7.2 视觉及底层处理.pptVIP

7.2 视觉的底层处理 2010-5-5 视觉的底层处理 视觉的底层处理 视觉系统的底层（Low Level）处理是如何提取三维物体的初始简图，它是视觉系统中高层（High Level）处理的基础和能否完成计算机视觉理解的关键。 低层处理通常利用分割算法来实现，其中有两种算法： 1） 基于局部边缘的检测分割算法 2）基于区域的分割算法 7.2.1基于局部边缘检测的分割算法 物体的边界总是以图像灰度的突变形式出现的。 视觉系统的实验表明，图像中的边界是识别一个物体最敏感的要素，因而启示人们能否利用边界轮廓来表示物体，同时设计各种不同的算法，直接从图像灰度值找到物体的边界。 当物体具有较低的信噪比或边界有复杂的形状时，难以实现。 7.2.1基于局部边缘检测的分割算法 改进： 把图像变为有局部灰度突变的形式，然后把这些边缘复合成较精细的边界。 常用的边缘检测算子是梯度算子（如Laplace Sobel算子），利用梯度算子检测理想边缘轮廓的实验结果如图7.2所示。 7.2.1基于局部边缘检测的分割算法 梯度算子 对于一个灰度图像f(x,y),在每一个像素上的梯度可表示为 E（x,y）=（Ex2(x,y)+Ey2(x,y)）1/2 梯度方向用 表示。梯度算子的简 化式为 或者E（x,y）=max(|Ex|,|Ey|). 若采用3*3 Sobel 算子，如图7.3所示，Ex,Ey为x,y方向的偏导，表示如下： Ex=(A2+2A3+A4)-(A0+2A7+A8) Ey=(A0+2A1+A2)-(A0+2A5+A4) 7.2.1基于局部边缘检测的分割算法 Laplace边缘检测算子数学表达式为 的近似形式。离散Laplace算子形式 为 7.2.1基于局部边缘检测的分割算法 实验表明，该算子对线段噪声更敏感。 自然景物中包含不同大小的物体，需选取不同滤波器使边缘检测能多尺度的提取物体边缘目的。 因此提出一种多分辨率的边缘检测算法。 Marr等人先用高斯函数对图像进行平滑，然后采用Laplace函数根据二阶导数过零点来检测图像边缘，且可通过连续改变 的方法，得到一系列由粗到细的边缘。 具体算法如下： 首先对图像采用高斯函数卷积滤波，滤波的结果去除了原图噪声点和小尺寸的细节，使得检测到的边缘更可靠。边缘点就是二阶导数的过零点。 7.2.1基于局部边缘检测的分割算法 7.2.1基于局部边缘检测的分割算法 7.2.2 基于区域的分割 上节讨论了线特征的边界分割法，本节将介绍两种区域分割的方法：阈值区域分割法和分裂与合并。 1、阈值区域分割法 对于一个包含物体和背景的图像，通常选取一个阈值将物体从背景中区分出来。如果图像有几个不同的目标区域，则每个区域都有自己的灰度特征，在这种情景下，灰度图像的直方图有几个峰值，每个峰值相应一个或者几个区域，单阈值分割法将不能准确的从灰度图像中分割出不同的区域目标。 为了克服上述缺点，可先对图像进行高通滤波以去掉低频的背景变化，再使用原先的阈值法和空间可变的阈值法。 7.2.2 基于区域的分割 2、分裂与合并 利用灰度特征分割图像时，噪声可形成伪边缘，甚至形成假目标。而采用分裂和合并的方法，可以将属于不同物体的目标分开，而把同一物体的目标合并。在分裂和合并过程中，可以采用如下启发信息： 7.2.2 基于区域的分割 分裂合并算法过程： 分裂过程： 假如一个区域的属性不一致，应当将这个区域加以分裂。 有两个问题需要注意：一、如何判断一个区域属性不一致？二、如何将这两个区域分裂开？ 对于前者，可利用灰度方差和最优函数误差技术来判断同一区域属性是否一致；对于后者，人们采用规则