图像阈值分割讲述.ppt

图像分割 主要内容 一 图像分割概述 二 阈值分割 三 边缘检测 四 区域分割 一、图像分割概述 图像分割是指通过某种方法，使得画 面场景中的目标物被分为不同的类别。 通常图像分割的实现方法是，将图像 分为“黑”、“白”两类，这两类分别代 表了两个不同的对象。 因为结果图像为二值图像，所以通常 又称图像分割为图像的二值化处理。 图像分割是比较困难的事情，原因是画面中的场景通常是复杂的，要找出两个模式特征的差异，并且可以对该差异进行数学描述都是比较难的。 2.图像分割的目的 把图像分解成构成它的部件和对象； 有选择性地定位感兴趣对象在图像中的位置和范围。 从简到难，逐级分割 控制背景环境，降低分割难度 注意力集中在感兴趣的对象，缩小不相干图像成分的干扰。 二、阈值分割 2.0 阈值分割简述 2.1 类间方差阈值分割 2.2 最大熵阈值分割 2.3 直方图阈值分割 2.4 模糊阈值分割 设选用的灰度级门限为Zt，图像由亮背景上的暗物体所组成，因此凡是灰度级小于Zt的象素被认为是目标物，大于Zt的象素皆作为背景。 一般的图像很难获得灰度的概率密度函数以及先验概率，在一些特殊的应用场合，如文字、乐谱等图像，可以从大量图像得到一个统计规律，获得符号部分在全图像中的百分比，以此为基础，结合直方图谷点分析，可以得到近似最优 的结果 若选为Zt分割门限，则将背景象素错认为是目标象素的概率是： 将目标物象素错认为是背景象素的概率是： 因此，总的错误概率E(Zt)为 E(Zt)= (1－?)E2(Zt)+?E1(Zt) 最佳门限就是使E(Zt)为最小值时的Zt，将E(Zt)对Zt求导，并令其等于零，得: (1－?)P2(Zt)＝?P1(Zt)（满足此等式的Zt为最优阈值） 2.1 类间方差-OTSU OTSU算法也称最大类间方差法，有时也称之为大津算法，由大津于1979年提出，被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响，因此在数字图像处理上得到了广泛的应用。它是按图像的灰度特性,将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。 设灰度图像灰度级是L，则灰度范围为[0,L-1]，利用OTSU算法计算图像的最佳阈值为：t?=?Max[w0(t)?*?(u0(t)?-?u)^2?+?w1(t)?*?(u1(t)?-?u)^2)] 其中的变量说明：当分割的阈值为t时 w0为背景像素点占整幅图像的比例 u0为w0平均灰度 w1为前景像素点占整幅图像的比例 u1为w1平均灰度 u为整幅图像的平均灰度 使以上表达式值最大的t，即为分割图像的最佳阈值。 2.2 最大熵阈值分割 一维最大熵法 熵是从整个集合的统计特性来考虑的，它从平均意义上来表征信源的总体特征。 信息熵具有以下两种物理含义： 1、表示信源输出前信源的平均不确定性 2、表示信源输出后，每个符号所携带的平均信息量 对于数字图像，目标区域和背景区域的熵分别定义为 H1(i)=-(sum(P1.*log(P1))); H2(i)=-(sum(P2.*log(P2))); H(i)=H1(i)+H2(i); P1是目标区域的灰度级概率密度在此区域的分布 P2是背景区域的灰度级概率密度在此区域的分布 当熵函数取得最大值时，对应的灰度值i就是所求的最佳阈值，即i=argmax(H(i)) * * * 1.图像分割的定义 令集合R代表整个图像区域，对R的分割可看作将R分成N个满足以下五个条件 的非空子集（子区域）R1，R2，…，RN： ； 对所有的i和j，i≠j，有Ri∩Rj =φ； 对i = 1,2,…,N，有P(Ri) = TRUE； 对i≠j,有P(Ri∪Rj) = FALSE； 对i =1,2,…,N，Ri是连通的区域。 其中P(Ri)是对所有在集合Ri中元素的逻辑谓词,φ代表空集。 图像分割—引言 图像分割—引言 3.图像分割的基本思路 提取轮廓 车牌定位 车牌识别