数字图像处理图像分割与数学形态学课件.ppt

6.1.4 阈值分割法（相似性分割）;6.1.4.1 阈值分割法简介;6.1.4.1 阈值分割法简介;6.1.4.2 阈值选定;6.1.4.2 阈值选定;6.1.4.2 阈值选定;算法简介： 设灰度直方图为RHST(z)，0 ? z ? N-1 (1) 在 0 ? N-1的范围内变化z，对于每一个灰度值z，在比z小的灰度范围NL内，求一系列的RHST(z1’)-RHST(z) （0 ? z1z） ，找出其中的最大值为?L； (2) 同理，在比z大的灰度范围NH 内，对于每一个灰度值z，求一系列的RHST(z2)-RHST(z) （z z2’ ? N-1）, 找出其中的最大值为? H； (3) 当? L和? H的积为最大时的灰度Z为Zm，则所求的阈值为Zm。 ;6.1.4.2 阈值选定;6.1.4.2 阈值选定;6.1.4.2 阈值选定;例：最优阈值的计算; 为求得使该误差最小的阈值可将E(T)对T求微分，并令微分式等于零，结果是 P1p1(T)=P2p2(T) 将这个结果用于高斯密度，可得到解一元二次方程的根判别式的系数：;6.1.4.2 阈值选定;6.1.4.2 阈值选定;6.1.4.2 阈值选定;6.1.4.2 阈值选定;具有低梯度值像素的灰度直方图 由于目标或背景内部的像素具有较低的梯度值，而它们边界上的像素具有较高的梯度值，所以这个新直方图中，对应内部点的峰应基本不变，但因为减少了一些边界点，所以谷应比原直方图要深。 更一般地，可计算一个加权的直方图，其中赋给具有低梯度值的像素权重大一些。例如，设一个像素点的梯度值为g，则在统计直方图时，可给它加权1/(1+g)2。这样一来，如果像素的梯度值为零，则它得到最大的权重“1”，如果像素具有很大的梯度值，则它得到的权重就变得微乎其微。在这样加权的直方图中，峰基本不变而谷变深，所以峰谷差距加大。;6.1.4.3 图像阈值化;2 可变阈值法（动态阈值处理） 对于不均匀光照图像来说，不论用哪个阈值都无法兼顾亮区与暗区。最好的办法是用可变阈值，在亮区阈值取得高，暗区阈值取得低，即对每个像素都自适应地选用不同的阈值。 阈值的选择可以这样来进行：将图像分成许多小块，先对每个小块定一 个阈值，各小块的阈值可以不同，然后进行适当的平滑，以便消除块间阈值的突变。 至于每小块阈值的确定，可以有不同的准则和方法，一般应当先区分小块只包含一类（全部是背景点或者全部是物体点）还是包含了两类。如果某 一块包含了两类的像素（可以从它的直方图有双峰，其直方图方差较大等等 迹象来判断），则可以用 前面所讲的任一种方法定阈值。 如果某小块只包含某一类的像素，其直方图较集中，呈单峰状，仅从该小块的信息难于确定阈值，要靠它四周直方图呈双峰小块的阈值，通过内插来求得该块的阈值。为了使阈值变化缓慢，不出现假轮廓线，还可以对阈值进行平滑处理等。;6.1.4.3 图像阈值化;6.1.4.3 图像阈值化;高S区域;6.1.5 基于区域的分割(Region-Based Segmentation, 相似性分割）;6.1.5.1 基本概念;6.1.5.1 基本概念;6.1.5.2 区域生长(Region Growing);6.1.5.2 区域生长;6.1.5.3 区域分裂与合并(Region Splitting and Merging);6.1.5.3 区域分裂与合并;6.1.5.3 区域分裂与合并;6.1.5.4 统计检测法（statistical detection method）;6.1.5.4 统计检测法; 为了检测灰度分布情况的相似性，采用下面的方法。这里，设h1(z)、 h1(z)为相邻的两个区域的灰度直方图，从这两个直方图求出累积灰度直方图H1(z) 、H2(z)，根据;6.1.5.4 统计检测法;6.1.6 数学形态学图像处理(Morphological Image Processing);1. 背景： 数学形态学是一种用于数字图像处理和识别的新理论和新方法。 2. 应用 ( 1 ) 利用形态学基本运算， 对图像进行处理， 从而达到改善图像质量的目的。 ( 2 ) 描述和定义图像的各种几何参数和特征，如 面积、 周长、 连通度 ( 连接数 )、 颗粒度、 骨架等。 ( 3 ) 大部分形态运算都定义在两个基本运算的基础上： 腐蚀和膨胀。 在此基础上， 常用的形态运算( 变换 )有： 开和闭， 击中和不击中变换，细化和粗化， 边界和骨架等。;6.1.6.2 基本概念;6.1.6.2 基本概念;腐蚀与膨胀;1 腐蚀 定义：