图像分割技术45611.pptVIP

图像分割技术 计算机应用技术 杨瑞娟 图像分割是图像分析的第一步，是计算机视觉的基础，是图像理解的重要组成部分，是图像处理到图像分析的关键步骤，同时也是图像处理中最古老和最困难的问题之一。 图像分割：将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其他伪目标中分离出来。由于这些被分割的区域在某些特性上相近，因而，图像分割常用于模式识别与图像理解以及图像压缩与编码两大类不同的应用目的。 图像分割的方法 早期的图像分割方法可以分为两大类： 一类是边界方法，这种方法假设图像分割结果的某个子区域在原来图像中一定会有边缘存在； 一类是区域方法，这种方法假设图像分割结果的某个子区域一定会有相同的性质，而不同区域的像素则没有共同的性质。 这两种方法都有优点和缺点。 根据应用目的不同，分为粗分割和细分割：对于模式识别应用，一个物体对象内部的细节与颜色(或灰度)渐变应被忽略，而且一个物体对象只应被表示为一个或少数几个分割区域，即粗分割；而对于基于区域或对象的图像压缩与编码，其分割的目的是为了得到色彩信息一致的区域，以利于高效的区域编码。若同一区域内含有大量变化细节，则难以编码，图像需要细分割，即需要捕捉图像的细微变化。 根据分割方法的不同，可分为并行边界分割（边界检测），串行边界分割（边界跟踪），并行区域分割（阈值分割、聚类），串行区域分割（区域生长、分裂合并）。 根据分割对象的属性，可被分为灰度图像分割和彩色图像分割。 根据分割对象的状态，可被分为静态图像分割和动态图像分割。 根据分割对象的应用领域，可分为医学图像分割、工业图像分割、安全图像分割、军事图像分割、交通图像分割等。 并行边界分割 不同图像灰度不同，边界处一般会有明显的边缘，利用此特征可以分割图像。 说明：边缘和物体间的边界并不等同。边缘：图像中像素的值有突变的地方；而物体间的边界：现实场景中的存在于物体之间的边界。有可能有边缘的地方并非边界，也有可能边界的地方并无边缘，因为现实世界中的物体是三维的，而图像只具有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息。 另外，成像过程中的光照和噪声也是不可避免的重要因素。正是因为这些原因，基于边缘的图像分割仍然是当前图像研究中的世界级难题，目前研究者正在试图在边缘提取中加入高层的语义信息。 在实际的图像分割中，往往只用到一阶和二阶导数，虽然，原理上可以用更高阶的导数，但是，因为噪声的影响，三阶以上的导数信息往往失去了应用价值。二阶导数还可以说明灰度突变的类型。在有些情况下，如灰度变化均匀的图像，只利用一阶导数可能找不到边界，此时二阶导数就能提供很有用的信息。 二阶导数对噪声也比较敏感，解决的方法是先对图像进行平滑滤波，消除部分噪声，再进行边缘检测。不过，利用二阶导数信息的算法是基于过零检测的，因此得到的边缘点数比较少，有利于后继的处理和识别工作。 Roberts算子：边缘定位准，但是对噪声敏感。适用于边缘明显且噪声较少的图像分割。 Prewitt算子：对噪声有抑制作用，抑制噪声的原理是通过像素平均，但是像素平均相当于对图像的低通滤波，所以Prewitt算子对边缘的定位不如Roberts算子。 Sobel算子：Sobel算子和Prewitt算子都是加权平均，但是Sobel算子认为，邻域的像素对当前像素产生的影响不是等价的，所以距离不同的像素具有不同的权值，对算子结果产生的影响也不同。一般来说，距离越远，产生的影响越小。 Isotropic Sobel算子：加权平均算子，权值反比于邻点与中心点的距离，当沿不同方向检测边缘时梯度幅度一致，就是通常所说的各向同性。上面的算子是利用一阶导数的信息。 Laplacian算子：是二阶微分算子。其具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变。但是，其对噪声比较敏感，所以，图像一般先经过平滑处理，因为平滑处理也是用模板进行的，所以，通常的分割算法都是把Laplacian算子和平滑算子结合起来生成一个新的模板。 串行边界分割 并行边缘检测的方法，对图像的每一点上所做的处理不依赖于其它的点处理结果。串行边界分割在处理图像时不但利用了本身像素的信息，而且利用前面处理过像素的结果。对某个像素的处理，以及是否把它分类成为边界点，和先前对其它点的处理得到的信息有关。 串行边界分割技术通常是通过顺序的搜索边缘点来工作的，一般有三个步骤： 1.起始边缘点的确定。 2.搜索准则，将根据这个准则确定下一个边缘点。