图像分割第七章.ppt

第7章 图像分割（上）;统计模式识别;对于给定的一幅含有多个物体的数字图像，模式识别的过程由三个阶段组成，如图所示;图像分割介绍;(1) ∪i=1nRi=R;基于阈值的分割－通过阈值对不同物体进行分割 基于边缘的分割－先确定边缘象素，并把它们连接在一起，以构成所需的边界 基于区域的分割－把各象素划归到各个物体或区域中 基于运动的分割－通过视频物体运动进行分割;基于阈值的分割;但是，它对物体与背景具有较强对比的景物的分割很有效，而且总能用封闭连通的边界定义不交叠的区域;某种特殊情况下，高于阈值t的象素保持原灰度级，其它象素都变为0，称为半阈值法，分割后的图像可表示为：;由此可见，阈值化分割算法主要有两个步骤： 1、确定需要的分割阈值 2、将分割阈值与象素值比较以划分象素;阈值选取方法;直方图阈值分割;简单直方图分割法;Z1;注意：应用灰度直方图双峰法来分割图像，也需要一定的图像先验知识，因为同一个直方图可以对应若干个不同的图像，直方图只表明图像中各个灰度级上有多少个象素，并不描述这些象素的任何位置信息。;最佳阈值;P1(Z);最佳阈值就是使E(Zt)为最小值时的Zt，将E(Zt)对Zt求导，并令其等于0，解出其结果为：;将上两式代入，且对两边求对数，得到：;如果设θ=1- θ，即θ＝1/2时，;类间方差阈值分割;归一化直方图，则;可以看出，对任何t值，下式都能成立：;引入关于t的等价判决准则：;二维最大熵阈值分割;一维最大熵阈值分割;设ni为数字图像中灰度级i的象素点数，pi为灰度级i出现的概率，则;熵函数定义为：;二维最大熵阈值分割;具体方法如下：;点灰度-区域灰度均值对(i,j)的概率高峰主要分布在XOY平面的对角线附件，并且在总体上呈现双峰和一谷状态;二维直方图的XOY平面图;PA=∑i∑jpi,j，i=1,2…s,j=1,2…t;由于C区和D区包含的是关于噪声和边缘的信息，所以将其忽略不计，即假设C区和D区的pi,j≈0。C区： i=s+1,s+2,…L；j=1,2…t。D区：i=1,2,…s；j=t+1,t+2…L，可以得到：;选取的最佳阈值向量(s*,t*)满足：;模糊阈值分割;模糊率V(x)从数量上定义了图像X在μ资格函数下所呈现的模糊性的大小。直观的看，当μ(xm,n)=0.5时，V(x)和E(x)都取得了最大值，偏离该值时，V(x)和E(x)将下降。;在模糊阈值算法中，资格函数对分割结果影响较大，常见的资格函数主要有以下几种：;（2）具有升半柯西分布形式的资格函数，如图所示;（3）线性资格函数，如图所示;对于原始图像目标，背景呈现双峰分布的直方图，对应的V(x)图形也具有双峰，这时总存在一个q0值，其对应的模糊率V(q0)值，即为图像分割的最佳阈值。;基于边缘的分割;点检测;线检测; 哈夫变换;基本原理;;;;在具体计算时需要在参数空间PQ中建立一个2－D的累加数组。设这个累加数组为A(p,q)，如图所示，其中[pmin,pmax]和[qmin,qmax]分别为预期的斜率和截距的取值范围。;哈夫变换的几点性质;通过公共点的一簇直线→点集;;边缘检测;图像;一阶导数在图像由暗变明的位置处有1个向上的阶跃，而其它位置都为0，这表明可用一阶导数的幅度值来检测边缘的存在，幅度峰值一般对应边缘位置;对(c)而言，脉冲状的剖面边缘与(a)的一阶导数形状相同，所以(c)的一阶导数形状与(a)的二阶导数形状相同，而它的2个二阶导数过0点正好分别对应脉冲的上升沿和下降沿，通过检测脉冲剖面的2个二阶导数过0点就可确定脉冲的范围;;梯度算子;这个矢量的幅度(也常直接简称为梯度)和方向角分别为：;梯度运算比较复杂一点，在数字图像梯度运算过程中，可以按图像内容试用一些近似运算，以获得既能满足要求又能使运算简单的方法。对于数字图像，可用一阶差分代替一阶微分;在数字图像中，还经常使用Robert和Sobel等算子检测边缘;-1;实例;Sobel算子;拉普拉斯算子;拉普拉斯算子是无方向性的算子，它比前述计算多个方向导数算子的计算量要小，因为只需用一个模板，且不必综合各模板的值。;拉普拉斯是一种二阶导数算子，所以对图像中的噪声相当敏感。在实际中，常常在进行平滑操作地同时进行二阶微分，如图所示是具有平滑效果的二阶微分算子操作。;马尔算子;基本原理;如平滑滤波器的冲激响应函数用h(x)表示，可对信号先滤波，滤波后的信号为：;平滑滤波器h(x)应满足下列条件：;Marr边缘检测算法:;这样利用二阶导数算子过0点的性质，可确定图像中阶梯状边缘的位置，上式中的 2h也称为高斯-拉普拉斯(Laplacian-0f-Gaussian,LOG)l滤波器或算子，是一个轴对称函数，其剖面图如图所示;LOG函数在(x,y)空间中的图形，以原点为中心旋转对称的;