单阈值分割.PPT

迭代阈值选取方法 利用程序自动搜寻出比较合适的阈值。此阈值选取方法首先选取图像灰度范围的中值作为初始值T，把原始图像中全部像素分成前景、背景两大类，然后分别对其进行积分并将结果取平均以获取一新的阈值，并按此阈值将图像分成前景、背景。如此反复迭代下去，当阈值不再发生变化，即迭代已经收敛于某个稳定的阈值时，此刻的阈值即作为最终的结果并用于图像的分割。 数学描述 这类算法的时间和空间复杂性比较大，但抗噪声能力强，对一些用全局阈值不易分割的图像有较好的分割效果，如对二值化文档图像采用该分割具有较好的性能。下面介绍分水岭阈值算法。 基本概念 分水岭概念是以对图像进行三维可视化处理为基础的。其中两个是坐标，另一个是灰度级。对于这样一种“地形学”的解释，需考虑三点： （a）属于局部性最小值的点； （b）当一滴水放在某点的位置上的时候，水一定会下落到一个单一的最小值点； （c）当水处在某个点的位置时，水会等概率地流向不止一个这样的最小值点。 7.3.5 动态阈值 对一个特定区域最小值，满足条件（b）的点的集合称为这个最小值的“汇水盆地”或“分水岭”。 满足条件（c）的点的集合组成地形表面的峰线，称为“分水线”或“分割线”。 分水岭阈值算法和直接在最佳阈值处分割不同，它是一种特殊的自适应迭代阈值分割算法。算法的主要目标是找出分水线。 基本思想： 假设在每个区域最小值的位置上打一个洞，并且让水以均匀的上升速率从洞中涌出，从低到高淹没整个地形。当处在不同的汇聚盆地中的水将要聚合在一起时，修建的大坝将阻止聚合。水将只能到达大坝的顶部处与水线之上的程度。这些大坝的边界对应于分水岭的分割线。 图中给出的是一幅图像中的一个剖面，其中灰度较高的两个峰分别对应目标O1和O2。分割的任务是将两个目标从背景中提取出来并互相分开。先用一个较大的阈值进行分割，它可将图中的两个目标与背景分开，只是其 间的间隙太宽。如果接下来逐渐减小阈值，目标的边界随阈值的减小而相向扩展，最终两个目标会相遇，但此时不让两个目标合并，这样它们相接触前所保留的最后像素集合就给出了两个目标间最终的边界。这个过程在阈值减小到背景灰度之前结束，即在被恰当分割的物体的边界正确地确定时终止。 可以用图来进一步说明： （a）原始图像 （b）高帽变换图像 （c）低帽变换图像 （d）高、低帽相减图像 （e）相互分离的目标图像 （f）水线分割图像 图7-17 分水岭阈值法分割图像 7.3.6 基于熵的二值化方法 基本思想： 统计图像中每一个灰度级出现的概率p(x) ，计算该灰度级的熵H=-p(x)logp(x)，假设以灰度级T分割图像，图像中低于T灰度级的像素点构成目标物体（O），高于灰度级T的像素点构成背景（B），那么各个灰度级在本区的分布概率为： 一维最大熵分割方法 目标和背景区域的熵分别为： 对图像中的每一个灰度级分别求取 W=HO+HB，选取使w最大的灰度级作为分割图像的阈值，这就是一维最大熵阈值图像分割法。 二维最大熵分割方法 一维最大熵方法的缺点是仅考虑了像素点的灰度信息，没有考虑空间信息，所以当图像的信噪比降低时分割效果不理想。为此，在分割图像时可以再考虑图像的区域信息，区域灰度特征包含了图像的部分空间信息，且对噪声的敏感程度要低于点灰度特征。综合利用图像的这两个特征就产生了二维最大熵阈值分割方法。 实现： 首先以原始灰度图像中各个像素的每一个像素及其四邻域的四个像素构成一个区域，该像素点的灰度值 和四邻域的均值 构成一个二维向量 ，统计 的发生概率 ，如果图像的最大灰度级为 ，那么 就构成了该图像关于点灰度-区域均值的二维直方图。 二维直方图的平面图如图7-18所示，沿对角线的方向分布的A区、B区分别代表目标和背景，远离对角线分布的C区、D区分别代表边界和噪声，所以应该在A区和B区上用点灰度-区域灰度平均值二维最大熵法确定阈值，使之分割的目标和背景的信息量最大。 A D C B S I T J 图7-18 二维直方图的平面图 该算法实现的函数和上述一维最大熵算法大同小异，只是在二值化时对图像上的像素点不仅要考虑灰度值，同时还要考虑该点邻域的灰度均值。 （a）标准lena图像 (b)一维最大熵 (c) 二维最大熵 图7-19 二值图像 区域生长是区域分割最基本的方法。所谓区域生长就是一种根据