图象处理4章课件教案.pptVIP

第四章 图象分割; 灰度图像分割基于像素灰度值的两个性质: 相似性(区域内部的像素一般具有灰度相似性) 和不连续性(区域之间的边界像素一般具有灰 度不连续性)。 并行边界类 PB 并行区域类PR 串行边界类 SB 串行区域类SR 串行:早期处理的结果可被其后的处理过 程所利用(计算时间长，抗噪能力较强) 并行:所有判断和决定都可独立同时做出。;第二节 并行边界技术; 阶梯状，一阶导数幅度值检测边缘存在， 幅度峰值对应边缘位置；二阶导数的过零点 检测边缘位置，过零点附近的符号确定边缘 像素在图像边缘的暗区或亮区。 脉冲状，二阶导数的过零点可确定脉冲 的范围。 屋顶状，一阶导数的过零点可确定屋顶 位置。;二、微分算子 1.梯度算子(一阶导数) ; 模以2为范数/模计算（对应欧氏距离） 以1为范数（城区距离） 以?为范数（棋盘距离）;梯度 ?f(x,y)=[Gx Gy]T= [ ]T 幅度 ??f(2)? =mag(?f)= [Gx2+Gy2]1/2 (欧式距离) ??f(1)?= ?Gx ?+ ?Gy ? (城区距离) ??f(∞)?=max{?Gx ?, ?Gy ?} (棋盘距离) 方向角 ?(x,y)=arctan(Gy/Gx);a b c d;;一阶微分几种效果的比较;2.拉普拉斯算子(二阶导数) ?2f(x,y)= + 二次微分的离散形式: ?2f={?f(x+1,y )-f(x,y)?-?f(x,y)-f(x-1,y)?} +{?f(x,y+1)-f(x,y)?-?f(x,y)-f(x,y-1)?} =f(x+1,y)+f(x-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y);;3. 综合正交算子;4. Marr边缘检测 对图像先进行适当的平滑以抑制噪声，然后再进行微分。 步骤： 1）平滑滤波器采用高斯滤波器； 2）边缘增强用二阶导数（二维拉普拉斯函数）； 3）边缘检测判据是二阶导数零交叉点； 4）采用线性插值的方法估计边缘的位置。 因为采用Laplacian算子，故有LoG（Laplacian of Gaussian）滤波器。 ;;为符合人类视觉生理，可以用DOG逼近： ;Marr过零点检测的优缺点 过零点（Zero-crossing）的检测所依赖的范围与参数sigma有关，但边缘位置与sigma的选择无关，若只关心全局性的边缘可以选取比较大的邻域(如sigma = 4 时，邻域接近40个像素宽)来获取明显的边缘。 过度平滑形状，例如会丢失角点； 倾向产生环行边缘。 ;在如下的三个标准意义下，Canny边缘检测算子对受白噪声影响的阶跃型边缘是最优的： 检测标准：不丢失重要的边缘，不应有虚假的边缘； 定位标准：实际边缘与检测到的边缘位置之间的偏差最小； 单响应标准：将多个响应降低为单个边缘响应。 ;Canny边缘检测算法： step1:用高斯滤波器平滑图像； step2:用一阶偏导的有限差分来计算梯度的幅值和方向； step3:对梯度幅值进行非极大值抑制； step4:用双阈值算法检测和连接边缘。 ;step1:高斯平滑函数： step2:一阶差分卷积模板： ;step3:非极大值抑制;四个扇区的标号为0到3，对应3*3邻域的四种可能组合。 在每一点上，邻域的中心像素M与沿着梯度线的两个像素相比。如果M的梯度值不比沿梯度线的两个相邻像素梯度值大，则令M=0。 即： ;step4:阈值化 减少假边缘段数量的典型方法是对N[i，j]使用一个阈值。将低于阈值的所有值赋零值。 选取阈值的方法：双阈值算法。 在T1中收取边缘，将T2中所有间隙连接起来。; ; 三、边界闭合 |?f(x,y)－?f(s,t)| T |?(x,y) －?(s,t)|A ;四、哈夫变换(Hough Transform) 利用图像的全局特性而将边缘像素连接起 来组成区域封闭边界的一种方法。 具体方法： 在预先知道区域形状的条件下，对图像进行某种 形式的坐标变换，使变换后原图上给定形状曲线上的 所有点都集中到变换空间的某些位置上，形成峰点(原 图上给定形状曲线检测→找变换空间的峰点)。 优点：受噪声和曲线间断影响小，亚像素精度 ; 以直线检测为例说