基于区域的分割图像分割.ppt

第7章 图像分割（上） 前面主要讲述的是图像预处理方面的知识 在本章以及第8章主要介绍图像分析的问题，即着眼于找出图像中哪些事物，也即是模式识别问题，主要从统计模式识别来讲 统计模式识别 统计模式识别，应用最广 认为图像可能包含一个或多个物体，并且每个物体属于若干事先定义的类型、范畴或模式类别之一 对于给定的一幅含有多个物体的数字图像，模式识别的过程由三个阶段组成，如图所示 图像分割介绍 定义 图像分割方法分类 基于阈值的分割－通过阈值对不同物体进行分割 基于边缘的分割－先确定边缘象素，并把它们连接在一起，以构成所需的边界 基于区域的分割－把各象素划归到各个物体或区域中 基于运动的分割－通过视频物体运动进行分割 基于阈值的分割 图像阈值分割是一种广泛应用的分割技术，利用图像中要提取的目标物与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域(目标和背景)的组合，选取一个合适的阈值，以确定图像中每个象素点应该属于目标还是背景区域，从而产生相应的二值图像 阈值选取方法 直方图阈值分割法 类间方差阈值分割法 二维最大熵值分割法 模糊阈值分割法 直方图阈值分割 简单直方图分割法 最佳阈值 简单直方图分割法 最佳阈值 所谓最佳阈值是指图像中目标物与背景的分割错误最小的阈值 类间方差阈值分割 这是由Ostu提出的最大类间方差法，又称为大津阈值分割法，是在判决分析最小二乘法原理的基础上推导得出的 二维最大熵阈值分割 一维最大熵阈值分割 二维最大熵阈值分割 一维最大熵阈值分割 熵是平均信息量的表征 原理 二维最大熵阈值分割 模糊阈值分割 思路：先将一幅图像看作一个模糊阵列，然后通过计算图像的模糊概率或模糊熵来确定阈值 基于边缘的分割 先检测不连续的点，然后将点连接成边界 点检测 线检测 边缘检测 点检测 通过下面模板，检测图像中孤立的点 线检测 哈夫变换 哈夫变换－利用图像全局特性而直接检测目标轮廓，即可将边缘象素连接起来组成区域封闭边界的常见方法 基本原理 为了避免垂直直线的无限大斜率问题，往往采用极坐标(ρ，θ)作为变换空间，其极坐标方程可写为 哈夫变换的几点性质 实例 边缘检测 两个具有不同灰度值得相邻区域之间总存在边缘 主要介绍以下几种边缘检测算子 （1）梯度算子 （2）方向算子 （3）拉普拉斯算子 （4）马尔算子 （5）综合正交算子 （6）坎尼算子 梯度算子 梯度对应一阶导数，梯度算子是一阶导数算子，在边缘灰度值过渡比较尖锐且图像中噪声比较小时，梯度算子效果好。 实例 拉普拉斯算子 一阶微分是一种矢量，不但有其大小，还有方向，和标量相比较，它数据存储量大，在具有相等斜率的宽区域上，有可能将全部区域都当作边缘提取出来 Lapplacian 算子是一种二阶导数算子，是不依赖于边缘方向的二阶微分算子，是一个标量而不是矢量，具有旋转不变即各向同性的性质，对一个连续函数f(x,y)，它在图像中位置(x,y)的拉普拉斯值定义为： 马尔算子 马尔(Marr-Hildreth)算子是在拉普拉斯算子的基础上实现的。 主要得益于对人的视觉机理的研究，具有一定的生物学和生理学意义 在较大噪声场合，由于微分算子会起到放大噪声的作用，因此梯度算子和拉普拉斯算子对噪声较敏感 一种改进的方法是对图像先进行适当的平滑，以抑制噪声，然后再进行求微分； 基本原理 坎尼算子 坎尼－把边缘检测问题转换为检测单位函数极大值的问题。 一个好的边缘检测算子应具有三个指标： 1、低失误率：既要少将真正的边缘丢失，也要少将非边缘判为边缘 2、高位置精度：检测出的边缘应在真正的边界上 3、对每个边缘有唯一的响应，得到的边界为单象素宽 坎尼提出判定边缘检测算子的三个准则： 坎尼算子的基本原理 坎尼首次将上述判据用数学的形式表示出来，然后采用最优化数值方法，得到了对应给定边缘类型的最佳边缘检测模板。 坎尼算子的计算实现 坎尼算子，可以用分解的方法来提高速度，即把 G的二个滤波卷积模板分解为二个一维的行列滤波器 第7章 图像分割（下） 区域分割 基于区域的分割 区域增长(区域生长) 区域分裂－合并 区域增长 生长准则和过程 基于区域灰度差 区域生长方法将图像以象素为基本单位来进行操作 基于区域灰度差的方法主要有如下步骤：  实例 基于区域内灰度分布统计性质 以灰度分布相似性作为生长准则 把式 的均匀性准则用在将一个区域当作为非均匀区域方面可能会导致错误，如常常出现有大量的小区域似乎在图像中并没有任何真实的对应物 利用相似统计特性寻找具有均匀性的区域可以避免出现这种情况－这种方法是通过将一个区域上的统计特性与在该区域的各个部分上所计算出的统计特性进行比较来判断区域的均匀性，如果它们相互接近，那么这个区域可能是均匀的，