图像分割与边缘检测概述.pptVIP

第一章 概 论 第二章 数字图像处理基础 第三章 VC＋＋图像编程基础 第四章 图像增强与平滑 第五章 图像分割与边缘检测 第六章 图像的几何变换 第七章 频域处理 第八章 数学形态学及其应用 第九章 图像特征与理解 第十章 图像编码 第十一章 图像复原 ;预处理;图像分割与特征提取;边缘检测;边缘检测;RS Application in Monitoring the Changes of Landuse(1);RS Application in Monitoring the Changes of Landuse(2);第5章 图像分割与边缘检测;　　　　　　　　 5.1 阈值分割5.1.1 概述 阈值分割 适用范围：目标和背景占据不同灰度级范围的图像，具有双峰性质。 方法：把图像灰度分成不同的等级，然后设置灰度门限（阈值T ），用T将图像分为2个或多个部分，从而确定有意义的区域或分割物体的边界。 假设前提：  1. 图像目标或背景内部的相邻像素间的灰度值是高度相关的. 2.目标与背景之间的边界两侧像素的灰度值差别很大， 图像目标与背景的灰度分布都是单峰的。 用途： 阈值分割常用做图像的二值化处理，即选择一阈值，将图像转换为黑白二值图像，用于图像分割及边缘跟踪等预处理. ;阈值化处理的变换函数表达式: ;255;　有多个目标且灰度差别较大时， 可以设置多个阈值; 注意： 阈值的选取不能过大或过小： 阈值过大， 会过多地把背景像素错分为目标； 阈值过小，又会过多地把目标像素错分为背景。;图5-3 不同阈值对阈值化结果的影响 原始图像； (b) 阈值T=91； (c) 阈值T=130； (d) 阈值T=43;确定阈值的方法; 当图像目标与背景之间具有高对比度时，利用全局阈值可以成功地分割图像。;极小点阈值法迭代阈值法最优阈值法Otsu阈值法最大熵法 p参数法等 ;1． 极小点阈值法基本思想： 将直方图的包络线看做一条曲线，求曲线的极小值，找 到直方图的谷底点，将其作为分割阈值。 设 p(z) 代表直方图，极小点应满足：  p′(z)=0 且 p″(z)0 ;2． 迭代阈值法;2）迭代阈值算法： 　 (1) 选择一个初始阈值T1（通常取中间值）。　　(2) 根据阈值T1将图像分割为G1和G2两部分。分别求出G1和G2的平均灰度值μ1和μ2。　　(3) 计算新的阈值 T2=(μ1+μ2)/2。　　(4) 如果|T2-T1|≤T0(T0为预先指定的很小的正数)，即迭代过程中前后两次阈值很接近时，终止迭代，否则T1= T2，重复(2)和(3)。最后的T2就是所求的阈值。 ; ? 设定常数T0的目的是为了加快迭代速度，如果不关心迭代速度，则可以设置T0 ＝0。 ? 当目标与背景的面积相当时，可以将初始阈值T1置为整幅图像的平均灰度。 ? 当目标与背景的面积相差较大时，更好的选择是将初始阈值T1置为最大灰度值与最小灰度值的中间值。　　;原始图像;3． 最优阈值法　　 当目标与背景的灰度值有部分相同时，用一个全局阈值会出现分割误差。一部分目标像素被错分为背景，一部分背景像素被错分为目标。 基本思想： 选择一个阈值，使总的分类误差概率最小。; 方法：假定图像中仅包含两类主要的灰度区域(目标和背景)，z：灰度值， p(z) ：混合概率密度P1：背景像素出现的概率，P2：目标像素出现的概率(P1+P2=1)。 p1(z)：背景的概率密度函数p2(z) ：目标的概率密度函数，混合概率密度函数p(z)：;把目标像素分割为背景的误差概率E1(T)为 ;总的误差概率E(T)为 ;　　事实上，目标与背景像素的出现概率P1和P2，和两者的概率密度函数p1(z)与p2(z)，往往未知，需要估计，但是很难估计。 所以，一般假设目标与背景的灰度均服从高斯分布，可以简化估计。;代入式 可得 ;1) 若σ1≠σ2，有两个解，确定一个最优阈值。 2) 若σ1=σ2=σ，只有一个最优阈值： 若P1=P2，则 ，即最优阈值为目标的平均灰度与背景的平均灰度的中值。 ;Otsu法 确定最佳阈值的准则： 使阈值分割后各个像素类的类内方差最小，或类间方差最大。 类内方差最小=类间方差最大，