第04篇 区域分析.doc

第四章 区域分析 图像中的区域是指相互连结的具有相似特性的一组像素．由于区域可能对应场景中的物体，因此，区域的检测对于图像解释十分重要．一幅图像可能包含若干个物体，而每一个物体又可能包含对应于物体不同部位的若干个区域．为了精确解释一幅图像，首先要把一幅图像划分成对应于不同物体或物体不同部位的区域． 4．1 　　图像区域划分有两种方法：一种是基于区域的方法，另一种是使用边缘检测的轮廓预估方法．在基于区域的方法中，把所有对应于一个物体的像素组合在一起，并进行标记，以表示它们属于一个区域，这一处理过程称为分割．在某一评判标准下，把像素分配给某一区域，就可以把这些像素同图像其余部分分开．图像分割中的两个最基本的原则是数值相似性和空间接近性．如果两个像素具有相似的强度特性，或它们之间十分靠近，则可以把它们分配到同一区域，例如，两个像素之间的数值相似性度量可以是它们的灰度值之差，也可以是区域灰度值分布；它们的空间接近性度量可以是欧几里德距离，也可以是区域致密度． 相似性和接近性原则来源于如下假设：同一物体上的点投影到图像上得到的像素点在空间上十分靠近，且具有相似的灰度值．很显然，这一假设并不是在任何情况下都成立．然而可以使用这一假设来组合图像中的像素，然后利用相关域知识来匹配物体模型和区域．在简单的情况下，可以通过阈值法和连通成份标记法来进行图像分割，这一点在第三章讨论过了．对于复杂的图像，可以使用更高级的方法实现图像分割． 分割也可以通过求取区域边界上的像素来进行．这些像素点（也称为边缘）可以通过搜寻邻近像素的方法来得到．由于边缘像素是在边界上，在边界两边的区域具有不同的灰度值，这样，区域的边界可以通过测量邻近像素差值来求取．尽管边缘检测可能使用诱导特性（如纹理和运动）来检测边缘．但大多数边缘检测器仅使用强度特性作为边缘检测的基础． 在理想的图像中，一个区域是由一条封闭轮廓线包围着．原则上，区域分割和边缘检测应该产生相同的结果，即使用边界跟踪算法可以得到区域的边缘（或封闭的轮廓线）；反过来，使用区域填充算法也可以得到边缘所包围的区域．但在实际的图像中，很少能够从区域中得到正确的边缘，反之亦然．由于噪声和其它因素的影响，不论是区域分割还是边缘检测，都无法提供完整的信息． 本章将讨论区域的基本概念，主要集中在两个问题上：图像分割和区域表示． 4．2 已知一幅图像像素集和一个一致性谓词，求图像表示成n个区域集合的一种划分： 　　　　　　　　　　　　（４．１） 一致性谓词和图像划分具有如下特性，即任何区域满足如下谓词： 　　　　　　　　　　　　（４．２） 任何两个相邻区域不能合并成单一区域，必满足谓词： 　　　　　　　　　　（４．３） 一致性谓词定义了在区域上的所有点与区域模型的相似程度． 把一幅灰度图像转换成二值图像是图像分割的最简单形式．用于求取二值图像的阈值算法可以推广到求取多值图像，其中的阈值算法已经在第三章中讨论过了．为了在各种变化的场景中都能得到鲁棒的图像分割，阈值分割算法应能根据图像强度取样来自动选取合适的阈值．阈值分割法不要过分依赖于物体的灰度知识，且使用有关灰度值的相对特性来选取合适的阈值．这一简单的思想在许多计算机视觉算法中十分有用． 4．2．1 为了使分割更加鲁棒，系统应能自动选择阈值．基于场景中的物体、环境和应用域等知识的图像分割算法比基于固定阈值算法更具有普遍性．这些知识包括：对应于物体的图像灰度特性，物体的尺寸，物体在图像中所占的比例，图像中不同类型物体的数量等．图像灰度直方图就是一种灰度特性，它是指图像所有灰度值出现的相对频率． 假设一幅图像中包含有n个物体，包括背景，并假设不同的区域的灰度值具有概率分布函数．在许多应用中，物体在图像中出现的概率也许是已知的．使用这些知识来严格地计算阈值是完全可能的．由于场景中的照明控制着图像中强度值的概率分布函数, 因此预先计算阈值是不可能的．我们将要看到，大多数自动阈值的选取算法使用了物体尺寸和出现概率，并通过计算灰度直方图估算强度分布． 下面将讨论几种常用的自动阈值化方法．为了简化表示，我们将遵循物体在图像中的表示惯例，即物体相对于光亮背景是黑的．也就是说，低于某一阈值的灰度值属于物体，而高于这一阈值的灰度值属于背景．下面将要讨论的算法稍作改动就可以应用到其它场合，如光亮物体相对于黑暗背景，灰暗物体相对于光亮和黑暗背景，光亮或黑暗物体相对于灰暗背景．一些算法还可以推广到由任意像素值集合组成的物体． 　　(1) 模态方法（均匀照明） 如果图像中的物体具有同一灰度值，背景具有另一个灰度值，图像被零均值高斯噪声污染，那么就可以假定灰度分布曲线是由两个正态分布函数叠加而成．图像直方图将会出现两个分离的峰值，如图4．1，其直方图为两条