值。R(x, y)的最大值便指出了与t(j, k)匹配的最佳位置，若从该位置开始在原图像中取出与模板大小相同的一个区域， 便可得到匹配图像。 图5-15 模板匹配示意图 用归一化互相关求匹配的计算工作量非常大，因为模板要在(M－J＋1)×(N－K＋1)个参考位置上做相关计算，其中，除最佳匹配点外， 其余做的都是无效运算， 所以有必要对其进行改进， 以提高运算速度。常用的方法有序贯相似性检测算法、幅度排序相关算法、FFT相关算法、分层搜索序贯判决算法等。 模板匹配的主要局限性在于它只能进行平行移动，如原图像中要匹配的目标发生旋转或大小变化，该算法无效。另外，如原图像中要匹配的目标只有部分可见，该算法也无法完成匹配。 模板匹配程序的