②对所有的i和j,i≠j,有Ri∩ Rj=Φ,Φ为空集.ppt

图像分割 图像分割 图像分割 7.1边缘检测 7.2微分算子 7.3基于直方图的阈值法 7.4区域生长 7.5分裂合并 7.6分割评价 7.1边缘检测 边缘检测 边缘检测 边缘检测 边缘检测 给出一个模板 和一幅图像如下: [-1 0 1] 模板 图像 不难发现原图中左边暗，右边亮，中间存在着一条明显的边界。进行模板操作后的结果如下： 7.2微分算子 微分算子 微分算子 示例 Ch7.1 微分算子 微分算子 7.3基于直方图的阈值法 基于直方图的阈值法 基于直方图的阈值法 基于直方图的阈值法 基于直方图的阈值法 基于直方图的阈值法 基于直方图的阈值法 7.4区域生长 区域生长方法是根据同一物体区域内象素的相似性质来聚集象素点的方法，从初始区域（如小邻域或甚至于每个象素）开始，将相邻的具有同样性质的象素或其它区域归并到目前的区域中从而逐步增长区域，直至没有可以归并的点或其它小区域为止。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。 区域增长方法是一种比较普遍的方法，在没有先验知识可以利用时，可以取得最佳的性能，可以用来分割比较复杂的图像，如自然景物。但是，区域增长方法是一种迭代的方法，空间和时间开销都比较大。 区域生长 区域生长 区域生长 区域生长 区域生长 7.5分裂合并 对于复杂图像，灰度都是渐变的，有的还有各种纹理，这时可引入四叉树或金字塔式的图像分割技术。 这就是把一幅图像等分成4块，即4个区域作为被分裂的第一层；第一层的4个分叉中的每一支，又分裂成4块作为第二层；如此循环，一直分到每一个像元为止。 分裂合并 考虑分裂，第三层对任意四叉连块判断，每一像元与平均灰度差超过5即分裂，分裂小块如图（d）。最后小块合并，以第二层中不分裂的区为中心，向周围已分裂小区合并。最终形成不规则的大区见图(f)。 7.6分割评价(自学) 根据对评价方法的要求可提出如下图所示的评价框架，它包括3个主要模块：性能分析、图像合成、算法测试。有关分析目的、评价要求、图像获取及处理的条件和因素可以被有选择地结合进这个框架里，因此它可以适用于各种应用领域。又因为它在研究分割算法时只需要用到图像分割的结果并不需要被研究算法的内部结构特征，所以可适用于所有的分割算法。 分割评价框架 分割评价 1. 性能评判 它包括3个相关联的部分（见下图）：（1）特征选取：根据分割目的选取目标特征以进行评价，同时相应的合成图也要据此产生；（2）UMA计算：利用从原始图和分割图得到的原始和实测特征值计算；（3）性能描述：将UMA计算结果与图像合成条件结合以给出评价结果。 UMA：Ultimate Measurement Accuracy 性能评判模块示意图 2. 图像合成 图像合成中重要的一点是产生的图像应能反映客观世界，这就需要把应用领域的知识结合进去。它们应可以调整以适应诸如图像内容的变化，各种获取图像的条件等实际情况。下面介绍的图像合成系统可以满足以上的要求，它包括4个相关的部分（见下图）： （1）组建基本图：基本图可以根据实际应用领域的模型来建立，它将是生成一系列合成图的基础和起点；（2）目标调整：修改基本图中的目标以产生不同灰度、尺寸、形状、数量、位置、……的目标，以模拟实际图像； （3）干扰因素：通过模拟（也可实际采集）产生噪声、模糊等，从而逼近真实世界；（4）图像组合：按一定次序组合各种图像目标和干扰因素以最终获得接近于实际的试验图像。 图像合成模块示意图 需要指出，在图像分割中噪声的影响不仅取决于它本身的方差，而且是和目标与背景间的灰度对比度密切相关的。所以合成图像时采用如下定义的信噪比（SNR）进行控制： 其中Cob为目标与背景间的灰度对比度，σ为噪声均方差。 3. 算法测试 这是1个典型的图像分析模块，它包括2个前后连接的步骤：分割和测量。在分割阶段，将被测算法看作1个“黑盒子”，对它的输入是测试图，而得到的输出是分割图。根据分割出来的目标对预先确定的特征进行测量就得到实际的目标特征值，然后将这些特征值输进“性能评判”模块以进行UMA计算。 分割评价合成图示例见教材中p215例7.6.1 只要特征及其均匀性和门限确定，通常的算法可以从根到树叶分裂，也可以从下到上不断合并到根，从中间开始也是可以的。 例， 这里N×N＝8×8，三层就为树叶。根的灰度值表示图像的平均亮度。 合并标准：用小区平均亮度与该区内的四个值中任一之差小于等于5为合并标准。 从第二层开始合并，只有右上角四块满足合