第七章图像分割分析.pptx

东北大学 信息学院 陈东岳 魏颖;7.1 图像分割概述 7.2 图像特征概述 7.3 阈值法 7.4 区域法 7.5 聚类法 7.6 边界法 7.7 图论法 ;;图像分割与图像标记的关系 图像分割可以看做是图像标记(Image labeling)的一种特例。 图像分割的核心问题是如何为像素f(x, y)打上准确的离散化标签g(x, y)。;依据图像特征与空间策略的分类方法 ;基于方法论的分类 阈值法 区域法 边界法 聚类法 分类法 图论法 概率模型法 ;医学影像计算机辅助诊断 ;光学字符识别 ;工件视觉检测;遥感图像处理;自然图像理解;亮度 直方图 变换系数 边缘 纹理 关键点 ;亮度 空间连续性，稠密性，直观，敏感性 直方图 统计特征，抗线性几何变换 变换系数 频域统计特征，提供一种完全不同的视角 边缘 符合视觉习惯，是形状信息的基础 纹理 局部不连续性和全局相似性的统一 关键点 鲁棒局部特征，抗变形能力强，适用于匹配 ;思路 将分割问题视为面向每一个像素的分类问题，通常使用简单的阈值不等式判断像素的类别。 条件 待分割区域与背景区域在像素级特征上存在明显的差异，而两个区域内部像素在统计上各自具有较强的相似性。从特征直方图上看，具有明显的双峰分布的图像比较适合使用阈值法进行分割 ;阈值法分类 全局阈值法 (Global thresholding) 自适应阈值法 (Adaptive thresholding) 带阈值法 (Band thresholding) 多阈值法 (Multi-thresholding) ;数学模型 ;如何确定阈值T？ 迭代法 大津法 (OTSU) 最优阈值法 最大熵法 众数法 矩不变法 …… ;迭代阈值法 1）选取一个的初始估计值T； 2）用T分割图像。这样便会生成两组像素集合：G1由所有灰度值大于T的像素组成，而G2由所有灰度值小于或等于T的像素组成。 3）对G1和G2中所有像素计算平均灰度值u1和u2。 4）计算新的阈值：T=1/2(u1 + u2)。 重复步骤（2）到（4），直到T值更新后产生的偏差小于一个事先定义的参数T0。 从优化的角度看，迭代阈值法的目标函数： ;大津法（OTSU） 寻找使类间离散度最大化的阈值T 类间离散度的数学定义 P0(T), P1(T): 两类像素各自在总像素数量中所占的比例； u0(T), u1(T): 两类像素各自的特征(例如亮度)均值； u: 图像中所有像素的均值 Matlab函数： T = graythresh(I) ;最优阈值法 将目标和背景的像素特征分布看做是两个相互独立的随机变量，则整个图像的像素特征概率分布函数可以描述为： 当给定一个阈值T，假设前景较亮而背景较暗，根据概率模型可以估计出背景被错判为前景的概率Eb(T)和背景被错判为前景的概率Ef(T)。 两者的概率加权和即为总的错误概率E(T)，使得总错误概率最小的阈值即为最优阈值 ;7.3 阈值法 —— 全局阈值法;7.3 阈值法 —— 全局阈值法;7.3 阈值法 —— 全局阈值法;最优阈值法 为了求解方程： 必须对背景和前景的概率分布函数以及事件概率有准确的估计。 一般假设前景和背景都服从高斯分布，则全部未知量共5个，分别是前景和背景各自的均值和方差，以及前景的事件概率Po。 以上5个未知量一般根据最小均方误差原则进行估计。即令估计得到的概率密度函数参数方程与图像直方图的均方误差最小化。 ;全局阈值法设计与实现的一般性原则 根据图像灰度分布的统计特性建立一个关于阈值T的评价函数，通过对该函数的优化获取全局阈值。 评价函数 迭代法：两类中心的均值与阈值的差（误差概率的特例）； 大津法：类间离散度； 最优阈值法：错误概率； 众数法：灰度极小值； 最大熵法：两类的熵的和； 矩不变法：分类后数据的前4阶矩的变化值。 ;众数法; 算法特点总结;从一个例子开始 全局阈值法无法解决目标与背景的灰度范围过度重叠的情况（该情况通常由不均匀的光照所引起）;思路 将原图像分割为多块子图像。将每一个存在边缘的子图像作为一整张图像使用全局阈值法；将不存在明显边缘的子图像按照其平均灰度，判别为目标或背景;三个问题 1）如何确定一个子图像内是否存在边缘 2）如何处理块状效应 3）对于平坦区域灰度均值的判别能否保证准确 解决方案 1）图像预处理（去噪，去光照） 2）采用具有重叠区域的图像分块策略 3）根据子图像的方差、灰度直方图的双峰特性、梯度直方图等统计信息判别其是否包含边缘区域。 4）根据包含边缘区域的阈值对平坦区域的阈值进行插值补足。;优点 算法简单， 速度快，直接形成闭合区域。 缺点：