八-图像分割技术.ppt

第8章 图像分割技术 8.1 图像分割定义和方法分类 8.2 边缘检测 边缘和导数 边缘检测算子 算子计算 对图像边缘的检测可借助空域微分算子通过模板卷积完成。 几种简单的空域微分算子： （1）梯度算子（大小、方向） （2）拉普拉斯算子 （3）马尔算子（拉普拉斯-高斯） 8.3 轮廓跟踪和图搜索 串行边界类基本思路： 先检测边缘象素/边界段 再逐次连接成闭合边界（轮廓） 互相结合，顺序进行 ? 1、 轮廓跟踪 2、 图搜索法 1、轮廓跟踪 （1）确定搜索起点 （2）采取合适的搜索机理确定新的轮廓点 （3）在满足终结条件时结束搜索 缺点：不适合于噪声比较大的图像 2、图搜索--计算量大、复杂度高、 但适合噪声较大的图像 8.4 阈值分割 阈值分割方法------ ③并行区域类 图像模型： 双峰直方图（对应目标和背景的2个单 峰直方图混合而成） 大小接近，均值相距足够远，均方差足够小 取阈值分割步骤： ? 并行区域类 (1) 确定阈值（关键/难点） (2) 根据阈值对像素分类 阈值选取方法 （1）极小值点阈值 阈值选取方法 （2）最优阈值 最小误差阈值 目标和背景均高斯分布 阈值选取方法 阈值选取方法 （3）迭代阈值 阈值处在与重心成反比的位置 8.5 基于变换直方图选取阈值 依赖区域的阈值选取 直方图变换 ①低梯度值像素的直方图 图像模型： 双峰直方图 内部的像素具有较低梯度值 边界上像素具有较高梯度值 直方图变换 ①低梯度值像素的直方图 峰之间的谷比原直方图更深 加权：1/（1+g）2 梯度小权重大 梯度大权重小 直方图变换 ②高梯度值像素的直方图 峰由原直方图的谷转化而来 加权：g 梯度小权重小 梯度大权重大 8.6 空间聚类 阈值分割的推广 全局的方法 特征值对应特征空间点 灰度直方图 像素灰度为特征 灰度-梯度散射图 像素灰度和梯度为特征 K-均值聚类 优化的方法（最小化） 将特征点赋给均值离它最近的类 K-均值聚类 类数目： 类数目不同结果不同 聚类品质： 类内接近而类间区别大 根据聚类品质确定类数目 8.7 区域生长 生长准则 基于区域灰度差 关键是灰度差阈值 基于区域间平均灰度差