图象分割与描述.doc

图象分割与描述 pp 第六章 图像分割与描述 (Image segmentation and description) 数字图象处理的目的之一是用作图象识别，本章内容介绍的图像分割与描述是图象识别工作的基础。图像分割将图象分为一些有意义的区域，然后可以对这些区域进行描述，相当于提取出某些目标区域图像的特征，判断图像中是否有感兴趣的目标。本章第三节的图像的匹配则是在不进行图象分割的情况下，利用图象相似性度量搜索图象中有否目标图象，并确定目标区域的精确位置。本章内容在数字图象处理应用中，如跟踪、制导等方面扮演重要角色，有着广泛的用途。 Pp 图象分割(Image segmentation) 1概述 图象分割是把图象阵列分解成若干个互不交迭的区域，每一个区域内部的某种特性或特征相同或接近，而不同区域间的图象特征则有明显差别，即同一区域内部特性变化平缓，相对一致，而区域边界处则特性变化比较剧烈。 概括地说，给定某种一致性（均匀）属性准则（度量），将图象正确地划分成为互不交迭的区域集的过程称之为分割。当然，这里所谓的正确分割应满足下列条件： 用作图象分割的度量准则不是唯一的，它与应用场景图象及应用目的有关，用于图象分割的场景图象特征信息有亮度、色彩、纹理、结构、温度、频谱、运动、形状、位置、梯度和模型等。 图象分割方法也有很多，以下介绍一些常用的算法。 pp 1.2 基于直方图谷点门限的分割方法 当图像的灰度直方图为双峰分布时，分割比较容易，只须取其谷点作为门限值，就能将物体与背景分割开来。 如下图所示： h(z) TH z pp 当图象灰度为 时，谷点灰级应满足 其中为图象直方图。 然而，当直方图不平滑时，谷点将无法找到，这就需要先对直方图做平滑处理，如下述“5点平滑”： pp OTSU算法 OTSU算法以最佳门限将图像灰度直方图分割成两部分，使两部分类间方差取最大值，即分离性最大。 设图像灰度级 ，第 级象素 个,总象素 ，则第级灰度出现的概率为 。 设灰度门限值为 ，则图像像素按灰度级被分为两类: ， 图像总平均灰度级： 类的平均灰度级为: ，像素数为: 类的平均灰度级为: , 像素数为: 两部分图像所占比例分别为: 对，均值作处理: 图像总均值可化为: 类间方差: 化为: 从变化，使 最大的 即为所求之最佳门限。 称为目标选择函数。 Pp 最小误差分割 设目标的像点数占图像总点数的百分比为，背景点占，混合概率密度为: 当选定门限为时，目标点错划为背景点的概率为: 把背景点错划为目标点的概率为: 则总错误概率为: Pp 令: 则： (1.4.1) 对正态分布，有: 当时， (1.4.2) 若先验概率已知，例如，，则有 (1.4.3) 这表示正态分布时，最佳阈值可按(1.4.2)、(1.4.3)、1.4.1)式确定最小误差的阈值 。 pp 基于图象分布密度分割 对于有些图像，物体对应区域像点分布较为密集，而且灰度级接近；而背景对应区域像点分布较为稀疏，而且灰度级相差较大，因而可以依据像点的分布密度将物体从背景中分离出来。 具体做法是，首先对图像做平滑处理，由于物体像点较为密集，而且灰度级接近，平滑后灰度级变化不大，而背景中分散的的噪声点或小的起伏则能被滤除掉。然后再用其它的分割方法，如取谷底门限或OTSU，就能获得较好的分割效果。 Pp 二维直方图分割 在灰度直方图上求阈值分割的技术实际上可认为是根据象点的灰度特征在一维特征空间里区分两类象点的问题。 在实际问题中所遇到的灰度直方图不是双峰态而是多峰态的分布，或者呈现峰谷不明显，谷底平坦、多峰。这些情况都将会给阈值的正确选择带来困难．此时，可以利用局部特性化的变换直方图以利于阈值的选择．灰度差分或梯度就是象点的一种边值特性。 内部象点一般都具有较低的灰度梯度值．而处于灰度分布不匀的区域具有较高的灰度梯度值．因此象点的灰度梯度值可直接反映象点的边值特性。 Pp 当单特征的分类效果不够好时，还可利用灰度与边值两个特征在一个两维特征空间里进行象点的分类。对于是由背景与物体构成的图象，每个象点具有灰度值与边值两个特征。通过统计可得到灰度与边值的两维直方图即两维联合概率密度分布。一般形成三个峰态分布，在靠近灰度轴处有两个峰分别由属于物体区域内的象点和属于背景区域内的象点构成的，这些区域内部的象点都具有较低的边值。而远离灰度轴处有一个峰，它是由属于物体与背景之间边界的象点所构成的，这些边界象点具有较高的边值。 Pp 1.7 低通滤波后求门限 在有的图像中，