第八章 二值图像处理方法.ppt

第八章 二值图像处理方法 第8章 概述 灰度图像的二值化处理 二值图像的连续性 二值图像的轮廓跟踪 二值图像的细化 §8.1 灰度图像的二值化处理 定义 确定阈值t的方法 直方图方法 微分直方图方法 多阈值处理方法 灰度图像的二值化处理 定义 是一种区域分割的技术 灰度图像的二值化处理 定义 设 f (i, j) 表示像素在（i,j）位置的灰度值，二值化处理 为下式所示。 ⎨ ⎩0 ⎧1 f (i, j)  f (i, j) t f (i, j) t 这里 t 称为二值化阈值（Threshold）. 灰度图像的二值化处理 定义 直方图 二值 图像 原图像 确定阈值t的方法——直方图方法  直方图是阈值最佳选择依据  使用全局阈值，整幅图像用一个阈值处理。适用于对比度 强的图像。 前景和背景灰度值差别较小， 前景和背景灰度值差别较大时 但呈现双峰分布 t 灰度级 频数 E (T ) b t Po (z) Pb (z) E (T) o P(z) 0 z 确定阈值t的方法——直方图方法 最优阈值（误分割率最小的分割阈值）的选取-1 设一幅混有加性高斯噪声的图像，背景和目标的概率密度 分别是 其中 分别是背景和目标区域 灰度值的先验概率。由于Po Pb 1 ，因此混合概率密度公式 中有5个未知数。 ，整幅图像的混合概率密度是 p(z) p(z) Pb pb (z) Po po (z) ] 2 2 o o o b b b Po Pb 22 2 22 2 (z   ) exp[ ]  (z   ) exp[  b 和 o 分别是背景和目标区域的平均灰度值，b o 和  是均值的均方差， o b P 和 P pb (z) 和 po (z) 最优阈值（误分割率最小的分割阈值）的选取-2 如果确定阈值是 T，则灰度值小于T的像素分割为背景，灰 度值大于T的像素分割为目标。这时，错误地将目标像素划 分为背景的概率和错误地将背景像素划分为目标的概率分别 为： 而总的误差概率是 则得到一个最优阈值： T Eb (T ) po (z)dz  T b o p (z)dz E (T )  E(T ) Po Eb (T ) Pb Eo (T ) 将上式对t求导并令导数为零，得： Pb pb (T ) Po po (T ) 代入混合概率密度公式中，并假设 b o  2 2 ln( Po ) b  o Pb  T  b  o  最优阈值（误分割率最小的分割阈值）的选取-3 特例：两个区域的先验分布相同，最佳阈值是两个平均 灰度值的中值。 说明：混合概率密度函数的参数可以用最小均方误差的 方法借助直方图得到。 确定阈值t的方法——微分直方图方法 a b t 图像中的背景和对象的边界位于灰度值变化较大的地方，因 此，利用像素的微分值来确定阈值。 对图像中具有某一灰度gi的像素做微分并求和 Si 微分值的和 Si 灰度值 确定阈值t的方法——多阈值处理方法 物体和背景的对比度在图像各处不一样时，需要选取多个 阈值进行处理。 Tk Tk+1 Tk-1 T0 1 1 k+ k k- §8.2 二值图像的连续性 邻域和邻接 像素的连接 连接成分 像素的可删除性 像素间的距离 二值图像的表示 邻域和邻接 对于任意像素（i,j），把包含该像素在内的一个集合称为像素（i,j）的邻 域。 像素的4-邻域(4-Neighbor)，也称像素的（i,j）的直接邻域，其符号表 示为d-近邻。 像素的8-邻域(8-Neighbor)，除去d-近邻的像素外，余下的对角线上的4 个像素，称为（i,j）的非直接邻域，符号是：i-近邻。 像素的4-邻域 像素的8-邻域 X3 (i-1,j-1) X2 (i-1,j) X1 (i-1,j+1) X4 (i,j-1) X (i,j) X0 (i,j +1) X5 (i+1,j-1) X6 (i+1,j) X7 (i+1,j+1) (i-1,j) (i,j -1) (i,j) (i,j+1) (i+1,j) 像素的连接 相同数值的两个像素能 够在4-/8-邻域内通过具有相 同像素值的像素序列相连 接，则称这两个像素是4-/8- 连接。 表示灰度为0的点 表示灰度为1的点 e a1 a2 b d c 连接成分-1 孔： 在“0”连接成分中，如果存在与外围 的一行、一列的像素不连接成分， 则称为孔。如a，b。 单连接成分 不包含孔的“1”连接成分称为单连接成分； 孤立点： 仅含有一个像素的