图像分割 数字图像处理.ppt

7.1 概 述 图像处理的重要任务就是对图像中的对象进行分析和理解。 在图像分析中，输出的结果是对图像的描述、分类或其他的某种结论 。 图像分析主要包括以下几部分内容： （1）把图像分割成不同的区域，或把不同的目标分开（分割）。即把图像分成互不重叠的区域并提取出感兴趣目标。 （2）找出各个区域的特征（特征提取）。 （3）识别图像中的内容，或对图像进行分类（识别与分类）。 （4）给出结论（描述、分类或其他的结论）。 分割结果中同一个子区域内的像素应当是连通的 同一个子区域内的任两个像素在该子区域内互相连通。 7.2 像素的邻域和连通性 1. 4邻域 对一个坐标为 的像素p，它可以有两个水平和两个垂直的近邻像素。它们的坐标分别是 这四个像素称为p 的4邻域。 互为4邻域的像素又称为4连通的。 2. 8邻域 取像素p四周的8个点作为相链接的邻域点，除掉p本身外，剩下的8个点就是p的8邻域。 互为8邻域的像素又称为8连通的 。 目标和背景的连通性定义必须取不同，否则会引起矛盾。 根据连通性定义图像特征点 边界点：如果目标点集S中的点p有邻点在S的补集 中，则p称为S的边界点。边界点集称为边界，记为S’。 边界的内点：目标点集S与边界S’的差S-S’称为S的内（部）点 孤点：没有邻接点的点。 封闭曲线：连通域S中所有点都有两个邻点，则称此连通域为封闭曲线。 【例7.1】根据4/8连通准则在二值图像中判断目标。 解：应用函数bwlabel可以根据4连通或8连通准则，在给定的二值图像矩阵BW中寻找目标。MATLAB程序： 7.3 图像的阈值分割技术 灰度阈值分割方法。 若图像中目标和背景具有不同的灰度集合，且两个灰度集合可用一个灰度级阈值T进行分割，在图像中分割出目标区域与背景区域。 设图像为 ，其灰度集范围是[0,L]，在0和L之间选择一个合适的灰度阈值T。 图像分割方法可由下式描述： 这样得到的是一幅二值图像。 图7.4给出了利用阈值分割图像的实例。 （a）是原图 （b）是对应的直方图 （c）是选择分割阈值为110的结果图。 7.3.1 全局阈值分割 全局阈值是最简单的图像分割方法。根据不同的目标，选用最佳的阈值。 1．实验法 需要知道图像的某些特征 2．直方图法 适用于目标和背景的灰度差较大，直方图有明显谷底的情况。 3．最小误差的方法 要求已知图像像素的概率密度函数和目标像素占整个图像的百分比（PP138）。 7.3.2 自适应阈值的选取 当照明不均匀、有突发噪声或者背景灰度变化比较大的时候，可以对图像进行分块处理，对每一块分别选定一个阈值进行分割，这种与坐标相关的阈值称为自适应阈值的方法。 这类算法的时间复杂度和空间复杂度比较大，但是抗噪声的能力比较强 。 任何一种分割方法都有其局限性。 实际的算法只能根据实际情况选择方法和阈值。 7.4 图像的边缘检测 基于灰度不连续性进行的分割方法。 用差分、梯度、拉普拉斯算子及各种高通滤波处理方法对图像边缘进行增强，只要再进行一次门限化的处理，便可以将边缘增强的方法用于边缘检测。 7.4.1 梯度算子 梯度对应于一阶导数，相应的梯度算子就对应于一阶导数算子。 对于一个连续函数f (x,y)，其在(x,y)处的梯度: 常采用小型模板，然后利用卷积运算来近似，Gx 和 Gy 各自使用一个模板。 1. Roberts算子 2. Prewitt算子 3. Sobel算子 通过算子检测后，还需作二值处理从而找到边界点。 图7.5给出了利用这三个算子进行边缘检测的不同效果。 这三种模板中，Sobel算子的检测效果最好。 I = imread(blood1.tif); imshow(I); BW1 = edge(I,roberts); %进行Roberts算子边缘检测，门限值采用默认值 BW2 = edge(I,prewitt); %进行Prewitt算子边缘检测，门限值采用默认值 BW3 = edge(I,sobel); %进行Sobel算子边缘检测，门限值采用默认值 figure,imshow(BW1,[]); figure,imshow(BW2,[]); figure,imshow(BW3,[]); 7.4.2 拉普拉斯算子 Laplacian是二阶导数算子，也是借助模板来实现的。 对模板有一些基本要求： 模板中心的系数为正，其余相邻系数为负，且所有的系数之和为零。 常用的模板有： 图7.6所示是应用Laplacian算子，对图7.5(a)进行边缘检测的结果。 实现的MATLAB程序： I = imread(blood1.tif)