数字图象处理9课件.pptVIP

* 基本原理 原始图像——f(x,y) 灰度阈值——T 阈值运算得二值图像——g(x,y) ? 阈值选择直接影响分割效果，通常可以通过对灰度直方图 的分析来确定它的值。 * 阈值选择 利用灰度直方图求双峰或多峰 选择两峰之间的谷底作为阈值 * 人工阈值 人工选择法是通过人眼的观察，应用人对图像的知识，在分析图像直方图的基础上，人工选出合适的阈值。也可以在人工选出阈值后，根据分割效果，不断的交互操作，从而选择出最佳的阈值。 * T=155的二值化图像 T=210的二值化图像 原始图像 图像直方图 人工阈值 * 自动阈值 迭代法 基本思想：开始时选择一个阈值作为初始估计值，然后按某种策略不断地改进这一估计值，直到满足给定的准则为止。在迭代过程中，关键之处在于选择什么样的阈值改进策略，好的阈值的改进策略应该具备两个特征，一是能够快速收敛，二是在每一个迭代过程中，新产生阈值优于上一次的阈值。 * 自动阈值 迭代法 (1)? 选择图像灰度的中值作为初始阈值Ti=T0。 (2)? 利用阈值Ti把图像分割成两部分区域， R1和R2，并计算其灰度均值 (3) 计算新的阈值Ti+1 (4) 重复步骤2、3，直到Ti+1和Ti的值差别小于某个给定值 * 自动阈值 迭代法 原始图像 迭代阈值二值化图象 图9.20 迭代式阈值二值化图像 * 自动阈值 Ostu法 ? Ostu方法是使类间方差最大而推导出的一种能自动确定阈值的方法 ?具有简单，处理速度快的特点 ? Matlab工具箱提供的graythresh函数求取阈值采用的正是Ostu法 * 自动阈值 Ostu法 原始图像 Otsu法二值化图象 图9.21 Otsu法二值化图像 * 自动阈值 分水岭算法 ?分水岭算法(watershed)是一种借鉴了形态学理论的分割方法，它将一幅图象看成为一个拓扑地形图，其中灰度值被认为是地形高度值。高灰度值对应着山峰，低灰度值处对应着山谷。将水从任一处流下，它会朝地势底的地方流动，直到某一局部低洼处才停下来，这个低洼处被称为吸水盆地，最终所有的水会分聚在不同的吸水盆地, 吸水盆地之间的山脊被称为分水岭，水从分水岭流下时，它朝不同的吸水盆地流去的可能性是相等的。 ?将这种想法应用于图像分割，就是要在灰度图像中找出不同的吸水盆地和分水岭，由这些不同的吸引盆地和分水岭组成的区域即为我们要分割的目标。 * 自动阈值 分水岭算法 (a)原始图像 (b)图像对应的拓扑地形图 图9.23 图像对应的拓扑表面图 * 自动阈值 分水岭算法 分水岭阈值选择算法可以看成是一种自适应的多阈值分割算法 图9.24 分水岭形成示意图 分水岭对应于原始图像中的边缘 * 自动阈值 分水岭算法 L=watershed(f) MATLAB函数 图9.25 不准确标记分水岭算法导致过分割 原始图像 分水岭 分割结果 局部极小值 * 自动阈值 改进的分水岭算法 图9.26 准确标记的分水岭算法分割过程 原始图像 原图像的距离变换 标记外部约束 标记内部约束 由标记内外部约束重构的梯度图 分割结果 * 9.5 区域分割 * 基本思想 ?阈值分割法由于没有或很少考虑空间关系，使多阈值选择受到限制 ?于区域的分割方法可以弥补这点不足，它利用的是图像的空间性质，该方法认为分割出来的属于同一区域的像素应具有相似的性质，其概念是相当直观的。 ?传统的区域分割算法有区域增长法和区域分裂合并法。该类方法在没有先验知识可以利用时，对含有复杂场景或自然景物等先验知识不足的图像进行分割, 也可以取得较好的性能。但是，空间和时间开销都比较大。 * 区域生长 区域生长法主要考虑象素及其空间邻域象素之间的关系 ?开始时确定一个或多个象素点作为种子，然后按某种相似性准则增长区域，逐步生成具有某种均匀性的空间区域，将相邻的具有相似性质的象素或区域归并从而逐步增长区域，直至没有可以归并的点或其它小区域为止。 ?区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。 * 区域生长 ?选择合适的种子点 ?确定相似性准则(生长准则) ?确定生长停止条件 步骤 * 区域生长 实例 图9.29 区域生长 原始图像及种子点位置 三个种子点区域生长结果 原始图像及种子点位置 四个种子点区域生长结果 * 区域分裂 条件：如果区域的某些特性不满足一致性准则 开始：从图像的最大区域开始，一般情况下，是从整幅图像开始 注意： ?确定分裂准则(一致性准则) ?确定分裂方法，即如何分裂区域，使得分裂后的子区域的特性