数字图像处理之图像分割课件.pptVIP

第六章 图像分割 主要内容 6.1 图像分割概述 6.2 阈值分割 6.3 边缘检测 6.4 区域分割 6.5 Hough变换检测法 6.1 图像分割概述 图像分割是指通过某种方法，使得画 面场景中的目标物被分为不同的类别。 通常图像分割的实现方法是，将图像 分为“黑”、“白”两类，这两类分别代 表了两个不同的对象。 因为结果图像为二值图像，所以通常 又称图像分割为图像的二值化处理。 图像分割是比较困难的事情，原因是画面中的场景通常是复杂的，要找出两个模式特征的差异，并且可以对该差异进行数学描述都是比较难的。 6.1 图像分割概述 图像分割的目的 把图像分解成构成它的部件和对象； 有选择性地定位感兴趣对象在图像中的位置和范围。 从简到难，逐级分割 控制背景环境，降低分割难度 注意力集中在感兴趣的对象，缩小不相干图像成分的干扰。 4.图像分割的方法 1) 基于边缘的分割方法:先提取区域边界，再确定边界限定的区域。 2) 区域分割:确定每个像素的归属区域，从而形成一个区域图。 3) 区域生长:将属性接近的连通像素聚集成区域。 4) 分裂－合并分割:综合利用前两种方法，既存在图像的划分，又有图像的合并。 直方图阈值法matlab实现 函数：im2bw，全局阈值函数 BW=im2bw（I ,level); BW=im2bw（I ,map ,level); BW=im2bw（RGB ,level); 分别将灰度图像、索引图像、彩色图像转化为二值图像， level，为归一化阈值 例子 Clear all I=imread(‘blood.bmp’) figure,imshow(I); Figure;imhist(I) I1=im2bw(I,110/255) figure,imshow(I1); 设选用的灰度级门限为Zt，图像由亮背景上的暗物体所组成，因此凡是灰度级小于Zt的象素被认为是目标物，大于Zt的象素皆作为背景。 一般的图像很难获得灰度的概率密度函数以及先验概率，在一些特殊的应用场合，如文字、乐谱等图像，可以从大量图像得到一个统计规律，获得符号部分在全图像中的百分比，以此为基础，结合直方图谷点分析，可以得到近似最优 的结果 若选为Zt分割门限，则将背景象素错认为是目标象素的概率是： 将目标物象素错认为是背景象素的概率是： 因此，总的错误概率E(Zt)为 E(Zt)= (1－?)E2(Zt)+?E1(Zt) 最佳门限就是使E(Zt)为最小值时的Zt，将E(Zt)对Zt求导，并令其等于零，得: (1－?)P2(Zt)＝?P1(Zt)（满足此等式的Zt为最优阈值） 例如：P2(Zt)和P1(Zt)均为正态分布函数，其灰度均值分别为μ1和μ2。对灰度均值的标准偏差分别为б1和б2，即: 代入(1－?)P2(Zt)＝?P1(Zt)，两边取对数： 由于上式是Zt的二次方程，有两个解，要使分割误差最小，需要设置两个门限，也就是方程的两个根，如果设 ，则方程存在唯一解，即： 再假设(1－?)＝?, ?=1/2时，Zt＝(μ1+μ2)/2 6.2.4 自适应阈值 阈值二值化举例： 7.3 边缘检测 7.3.1 边缘检测概念 7.3.2 基于一阶导数法的边缘检测 7.3.3 基于二阶导数法的边缘检测 7.3.4 基于曲面拟合的边缘检测方法 7.3.5 边缘连接 7.3.1 边缘检测概念 1.边缘的定义： 图像中像素灰度有阶跃变化或屋顶变化的那些像素的集合。 2.边缘的分类 阶跃状 屋顶状 1）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： 2）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。 3)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. 4）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。 5）Ki