基于灰度的图像分割.PPT

Digital Image Processing Weixing Wang 图像分割-阈值算法 1.图像分割定义 2.阈值分割定义及基本原理 3 .阈值分割算法 Algorithm based on split-and-merge 图像分割定义 多年来，人们对图像分割提出了不同的解释和表述，借助集合概念对图像分割给出如下比较正式的定义： 令集合R代表整个图像区域，对R的分割可看作将R分成N个满足以下五个条件的非空子集（子区域）… 图像分割定义 图像分割定义 ①指出在对一幅图像的分割结果中全部子区域的总和应能包括图像中所有象素（就是原图像），或者说分割应将图像中的每个象素都分进某个子区域中。 ②指出在分割结果中各个子区域是互不重叠的，或者说在分割结果中一个象素不能同时属于两个区域。 ③指出在分割结果中每个子区域都有独特的特性，或者说属于同一个区域中的象素应该具有某些相同的特性。 ④指出在分割结果中，不同的子区域具有不同的特性，没有公共元素，或者说属于不同区域的象素应该具有一些不同的特性。 ⑤要求分割结果中同一个子区域内的象素应该是连通的，即同一个子区域内的任两个象素在该子区域内互相连通，或者说分割得到的区域是一个连通组元。 图像分割定义 另外，上述这些条件不仅定义了分割，也对进行分割有指导作用。对图像的分割总是根据一些分割准则进行的。条件①与条件②说明正确的分割准则应可适用于所有区域和所有象素，而条件③与条件④说明合理的分割准则应能帮助确定各区域象素有代表性的特性，条件⑤说明完整的分割准则应直接或间接地对区域内象素地连通性有一定地要求或限定。 最后需要指出，实际应用中图像分割不仅要把一幅图像分成满足上面五个条件地各具特性的区域而且需要把其中感兴趣的目标区域提取出来。只有这样才算完成了图像分割的任务。 阈值分割定义及基本原理 分割技术相对与我们人类视觉系统是一个非常简单的操作，当我们看一幅图像，我们所感兴趣的对象就好像一下子从周围背景中跳跃出来，这个过程几乎是同一瞬间。因为人眼识别对象是并行处理，我们并不是一个个象素识别，而是利用已学到的知识和经验一下子把整个感兴趣的对象从其他不相关的对象中分离出来。据此原理，我们研究出了并行区域技术。 并行区域技术是指采用并行的方法通过对目标区域的检测来实现图像的分割的技术。图像分割的目的是将感兴趣的区域提取出来，所以分割针对区域进行是最直接的方法。阈值分割算法是图像分割算法数量最多的一类。它是并行区域技术的一种。 并行区域技术在实际分割中应用的主要有两大类：①阈值化算法；②特征空间聚类。事实上有些多维特征空间分类（如彩色图像分割）的问题也可转化为用多次阈值分割解决。 阈值分割原理 阈值分割算法的历史可追溯到近四十年前，现已提出了大量的算法。简单说来，对灰度图像的取阈值分割就是先确定一个处于图像灰度取值范围之中的灰度阈值，然后将图像中各个象素的灰度值都与这个阈值相比较，并根据比较结果将对应的象素（分割）划为两类：象素的灰度值大于阈值的为一类，象素的灰度值小于阈值的为一类（灰度值等于阈值的象素可归入这两类之一）。这两类象素一般分属图像中的两类区域，所以对象素根据阈值分类达到了区域分割的目的。 阈值化分割算法的两个步骤 ①确定需要的分割阈值； ②将分割阈值与象素值比较以划分象素。 以上步骤中，确定阈值是分割的关键，如果能确定一个合适的阈值就可方便地将图像分割开来。而在阈值确定后，将阈值与象素值比较和划分象素可对各象素并行地进行，分割地结果直接给出图像区域。 图像模型假设 图像模型假设 阈值方法分全局和局部阈值两种 一般的阈值分割可以分成以下3步：①确定阈值；②将阈值和像素值比较；③把像素归类。其中，关键的一步是如何确定一个合适的阈值。 最基本的阈值方法 常用的全局阈值算法 Optimal thresholding（OPT）即最优阈值法 Between class variance（BCV）即最大类间方差法 Entropy（ENT）即熵法 Bi-modes（BIM）即双峰阈值法 Edge based thresholding（EDG）即基于边界的阈值法Averaged sum of gradient magnitude（ASG）即梯度和平均算法 ASG slides algorithm（SGL） 一种修正的ASG算法 四叉树算法(Quadtree) 迭代法求最佳阈值 迭代法求最佳阈值 迭代法求最佳阈值并不是对于每种图像都有很好的分割效果。它仅对一些灰度较为均匀的图像起到很好的效果。对这类图像可以直接运用迭代法来进行阈值分割。而有些图像的灰度则较为混乱，如果我们还是想用迭代法来实现图像分割，那么我们必须首先对图像进行一系列处理，得到较为均匀的灰度图像以后，再运用迭代法来