数字图像处理分析IPA-10.pptVIP

间断检测 利用区域之间的不连续性分割涉及如下三个问题： 间断检测------检测点，线和边缘 边缘组装------组合成边界 门限处理------在边缘检测时，需要定义区分不同区域的特征，那么特征值的分界点就是一个门限。 将该点分别与四个模板进行卷积，那么该点与|R|值最大的那个模板关联的线更相关。 应用：特定方向上的线检测。使用与该方向有关的模板，并设置该模板的输出门限。那么整幅图像与模板卷积之后，留下的点就是响应最强的点。 在有噪声的边缘附近的一阶和二阶导数性质 边缘检测 梯度算子 拉普拉斯算子 ? 马尔算子 Canny算子 拉普拉斯算子 高斯拉普拉斯算子/马尔算子 高斯拉普拉斯算子/马尔算子 Marr过零点检测的优缺点 过零点（Zero-crossing）的检测所依赖的范围与参数delta有关，但边缘位置与delta的选择无关，若只关心全局性的边缘可以选取比较大的邻域(如delta= 4 时，邻域接近40个像素宽)来获取明显的边缘。 Canny——最优的阶梯型边缘检测算法 （1）基本原理 图像边缘检测必须满足两个条件： 一、能有效地抑制噪声； 二、必须尽量精确确定边缘的位置。 根据对信噪比与定位乘积进行测度，得到最优化逼近算子——这就是Canny边缘检测算子。 类似于Marr（LoG）边缘检测方法，也属于先平滑后求导数的方法。 （2）Canny边缘检测算法 step1:用高斯滤波器平滑图像； step2:用一阶偏导的有限差分来计算梯度的幅值和方向； step3:对梯度幅值进行非极大值抑制； step4:用双阈值算法检测和连接边缘。 step1:高斯平滑函数： Canny边缘检测算法 step2:一阶差分卷积模板： step3:非极大值抑制——细化边缘 仅仅得到全局的梯度并不足以确定边缘，因此为确定边缘，必须保留局部梯度最大的点，而抑制非极大值。 解决方法：利用梯度的方向。 四个扇区的标号为0到3，对应3*3邻域的四种可能组合。 在每一点上，邻域的中心像素M与沿着梯度线的两个像素相比。如果M的梯度值不比沿梯度线的两个相邻像素梯度值大，则令M=0（抑制） 即： step4:阈值化 减少假边缘段数量的典型方法是对N[i，j]使用一个阈值。将低于阈值的所有值赋零值。但问题是如何选取阈值？ 解决方法：双阈值算法 在T1中收集边缘，将T2中所有间隙连接起来。 Canny边缘检测 Canny边缘检测 基于霍夫变换的边缘连接方法： 1.计算图像的梯度并对其设置门限得到一幅二值图像。 2.在ρθ平面内确定再细分。 3.对像素高度集中的地方检验其累加器单元的数目。 4.检验选择的单元中像素之间的关系（主要针对连续性） 阈值分割 阈值分割的原理 阈值的选取 阈值分割算法 自动获取T的算法： 1.选择一个T的初始估计值。 2.用T分割图像，G1由所有灰度值大于T的像素组成，G2由所有小于或等于T的像素组成。 3.对区域G1和G2中的所有像素计算平均灰度值μ1和μ2 。 4.计算新的门限值： 5.重复步骤2到4，直到逐次迭代得到的T值之差小于事先定义的参数T0 T0用来控制迭代的次数 gmin T初始 gmax，一般取图像的平均灰度 使用全局阈值进行图像分割 最优阈值T的推导： 一幅图像仅包含两个主要的灰度级区域，令z表示灰度级值，则两个灰度区域的直方图可以看作它们概率密度函数的估计p(z)。 如果p(z)已知或假设，则它能够确定一个最优阈值（具有最低的误差）将图像分割为两个可区分的区域。 图像整体灰度级变化的混合概率密度函数： P1是属于目标对象像素的概率，P2是属于背景像素的概率，假设图像只包括对象和背景，则P1 ? P2 ? 1 一幅图像通过将像素灰度级值大于阈值T的像素归为背景，其他像素归为目标对象。主要的目的是选择一个T值，使得在决定一个给定的像素是属于对象还是背景时的平均出错率最小。 将一个背景点当作对象点进行分类时，误差发生的概率： 将一个对象点当作背景点进行分类时，误差发生的概率: 误差的整体概率是： 对E(T)求导并令导数为0，得 解出的T即为最优阈值。如果P1=P2，则最优阈值位于P1(z)和P2(z)的交点处。 从T的表达式知，为了求取T，需要知道两个概率密度。在实践中并不是总可以对这两个密度进行估计。通常的做法是利用参数比较易于得到的密度。常考虑使用高斯密度（用两个参数均值和方差描述）。 此时， 将该方程用于解式(10.3.10)的一般解得到下列门限T的解： 其中： 最