图像分割基础.ppt

图像分割基础 图像分割 分割将图像细分为互不重叠的区域并提取感兴趣目标的技术 图像分割 图像分割算法一般基于亮度值的两个基本特性：不连续性和相似性 检测图像像素灰度级的不连续性，找到点、线（宽度为1）、边（不定宽度）。先找边，后确定区域 检测图像像素的灰度值的相似性，通过选择阈值，找到灰度值相似的区域，区域的外轮廓就是对象的边 常用的方法 基于边缘检测、基于阈值分割、基于区域 图像分割效果 图像分割 LoG 霍夫变换 分水岭算法 运动分割法 Canny算子 点检测 计算某像素与周边相邻点之间的差值，并加权叠加（使用如下模板）得到R，如果|R|=T，则称该模板中心位置检测到一个点 ，由于模板系数和为0，故对均匀区域（灰度级为常数）的响应为0 点检测 线检测 见如下模板，它们分别可对不同方向的线段进行检测，可使用其中之一检测某特定方向的线段 线的检测 通过比较典型模板的计算值，确定一条线是在哪个方向上 线的检测 线检测 边缘检测 边缘是一组相连的像素集合，这些像素位于两个区域的边界上 边缘的宽度取决于图像中边缘的模糊程度 边缘检测算子 一阶微分：用梯度算子来计算 特点：对于亮边，边的变化起点是正的，结束是负的。对于暗边，结论相反。常数部分为零 用途：用于检测图像中边的存在 边缘检测算子 二阶微分： 特点：二阶微分在亮的一边是正的，在暗的一边是负的。常数部分为零 用途：1）二次导数的符号，用于确定边上的像素是在亮的一边，还是暗的一边;2）0跨越，确定边的准确位置 边缘检测 边缘检测 边缘检测算子 基本思想：计算局部微分算子 边缘检测算子 几种常用的边缘检测算子 梯度算子 Roberts算子 Prewitt算子 Sobel算子 Laplacian算子 Marr算子 梯度算子 函数f(x,y)在(x,y)处的梯度为一个向量： ?f = [?f / ?x , ?f / ?y] 计算这个向量的大小为： G = [(?f / ?x)2 +(?f / ?y)2]1/2 近似为: G ? |?fx| + |?fy| 或 G ? max(|?fx|, |?fy|) 梯度的方向角为： φ(x,y) = tan-1(?fy / ?fx) 可用下图所示的模板表示 为了检测边缘点，选取适当的阈值T，对梯度图像进行二值化 这样形成了一幅边缘二值图像g(x,y) 特点：仅计算相邻像素的灰度差，对噪声比较敏感，无法抑止噪声的影响 Roberts算子 公式： 模板： 特点： 与梯度算子检测边缘的方法类似，对噪声敏感，但效果较梯度算子略好 Prewitt算子 公式 模板： 特点： 在检测边缘的同时，能抑止噪声的影响 Sobel算子 公式 模板 特点： 对4邻域采用带权方法计算差分 能进一步抑止噪声 但检测的边缘较宽 Sobel梯度算子的使用与分析 1. 直接计算?y、?x可以检测到边的存在， 以及从暗到亮，从亮到暗的变化 2. 仅计算|?x|，产生最强的响应是正交 于x轴的边； |?y|则是正交于y轴的边。 3. 由于微分增强了噪音，平滑效果是Sobel 算子特别引人注意的特性 拉普拉斯算子 定义： 二维函数f(x,y)的拉普拉斯是一个二阶的微分定义为： 离散形式： 模板： 可以用多种方式被表示为数字形式。对于一个3x3的区域，经验上被推荐最多的形式是： 拉普拉斯算子 定义数字形式的拉普拉斯的基本要求是，作用于中心像素的系数是一个负数，而且其周围像素的系数为正数，系数之和必为0。 拉普拉斯算子 拉普拉斯算子 拉普拉斯算子的分析： 优点： 各向同性、线性和位移不变的； 对细线和孤立点检测效果较好。 缺点： 对噪音的敏感，对噪声有双倍加强作用； 不能检测出边的方向； 常产生双像素的边缘 Marr算子 Marr算子是在Laplacian算子的基础上实现的，它得益于对人的视觉机理的研究，有一定的生物学和生理学意义。 由于Laplacian算子对噪声比较敏感，为了减少噪声影响，可先对图像进行平滑，然后再用Laplacian算子检测边缘。 平滑函数应能反映不同远近的周围点对给定像素具有不同的平滑作用，因此，平滑函数采用正态分布的高斯函数，即： Marr算子 Marr算子 Marr算子 补充 由于噪声点（灰度与周围点相差很大的象素点）对边缘检测有一定的影响，所以效果更好的边缘检测器是LOG算子，也就是Laplacian-Gauss算子。它把Gauss平滑滤波器和Laplacian锐化滤波器结合了起来，先平滑掉噪声，再进行边缘检测，所以效果会更好。 到中心的距离与位置加权系数的关系曲线象墨西哥草帽的剖面，所以LOG算子也叫墨西哥草帽