第6章图像分割1解析.pptVIP

6.1.3 直方图方法 基本原理：图像的目标区域和背景区域在灰度上有明显的差别，其直方图会呈现双峰一谷状。 一峰值对应与目标的中心灰度，另一峰值对应于背景中心灰度，选取谷值为阈值，易将目标和背景分开。 T 基本思想：边界上的点的灰度值出现次数较少 缺点： 1、图像中不存在明显灰度差异或灰度值范围有较 大重叠，难以得到准确的分割结果。 2、仅考虑灰度信息而不考虑图像空间信息， 对噪声的灰度不均匀性敏感。 直方图方法处理过程 将直方图的包络看成一条曲线，则选取直方图谷值可采用曲线极小值的方法。 设h(z)表示图像直方图，z为图像灰度变量，那么极小值应满足： 此方法计算出来的极小点可能是虚假的谷值，不是正确的分割阈值 6.1.3 直方图方法 解决方法：用高斯函数与直方图函数进行卷积运算，得到相对平滑的直方图 ，再求极小值 或取两个峰值之间某个固定位置，如中间位置上。由于峰值代表的是区域内外的典型值，一般情况下，比选谷底更可靠，可排除噪音的干扰 T 6.1.4 最大类间方差法 Ostu于1978年提出的典型的图像分割方法 假定某一阈值T将图像各像素按灰度分成两大类C0 和C1；C0类包含灰度级为[0，1….z]的像素，C1类 包含灰度级为[z+1，z+2….K-1]的像素，每个灰度 级的概率为Pi； 6.1.4 最大类间方差法 C0类的概率和为 C0的数学期望为 C0均值 C1类的概率和为 C1的数学期望为 C1均值 图像的总平均灰度为μ=ω0μ0+ω1μ1则 定义类间方差为 σ最大时的z就是最佳分割阈值T σ越大表示两部分差别越大，判错概率越小 实际应用中，为减小计算量，采用等价公式 6.1.5 统计最优阈值法 统计最优阈值分割方法：把背景误分割为 目标区域或把目标误分割为背景区域的情况 出现的概率最小。 设一幅混有加性高斯噪声的图像，目标点出现的概率为θ ，目标区域灰度值概率密度为po(z)，则背景点出现的概率为1-θ，背景区域灰度概率密度为pb(z)。则图像的灰度混合概率密度函数为: p(z)= θpo(z)+ (1-θ) pb(z) 6.1.5 统计最优阈值法 根据灰度阈值T对图像进行分割，T背景点，T为目标点 将目标点误判为背景点的概率为： 把背景误判为目标点的概率为 6.1.5 统计最优阈值法 总的误差概率为： 对T求导 得到 6.1.5 统计最优阈值法 6.1.5 统计最优阈值法 对于高斯分布概率密度类型的图像 6.1.5 统计最优阈值法 代入 并取对数 或 6.1.5 统计最优阈值法 化简成标准的二次方程表达式AT2+BT+C=0 6.1.5 统计最优阈值法 如果两个区域的方差相同，即整幅图像的噪声来自同一信号源，σo=σb =σ，则存在一个统计最优阈值T： 如何为下一步使用？？ * 在分割的过程中有很多种分割方法，如阈值、模糊理论、遗传算法、小波等等，最终分割出的区域要满足一定特点。 * * * * * * * 数字图像处理 知识点回顾 一、图像增强 二、图像复原 第6章 图像分割 6.1基于阈值的图像分割方法 6.3基于区域的图像分割方法 6.2基于边界的图像分割方法 图像分割：把图像分成各具特征的区域并提取感兴趣目标的技术和过程。 1、什么是图像分割？ 特征：像素、颜色、纹理等 提取目标：单个区域、多个区域 理解图像内容，提取感兴趣的区域， 以便进一步分析和说明。 2、图像分割的目的 图像分割的基本思路 图像分割的基本策略 分割出的区域需满足条件 3、图像分割的概念(以车牌识别为例) 把图像分解成构成它的部件和对象的过程 有选择性地定位感兴趣对象在图像中的位置和范围 3、图像分割的概念(以车牌识别为例) 1、从简到难，逐级分割 分割矩形区域、定位牌照、定位文字 2、控制背景环境，降低分割难度 背景环境:路面、天空 3、把焦点放在增强感兴趣对象，缩小不相干图像成分的干扰上 感兴趣的对象； 汽车牌照 不相干图像成分： 非矩形区域 图像分割的基本思路 图像分割的基本策略，基于灰度值的两个基本特性： 不连续性——区域之间 相似性——区域内部 根据图像像素灰度值的不连续性 先找到点、线（宽度为1）、边（不定宽度） 再确定区域 图像分割的基本策略 分割出的区域需满足条件 ★均匀性：指该区域中的所有像素点都满足特征的相似性准则，即边界所分开区域的内部