第8章 图像分割[精选].pptVIP

空间信息技术系 任课教师：杨晓霞 2013年4月11日 图像分割的概念 图像分割的方法 边缘检测 区域分割 区域生长 把图像分成互不重叠的区域并提取感兴趣目标的技术 分割算法基于灰度值的两个基本特性：不连续性和相似性 检测图像像素灰度级的不连续性，找到点、线（宽度为1）、边（不定宽度）。先找边，后确定区域 检测图像像素的灰度值的相似性，通过选择阈值，找到灰度值相似的区域，区域的外轮廓就是对象的边 P180页改错 基于边缘的分割方法（梯度方法） 先提取区域边界，再确定边界限定的区域 区域分割（灰度阈值法） 确定每个像素的归属区域，从而形成一个区域图 区域生长（区域生长方法） 将属性接近的连通像素聚集成区域 边缘的定义： 图像中像素灰度有阶跃变化或屋顶变化的那些像素的集合 边缘的分类 阶跃状 屋顶状 基本思想：计算局部微分算子 梯度算子 Roberts算子 Prewitt算子 Sobel算子 Laplacian算子 函数f(x,y)在(x,y)处的梯度为一个向量： ?f = [?f / ?x , ?f / ?y] 计算这个向量的大小为： G = [(?f / ?x)2 +(?f / ?y)2]1/2 近似为: G ? |?fx| + |?fy| 梯度的方向角为： φ(x,y) = tan-1(?fy / ?fx) 可用下图所示的模板表示 公式： 模板： 特点： 与梯度算子检测边缘的方法类似，对噪声敏感，但效果较梯度算子略好 公式 模板： 特点： 在检测边缘的同时，能抑止噪声的影响 公式 模板 特点： 对4邻域采用带权方法计算差分 能进一步抑止噪声 但检测的边缘较宽 定义： 二维函数f(x,y)的拉普拉斯是一个二阶的微分定义为： ?2f = [?2f / ?x2 , ?2f / ?y2] 离散形式： 模板： 可以用多种方式被表示为数字形式。对于一个3×3的区域，经验上被推荐最多的形式是： 定义数字形式的拉普拉斯的基本要求是，作用于中心像素的系数是一个负数，而且其周围像素的系数为正数，系数之和必为0 出发点 由于噪音的原因，边界的特征很少能够被完整地描述，在亮度不一致的地方会中断 因此典型的边检测算法后面总要跟随着连接过程和其它边界检测过程，用来归整边像素，成为有意义的边 边缘跟踪的概念 将检测的边缘点连接成线就是边缘跟踪 由边缘形成线特征的两个过程 可构成线特征的边缘提取 将边缘连接成线 连接边缘的方法 启发式搜索 曲线拟合 边界跟踪 一幅图像中属于同一区域的像素应具有相同或相似的属性，不同区域的像素属性不同 基本思想： 确定一个合适的阈值T 将大于等于阈值的像素作为物体或背景，生成一个二值图像 If f(x,y) ? T set 255 Else set 0 特点： 适用于物体与背景有较强对比的情况，重要的是背景或物体的灰度比较单一。（可通过先求背景，然后求反得到物体） 这种方法总可以得到封闭且连通区域的边界 阈值选定的好坏是此方法成败的关键 阈值的选择 直方图法 自适应阈值方法 分水岭算法 通过直方图得到阈值 基本思想：边界上的点的灰度值出现次数较少 取值的方法：取直方图谷底，为最小值的灰度值为阈值T 缺点：会受到噪音的干扰，最小值不是预期的阈值，而偏离期望的值 通过直方图得到阈值 改进：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 简单全局阈值分割 基本思想：用前述方法获得阈值T，并产生一个二值图，区分出前景对象和背景 算法实现： 规定一个阈值T，逐行扫描图像 凡灰度级大于T的，颜色置为255；凡灰度级小于T的，颜色置为0 灰度阈值分割技术都没有考虑到图像像素空间的连通性。区域生长的基本思想是将具有相似性质的像素集合起来构成区域 对每个需要分割的目标区域找一个种子像素作为生长的起点； 将种子像素周围邻域中与种子像素性质相同或相似的像素合并到种子像素所在的区域中； 再将这些像素当作新的种子像素继续进行上述过程，直到再也没有能满足条件的新像素加入区域为止 图像分割的概念：把图像分成互不重叠的区域并提取感兴趣目标的技术 完备性 独立性 单一性 互斥性 连通性 图像分割的方法 边缘检测 一阶边缘检测算子：梯度法、罗伯特（Roberts）算子、Prewitt算子、Sobel算子、方向梯度 二阶边缘检测算子：拉普拉斯算子 边缘跟踪 区域分割：灰度阈值法 区域生长 灰度阈值法 灰度阈值法 T 灰度阈值法 T 灰度阈值法 0 255 255 0 255 0 255 255 255 图像分割：区域生长方法 选择一组能正确代表区域的种子像素 根据图像的不同应用选择一个或一组种子，