第九讲典型分割算法.pptVIP

（2）具有升半柯西分布形式的资格函数，如图所示 1 μ 0 p q x 其中:K0 （3）线性资格函数，如图所示 μ 1 0 p q x 资格函数使原始图像模糊化，如选用S函数作为资格函数，对每一个q值，通过资格函数μ计算出相应的图像模糊率V(q)。图像的模糊率反映了该图像与一二值图像的相似性 对于原始图像目标，背景呈现双峰分布的直方图，对应的V(x)图形也具有双峰，这时总存在一个q0值，其对应的模糊率V(q0)值，即为图像分割的最佳阈值。 一般情况下，图像的直方图较为复杂，峰谷不明显，相应的V(q)图可能有多个谷底，这时可选取V(q)所有极小值中的最小值所对应的q作为阈值 分水岭阈值算法的时间和空间复杂性比较大，但抗噪声能力强，对一些用全局阈值不易分割的图像有较好的分割效果。 基本概念 分水岭概念是以对图像进行三维可视化处理为基础的。其中两个是坐标，另一个是灰度级，即2-D的地基 （对应图象空间）加上第3维的高度（对应 图象灰度）。对于这样一种“地形学”的解释，需考虑三点： （a）属于局部性最小值的点； （b）当一滴水放在某点的位置上的时候，水一定会下落到一个单一的最小值点； （c）当水处在某个点的位置时，水会等概率地流向不止一个这样的最小值点。 分水岭阈值算法 对一个特定区域最小值，满足条件（b）的点的集合称为这个最小值的“汇水盆地”或“分水岭”。 满足条件（c）的点的集合组成地形表面的峰线，称为“分水线”或“分割线”。 分水岭阈值算法和直接在最佳阈值处分割不同，它是一种特殊的自适应迭代阈值分割算法。算法的主要目标是找出分水线。 基本思想： 假设在每个区域最小值的位置上打一个洞，并且让水以均匀的上升速率从洞中涌出，从低到高淹没整个地形。当处在不同的汇聚盆地中的水将要聚合在一起时，修建的大坝将阻止聚合。水将只能到达大坝的顶部处与水线之上的程度。这些大坝的边界对应于分水岭的分割线。 分水岭 建立不同目标间的分水岭，可借助地形学概念进行讨论，要阻止水汇合，就需在山峰上修筑水坝，且水坝的高度要随水位的上升而增高 谷底孔 分水岭 分水岭计算的思路 即逐渐增加一个灰度阈值，每当它大于一个局部极大值时，就把当时的二值图像（只区分陆地和水域，即大于灰度阈值和小于灰度阈值两部分）与前一个时刻（即灰度阈值上一个值的时刻）的二值图像进行逻辑异或（XOR）操作，从而确定出灰度局部极大值的位置。根据所有灰度局部极大值的位置集合就可确定分水岭 分水岭计算步骤 待分割图象 f (x, y)，其梯度图象为g(x, y) 用M1, M2, …, MR表示g(x, y)中各局部极小值的象素位置，C(Mi)为与Mi对应的区域中的象素坐标集合。 用n表示当前灰度阈值，T[n]代表记为(u, v)的象素集合，g(u, v) n， 对Mi所在的区域，其中满足条件的坐标集合Cn(Mi)可看作一幅二值图象 分水岭计算步骤 分水岭计算步骤 用C[n]代表在灰度阈值为n时图象中所有满足条件的象素 C[max + 1]将是所有区域的并集 C[n – 1]是C[n]的子集，C[n]是T[n]的子集，所以C[n – 1]又是T[n]的子集 令 S 代表T[n]中的连通组元集合，对每个连通组元s ? S[n]，有3种可能性： (1)s ∩ C[n – 1]是1个空集 (2)s ∩ C[n – 1]里包含C[n – 1]中的一个连通组元 (3)s ∩ C[n – 1]里包含C[n – 1]中一个以上的连通组元 分别处理： (1)C[n]可由把连通组元 s 加到C[n – 1]中得到 (2)C[n]可由把连通组元 s 加到C[n – 1]中得到 (3)需要在 s 中建分水岭 原始图 阈值分割 分水岭 叠加轮廓 利用标记控制分割 过分割（over-segmentation） 受图象中噪声和其它不规则结构影响 利用标记（marker） 图象中的一个连通组元 内部标记：对应目标 外部标记：对应背景（分水岭） 分水岭算法的改进与扩展 利用标记控制分割 流程框图 示例 (a) 表示部分覆盖的两个区域 (b) 表示经过距离变换的结果（两个局部极小值） (c) 检测出的分水线 分水岭算法的扩展 特征域算法示例 (1) 选择合适的颜色空间，做出3-D颜色直方图 (2) 将3-D颜色直方图进行反转变换 (3) 在不同的颜色聚类之间建立分水岭 (4) 将聚类结果映射回图象域中 (5) 后处理得到最终分割图象 SUSAN边缘检测 原理 USAN: Univalue Segment Assimilating N