_数字图像处理__PPT解析.pptVIP

1. 一维最大熵阈值分割 熵是平均信息量的表征 原理 根据信息论，熵的定义为： H=-∫-∞+ ∞p(x)lgp(x)dx 所谓灰度的一维熵最大，就是选择一个阈值，使图像用这个阈值分割出的两部分的一阶灰度统计的信息量最大。 设ni为数字图像中灰度级i的象素点数，pi为灰度级i出现的概率，则 pi=ni/(N×N), i=1,2…L 图像灰度直方图如图所示： pi i O B t O区概率分布： pi/pt i =1,2…t B区概率分布： pi/(1-pt) i =t+ 1,t+2…L pt=∑i=1tpi 其中： 对于数字图像，目标区域和背景区域的熵分别定义为： 熵函数定义为： 当熵函数取最大值时对应的灰度值t*就是所求的最佳阈值，即 二维最大熵阈值分割 一维最大熵 直方图 灰度信息，没有利用空间信息 基于 分割效果差 信噪比降低 在图像特征中，点灰度是最基本的特征，但它对噪声敏感，区域灰度特征包含了部分空间信息，且对噪声的敏感程度低于点灰度特征 综合利用点灰度特征和区域灰度特征，可以较好的表征图像的信息 利用图像点灰度和区域灰度均值得二维最大熵阈值法 具体方法如下： 首先以原始灰度图像(L个灰度级)中各象素及其4邻域的4个象素为一个区域，计算出区域灰度均值图像(L个灰度级)，这样原始图像中的每个象素都对应一个点灰度-区域灰度均值对，这样的数据对存在L×L种可能的取值 设ni,j为图像中点灰度为i及其区域灰度均值为j的象素点数，pi,j为点灰度-区域灰度均值对(i,j)发生的概率，则 pi,j=ni,j/(N×N) {pi,j}就是该图像关于点灰度-区域灰度均值得的二维直方图 点灰度-区域灰度均值对(i,j)的概率高峰主要分布在XOY平面的对角线附近，并且在总体上呈现双峰和一谷状态 这是由于图像的所有象素中，目标点和背景点所占比例最大，而目标区域和背景区域内部象素灰度级比较均匀，点灰度及其区域灰度均值相差不大，所以都集中在对角线附近，两个峰分别对应于目标和背景，远离XOY平面对角线的坐标处，峰的高度急剧下降，这部分所反映的是图像中的噪声点、边缘点和杂散点 二维直方图的XOY平面图 目标 背景 边界 噪声 在A区和B区上用点灰度-区域灰度均值二维最大熵法确定最佳阈值，使真正代表目标和背景的信息量最大 设A区和B区各自具有不同的概率分布，用A区和B区的后验概率对各区域的概率pi,j进行归一化处理，以使分区熵之间具有可加性。如果阈值设在(s,t)，则 PA=∑i∑jpi,j，i=1,2…s,j=1,2…t PB=∑i∑jpi,j，i=s+1,s+2…L,j=t+1,t+2…L 定义离散二维熵为： H=-∑i∑jpi,jlgpi,j 则A区和B区的二维熵分别为： 其中： 由于C区和D区包含的是关于噪声和边缘的信息，所以将其忽略不计，即假设C区和D区的pi,j≈0。C区： i=s+1,s+2,…L；j=1,2…t。D区：i=1,2,…s；j=t+1,t+2…L，可以得到： PB=1-PA HB=HL-HA HL=-∑i∑jpi,jlgpi,j i=1,2…L，j=1,2,…L 则： H(B)=lg(1-PA)+(HL-HA)/(1-PA) 选取的最佳阈值向量(s*,t*)满足： 熵的判别函数定义为： （3）单边缘响应准则 要保证对单边缘只有一个响应，检测算子的脉冲响应导数的0交叉点平均距离Dzca(f’)应满足(h’’(x)为h(x)的二阶导数)： 以上面的指标和准则为基础，利用泛函求导的方法，可导出一个由边缘定位精度和信噪比乘积组成的表达式，这个表达式近似于高斯函数的一阶导数。 4 基于区域的分割 图像分割－把图像分解为若干个有意义的子区域，而这种分解－基于物体有平滑均匀的表面，与图像中强度恒定或缓慢变化的区域相对应，即每个子区域都具有一定的均匀性质 前面所讨论的边缘、阈值，没有明显使用分割定义中的均匀测度度量 区域分割－直接根据事先确定的相似性准则，直接取出若干特征相近或相同象素组成区域 常用的区域分割－区域增长(区域生长)、区域分裂－合并方法等 区域增长 原理和步骤 基本思想－将具有相似性质的象素集合起来构成区域。 具体步骤－先对每个需要分割的区域找一个种子象素作为生长起点，然后将种子象素周围邻域中与种子象素有相同或相似性质的象素(根据某种事先确定的生长或相似准则来判定)合并到种子象素所在的区域中。将这些新象素当做新的种子象素继续进行上面的过程，直到再没有满足条件的象素可被包括进来，这样一个区域就长成了 ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ● ●