第四课图像分割4.ppt

第四章 图像分割（4） 4.1 图像分割概述 4.2 阈值分割 4.3 边缘检测 4.4 区域生长 4.5 聚类分割 4.1 图像分割概述 1.分割的目的是把图像空间分成一些意义的区域，是实现识别与理解的必不可少的过程，是计算机视觉的中间层次。 图像分割的目标是把图像分成互不重叠的区域并提取感兴趣目标 分割基于的假设： 某一对象的某一部分，其特征都是相近或相同的；不同的对象或对象的各部分之间，其特征是急剧变化的。 图像分割的策略： ?(1) 相似性分割(区域相关分割) 将具有同一灰度级或相同组织结构的像素聚集在一起，形成图像中的不同区域。 (2)??? 非连续性分割(点相关分割) 首先检测局部不连续性形成边界，然后通过这些边界把图像分成不同的区域。 常用分割方法 1）阈值分割 2）基于边缘检测的分割方法 3）区域生长 4）聚类分割 4.2 阈值分割 阈值是在分割时作为区分物体与背景像素的门限，大于或等于阈值的像素属于物体，而其它属于背景。 这种方法对于在物体与背景之间存在明显差别（对比）的景物分割十分有效。阈值法图像分割的关键在于阈值的确定 阈值可以是一个或多个，还可以是一个灰度范围 1. 双峰法 60年代中期，Prewitt提出了直方图双峰法，即如果灰度级直方图呈明显的双峰状，则选取两峰之间的谷底所对应的灰度级作为阈值。 直接利用直方图的阈值分割 缺点：该方法不适用于直方图中双峰差别很大或双峰间的谷比较宽广而平坦的图像，以及单蜂直方图的情况。 会受到噪声的干扰，最小值不是预期的阈值，而偏离期望的值。 单值阈值的问题 单值阈值只能对双峰直方图工作得较好 对于其它类型的直方图，需要更多的阈值 单值阈值和光照 不均匀的光照会使单值阈值方案失效 2. P参数法 若各区域面积占图像总面积的比例p已知时，可以用p参数法 步骤：若已知低灰度区域面积比例为p 1. 根据灰度直方图从左到右计算直方图的累加值 2. 当求得C值近似等于已知的面积比例p时，查找对应的灰度级T 3. 以T为阈值对图像进行分割 相反，如果已知高灰度区域面积比为p2的情况，与上述过程类似，只是第一步的累加值变为从右向左求累加 3. 最佳阈值法 均值迭代阈值选择法 4.自适应阈值 自适应阈值方法：当光照不均匀、有突发噪声，或者背景灰度变化比较大时，整幅图像分割将没有合适的单一门限，因为单一的阈值不能兼顾图像各个像素的实际情况。这时，可对图像按照坐标分块，对每一块分别选一阈值进行分割。这种与坐标相关的阈值也称为动态阈值方法。 优缺点：时间和空间复杂度比较大，但抗噪声能力比较强，对采用全局阈值不容易分割的图像有较好的效果。 自适应阈值的选取：比较简单的方法是对每个像素确定以它为中心的一个邻域窗口，计算窗口内像素的最大和最小值，然后取它们的均值作为阈值。 对图像分块后的每一个子块可以采用直方图分析，如果某个子块内有目标和背景，则直方图呈双峰。如果块内只有目标或背景，则直方图没有双峰，可根据邻域各块分割得到的参数插值进行分割。实际的自适应阈值分割完全可以根据图像的实际性质，对每个像素设定阈值，但这个过程要考虑到实际的要求和计算的复杂度问题。 另外，类间方差最大阈值分割 最大熵阈值分割等将阈值选取转化为优化问题进行处理 4.3 边缘检测 不同的对象或对象的各部分之间，其特征是急剧变化的。 根据像素特征的不连续性，通过确定目标的边界实现图像分割 1.边缘检测算子 1）梯度算子 2）Robert算子 3）Prewitt算子 4）Sobel算子 5）Kirsch算子 6）拉普拉斯算子 2.基于曲面拟合的边缘检测 4.4 区域生长 区域增长法 例判断准则像素与种子像素灰度差的绝对值小于阈值T 问题 选择或确定一组能正确代表所需区域的种子像素 具体问题具体分析 先验知识（如：军用红外图像中检测目标时，选最亮的像素作为种子） 无先验知识（可根据直方图选取灰度中像素个数多的像素作为种子） 确定在生长过程中能将相邻像素合并的准则 具体问题相关（目标和背景的像素分布特点） 图像数据种类（单色、灰度还是彩色） 像素间的连通性和邻近性 制定让生长过程停止的条件或规则 一般是没有满足生长的像素 应考虑图像的局部性质（灰度、纹理和彩色） 目标的全局性质（尺寸、形状等） 生长准则和过程 区域生长的关键是选择合适的生长或相似准则 1、基于区域灰度差 基本方法：种子像素的灰度值与邻域像素的差 改进：先合并具有相同灰度的像素，然后求出所有邻接区域间的平均灰度差，并合并最小灰度差的邻接区域，重复上述步骤直到没有区域合并。 灰度分布相似性的两种检测方法： （1）Kolmogorov-Smirnov 检测 （2）Smoothed-Differenc