图像分析与识别-课件-5演示幻灯片.ppt

起始的图像区域既可以任意选择，也可以根据先验知识来确定。因为分裂和归并的选择都存在，起始分割不必满足(2)和(3)中的任一条件。 在分裂与归并算法中，一致性标准起主要作用，正如它在所有其它区域增长方法中一样。 如果要处理的图像相当简单，分裂与归并方法可以基于局部图像性质。 如果图像十分复杂，即使是考虑了语义信息的精心制定的标准也未必可以产生可接受的结果。 算法：分裂与归并 定义一个划分为区域的初始分割、一致性准则和一个金字塔数据结构。 如果在金字塔数据结构中的任意一个区域不是一致的[H(R)=FALSE]，就将其分裂为4个子区域；如果具有相同父节点的任意4个区域可以归并为单个一致性区域，则归并它们。如果没有区域可以分裂或归并，则转到第3步。 如果任意两个邻接区域Ri和Rj可以归并为一个一致性区域（即使它们在金字塔的不同层或没有相同的父节点），则归并它们。 如果必须删除小尺寸区域，则将小区域与其最相似的邻接区域归并。 四、分水岭分割 分水岭图像分割算法借助地形学概念进行图像分割，近年来得到广泛应用。 该算法的计算过程是串行的，得到的是目标的边界。 为讨论分水岭的概念，可借助地形学概念进行。 算法：从部分边界形成区域 对每个边界像素x，在不超出给定的最大值M的距离范围内，搜索一个反向边缘像素。如果没有找到反向边缘像素，处理图像中的下一个边界像素。如果找到了一个反向边缘像素，将连接直线上的每个像素标注为潜在的区域成员。 计算图像中每个像素的标注次数（标注次数反映了一个像素出现在反向边缘像素连接线上的频繁程度）。设b(x)为像素x的标注次数。 加权的标注次数B(x)根据下式确定： 当b(x)=0, B(x)=0.0 当b(x)=1, B(x)=0.1 当b(x)=2, B(x)=0.2 当b(x)=3, B(x)=0.3 当b(x)=3, B(x)=1.0 一个像素x是一个区域成员的置信度定义为该像素x在其3×3邻域内的求和式∑iB(xi)。如果x是区域成员的置信度为1或更大，则将x标注为区域像素，否则标记为背景像素。 第三节 基于区域的分割 在前面的章节中介绍的分割方法的目标是找到区域间的边界，以下的方法将直接构造区域。 由基于边缘的方法产生的分割和由区域增长方法得到的分割，通常并不总是相同的。 区域增长技术在有噪声的图像中一般会更好些，其中的边界非常难以检测。 一致性是区域的一个重要性质，在区域增长中用作主要的分割准则。它的基本思想是将图像划分为最大一致性的分区。 一致性准则可以是基于灰度、色彩、纹理、形状、模型等的标准。 选择出来的描述区域的性质，对具体的区域增长分割方法的形式、复杂度、先验信息的数量有影响。 一致性准则是需要特别关注的，它的选择是影响所提方法的最重要的因素，还可以将特殊的启发式信息结合进该标准之中。 最简单一致性准则使用区域的平均灰度、区域的色彩性质、简单的纹理性质或多光谱图像平均灰度值的m维向量。 一、区域归并 最自然的区域增长方法是在原始图像数据上开始增长。 最简单的每个像素表示一个区域。 区域必须满足以下条件： 其中S是图像中区域的总数，H(Ri)是评价区域Ri的二值性的一致性度量。 算法：区域归并（大纲） 定义某种初始化方法将图像分割为满足公式(2)的很多小区域。 为归并两个邻接区域定义一个标准。 将满足归并标准的所有邻接区域归并起来。如果不再有两个区域归并后保持条件(2)，则停止。 该算法表示了区域归并分割的一般方法。特殊的算法区别在于初始分割的定义和归并标准。 在随后的描述中，区域是指可以顺序地归并为满足公式(2)和公式(3)的更大区域的图像的那些部分。 算法：通过边界溶解的区域归并 定义一个将图像划分为具有不变灰度区域的初始分割。存储裂缝边缘信息。 从边缘数据结构中，删除所有的弱裂缝边缘。 如果满足下式： 则迭代地删除邻接区域Ri和Rj的共同边界，其中W是共同边界上的弱边缘数目， li和lj是区域Ri和Rj的周长，T2是一个预先设定的阈值。 迭代地删除邻接区域Ri和Rj的共同边界，如果满足下式： 或者，使用一个更弱的标准 其中l是共同边界的长度，T3是阈值。 下图给出了区域归并方法的一个比较。 图a和图b给出了原始图像和其伪彩色表示（为了看到小的灰度变化）。 原始图像不能用阈值化来分割，因为其中的所有区域具有显著的且连续的灰度梯度。 图c给出了使用简单归并准则的迭代区域归并方法的结果。注意产生的长条区域对应于图像灰度的纵向变化。 如果使用通过边界溶解的区域归并，分割结果会有显著的改善，参见图d。 区域归并分割 原始图像 原始图像的伪彩色表示