图象分割方法2006PPT.ppt

图 像 分 割;图像理解的基本构成;1. 什么是图像分割;实例;2. 图像分割的重要性和难度;计算机视觉的其他领域;分割依赖于高层视觉;分割依赖于高层视觉（续）;图像分割是中层视觉中的最基本问题，也是计算视觉和图像理解中的最基本问题之一。它还是该领域国际学术界公认的将会长期存在的最困难的问题之一。;从一般意义上来说，只有对图像内容的彻底理解，才能产生完美的分割。 通过限制图像的类型，可以降低图像分割的难度。;图像分割的基本思路 从简到难，逐级分割； 控制背景环境，降低分割难度； 把焦点放在增强感兴趣对象，缩小不相干图像成分的干扰上。;　从简到难，逐级分割 　分割矩形区域 　定位牌照 　定位文字 ;图像分割的基本策略 基于灰度值的两个基本特性： 　不连续性——区域之间 　相似性——区域内部 　根据图像像素灰度值的不连续性： 先找到点、线（宽度为1）、边（不定宽度） 再确定区域。 　根据图像像素灰度值的相似性： 通过选择阈值，找到灰度值相似的区域 区域的外轮廓就是对象的边。; 对图像特征空间做分类的方法; 基于区域的方法（区域生长等）; 基于函数优化的方法（Bayesian等）;自动阈值方法; 阈值方法并不要求直方图必须同时 包含峰和谷。;3.1 全局阈值方法; Otsu法（N.Otsu, 1979, IEEE T-SMC）;其中，Pi为第 i 类出现的概率，μi为第 i 类的均值，μ为混合分布的均值。;求使类间方差(分离度)尽量大而类内方差尽量小的阈值t。三者等价。取计算量最小的η(t)：; 基于熵的方法 — KSW法（J.N. Kapur, et al., 1985, CVGIP）;选择满足下式的 t* 作为分割阈值; 基于矩不变的方法（W. Tsai, 1985, CVGIP）;设分割后图象 f ’的第 i 阶矩为;设; 最小误分阈值法（Frank, et al., 1995）;假设概率密度为混合Guassian：;最小均方拟合：;取对数，整理得：; 近似最小误分阈值法（J. Kittler, et al., 1986, PR）;利用相对熵的概念定义Gaussian函数与直方图之间的距离：;这里; 其他方法;这里，n是象素个数，c(i, j; h, k)是相容性函数，表示第 i 个象素属于第 j 类与第h个象素属于第k类的相容程度。; 的设置（以两分分割为例）;相容性函数的例子：;染色体图象;海面＋云层图象;坦克红外图象;2) 直方图变换法;3) 引入二阶灰度统计量;a. N. Ahuja, et al, 1975;b. F. Deravi, et al, 1983;最优阈值τ：; 全局阈值方法比较;3.2 局部阈值方法;3.3 递归阈值方法（R. Ohlander, 1975）;3.4 动态K-L变换阈值分割方法（Y. Ohta, et al, 1980）; 重要现象 ;问题思考;4. 基于边缘的方法; 测地线主动边缘模型 （V. Caselles, et al, ICCV, 1995）;一些其它的手工交互方法：;一些手工交互方法的比较;5. 基于区域的方法; 上页图a的直方图。种子区域由灰度为255的象素构成。; 分裂与合并 ;R; 分水岭分割法;缺陷：可能出现“过度分割”问题。;a | b;带标记的分水岭算法 － “泉眼”的位置是(自动或手工) 指定的， 而不是由极小点确定的。 这样可以避免“过度分割”问题。;电泳图象的分割方法 1）滤波； 2）选择平缓的“盆地”底部作为标记 (红斑)； 3）调用分水岭算法确定分水线 (黄线)； 4）在每个分水线分出的小区域内，利用前 述阈值法或分水岭法等完成分割。;6. 基于函数优化的方法;其中， M = {Miv}(N×K)为标记矩阵，Miv 表示象素 i 用 v 标记，; 公式中的Σ() 表示象素 i 的邻域中和 i 具有相同标号的象素与 i 之间的平均不相似性。于是 H(M) 就表示整幅图象上的不相似性。这种不相似性自然是越小越好。即求标记矩阵M，使得:;实验结果;2) 基于 Bayesian 的图象分割方法;定义象素团(clique)：; Markov随机场（MRF）; Gibbs 随机场（GRF）;这里，T 为温度参数，U 为Gibbs能量，VC 为象素团 C 的能量，O 为象素团集合。; 希望得到一个分割标号随机场 z，z(x) = l 表示象素 x 属于l-th类。这里， l = 1,…, K。; 根据 Baye