第四章图像分割第一、二部分.pptVIP

* * * * * * * * * * * * * * * * * * * * 四叉树法：先把整幅图像分成四个不重叠区域，如果不满足分割条件，将再次分成四个不重叠区域，直到满足准则条件。 10.4.3 区域合并法 把相邻的具有相似性质的区域合成一个区域。 R1 R2 R4 R34 R31 R33 R32 R31 R32 R33 R34 R R1 R2 R3 R4 区域合并算法： 1）是用某种方法进行图像的初始区域分割； 2）对于图像中相邻的区域，计算是否满足一致性谓词，若满足则合并为一个区域； 3）重复步骤2，直到没有区域可以合并，算法结束。 注意的问题： 两个区域相似性准则的确定，如果准则不当，会发生所有区域合并为一个的可能。 10.4.5 区域分裂合并法 使用分裂合并法可以实现对图像的自动分割，可以消除图像的虚假的边界，得到图像的精确分割。 方法： 不需要预先指定种子点，它按某种一致性准则分裂或合并区域，当一个区域不满足一致性准则时，被分裂成几个小区域；当相邻区域性质一致时，则合并成一个大区域。可以利用四叉树方式实现。 基于四叉树的区域分割合并算法步骤： 1）设整幅图像为初始区域； 2）对每一个区域根据谓词进行判断，当不满足谓词时，将该区域分裂成四个子区域； 3）重复步骤2，直到没有区域可以分割； 4）对图像中任意两个相邻的区域根据一致性准则 判断，性质一致时则合并为一个区域； 5）重复步骤4，直到没有相邻区域可以合并，算法 结束。 举例说明： （a）对原图进行第一次操作 （b）第二次操作 （c）最终结果 10.5 基于形态学分水岭的分割： 将一幅图像看成一个拓扑地形图，其中灰度值对应地形高度（如图），高灰度值对应着山峰，低灰度值对应着山谷。水总是朝地势底的地方流动，直到某一局部低洼处才停下来，这个低洼处被称为吸水盆地。最终所有的水会分聚在不同的吸水盆地，吸水盆地之间的山脊被称为分水岭。 原理：水从分水岭流下时，它朝不同的吸水盆地流去的可能性是相等的。将这种想法应用于图像分割，就是要在灰度图像中找出不同的吸水盆地和分水岭，由这些不同的吸引盆地和分水岭组成的区域即为我们要分割的目标。分水岭阈值选择算法可以看成是一种自适应的多阈值分割算法。 在图像梯度图上阈值的选择： 阈值若选得太高，则许多边缘会丢失或边缘出现破碎现象；阈值若选得太低，则容易产生虚假边缘，而且边缘变厚导致定位不精确。分水岭阈值选择算法可避免这个缺点。 如图所示，两个低洼处为吸水盆地，阴影部分为积水，水平面的高度相当于阈值，随着阈值的升高，吸水盆地的水位也跟着上升，当阈值升至T3时，两个吸水盆地的水都升到分水岭处，此时，若再升高阈值，则两个吸水盆地的水会溢出分水岭合为一体。因此，通过阈值孔可以准确地分割出两个由吸水盆地和分水岭组成的区域。其中，分水岭对应于原始图像中的边缘。 分水岭的形成： (1)任何的灰度级图像都可以被看做是一个地形图 分割原理 (2)假设我们在每个区域最小值位置地方打个洞,让水以均匀的速度上升,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,修建大坝将阻止聚合,最后得到的水坝边界就是分水岭的分割线. 定义变量 分水岭算法 定义变量(续) 分水岭算法 初始化: 递归: 递归(续) 终止:n=max+1 分水岭算法过程： a b c d e f 分水岭算法的实现： 1.首先计算图像中各点的梯度，得到梯度图像。 2.像素点按梯度值从低到高的顺序处理．相同梯度值的点作为一个梯度层级。 3.处理一个梯度层级h(当前层)，首先将该层中所有邻域已被标识的点加入到一个先进先出队列中去。 4.若先进先出队列非空．则弹出队列的首元素作为当前处理像素。顺序处理当前像素所有高度为h的相邻点。如果邻点已被标识，则根据该邻点标识刷新当前像素点的标识。如果邻点尚未标识，则将该邻点加入到先进先出队列中去。若邻近点为两个以上的不同标识，则此处为分水岭附以最大梯度值加1,循环执行本步直至队列空为止 5.再一次扫描当前梯度层级的像素点．检查是否仍有未标识点。此时的未标识点意味着一个新的极小区。因此．如果发现未标识点，则将当前区域标识值加l，并将该值赋为未标识点的标识值。然后，从该点出发执行与步骤4相同的泛洪步骤,标识该极小区的所有像素点 6.返回步骤3处理下一梯度层级．直至将所有梯度层级都处理完毕为止 分水岭分割方法应用在图像的梯度,那么集水处在理论上就对应灰度变化最小的区域,而分水岭就对应灰度变化相对最大的区域. 从上到下,从