第12讲图像分割、阈值法选编.pptVIP

一、图像分割概述 二、图像分割定义 集合论定义： 解释： 条件①：在对一幅图象的分割结果中全部子区域的总和（并集）应能包括图象中所有象素（就是原图象）。 条件②：在分割结果中各个子区域是互不重叠的，或者说在分割结果中一个象素不能同时属于两个区域。 条件③：属于同一个区域中的象素应该具有某些相同特性。 条件④：在分割结果中属于不同区域的象素应该具有一些不同的特性。 条件⑤：分割结果中同一个子区域内的任两个象素在该子区域内互相连通，或者说分割得到的区域是一个连通组元。 按分割途径分类： 1）区域分割 （相似性、不连续性）从图像出发，按“有意义”的属性一致的原则，确定每个像元的归属区域，形成一个区域图。这种方法目前占主导地位。 2）基于边缘提取的分割法 （不连续性） 先提取区域边界，再确定边界限定的区域。 3）区域增长（相似性） 从像元出发（种子），按“有意义”的属性一致的原则，将邻域中满足相似性准则的连通像元聚集成区域 。 4）分裂—合并法 综合利用上述两种方法，既存在图像的划分，又有像元的合并。 今后主要的研究方向 提取有效的属性； 寻求更好的分割途径和分割质量评价体系； 分割自动化。 三、区域分割法（阈值法） 依据： 属于同一区域的像元应具有相同或相似的属性，不同区域的像元属性不同。 任务： 寻求具有代表性的属性（如灰度） 确定属性的阈值 1、简单图像的阈值分割 简单： 只具有两类区域 自动阈值的确定1） P参数法（用于目标所占图象面积已知的情况） 设图像f(i,j)中目标所占的面积s0与图像面积s之比为 P=s0/s，则背景所占面积比为 1-P=(s-s0)/s。 设低灰度值为背景，高灰度值为目标。如果统计图象f(i,j)灰度值不大于某一灰度t的像元数和图像总像元数之比为1-p时，则以t为阈值，按照下式就可将目标从图象中分割出来。 2）状态法（峰谷法） 统计图像的灰度直方图，若其直方图呈双峰且有明显的谷，则将谷所对应的灰度值t作为阈值。 3)全局门限处理法 以直方图视觉为基础，试探性 （1）选择一个t 的初始估计值（通常选平均灰度值） （2）阈值t 将图像分为c1、c2两部分 （3）计算区域c1、c2中所有象素平均值m1 、 m2 （4）计算新的阈值 t=(m1+ m2)/2 （5）重复步骤（2）到（4），直到逐次迭代所得的t值之差小于事先定义的参数?。 4）最大类间方差法（otsu方法） 假定：图像f(i,j)的灰度区间为[0，L-1]，选择一阈值t 将图像的象元分为c1、c2两组。 图像总象元数：w1+w2 灰度均值：m=(m1w1+m2w2)/(w1+w2) 5） 最佳熵自动门限法 基本思想：选择阈值使前景和背景的两个灰度级分布的有效信息为最大。 Shannon熵：灰度范围在[0，L–1]的图像，其熵为 每个分布对应的熵分别为HW(t)和HB(t) 6）最小误差分割 目标：正态分布，密度p1(z)，均值μ1 方差σ12 背景：正态分布，密度p2(z)，均值μ2 方差σ22 目标像点数占总点数的百分比为θ，背景（1 -θ） 则混合概率密度为 当选定门限为t时，目标点错划为背景点的概率 令 2、复杂图像分割 以上技术共同不足： 大部分方法都是针对二类问题的，在灰度范围内搜索一个最佳门限值。当这类方法推广至多类问题时，需要在全灰度范围内搜索出最佳的门限组合，耗时较多，难于实际应用。 相当多的方法不能自动确定类数，需要人为事先确定，显然不合适。 有的方法可以通过自动找直方图峰谷去确定类数，实际直方图通常是不平滑的，需要作平滑预处理，但平滑窗口的尺寸常常又是人为设置的，限制了多门限技术的自动化程度。 一般步骤： ①自动平滑直方图 ②确定区域类数 平滑方图的峰：初始区域类数，进一步确认 ③自动搜索多门限值（阈值） 简单图像的分割方法 、各峰间的最佳门限 * 图像分割 * 图像分割概述 阈值法 第十二讲 图像分割概述 阈值分割法 在对图形的研究与应用中，人们往往对图像中的某些部分感兴趣——目标或对象(一般对应于图像中特定的、具有独特性质的区域)。 图像分析：图像中感兴趣的目标进行分割， 纹理、形状等特征的提取、检测和测量， 以获得它们的客观信息，从而建立对图像的描述。 图像理解：重点是在图像分析的基础上， 进一步研究图像中各目标的性质和它们之间的相互联系，并得出对图像内容含义的理解以及对原来客观场景的解释， 从而指导决策. 图像处理：着重图像之间进行变换以改善图像的视觉效果。 图像分析的大致步骤： ①把图像分成不同的区域或把不同的对象分开： ②找出分开的各区域的特征； ③识别图像