chap08图象分割.pptVIP

第八章 图象分割 目录: 引言 阈值与图象分割 边界提取与轮廓跟踪 Hough变换 区域增长和分裂 基于聚类的图像分割 作业 1 引言 从前面的例子可以看到，图像分割是比较困难的。原因是画面中的场景通常是复杂的，要找出两个模式特征的差异，并且可以对该差异进行数学描述都是比较难的。 图像分割原理上的计算公式如下： 其中，f(i,j)为原始图像，g(i,j)为结果图像（二值），Th为阈值。显然，阈值的选取决定了二值化效果的好坏。 图象分割有三种不同的途径： 1)将各象素划归到相应物体或区域的象素聚类方法即区域法。 2)通过直接确定区域间的边界来实现分割的边界方法。 3)是首先检测边缘象素再将边缘象素连接起来构成边界形成分割。 2 阈值与图象分割 阈值是在分割时作为区分物体与背景象素的门限，大于或等于阈值的象素属于物体，而其它属于背景。这种方法对于在物体与背景之间存在明显差别（对比）的景物分割十分有效。实际上，在任何实际应用的图象处理系统中，都要用到阈值化技术。为了有效地分割物体与背景，人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。 全局阈值 全局阈值是指整幅图象使用同一个阈值做分割处理。适用于背景和前景有明显对比的图象。 自适应阈值 在许多情况下，物体和背景的对比度在图象中不是各处一样的，这时很难用统一的一个阈值将物体与背景分开。这时可以根据图象的局部特征分别采用不同的阈值进行分割。实际处理时，需要按照具体问题将图象分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图象分割。 最佳阈值 阈值的选择需要根据具体问题来确定，一般通过实验来确定。对于给定的图象，可以通过分析直方图的方法确定最佳的阈值，例如当直方图明显呈现双峰情况时，可以选择两个峰值的中点作为最佳阈值。 2.1 p率阈值化 对固定分辨率下的目标物，根据目标物在画面中所占的比例来选择阈值，进行二值化处理。　 2.4 循环迭代策略得到阈值 先选定图像灰度的中值为阈值，通过下面的公式循环迭代直至前后两次循环得到的阈值Ti+1和Ti相差非常小，循环过程停止。 分别是循环第i次得到的背景灰度值和对象灰度。 在阈值化处理之后，可以通过直接跟踪物体边界的方法将物体区域分割出来，得到其轮廓并进一步分析其几何形状特征。 3.边界提取与轮廓跟踪 当物体与背景有明显对比度时，物体的边界处于图象梯度最高的点上，通过跟踪图象中具有最高梯度的点的方式获得物体的边界，可以实现图象分割。 这种方法容易受到噪声的影响而偏离物体边界，通常需要在跟踪前对梯度图象进行平滑等处理，再采用边界搜索跟踪算法来实现。 为了获得图象的边缘人们提出了多种边缘检测方法，如Sobel, Canny edge, LoG（参见第七章）。在边缘图象的基础上，需要通过平滑、形态学等处理去除噪声点、毛刺、空洞等不需要的部分，再通过细化、边缘连接和跟踪等方法获得物体的轮廓边界。 一般有以下步骤: 1)边缘检测 2)边缘二值化 3)预处理(去除噪声, 细化) 4)轮廓跟踪 4. Hough变换 对于图象中某些符合参数模型的主导特征，如直线、圆、椭圆等，可以通过对其参数进行聚类的方法，抽取相应的特征。 4.1 抽取线条特征 1）(k,b)空间： 如果知道很多个边缘点(x0,y0)……( xn, yn)，检测其中是否有直线。假设有直线且该直线的方程为y =kx+b ，则有:y0=kx0+b ,y1=kx1+b,……同时满足。若构造一个计数器count[k][b]；则有count[k][b]=n+1。现在的情况是：求k，b 和多少个点落到该直线y=kx+b上。 for (k = k1; k k2; k++ ) for ( b = b1; b b2; b++ ) { for ( i= 0; i n+1; i ++) if ( yi= k*xi +b ) count[k][b]++; } 因此，寻找count中的最大值，则该最大值对