数字图像处理第六七章new.ppt

依赖坐标的阈值选取 全局阈值不能兼顾图象各处的情况 用与坐标相关的一系列阈值来对图象分割 基本思想/思路： 将图象分解成一系列子图象 对每个子图象计算一个阈值 对这些子图象阈值进行插值 用插值结果（阈值曲面）进行分割 3．判断分析法  假定最简单图像f(i,j)的灰度区间为[0，L-1]，选择一阈值t将图像的像素分为c1、c2两组。 图像总像素数为w1+w2，灰度均值为 m=(m1w1+m2w2)/(w1+w2)。 则组内方差为 бw2=w1б12 + w2б22 组间方差为 бB2 = w1(m1-m)2+w2(m2-m)2=w1w2(m1-m2)2 均匀性度量法 所谓的均匀性度量方法，是根据“物以类聚” 的思想而设计的。 其基本设计思想是：属于“同一类别”的对象具有较大的一致性。 实现的手段是：以均值与方差作为度量均匀 性的数字指标。 均匀性度量算法 1）给定一个初始阈值Th=Th0（例如：可以默认为 1，或者是128等），则将原图分为C1和C2两类； 2）分别计算两类的类内方差： 均匀性度量算法 3）分别计算两类像素在图像中的分布概率： 计算分布概率的目的是：统计该类像素对图像的影响程度。 均匀性度量算法 4）选择最佳阈值Th=Th*，使得下式成立： 找最佳阈值的方法有很多，最笨的方法就是遍历[1~254]。 均匀性度量方法的处理结果 Th=82, 方差=24.4 Th=3, 方差=61.7 Th=31, 方差=29.7 聚类方法 聚类方法是采用了模式识别中的聚类思想。 以类内保持最大相似性以及类间保持最 大距离为最佳阈值的求取目标。 聚类阈值算法 1）给定一个初始阈值Th=Th0（例如：可以默认为 1，或者是128等），则将原图分为C1和C2两类； 2）分别计算两类的类内均值与方差： 聚类阈值算法 3）进行分类处理： 如果 则f(x,y)属于C1，否则f(x,y)属于C2。 聚类阈值算法 4）对上一步重新分类后得到的C1和C2中的所有像素，分别重新计算其各自的均值与方差。 5）如果下式成立： 则输出计算得到的阈值Th(t-1)，否则重复4），5）。 聚类方法的处理结果 Th=82, 方差=24.4 Th=97, 方差=24.8 聚类方法与均匀性度量方法的最大差别是考虑了类之间的距离。 图像分割说明示例 区域增长 原理和步骤 基本思想－将具有相似性质的象素集合起来构成区域。 具体步骤－先对每个需要分割的区域找一个种子象素作为生长起点，然后将种子象素周围邻域中与种子象素有相同或相似性质的象素(根据某种事先确定的生长或相似准则来判定)合并到种子象素所在的区域中。将这些新象素当做新的种子象素继续进行上面的过程，直到再没有满足条件的象素可被包括进来，这样一个区域就长成了 图像灰度阈值分割技术没有考虑到图像像素空间的连通性。区域增长是把图像分割成特征相同的若干小区域，比较相邻小区域特征的相似性，若它们足够相似，则作为同一区域合并，将特征相似的小区域不断合并，直到不能合并为止，最后形成特征不同的各区域。这种分割方式也称区域扩张法。 区域增长 进行区域增长首先要解决三个问题： ①确定区域的数目； ②选择有意义的特征； ③确定相似性准则。 特征相似性是构成与合并区域的基本准则，相邻性是指所取的邻域方式。 区域增长根据所用的邻域方式和相似性准则的不同，产生各种不同的区域扩张法。可分为： ①单一型（像素与像素）； ②质心型（像素与区域）； ③混合型（区域与区域）三种区域扩张法。 简单区域扩张法 以图像的某个像素为生长点，比较相邻像素的特征，将特征相似的相邻像素合并为同一区域；以合并的像素为生长点，继续重复以上的操作，最终形成具有相似特征的像素的最大连通集合。这种方法称简单（单一型）区域扩张法。 步骤: 1）对图像进行扫描，求出不属于任何区域的像素。当寻找不到这样的像素时结束操作。 2）把这个像素灰度同其周围（4-邻域或8-邻域）不属于其他区域的像素进行比较，若灰度差值小于阈值，则合并到同一区域。并对合并的像素赋予标记。 3）从新合并的像素开始，反复进行2）的操作。 4）反复进行2）、3）的操作，直至不能再合并。 5）返回1）操作，寻找新区域出发点的像素。 质心型增长 与简单区域增长不同，它是比较单个像素的特征与其相邻区域的特征，若相似则将像素归并到区域中。 质心型链接操作步骤类似简单区域扩张法，唯一不同的是在上述2）