【2017年整理】基于数学形态学的图像处理二.doc

第五章 二值图像的形态学分割算法 5.1概述 图像分割是计算机视觉领域中的一项关键技术，是实现自动图像分析时首先需要完成的操作。它是根据图像的某些特征或特征集合的相似性准则，对图像进行分类，将图像平面划分成一系列“有意义”的区域。分类结果的好坏直接影响到后面的目标检测、特征提取和目标识别等工作，因此分割的方法和精确程度是至关重要的。 5.1 .1图像分割的数学描述 图像分割是将图像分成若干个区域，每一个区域内部有相同或者相似的特性，而相邻区域的特性不同，下面给出图像分割的确切数学描述[26]: 设(x，y)为数字图像象素的空间坐标，G={0，1，…，k}为象素的灰度层次。一幅数字化图像I由M×M个象素组成，M={1，2，…，n}，(x，y)∈M×M，于是图像函数可以定义为一种映射f: M×M→G，图像在点(x，y)处的强度记为f(x，y)。根据灰度和纹理结构的特征，可将图像中的区域B定义为I的相互连通的均匀的子集。 设F为定义在B区域上一致性测量的逻辑准则，则有 定义H:B→为B的一致性估计的函数，是已经定义的D的子区域。图像分割就是将图像阵列I分割成若干个邻近且互不交迭的非空的子集B1、B2…、Bm，即Bi应满足下面的条件: 5.1.2图像分割的一般方法[27] 图像分割大致可以分为基于边缘检测的方法和基于区域的方法。基于边缘检测的方法使用局部窗口操作，检测出通过给定点的边缘或边界，这些边界把图像分成不同的区域。基于区域的方法按某种准则人为地把图像分为若干规则块，以后按属性一致的原则，反复分开属性不一致的图像块，合并具有一致属性的相邻图像块，直至形成一张区域图。在实际应用中，从不同的理论角度提出了许多方法，这些方法主要可划分为三种类型:闽值型，边缘检测型和区域跟踪型。 (l)灰度阈值分割法 灰度阈值分割法是一种简单的基于区域的技术。这种方法是先确定一个处于图像灰度取值范围之中的灰度阈值，然后将图像中各个象素的灰度值都与这个阈值相比较，并根据比较结果将对应的象素划分为两类:象素的灰度值大于阈值的为一类，象素的灰度值小于阈值的为另一类。这两类象素一般分属于图像中的两类区域，所以对象素根据闭值分类达到了区域分割的目的。由以上步骤中可知，确定阈值是分割的关键。阈值一般可写成如下形式[1]: T=T[x，y，P(X，y)，q(x，y)] (5 .1) 其中p(x，y)代表象素点(x，y)处的灰度值，q(x，y)代表该点邻域的局部特性。如果p(x，y)T，则点(x，y)记作物体点，反之则记作背景点。根据对T的不同限制，可得到三种不同类型的阈值，即 全局阈值:T=T[p(x，y)] (只与全图各象素的本身性质有关) 局部阈值:T=T[p(x，y)，q(x，y)] (与区域内各象素的值，相邻象素值的关系 等有关) 动态阈值:T=T[x，y，p(x，y)，q(x，y)] (与象素空间坐标、该点象素性质、该 点的局部邻域特征有关) 阈值的选择通常是利用直方图。基于直方图分析的门限分割法最直观、应用最普遍。这种方法对于直方图具有明显的双峰图像，可获得很好的分割效果。在图像内容不太复杂、灰度分布较集中的情况下，往往采用最简单的全局阈值，并不考虑图像中点的位置和其邻域性质。但现实生活中大多数自然景象的图像直方图变化丰富，很少表现为明显的双峰。对于这类图像，一种方法是将图像分成若干小块即子图像，并对每块设定局部阈值。另一种方法是根据空间信息和灰度信息值采用动态阈值。 (2)边缘检测分割法 边缘检测分割法是通过检测出不同区域边界来进行分割的。边缘总是以强度突变的形式出现，可以定义为图像局部特性的不连续性，如灰度的突变、纹理结构的突变等。边缘常常意味着一个区域的终结和另一个区域的开始。图像的边缘包含了物体形状的重要信息，它不仅在分析图像时大幅度地减少了要处理的信息量，而且还保护了目标的边界结构。因此，边缘检测可以看作是处理许多复杂问题的关键。对于边缘的检测常常借助于空域微分算子进行。通过将其模板与图像卷积完成。两个具有不同灰度值的相邻区域之间总存在灰度边缘。灰度边缘是灰度值不连续(或突变)的结果，这种不连续常可利用求一阶和二阶导数方便的检测到。 己有的局部技术边缘检测方法，主要有一次微分(Sobel算子、Roberts算子等)、二次微分(拉普拉斯算子等)和模板操作（Prewitt算子、Kirsch算子、Robinson算子等)等。这些边缘检测器对边缘灰度值过渡