网络多媒体技术复习 第4章 图像分割教学材料.pptVIP

* 门限处理 门限处理基础 根据门限T的不同，可分为全局门限、局部门限、自适应门限 全局门限: T=T[f(x,y)] T仅取决于f(x,y)， 整幅图像采用单一门限 局部门限: T=T[f(x,y), p(x,y)] T仅取决于f(x,y)和p(x,y)，p(x,y)表示点(x,y)的局部性质 不同局部区域采用不同门限 自适应门限: T=T[x,y,f(x,y), p(x,y)] T取决于空间坐标x和y 每个像素点的门限随像素的点的特性而变化 * 间断检测 边缘检测 用于检测对角线方向上突变的Prewitt和Sobel模板 * 间断检测 图a原图像，图b为x方向梯度图Gx，图c为y方向梯度图Gy ，图d为完整梯度图Gx+ Gy 间断检测 上图说明了梯度的两个分量|Gx|和|Gy|的响应与这两个分量之和生成的梯度图像。(b)和(c)中两个分量的方向性是很明显的。特别注意, (b)中屋瓦,砖块的水平接缝和窗户的水平分段的图像是非常清晰的.与之形成对照的是 (c)中表现出的垂直部分,诸如墙附近的拐角,窗户的垂直部分,砖块的垂直接缝和图片右侧的街灯柱子。 原图分辨率相当高(1200×1600像素),且在图片摄取的距离上,墙砖对图像细节的影响仍十分显著。这种程度的细节通常是不符合要求的。减少这种影响的一种方法是对图像进行平滑处理。 * * 间断检测 图e经过5X5均值滤波后的原图像，图f为x方向梯度图Gx，图g为y方向梯度图Gy ，图h为完整梯度图Gx+ Gy 间断检测 图像e为对原图像a使用了一个5×5的均值滤波器进行平滑处理后结果。现在每个模板的相应几乎未显示出由砖块造成的影响,得到的结果几乎都是主要的边缘。注意取均值造成所有的边缘相应都被削弱。 a-h中明显显示出,水平和垂直Sobel模板对正负450方向边缘的反映几乎一样好。图i和j显示的是对角Sobel模板的绝对响应。在这幅图中,这些模板更强的对角响应是很明显的。两个对角模板对水平和垂直的边缘具有相似的相应,但正如所期望的那样,它们在这些方向上的响应比图 (b)和图 (c)中显示的Sobel模板在水平和垂直方向上的响应要弱。 * * 间断检测 图i为使用用于检测45度对角线方向上突变的Sobel模板的结果 图j为用于检测负45度对角线方向上突变的Sobel模板 * 间断检测 边缘检测 拉普拉斯算子 图像函数f(x,y)的拉普拉斯变换为 * 间断检测 边缘检测 拉普拉斯算子一般不以其原始形式用于边缘检测的原因是 拉普拉斯算子对噪声非常敏感 拉普拉斯算子的幅值产生双边缘 不能检测边缘的方向 拉普拉斯算子在分割中的作用 利用它的零交叉性质进行边缘定位 确定一个像素在边缘暗的一边还是亮的一边 * 间断检测 边缘检测 Laplacian算子和平滑Gaussian滤波器进行结合来进行边缘检测 * 间断检测 边缘检测 高斯型拉普拉斯算子 高斯函数的目的是对图像进行平滑 拉普拉斯算子的目的是提供一幅用零交叉确定边缘位置的图像 图像的平滑处理减少了噪声的影响 * 间断检测 LoG检测结果 Sobel算子检测结果 LoG图像阈值 分割的结果 零交叉点 * 间断检测 边缘检测 拉普拉斯算子和Sobel算子比较 缺点 边缘由许多闭合环的零交叉点决定 零交叉点的计算比较复杂 优点 零交叉点图像中的边缘比梯度边缘细 抑制噪声的能力和抗干扰能力比梯度算子强 结论：梯度算子用的更多 * 间断检测 边缘检测 边缘检测的Matlab函数 BW = edge(I,sobel) BW = edge(I,prewitt) BW = edge(I,roberts) BW = edge(I,log) BW = edge(I,‘zerocross’,thresh,h) 间断检测 Canny算子 1986 年，Canny 提出了边缘检测算子应满足以下3 个判断准则：信噪比准则，定位精确度准则，单边缘响应准则，并推导出了Canny 算子。 实现步骤有四个子过程： 第一步首先用二维高斯函数的一阶导数对图像进行平滑 第二步用2×2 邻域一阶偏导的有限方差来计算平滑后的数据阵列I(x,y) 的梯度幅值和梯度方向 第三步，为了精确定位边缘，必须细化梯度幅值图像M(i, j) 中的屋脊带，只保留幅值局部变化最大的点，这一过程称为非极大值抑制 最后在第四步，对经过非极大值抑制的数据阵列N(i, j) 分别使用高、低2 个阈值τh 和τl分割图像，得到两个阈值边缘图像 * 间断检测 Canny算子的优缺点 该算法有较好的抑制噪声的能力，可以较完整的检测出边缘。 但比传统边缘微分算子复杂，运算速度慢。另外，Canny 算子的双阈值是根据全局特征信息来决定的，这导致了一方面无法消除局部噪声干扰，另一方面又会丢失灰度值变化缓慢的