图像处理第7讲图像分割.ppt

第7章 图像分割技术 Image Segmentation 7.1 图像分割概述 图像分割的概念 图像分割的意义 图像分割的基本思路 图像分割的基本策略 图像分割：是指根据灰度、彩色、纹理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。 图像分割的依据 对图像的分割主要基于象素的2个性质： 不连续性和相似性； “相似性分割”就是将具有同一特性（特性可以是灰度、颜色、纹理等）的像素聚集在一起，形成图像中的不同区域。 “非连续性分割”需要先检测图像的局部不连续性，然后将它们连接起来形成边界，这些边界将图像分割成不同的区域。 ? 图像分割的算法分类 ? 图像分割的基本思路 从简到难，逐级分割； 控制背景环境，降低分割难度； 把焦点放在增强感兴趣对象，缩小不相干图像的干扰上。 常见的边缘 几种常用的边缘检测微分算子 几种常用的边缘检测微分算子 Canny算子与LOG算子比较 ? 跟踪处理的分析方法： 利用边缘像素梯度的相似性 对做过边检测的图象的每个点的特性进行分析 分析在一个小的邻域（3×3或5×5）中进行 所有相似的点被连接，形成一个享有共同特性象素的边界 用比较梯度值的幅度和梯度方向确定两个点是否同属一条边。 ? 连接算法描述： 1）设定A、E的阈值大小，确定邻域的大小 2）对图像上每一个像素的邻域点进行分析， 判断是否需要连接。 3）记录像素连接的情况，给不同的边以不同的标记。 4）最后，连接断开的线段，删除孤立线段。 ? 边界跟踪方法一：光栅扫描 ? 边界跟踪方法二 7.3 阈值与图像分割 7.4 基于区域的分割 以像素灰度为特征进行区域生长 7.5 彩色图像分割 7.6 形态学图像处理 形态学（Morphology ）:一般指生物学中研究动物和植物结构的一个分支 形态学处理（也称图像代数）表示以形态为基础对图像进行分析 形态学图像处理的数学基础和所用语言是集合论 形态学处理是针对二值图像，依据数学形态学的集合论方法发展起来的图像处理方法。 形态学处理是用具有一定形态的结构元素去度量和提取图像中的对应形状的物体，以达到对图像分析和识别的目的 形态学处理方法为一种邻域运算形式； 应用定义的 “结构单元” ，在每个像素位置上它与二值图像对应的区域进行特定的逻辑运算，逻辑运算的结果为输出图像的相应的像素值。 形态学运算的效果取决于结构单元的大小、内容以及逻辑运算的性质。 图像形态学处理的目的 研究数字图像中物体的结构及拓扑关系。 形态学图像处理的应用 形态学是图像处理与分析领域的重要工具之一。形态学图像处理可以简化图像数据，保持它们基本的形状特性，并除去不相干的结构 形态学的主要应用： 边界提取、区域填充、连通分量的提取、凸壳、细化、粗化等 形态学图像处理的基本运算有4个：膨胀、腐蚀、开操作和闭操作 基本概念集合论基础知识 包含 平移（translation） 不同结构单元对腐蚀和扩张的影响 1）结构开运算（ Opening ） 先腐蚀后膨胀 定义： 开运算的几何解释 2）结构闭运算（closing） 先膨胀后腐蚀； 定义： 作用：用来填充物体内小的空洞、填补轮廓线中的裂痕、连接邻近物体、平滑其边界的同时并不明显改变其面积。 闭操作的几何解释 开操作和闭操作应用举例—滤波 集合及其映像 集合 映像 集合B的反射定义为 ={w|w= ?b,b∈B}，即 关于原集合原点对称。 应注意，原点可以包含在结构元素中，也可以不包含在结构元素中。 不包含于 我们通过详细探讨两类操作——膨胀和腐蚀——开始我们对形态学上的处理的讨论。这两种操作是形态学处理的基础。 膨胀与腐蚀 (Dilation Erosion) 1. 膨胀(dilation) 膨胀是将与某物体接触的背景点合并到该物体中的过程。过程的结果是使物体的面积增大了相应数量的点。如果物体是圆的，它的直径在每次膨胀后增大几个像素。如果两个物体在某一点相隔较少像素，它们将在该点连通起来（合并成一个物体）。 膨胀处理： f 被b膨胀处理过程如下：首先做b关于原点的映射得到映像b，再将其映像b平移到位置(x,y) ，当f与b的映像的交集不为空时(即它与图像f 至少有一个元素是重叠的），则映像的原点处的值为1，否则为0。 可见，膨胀结果是结构元素映像的原点所有位置的集合（它与图像至少有一个元素是重叠的） 膨胀定义为： 也就是说，b对f 膨胀产生的二值图像是由这样的点（x）组成的集合，如果 的原点位移到（x），并