[工学]第6章图像分割.ppt

阈值及最佳阈值的选择 若一幅图像中包含物体（对象）和背景，其灰度直方图属于双峰模型（即具有两个峰），则可选取两个峰之间的谷底为门限。 最佳（最小误差）阈值的选择： 直方图是两个单峰概率密度函数（正态分布密度函数）Pb(x)和Po(x)的混合。 边缘检测是所有基于边界的分割方法的第一步。 第四章讨论过的用差分、梯度、拉普拉斯……等算子以及高通滤波对图像边缘进行增强的方法。只要再进行一次门限化处理，都可用以边缘检测。 边缘检测：图像增强处理＋门限化处理 其目的不是加强图像中边缘信息，而是为了抽取边缘轮廓，并用于区域分割。 6.3 边缘检测-拉普拉斯边缘检测 拉普拉斯运算为： ▽2f(i,j)=|f(i+1,j)+f(i-1,j)+f(i,j+1)+f(i,j-1)-4f(i,j)| 各向同性运算。为避免出现负值，常取绝对值。 例： 拉普拉斯算子对边缘有响应，对拐角、线条、线端点和孤立点有更强的响应。 孤立点：噪声将产生边缘大的拉普拉斯值，为原值的4倍。 边缘：对角线边缘的响应是水平和垂直边缘响应的二倍。 拐角：比一般的大。 线端点：数也大 内部点：无梯度，不为边缘，由1→0。 * * 第六章 图像分割 6.1 概述 6.2 灰度阈值法分割 6.3 边缘检测 6.4 区域生长 6.5 图像匹配 1、分割问题的提出 1、图像或景物的处理，如图像的压缩或增强，输入是一幅图像，输出也是一幅图像； 2、图像处理涉及的问题是对图像或景物的分析。要对图像或景物进行描述，就必须把图像或景物分成若干个特定的部分，因此，产生了分割技术。 。 6.1 概述 2、分割的定义 分割是按照一定的规则将一幅图像或景物分成若干个互不相交的小区域或子集的过程。 例如：将一幅图像或景物中的背景和物体分开。 小区域是某种意义下具有共同属性的像素的连通集合。如不同目标物体所占的图像区域、 前景所占的图像区域等。 连通是指集合中任意两个点之间都存在着完全属于该集合的连通路径。对于离散图像而言，连通有4连通和8连通之分。 4连通指的是从区域上一点出发，可通过4个方向，即上、 下、左、右移动的组合，在不越出区域的前提下，到达区域内的任意像素； 8连通方法指的是从区域上一点出发，可通过左、 右、上、下、左上、右上、左下、右下这8个方向的移动组合来到达区域内的任意像素。 分割方法归类： 1、基于边缘检测法（基于点相关的分割） 依据象元灰度不连续性进行分割。 2、基于区域增长法（基于区域相关的分割） 依据同一区域具有相似的灰度（或组织特性，结构特性）这一特征。 在图像分割技术中， 最常用的是利用阈值化处理进行的图像分割。 6.2 灰度阈值法分割 把图像灰度分成不同的等级，然后用设置灰度阈值的方 法确定有意义的区域或分割物体的边界。 常用的阈值化处理就是图像的二值化处理，选择一阈值，将图像转换为黑白二值图像。 图像阈值化处理的变换函数表达式为 阈值变换曲线 6.2 灰度阈值法分割 阈值变换曲线 阈值的选取非常重要。阈值过大，会提取多余的部分； 而阈值过小，又会丢失所需的部分。 (a) (b) (c) (d) 6.2 灰度阈值法分割 μb:背景亮度均值 μo:物体亮度均值 -∞ ＋∞ 背景 物体 P(x) Pb(x) Po(x) μbmax T μomax 原始图像的直方图下所示。用其双峰之间的谷低处灰度值作为阈值T进行图像的阈值化处理，便可将目标和背景分割开来。 6.2 灰度阈值法分割 6.3 边缘检测 0 1 0 1 -4 1 0 1 0 0 0 0 1 1 0 0 0 1 0 0 0 1 1 0 0 1 1 1 1 1 1 1 1 拐角 线端点 孤立点 1 0 1 2 4 0 0 2 3 1 0 2 2 1 1 2 2 0 1 3 2 1 1 2 线端点 孤立点 6.4 区域生长 把一幅图像划分成满足某种判据的区域。 假定区域的数目以及在每个区域中单个点的位置已知，则从一个已知点开始， 加上与已知点相似的邻近点形成 一个区域。 相似性准则：灰度级、 彩色、 组织、 梯度或其他特性。 区域生长算法： 1、（a）图为输入图像，我们从图像中的“9”开始，按照4连通（上、 下、左、右）的方式，对周围的像素的灰度进行对比 2、现在求该区域像素灰度的平均值，并暂时取代原像素点的灰度值 3、用新的像素平均值按照4连通（上、下、左、右）的方式，对周围的像素的灰度进行对比 4、依次类推，可得到符合相似性准则的区域 如相似性准则:邻近点的灰