十章 图像分割.pptVIP

4.2 区域增长 算法实现： 1）根据图像的不同应用选择一个或一组种子，它或者是最亮或最暗的点，或者是位于点簇中心的点 2）选择一个描述符（条件） 3）从该种子开始向外扩张，首先把种子像素加入结果集合，然后不断将与集合中各个像素连通、且满足描述符的像素加入集合 4）上一过程进行到不再有满足条件的新结点加入集合为止 通过像素集合的区域增长 种子像素 区域A 区域B 种子像素 4.3 区域分离与合并 算法实现： 1）对图像中灰度级不同的区域，均分为四个子区域 算法实现： 2）如果相邻的子区域所有像素的灰度级相同，则将其合并 3）反复进行上两步操作，直至不再有新的分裂与合并为止 Chapter 10 Image Segmentation 算法实现：实际应用中还可作以下修改 P(Ri)的定义为： 1）区域内多于80%的像素满足不等式 |zj-mi|=2σi， 其中：zj是区域Ri中第j个点的灰度级， mi是该区域的平均灰度级， σi是区域的灰度级的标准方差。 2）当P(Ri)=TRUE时，将区域内所有像素的灰度级置为mi。 3 门限处理（阈值分割法） 阈值分割法 通过交互方式得到阈值 通过直方图得到阈值 通过边界特性选择阈值 简单全局阈值分割 基于多个变量的阈值 3.1 基础 阈值分割法的基本思想： 确定一个合适的阈值T（阈值选定的好坏是此方法成败的关键）。 将大于等于阈值的像素作为物体或背景，生成一个二值图像。 If f(x,y) ? T set 255 Else set 0 在四邻域中有背景的像素，既是边界像素。 0 255 255 0 255 0 255 255 255 门限处理（阈值分割法） 可被看做一种涉及测试下列形式函数T的一种操作 T = T[ x,y,p(x,y),f(x,y)] 如果T取决于f(x,y)时，门限（阈值）就称为全局的 如果T取决于f(x,y)和p(x,y），门限（阈值）就称为局部的 门限处理（阈值）分割法的特点 适用于物体与背景有较强对比的情况，重要的是背景或物体的灰度比较单一。（可通过先求背景，然后求反得到物体） 这种方法总可以得到封闭且连通区域的边界。 灰度值 f(x0,y0) T 通过直方图得到阈值 基本思想 边界上的点的灰度值出现次数较少 T 取值的方法： 取直方图谷底(最小值)的灰度值为阈值T 缺点：会受到噪音的干扰，最小值不是预 期的阈值，而偏离期望的值； 改进： 取两个峰值之间某个固定位置，如中间位置上。由于峰值代表的是区域内外的典型值，一般情况下，比选谷底更可靠，可排除噪音的干扰 T 3.2 亮度的作用 亮度对门限处理（阈值）分割法的影响，特别是对全局的影响。 讨论—— 用一幅图像是由反射率分量和亮度分量的乘积组成 The histogram of z (x,y) is given by the convolution of the histograms of i’(x,y) and r’(x,y) 照明的作用 用于解決非均勻性照明的实际作法 把照明投射至一固定的白色反射面 产生1幅影像 得到正規化影像 (此影像仅余反射分量) 決定 r(x,y) 所需的单一临界值 k 則对于 h(x,y) 的临界值为 T/k 3.3 基本全局阈值分割 基本思想：用前述方法获得阈值T，并产生一个二值图，区分出前景对象和背景 算法实现： 规定一个阈值T，逐行扫描图像。 凡灰度级大于T的，颜色置为255；凡灰度级小于T的，颜色置为0 适用场合：明度图像是可以控制的情况，例如用于工业监测系统中 3.4 基本自适应门限（阈值） 问题：不均匀亮度这样的成像因素导致用直方图得到单一全局门限处理（阈值）分割法无法有效分割。 方法：将图像进一步细分为子图像，并对不同的子图像使用不同的门限处理（阈值）进行分割。这类门限处理（阈值）是自适应的。 Chapter 10 Image Segmentation Chapter 10 Image Segmentation 3.5 最佳全局和自适应门限（阈值） 一种产生最小平均分割误差的估计门限处理（阈值）的方法。 讨论—— 假设一幅图像仅包含两个主要的灰度级区域。 3.6 利用边界特性改进直方图和局部 门限处理 基本思想： 如果直方图的各个波峰很高、很窄、对称，且被很深的波谷分开时，有利于选择阈值。 为了改善直方图的波峰形状，我们只把区域边缘的像素绘入直方图，而不考虑区域中间的像素。 用微分算子，处理图像，使图像只剩下边界中心两边的值。 通过边界特性选择阈值 基本思想： 这种方法有以下优点： 1)在前景和背景所占区域面积差别很大时，不会