第章 图像分割技术.pptVIP

本章重点： 图像分割的基本概念及图像分割分类的基础 边缘分割法 阈值分割法 区域分割法 第7章 图像分割技术 7.1 图像分割概述 7.2 边缘检测 7.3 阈值分割 7.4 区域分割 第7章 图像分割技术 7.1 图像分割概述 目的：把图像空间分成一些有意义的区域，与图像中各种物体目标相对应。通过对分割结果的描述，可以理解图像中包含的信息。 图像分割是将像素分类的过程，分类的依据可建立在: 像素间的相似性 非连续性 图像分割和集合定义的描述 令集合R代表整个图像区域，对R的图像分割可以看作是将R分成N个满足以下条件的非空子集R1，R2，….，RN： 图像分割方法和种类 以不同的分类标准，图像分割方法可以划分为不同的种类。 图像分割应用 机器阅读理解 OCR录入 遥感图像自动识别 在线产品检测 医学图像样本统计 医学图像测量 图像编码 图像配准的预处理 物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等 ，同时物体的边缘也是不同区域的分界处。 通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈 。 7.2 边缘检测 7.2.1 边缘检测概述 根据灰度变化的特点，常见的边缘可分为阶跃型、房顶型和凸缘型 边缘检测是边界分割方法的最基本的处理。 7.2.2 边缘检测方法 边缘检测的方法很多，主要有以下几种: 1、空域微分算子，也就是传统的边缘检测方法。如Roberts算子、Prewitt算子和Sobel算子等 。 2、拟合曲面。该方法利用当前像素邻域中的一些像素值拟合一个曲面，然后求这个连续曲面在当前像素处的梯度。 3、小波多尺度边缘检测。 4、基于数学形态学的边缘检测。 Prewitt算子 用卷积模板为： 其中 Kirsch算子 边缘的梯度大小为 其中 几种常用的边缘检测微分算子 ， LOG（Laplacian-Gauss）算子 Marr和Hildreth将Gaussian滤波器和Laplacian边缘检测结合在一起，形成了LoG(Laplacian of Gaussian)算法。即先用高斯函数对图像进行平滑，然后再用拉普拉斯算子进行运算，形成Laplacian-Gauss算法，它使用一个墨西哥草帽函数形式。 特点： 与高斯滤波器进行卷积，既平滑了图像又降低了噪声，孤立的噪声点和较小的结构组织将被滤除。 在边缘检测时仅考虑那些具有局部梯度最大值的点为边缘点，用拉普拉斯算子将边缘点转换成零交叉点，通过零交叉点的检测来实现边缘检测。 ， Canny（坎尼）算子 3个准则： 信噪比准则 定位精度准则 单边缘响应准则 具体步骤： 首先用2D高斯滤波模板进行卷积以平滑图像； 利用微分算子，计算梯度的幅值和方向； 对梯度幅值进行非极大值抑制。即遍历图像，若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大，那么这个像素值置为0，即不是边缘； 使用双阈值算法检测和连接边缘。即使用累计直方图计算两个阈值，凡是大于高阈值的一定是边缘；凡是小于低阈值的一定不是边缘。如果检测结果大于低阈值但又小于高阈值，那就要看这个像素的邻接像素中有没有超过高阈值的边缘像素，如果有，则该像素就是边缘，否则就不是边缘。 ， 图像的轮廓（边界）跟踪与边缘检测是密切相关的，因为轮廓跟踪实质上就是沿着图像的外部边缘“走”一圈。 轮廓跟踪也称边缘点连接，是一种基于梯度的图像分割方法。是指从梯度图中一个边界点出发，依次通过对前一个边界点的考察而逐步确定出下一个新的边界点，并将它们连接而逐步检测出边界的方法。 7.2.3 边界跟踪 具体轮廓跟踪过程大致可分以下三步： (1) 确定轮廓跟踪的起始边界点。根据算法的不同，选择一个或多个边缘点作为搜索的起始边缘点。 (2) 选择一种合适的数据结构和搜索策略，根据已经发现的边界点确定下一个检测目标并对其进行检测。 (3) 制定出终止搜寻的准则(一般是将形成闭合边界作为终止条件)，在满足终止条件时结束搜寻。 常用的轮廓跟踪技术有两种:探测法和梯度图法。 一种简单的边界跟踪法(二值图像）： (1)根据光栅扫描发现像素从0开始变为1的像素时，存储它的坐标（i,j)值。 (2)从像素(i,j-1)开始反时针方向研究8-邻接像素，当第一次出现像素值为1的像素记为pk，开始k=1,，也同样存储p1的坐标。 (3)同上，反时针方向从pk-1以前的像素研究pk的8-邻接像素，把最先发现像素值为1的像素记为pk +1。 (4)当pk= p0而且