图像与识别_课件_5摘要.ppt

图像处理、分析与理解 Image Processing, Analysis and Understanding 在对处理后的图像数据进行分析之前，图像分割是最重要的步骤之一。 图像分割的主要目标是将图像划分为与其中含有的真实世界的物体或区域有强相关性的组成部分。 我们可以将目标定位于完全分割，其结果是一组唯一对应于输入图像中物体的互不相交的区域。 我们也可以将目标定位于部分分割，其中的区域并不直接对应于图像物体。 为了获得完全分割，必须与使用有关问题领域的专门知识相协作。 如果目标是部分分割，则图像被划分为分开的同态的区域。这样部分分割的图像必须经过进一步处理，并借助高层知识找到最终的图像分割。 图像分割方法可以划分为三组： 基于图像或图像部分的全局知识，这种知识一般由图像直方图来表达； 基于边缘的分割； 基于区域的分割。 灰度级阈值化是最简单的分割处理。 很多物体或图像区域表征为不变的反射率或其表面光的吸收率，因此可以确定一个亮度常量即阈值来分割物体和背景。 阈值化计算代价小、速度快。 图像R的完全分割是区域R1,…,RS的有限集合： 算法：单阈值化 单阈值化是输入图像f到输出图像g的如下变换，对于属于物体的像素g(i,j)=0，对于属于背景的像素g(i,j)=255（或反之亦然）。 单阈值化的例子 算法：带阈值化 将图像分割为具有一个集合D内的灰度的区域而其它作为背景（带阈值化）。 这种阈值化定义还可以用作边界检测子。 带阈值化的例子 算法：半阈值化 半阈值化的目的是屏蔽掉图像背景，留下物体部分的灰度信息。 半阈值化的例子 算法：多阈值的阈值化 多阈值的阈值化，其处理后的结果图像不再是二值的，而是由一个有限的灰度值集合组成的图像。 如果物体彼此不接触，且它们的灰度与背景明显地不同，则阈值化就是一个合适的分割方法。 选择正确的阈值是阈值分割成功的关键，这种选择可以通过人为交互的方式确定，也可以根据某个阈值检测方法来确定。 全局阈值是根据整幅图像图像确定的。 局部阈值是与位置相关的。 使用局部阈值（自适应阈值）进行分割可以产生较好的结果。这时的阈值是局部图像特征的函数，在图像范围内是变化的。 局部阈值（自适应阈值）的例子 原始图像 经全局阈值处理后的结果 被细分为单个子图的图像 经自适应处理后得到的结果 一、阈值检测方法 如果知道经过分割后的图像的某种性质，就可以简化阈值选择的任务。 因为阈值可以按照确保该性质得以满足的条件来选择。 p率阈值化 例如，当我们知道文本字符覆盖1／p的纸张面积时的印刷文本页。 使用这个有关纸张面积与字符面积的比率的先验信息，很容易选择一个阈值T（基于图像的直方图）使得1／p的图像面积具有比T小的灰度值，而其余的面积具有比T大的灰度值。 基于直方图形状分析的阈值检测方法 如果图像由有别于背景灰度值的具有近似相同灰度的物体所组成，所产生的直方图是二模态的。 物体像素构成其中的一个峰，而背景像素构成另一个峰，两个峰之间的灰度数值可能是物体和背景间的边界造成的。 二模态的直方图 二模态阈值检测算法通常首先要寻找最大的局部极大值，然后取它们之间的极小值作为阈值。 为了避免检测到属于同一全局极大值的两个局部极大值，通常要求这两个极大值对应的灰度之间的间隔不小于一个最小值。 阈值化是图像分割中非常流行的工具。 对于阈值分割来说，一般都具有高处理速度，因此可以容易地实现实时图像阈值化处理。 二、最优阈值化 将图像的直方图用两个或更多个正态分布的概率密度函数来近似的方法，称之为最优阈值化的方法。 阈值取为离对应于两个或更多个正态分布最大值之间的最小概率处最近的灰度值，其结果是具有最小错误的分割（被错误分割的像素数目最小）。 由两个正态分布近似的灰度直方图，按照使得分割错误概率最小取阈值 背景和物体的概率分布 对应的直方图和最优阈值 这些方法的难点在于估计正态分布参数以及这些分布被当作正态分布所具有的不确定性。 如下算法展示了这种方法的基本原理，这种方法假设图像中出现两种主要的灰度区域。 算法：迭代的(最优的)阈值选择 假设没有有关物体确切位置的知识，作为第一步近似，考虑图像四角含有背景像素而其它部分含有物体像素。 在第t步，分别计算背景和物体的灰度平均值 和 ，其中在第t步将图像分割为背景和物体的阈值是 ,它是在前一步确定的。 设 提供了一个更新了的背景与物体的区分。 如果 则停止，否则返回第2步。 使用最优阈值分割核磁共振脑图像中白质、灰质和脑脊髓流 3D-weighted MR脑图像的全局直方图 拟合的高斯分布 对应于白质(WM)，灰质(GM)，脑脊髓流(CSF)的三个分布 三