基于阈值的图像分割.pptxVIP

基于阈值的图像分割;1.概述 所谓图像分割是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分成若干个互不相交的区域，使得这些特征在同一区域内，表现出一致性或相似性，而在不同区域间表现出明显的不同。简单的讲，就是在一幅图像中，把目标从背景中分离出来，以便于进一步处理。图像分割是图像处理与计算机视觉领域低层次视觉中最为基础和重要的领域之一，它是对图像进行视觉分析和模式识别的基本前提．同时它也是一个经典难题，到目前为止既不存在一种通用的图像分割方法，也不存在一种判断是否分割成功的客观标准。 阈值法是一种传统的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术．已被应用于很多的领域，例如，在红外技术应用中，红外无损检测中红外热图像的分割，红外成像跟踪系统中目标的分割；在遥感应用中，合成孔径雷达图像中目标的分割等；在医学应用中，血液细胞图像的分割，磁共振图像的分割；在农业工程应用中，水果品质无损检测过程中水果图像与背景的分割。在工业生产中，机器视觉运用于产品质量检测等等。在这些应用中，分割是对图像进一步分析、识别的前提，分割的准确性将直接影响后续任务的有效性，其中阈值的选取是图像阈值分割方法中的关键技术 ; 图像分割算法一般是基于灰度的两个性质之一：不连续性和相似性。第一个性质的应用是基于灰度的不连续变化来分割图像。第二个性质的主要应用是根据事先制定的准则将图像分割为相似的区域。这两种方法都有各自的优点和缺点。常见的分割方法有阈值分割、边缘检测、边缘跟踪、区域分裂与合并等，如图1-1所示。 图1-1 图像分割算法 ;2.图像的阈值分割技术 2.1阈值分割思想和原理 若图像中目标和背景具有不同的灰度集合：目标灰度集合与背景灰度集合，且两个灰度集合可用一个灰度级阈值T进行分割。这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域，这种方法称为灰度阈值分割方法。 在物体与背景有较强的对比度的图像中，此???方法应用特别有效。比如说物体内部灰度分布均匀一致，背景在另一个灰度级上也分布均匀，这时利用阈值可以将目标与背景分割得很好。如果目标和背景的差别是某些其他特征而不是灰度特征时，那么先将这些特征差别转化为灰度差别，然后再应用阈值分割方法进行处理，这样使用阈值分割技术也可能是有效的。 设图像为f(x,y)，其灰度集范围是[0,L]，在0和L之间选择一个合适的灰度阈值T，则图像分割方法可由式（2.1）描述 （2.1） ;2.2全局阈值分割 阈值法有多种类型，主要有：全局阈值，自适应阈值等。所谓全局阈值，如果背景的灰度值在整个图像中可合理的看做恒定，而且所有物体与背景都具有几乎相同的对比度，那么，只要选择了正确的阈值，使用了一个固定的全局阈值一般会有较好的效果。 图2-1给出了利用全局阈值分割图像的实例。图2-1(a)是原图,(b)是选择分割阈值为60的结果图。 MATLAB程序如下： I=imread(tsaml.jpg); for i=1:width for j=1:height if(I(i,j)60) BW1(i,j)=0; else BW1(i,j)=1; end end end figure imshow(BW1) ; 这里设定了一个常数60，通过比较灰度值与60的大小关系来重新给图像赋值。   (a) 原图像 (b) 已分割图像 图2-1 全局阈值分割 2.3 自适应阈值 但是，在许多情况下，背景的灰度值并不是常数，物体和背景的对比度在图像中也有变化，这时就要引入自适应阈值，一个在图像中某一区域效果良好的阈值在其他区域却可能效果很差。在这种情况下，需要把灰度阈值取成一个随图像中位置缓慢变化的函数值，即为自适应阈值。 ; 这类算法的时间复杂度和空间复杂度比较大，但是抗噪声的能力比较强，对采用全局阈值不容易分割的图像有较好的效果。这种方法的关键问题是如何将图像进行细分和如何为得到子图像估计门限值。由于用于每个像素的门限取决于像素在子图像中的位置，这类门限处理是自适应的。 3 最佳阈值的选择 除非图像中的物体有陡峭的边沿，否则灰度阈值的取值对所抽取物体的边界的定位和整体的尺寸有很大的影响。这意味着后续的尺寸（特别是面积）的测量对于灰度阈值的选择很敏感。由于这个原因，我们需要一个最佳的，或至少