数字图像处理_第五章图像分割2015方案研究.ppt

;图像分析：（也叫景物分析或图像理解） 可看作是一种描述过程，主要研究用自动或半自动装置和系统，从图像中提取有用测度，数据或信息生成非图的描述或表示。 图像分割：将图像中有意义的特征或需要应用的特征提取出来。 （简单而又难于实现的最基础的识别工作。人的视觉系统对图像分割是十分复杂的，也是相当有效的。但分割原理和模型都未搞清楚。）;5.1 阈值分割 5.2 边缘检测 5.3 区域分割 5.4 Hough变换 5.5 近邻法分割 5.6 基于动态聚类的分割 5.7 基于神经网络的分割 5.8 其它分割方法;非理想情况，各段的分界不明显， 3种误差 a）增加了新的区域，b）失去了原有的区域， c）区域分割边界定位不准确 动态门限：把图像分成子图像，子图像做直方图，再定不 同的门限;;求上式最小值时的T，便是阈值.即对上式求微分 ;;两组间的方差：; 可以将最大方差阈值推广到双阈值分割,根据上面的公式推广为:; 如:目标占整幅图像面积百分比;?简单情况下取直方图谷值点作分割阈值。 ?图像中有噪声干扰，先平滑处理，后取门限 ?光照不均匀： ａ先修正光照不均匀，再取门限。 b 分区分割以减少光照不均匀而影响的分割效果;?多波段： R、G、B多幅直方图同时出现谷值。 ?取局部特征：如纹理——粗糙度 此结构特征优于灰度特征，与结构有关，若取局部特征，并对局部特征图平滑之后，再取阈值，则效果更好。;?多特征阈值分割 a 灰度及平均灰度(3×3区)二维直方图 －－若集中于对角线区则表示灰度均匀区。 －－若远离对角线者（灰度与平均灰度不同）是区域边界。 （近对角线构成直方图有明显峰值及阈值，远离对角线者可用灰度平均值作为阈值，用于区分两个区）。;b 灰度与灰度梯度图;;梯度对应一阶导数，对于一个连续图像函数f(x,y):; 离散域上微分改成差分,而且由水平和垂直两个方向模板组成 一阶: △x f(i,j) = f(i,j) - f(i,j-1) △y f(i,j) = f(i,j) - f(i-1,j) 二阶：△x2 f(i,j) = △x f(i,j+1) - △x f(i,j) = f(i,j+1) - f(i,j) –( f(i,j) - f(i,j-1)) △y2f(i,j) = f(i+1,j) + f(i-1,j) - 2f(i,j);a) Roberts算子;b) Sobel算子; ? d) Kirsch算???;5; e) 定向滤波： 沿特定方向增强，有朔像效果 ;f) 二阶微分算子--- laplace算子;g) Canny算子;区域分割：利用的是图像的空间性质，认为分割出来的属于同一区域的像素应具有相似的性质. 1 区域生长法： ;算法描述 先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素有相似性质的像素合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。;关键问题 a) 选择或确定一组能正确代表所需区域的种子像素 人机交互 通过直方图峰值 b) 确定在生长过程中能将相邻像素包括进来的准则 基于区域灰度差 基于区域内灰度分布统计性质;区域生长法生长准则 基于区域灰度差方法;区域生长法生长准则 基于区域灰度差方法;区域生长法生长准则 基于区域内灰度分布统计性质;区域生长法生长准则 基于区域内灰度分布统计性质; 实际中常先把图像分成任意大小且不重叠的区域，然后再合并或分裂这些区域以满足分割的要求,即分裂合并法.一致性测度可以选择基于灰度统计特征(如同质区域中的方差),假设阈值为T ,则算法步骤为: ① 对于任一Ri，如果 ，则将其分裂成互不重叠的四 等分； ② 对相邻区域Ri和Rj，如果 ，则将二者合并； ③ 如果进一步的分裂或合并都不可能了，则终止算法。;R1 ;5.4 Hough变换;5.4 Hough变换;5.4 Hough变换;5.4 Hough变换; Hough变换的优点是抗噪声能力强，能够在信噪比较低的条件下，检测出直线或解析曲线。缺点是需要首先做二值化以及边缘检测等图像预处理工作，损失掉原始图像中的许多信息。;5.4 Hough变换;5.5 近邻法分割;5.5 近邻法分割;1 k-均值聚类 又称“C-均值算法”，算法的基础是误差平方和准则。若