图像处理图像分割.ppt

实际中常先把图像分成任意大小且不重叠的区域，然后再合并或分裂这些区域以满足分割的要求,即分裂合并法.一致性测度可以选择基于灰度统计特征(如同质区域中的方差),假设阈值为T ,则算法步骤为: ① 对于任一Ri，如果 ，则将其分裂成互不重叠的四 等分； ② 对相邻区域Ri和Rj，如果 ，则将二者合并； ③ 如果进一步的分裂或合并都不可能了，则终止算法。 5.3 区域分割 2 分裂合并法 R1 R2 R3 R41 R42 R43 R44 R R4 R3 R2 R1 R44 R43 R42 R41 分裂合并法分割图像示例 简单的区域分裂过程 5.3 区域分割 2 分裂合并法 5.4 Hough变换 Hough变换是一种检测、定位直线和解析曲线的有效方法。它是把二值图变换到Hough参数空间，在参数空间用极值点的检测来完成目标的检测。下面以直线检测为例，说明Hough变换的原理。 5.4 Hough变换 Y X X Y 极坐标表示的点线对偶性 (xi, yi) (xj, yj) X o Y y=p’x+q’ P o Q q = -pxj+yj q = -pxi+yi q’ p’ 图像空间和参数空间中点和线的对偶性 5.4 Hough变换 图像的Hough变换如下图,pmin,pmax,qmin,qmax可以根据先验知识设定,累加数组的大小由检测分辨率以及pmin, pmax, qmin和qmax来决定。 pmin qmin pmax qmax 0 0 A(p,q) X Y (0,0) 图像 参数空间累加数组 5.4 Hough变换 随着检测分辨率的提高, 时间以及空间花费越来越大，可以采用分级变换加以解决 开始 结束 达到分辨率要求？ Hough变换 参数分析，重新设定参数范围 初始值设定 分级Hough变换流程图 Hough变换的优点是抗噪声能力强，能够在信噪比较低的条件下，检测出直线或解析曲线。缺点是需要首先做二值化以及边缘检测等图像预处理工作，损失掉原始图像中的许多信息。 Hough变换检测二次曲线---以圆为例 圆的方程: 5.4 Hough变换 5.4 Hough变换 Hough变换的应用： 银行票据纠偏 5.5 近邻法分割 1、最近邻法 　　假定有Ｃ个类别　　　　　　的待分类别，每类有标明类别的样本　 个。我们可以规定　 类的判别函数为 其中　　的角标　表示　　类，　表示　　类　　个样本中的第　个。按上式决策规则可以写为 　　若　　　　　　 则决策 　　其直观解释是相当简单的，对于未知样本　，只要比较其与　个已知类别样本之间的欧氏距离，决策　与离它最近的样本同类。 关键点：初始样本点如何标明类别，距离函数的制定 5.5 近邻法分割 2、K-近邻法　 取未知样本x的k个近邻，看这k个近邻中多数属于哪一类，就把x归为哪一类。具体说就是在N个已知样本中，找出x的k个近邻。设这N个样本中，来自 类的样本有 个，来自 类的有 个，…，来自 类的有 个，若 分别是k个近邻中属于 类的样本数，则我们可以定义判别函数为 决策规则为：若 则决策 。 关键点：初始样本点如何标明类别，距离函数的制定 1 k-均值聚类 又称“C-均值算法”，算法的基础是误差平方和准则。若　 是第　聚类　中的样本数目，　是这些样本的均值，即 5.6 动态聚类分割 把　中的各样本ｙ与均值　 间的误差平方和对所有类相加后为 1 k-均值聚类 　 是误差平方和聚类准则， 度量用了Ｃ个聚类中心　　　　　　 代表Ｃ个样本子集　　　　 时所产生的总的误差平方。对于不同的聚类，使　 极小的聚类是误差平方和准则下的最优结果。 1 k-均值聚类 分析，把样本y从 类移入 类对误差平方和的影响： ① 设从 中移出 后的集合为 ,它相应的均值是 式中的 和 是 的样本均值和样本数. ② 设 接受 后的集合为 ,它相应的均值是 式中的 和 是 的样本均值和样本数. 图像输入 光电变换 数字化 图像增强 图像恢复 预处理 阈值分割 边缘检测 …… 图像分割 图像识别 图像分析理解 描述 解释 特征提取 一般的图像处理过程 图像处理有两大类目的： 1．改善像质（增强、恢复） 2．图像分析：对图像内容作出描述 第五章 图像的分割 图像分析：（也叫景物分析或图像理解） 可看作是一种描述过程，主要研究用自动或