数字图像处理-模式识别W).pdfVIP

模式识别：图像分割 • 图像模式识别：分析图像中的内容。 输入：图像； 输出：图像的描述 • 统计模式识别的三个阶段： 图像分割：检测出各个物体，并使之相互分离 特征抽取：对物体进行度量，产生特征向量 分类估计：确定物体特征类型。 x1 x2 ... xn 图像分割 特征提取 分类 物体图像 特征向量 物体类型 模式识别示例 • 特征向量：直径和颜色 模式识别系统设计 • 物体检测器设计： – 选择能够将图像中各个物体分离开的景物分割算法。 • 特征选择： – 确定能够最好地辨别物体类型的物体性质以及如何度量这些 性质的方法。 • 分类器设计： – 建立分类算法的数学基础并选择所使用的分类器的结构类 型。 • 分类器训练： – 确定分类器中各种可调整的参数（决策界限等）使之适应被 分类的物体。 • 性能评估： – 估计各种可能的错分类率的预期值。 图像分割处理 • 图像分割： – 将数字图像划分成互不相交(不重叠)区域。 • 区域是像素的连通集。 • 连通： – 任意两个像素之间存在一条完全由这个集合的元素构成的连 通路径。连通路径是一条可在相邻像素间移动的路径。 • 连通性准则： – 4连通和8连通 • 图像分割与人类视觉没有对照关系。 • 图像分割可以采用三种不同的原理来实现： – 区域方法：把各像素划归到各个物体或区域中。 – 边界方法：只需确定存在于区域间的边界。 – 边缘方法：先确定边缘像素，并把它们连接在一起以构成所 需的边界。 图像分割：阈值方法 • 阈值方法是一种区域分割技术，通过将图像分为内部 点集和外部点集来对图像进行分割。它适合于物体与 背景有较强对比的景物。 • 当使用阈值规则进行图像分割时，所有灰度值大于或 等于某阈值的像素都被判属于物体。所有灰度值小于 该阈值的像素被排除在物体之外。 • 如果感兴趣的物体在其内部具有均匀一致的灰度值并 分布在一个具有另一个灰度值的均匀背景上，使用阈 值方法效果就很好。 • 如果物体同背景的差别在于某些性质而不是灰度值 （如纹理等），那么，可以首先把那个性质转化为灰 度，然后，利用灰度阈值化技术分割待处理的图像。 图像分割：阈值方法 阈值方法：全局阈值 • 采用阈值确定边界的最简单做法是在整个图像中将灰 度阈值的值设置为常数。 • 如果背景的灰度值在整个图像中可合理地看作为恒 定，而且所有物体与背景都具有几乎相同的对比度， 那么，只要选择了正确的阈值，使用一个固定的全局 阈值一般会有较好的效果。 Background Threshold 255 f ≥t Object f t 0 f t (thresholding) f f