第八章图像分割2.ppt

8.4 区域生长方法 通过像素集合的区域增长，算法实现： * 8.3.2 边缘连接 边缘连接是将近邻的边缘点连接起来从而产生一条闭合的连通边界的过程。 一幅边缘图常用边缘点勾画出各个目标的轮廓，但很少能形成图像分割所需要的闭合且连通的边界。因此，需要对间隙加以填充。 1 启发式搜索 假定一幅边缘图像的某条边界上有一个缺口，两端点为A、B，作为质量的度量，可以建立一个在连接任意两端点的路径上进行计算的函数，为边缘质量函数。 首先要对A的邻域点进行评估，衡量哪一个可作为走向B第一步的候选。通常只考虑位于通向B的大致方向上的邻点。选择哪一个点是以能使A点到该点的边缘质量函数最大为原则的，然后该点成为下一次迭代的起点。当最后连接到B时，将新建路径的边缘质量函数与一个阈值比较，如果新建边缘不满足阈值条件，则被舍弃。 2 曲线拟合 如果边缘点很稀疏，可能需要用分段线性或高阶样条曲线来拟合这些点，从而形成一条为抽取物体所适用的边界。 3 边界跟踪 假定从一个梯度图像着手进行处理，这个图像中的目标单一且与背景具有反差。因为灰度值最高的点必然在边界上，所以可以把这一点作为边界跟踪过程的起始点。 接着，搜索以边界起始点为中心的3*3邻域，找出具有最大灰度值的邻域点作为第2个边界点。如果有两个邻域点具有相同的最大灰度值，就任选一个。从这一点开始，我们起动了一个在给定当前和前一个边界点的条件下寻找下一个边界点的迭代过程。在以当前边界点为中心的3*3邻域内，我们考察前一个边界点位置相对的邻点和这个邻点两旁的两个点。下一个边界点就是上述三点中具有最高灰度值的那个点。如果所有三个或两个相邻边界点具有同样的最高灰度值，我们就选择中间的那个点。如果两个非邻接点具有同样的最高灰度值，我们可以任选其一 。 噪声的影响可能使跟踪暂时或永远偏离边界。 可以通过跟踪前对梯度图像进行平滑或采用“跟踪虫”（tracking bug）的方法来降低噪声的影响。 在虫的每一个位置，对虫覆盖的区域的平均梯度进行计算。当虫位于最高平均梯度位置时，可以从虫的前部选择一个点作为下一个边界点。显然，跟踪虫是在一个更大的空间执行先前描述过的边界跟踪过程、大尺寸的跟踪虫可以完成梯度图像的平滑，从而降低了它对噪声的敏感化，它也限制了边界方向的急剧改变。 虫的大小和形状也可以改变以求达到最佳性能。 8.3.3 梯度图像阈值化 　　如果用适中的阈值对一幅梯度图像进行二值化，那么，我们将发现物体和背景内部的点低于阈值而大多数边缘点高于它。Kirsch的分割法利用了这种现象。这种技术首先用一个中偏低的灰度阈值对梯度图像进行二值化从而检测出物体和背景，物体与背景被处于阈值之上的边界点带分开。随着阈值逐渐提高，就引起物体和背景的同时增长。当它们接触上而又不至于合并时，可用接触点来定义边界。这是分水岭算法在梯度图像中的应用。 实际应用时需要注意3个问题：1选择一组能正确代表区域的种子像素；2 确定生长过程中能将相邻像素包括进来的规则；3制定让生长停止的条件或准则。 4邻域 相似性准则是种子像素与邻接像素的灰度值的差=1。 (c)输入图像从6开始生成所得到的结果 8.5 区域分割方法 8.5.1 简单区域扩张法 通常利用这种方法将图像分割成不同的小区域，再研究与其相邻的各个小区域之间的特征，把具有类似特征的小区域依次合并起来，步骤如下： 1 对图像进行扫描，求出不属于任何区域的像素； 2 把该像素的灰度与其周围的4邻域或8邻域内不属于任何一个区域的像素灰度比较，如果其差值在某一阈值以下，就把它作为同一区域加以合并； 3 对于那些新合并的像素反复进行第2步的操作； 4 反复进行第2、3步，直至区域不能扩张为止； 5 返回到第1步，寻找能成为新区域出发点的像素。 对上述问题，会将两个区域合并起来。可以把第2步改为：比较已经存在区域的平均灰度与该区域邻接像素的灰度值。 产生问题：以不同的像素作为起始点进行区域扩张，最后分割的结果会不同。 不依赖于起始点的区域扩张方法： 1 设灰度差的阈值为0，用前面第1-5步进行区域扩张； 2 求出所有邻接区域的平均灰度差，合并具有最小灰度差的邻接区域组； 3 通过反复进行第2步，依次把区域合并。 4 在适当的阶段停止区域合并。 8.5.2 统计假说检测法 根据小区域内灰度分布的相似性进行区域合并，步骤： 1 把图像分成相互稀疏的，大小为n*n的小矩形区域； 2 比较邻接区域的灰度直方图，如果灰度分布情况相似就合并成一个区域； 3 反复进行第2步，直至区域完成合并为止。 检测灰度分布的相似性： n一般取值为5-10。 8.5.3 试探法 以区域的形状作为判断标准，首先把图像分割成灰度固定的区域，然后根据以下的评价标准进行区域合并： 1 把任意的邻接区域R1、R2的周长设为P1、