4-图像分割与特征提取-第四章.ppt

主要内容 1. 图像目标分割方法 2.图像特征的提取 3.图像纹理特征的描述 作业 1. 图像目标分割由哪些常用的方法？ 2.如何描述图像的纹理特征，试给出两种方法及算法流程？ 第四章图像分割与特征提取 它的主要目的是将一幅图像划分为一个个区域, 每一个区域与一个实际目标相对应，可将感兴趣的目标（AOI）区域分割出来。 这是一个将一个集合划分成一些子集的基本操作. 每一个子集可能对应着一个目标或一种现象. 对一幅图像而言, 区域可视为连通的和灰度特征一致的片区。 分割方法两类: 第一类是直接构成目标区域，第二类是先寻找边缘来构成域。 图 像 分 割 图 像 分 割 图像分割是将图像划分成若干个互不相交的小区域的过程， 小区域是某种意义下具有共同属性的像素的连通集合，如不同目标物体所占的图像区域。连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言，连通有4连通和8连通之分。 图像分割有两种不同的途径： 其一是将各像素划归到相应物体或区域的像素聚类方法, 即区域法；在图像分割技术中，最常用的是利用阈值化处理进行的图像分割。 其二是通过直接确定区域间的边界来实现分割的边界方法；这种方法首先检测边缘像素，再将边缘像素连接起来构成边界形成分割。 图 像 分 割 的方法 灰度阈值法分割 常用的图像分割方法是把图像灰度分成不同的等级，然后用设置灰度门限（阈值）的方法确定有意义的区域或分割物体的边界。常用的阈值化处理就是图像的二值化处理， 即选择一阈值，将图像转换为黑白二值图像， 用于图像分割及边缘跟踪等预处理。 图像阈值化处理的变换函数表达式为 在图像的阈值化处理过程中， 选用不同的阈值其处理结果差异很大。如图所示, 阈值过小， 会提取多余的部分； 而阈值过大，又会丢失所需的部分（注意： 当前背景为黑色， 对象为白色时刚好相反）。因此，阈值的选取非常重要。 灰度阈值法分割 (a) 原始图像； (b) 阈值T=43； (c) 阈值T=130； (d) 阈值T=91 原始图像的直方图如图所示。分析该直方图可知， 该直方图具有双峰特性，图像中的目标（细胞）分布在较暗的灰度级上形成一个波峰，图像中的背景分布在较亮的灰度级上形成另一个波峰。此时，用其双峰之间的谷低处灰度值作为阈值T进行图像的阈值化处理，便可将目标和背景分割开来 阈值法分割 Otsu阈值算法 图像分割：Otsu灰度图像阈值算法(Otsu thresholding) 图像有L阶灰度，ni是灰度为i的像素数，图像总像素数 N= n1+n2+ … + nL 灰度为i的像素概率：pi = ni/N 类间方差： Otsu thresholding 灰度图像阈值: Otsu灰度图像二值化算法演示及程序分析: 特征的选择与提取 特征的选择与提取是模式识别中重要而困难的一个环节： 分析各种特征的有效性并选出最有代表性的特征是模式识别的关键一步 降低特征维数在很多情况下是有效设计分类器的重要课题 三大类特征：物理、结构和数学特征 物理和结构特征：易于为人的直觉感知，但有时难于定量描述，因而不易用于机器判别 数学特征：易于用机器定量描述和判别，如基于统计的特征 原始特征的形成 原始特征形成 (acquisition)： 信号获取或测量→原始测量 原始特征 实例： 数字图象中的各像素灰度值 人体的各种生理指标 原始特征分析： 原始测量往往不能反映对象本质 高维原始特征不利于分类器设计：计算量大，冗余，样本分布十分稀疏 特征的选择与提取 两类提取有效信息、压缩特征空间的方法：特征提取和特征选择 特征提取 (extraction)：用映射（或变换）的方法把原始特征变换为较少的新特征 特征选择(selection) ：从原始特征中挑选出一些最有代表性，分类性能最好的特征 特征的选择与提取与具体问题有很大关系，目前没有理论能给出对任何问题都有效的特征选择与提取方法 特征的选择与提取举例 细胞自动识别： 原始测量：（正常与异常）细胞的数字图像 原始特征（特征的形成，找到一组代表细胞性质的特征）：细胞面积，胞核面积，形状系数，光密度，核内纹理 压缩特征：原始特征的维数仍很高，需压缩以便于分类 特征选择：挑选最有分类信息的特征 特征提取：数学变换 傅立叶变换或小波变换 用PCA方法作特征压缩 特征抽提 特征抽提 纹理、直方图、边缘形状、目标所占的区域的面积的大小 、区域的长轴、区域的短轴、空间位置（质心）等。 其中 纹理特征的提取 (1)纹理特征的两要素：(A) 形状与大小， (B)基元排列的稀密，周期性，方向性。 (2)