图像检测-7分割精讲.pptVIP

第七章 图像的分割 7.1 图像分割的概念 图像分割是指通过某种方法，使得画面场景中的目标物被分为不同的类别,得到有用部分的精简表示。 通常图像分割的实现方法是，将图像分为“黑”、“白”两类，这两类分别代表了两个不同的对象。 因为结果图像为二值图像，所以通常又称图像分割为图像的二值化处理。 图像分割说明示例 哪些是图形，哪些是背景？ 被遮挡物体的轮廓段可以借连续性质连接起来 从前面例子可以看到，图像分割是比较困难的事情，原因是画面中的场景通常是复杂的，要找出两个模式特征的差异，并且可以对该差异进行数学描述都是比较难的。 本章将介绍几种基本的典型方法。 图像分割原理上的计算公式如下： 7.2 基于灰度直方图的峰谷方法 要求图像的灰度直方图必须具有双峰性 多峰性 7.3 p-参数法 p-参数法对于实现已知目标物在画面中所占比例的情况下使用比较有效。 p-参数法的基本设计思想是：对固定分辨率下的目标物，根据目标物在画面中所占的比例来选择阈值，进行二值化处理。　　 7.3.1 p-参数法原理 如下图所示，假设目标物为暗，背景为亮； 先试探性地给出一个阈值（黄色） ，统计目标物的像素点数在整幅图中所占的比例是否满足要求，是则阈值合适；否则，阈值则偏大（右）或者偏小（左），再进行调整，直到满足要求（白色）。　　 7.3.2 p-参数法算法 计算得到原图的灰度直方图 h； 输入目标物所占画面的比例 p； 尝试性地给定一个阈值Th Th0； 计算在Th下判定的目标物的像素点数 N　 7.3.3 p-参数法的二值化效果 7.4 均匀性度量法 7.4.1 均匀性度量算法 7.4.2 均匀性度量方法的处理结果 7.5 最大类间、类内方差比法 适当的阈值使得两类数据间的方差越大越好，同时希望属于同一类问题的数据之间的方差越小越好，表明同一类问题具有一定的相似性。 ① 求出图像中的所有像素的分布概率p0, p1 …p255 , ② 给定一个初始阈值Th Th0，将图像分为C1和C2两类； ③ 根据7.4.1计算两类的方差?1和?2，灰度均值?1和?2，以及图像的总体灰度均值? ； ④ 计算两类问题的发生概率P1和P2； P1 + P2 1 7.6 聚类方法 聚类方法是采用了模式识别中的聚类思想。 7.6.1 聚类阈值算法 7.6.2 聚类方法的处理结果 7.7 局部阈值方法 分块局部阈值 7.8 均值迭代方法 迭代的方法产生阈值，可以通过程序自动计算出比较合适的分割阈值。计算方法： 1 选择阈值Th，通常可以选择图像的平均灰度值作为初始阈值； 2 通过初始阈值Th，把图像的平均灰度值分成两组C1和C2； 3 计算这两组平均灰度值?1和?2； 4 重新选择阈值Tz，新的Tz定义为：Tz ?1+?2 /2； 如果 Tz-Th 2 则 Th Tz 循环 2 - 4 直到 Tz-Th 2 取 Th* Tz。 最大类间、类内方差比法 Th 84 7.9 区域提取方法 核心是如何对区域的特性进行恰当的描述，以及如何根据该特性进行区域分割。 7.9.1 Hough变换检测法 用于已知为直线、曲线、圆等形状的曲线检测。 具体地说，在找出边界点集之后，需要连接，形成完整的边界图形描述 。 （2）变换算法 （3）算法特点 对ρ、θ量化过粗，直线参数就不精确，过细则计算量增加。因此，对ρ、θ量化要兼顾参数量化精度和计算量。 Hough变换检测直线的抗噪性能强，能将断开的边缘连接起来。 此外Hough变换也可用来检测曲线。 ? θ 2 4 Hough变换的扩展 圆检测算法的具体步骤 ① 求原图的梯度及梯度方向。 用中心像素与其周围的八个像素分别求差分的取绝对值为最大的一点为当前点的梯度值。 ② 按照式获得参数空间上的直线，对直线上的点累计值加1； ③ 循环①，②，直到所有的点全部处理完毕，； ④ 在参数空间上找到累计值为最大的点 x0*,y0* ，即圆心。 ⑤ 获得圆心坐标之后，即可得到圆的半径。 对于椭圆 设椭圆方程为 取导数有 只有三个独立参数。只需要从 a , b , x0 , y0 中选择三个参数，进行检测。 7.9.2 区域生长法 图像分割－ －把图像分解为若干个有意义的子区域，而这种分解－ －基于物体有平滑均匀的表面，与图像中强度恒定或缓慢变化的区域相对应，即每个子区域都具有一定的均匀性质。 前面所讨论的边缘、阈值，没有明显使用分割定义中的均匀测度度量。 区域分割－ －直接根据事先确定的相似性准则，直接取出若干特征相近或相同像素组成区域。 常用的区域分割－ －区域增长 区域生长 区域分裂、合并方法 2 生长准则和过程 * 基于区域灰度差 以像素为基本单位进行操作。 步