第9章-图像分割20161208.pptxVIP

第九章 图像分割Chapter 9 Image SegmentationContents图像分割基础 基于边界的分割基于阈值的图像分割基于区域的图像分割分水岭分割图像分割基础图像分割是将图像划分为若干有意义的区域或部分，或者从图像中提取感兴趣目标的图像处理技术。图像分割的依据是图像中各个组成区域具有不同的特征，这些特征可以是灰度、颜色、纹理等，这些特征在同一区域内表现出一致性或相似性，而在不同区域之间表现出显著区别。图像抠图（Image matting）是当前流行的一项新的图像处理技术，它与图像分割既有联系，又有区别。图像抠图是指从一幅图像中尽可能完整地提取出感兴趣的目标，而图像分割只是将一幅图像中的前景（目标）从背景中分离出来。图像分割基础1984年，Porter和Duff将 通道的概念引入到数字图像中，并提出图像中每一个像素的灰度值 可以表示为前景灰度值 和背景灰度值 的线性组合形式， 式中， 通道表示前景与背景叠加的透明度。 灰度图像 α通道 目标区域 背景区域图像分割基于边界的图像分割基于阈值的图像分割基于区域的图像分割基于边界的图像分割边界存在于目标与背景、不同目标之间，是图像分割所依据的重要特征。基于边缘检测的图像分割首先确定图像中的边缘像素，然后将它们连接在一起构成边界。边缘是灰度值不连续的产物，可以利用差分来检测这种不连续性。一阶差分算子通过寻找图像一阶差分中的最大值来检测边缘，将边缘定位在一阶差分最大的方向；二阶差分算子通过寻找图像二阶差分过零点来定位边缘，最常用的是拉普拉斯过零点。阶跃脉冲斜坡屋顶四种常见类型边缘的剖面图阶跃边缘和斜坡边缘实际图像的边缘并不是理想的阶跃边缘，成像传感器和光学镜头固有的调制传递函数通常导致边缘模糊。实际图像的边缘具有一定坡度的斜剖面，斜坡部分与边缘模糊的程度成比例。 阶跃边缘 斜坡边缘阶跃边缘和斜坡边缘以及相应的水平线灰度级剖面图斜坡边缘及其一阶差分和二阶差分斜坡边缘及其一阶差分和二阶差分有噪边缘及其一阶差分和二阶差分噪声对于边缘灰度变化的整体趋势几乎是可忽略的，较大噪声的边缘呈现出轻微的波动。一阶差分和二阶差分表现出对噪声的敏感性，在利用差分进行边缘检测时，应慎重考虑噪声的影响。 叠加均值为0、标准差为0.1 叠加均值为0、标准差为1 的高斯噪声的斜坡边缘 的高斯噪声的斜坡边缘有噪边缘及其一阶差分和二阶差分一阶差分算子梯度算子定义在二维一阶导数的基础上，由于数字图像是离散的，常用差分近似偏导数，在像素 处的梯度定义为 式中， 和 分别表示x和y方向上的一阶差分。梯度幅度记为 ：增加最快的方向称为梯度方向，记为常用的一阶差分算子有Roberts、Prewitt和Sobel算子，用于近似计算偏导数。一阶差分算子Prewitt算子Roberts算子一阶差分算子Sobel算子 Prewitt模板应用于图像边缘检测 灰度图像 垂直方向边缘 水平方向边缘 梯度检测图像 Prewitt模板应用于图像边缘检测Sobel模板检测图像4个方向的边缘 垂直方向边缘 水平方向边缘 反对角方向边缘 对角方向边缘Sobel模板检测图像4个方向的边缘方向算子方向算子使用一组方向差分模板与图像进行模板卷积，在同一像素位置计算多个方向上的一阶差分，并选取全部模板中的最大响应幅度作为该像素的边缘强度，最大响应幅度的方向作为该像素的边缘方向。Kirsch算子由8个方向差分模板组成，记为 ，i = 0,1,…,7，方向之间的夹角为45° ，模板系数沿逆时针依次循环移位。Kirsch算子Kirsch算子的边缘检测结果 灰度图像 边缘图像Kirsch算子的边缘检测结果Kirsch算子8个方向的边缘图像 K0 K1 K2 K3 K4 K5 K6 K7Kirsch算子8个方向的边缘图像车道线检测方向差分模板的边缘检测具有较大的灵活性，根据不同的图像和不同的处理目的，可以设计任意角度任意方向的差分模板。为了检测图像中的车道线，本例使用一种3×9的带状边缘检测模板，也称为褶皱模板。该模板不仅充分考虑了车道线的形状特点，而且避免了乘法运算，提高了运算效率。车道线检测方向模板方向模板方向模板方向模板方向模板方向模板方向模板方向模板方向模板车道线检测结果 车道线图像 边缘图像 二值图像 去噪图像利用带状方向差分边缘检测模板进行车道线检测二阶差分算子二阶差分算子在图像分割中的主要作用：二阶差分在边缘处产生零交叉，其过零点可以确定边缘的位置；二阶差分的符号可以