第八章 图像分割和边缘检测.ppt

图5-26 差影法示例 　　　　　 5.7 图像分割实例　　现有如图5-27(a)所示的大米图像，要求从背景中将大米目标分割出来。由于图像获取过程中非均匀光照的影响，导致大米图像背景灰度不均匀，中上部的背景比下部的背景亮。因而使得大米目标与背景之间的对比度不一致，即随位置变化。由图(b)可见，大米图像的直方图的双峰性质不明显，用单一的全局阈值难以取得理想的分割结果。图(c)是利用Otsu阈值法对图(a)的分割结果，图像底部的大米目标残缺不全，分割效果不理想。如果利用动态阈值方法分割大米图像，则容易产生分块效应。 图5-27 非均匀光照下的大米图像分割 　　为了有效消除非均匀光照的影响，可以采用以下三种方法：背景照度估计、灰值形态学和同态滤波(Homomorphic Filtering)。通过调整同态滤波器的参数，可以较好地消除非均匀光照的影响，但同时也可能会增强噪声，导致不理想的分割结果。本实例主要介绍背景照度估计法，并简要提及灰值形态学法，读者可选择合适的方法分割同态滤波之后的大米图像。 　　1. 通过背景照度估计消除非均匀光照　　消除非均匀光照的一种简单方法就是通过对图像采样来重建背景照度。首先将大米图像分割成一系列尺寸一致的子块，如32×32，取每个子块的最小灰度值作为该子块的背景亮度。　　用这些子块的最小灰度值可以形成一个小图像，它是关于大米图像背景照度分布的粗略估计。然后通过双三次样条插值或双线性插值将前面得到的小图像扩展成与大米图像同样大小的图像，如图(d)所示，用它来估计大米图像的背景照度。 　　从大米图像中减去背景照度的估计值，就得到消除了非均匀光照的大米图像，如图(e)所示。显而易见，消除了非均匀光照后，大米图像各点处的对比度比较一致，其直方图也表现出良好的双峰性质，如图(f)所示。因此，可以直接利用全局阈值法对图(e)进行分割，图(g)是Otsu阈值分割后的结果，大米目标比图(c)更完整，具有理想的效果。消除非均匀光照后，图像变暗，灰度动态范围变窄，可以通过线性灰度变换等方法扩展其对比度，再进行分割。 　　2. 利用灰值形态学消除非均匀光照　　由于大米图像中的大米目标亮度较高且宽度较小，因而可以通过灰值形态学的方法除去这些高亮度的大米目标，而保持背景基本不变。选用尺寸比大米目标稍大的结构元素(如半径为15的圆形结构元素)对图(a)进行灰值开启运算，就可以得到与图(d)类似的背景照度分布图，如图(h)所示。从输入图像中减去背景照度，就可以消除非均匀光照。关于灰值形态学的详细内容，将在数学形态学一章中探讨。 　　　　　　　　习 题　　1. 设一幅二值图像中含有水平、垂直、倾斜45°和135°的各种直线，设计一组可以用来检测这些直线中单像素间断的3×3模板。　　2. 设计一组3×3模板，使其可以用于检测二值图像中的各种角点。　　3. 证明类间方差最大法与类内方差最小法确定的阈值相同。　　4. 如果图像背景和目标灰度均为正态分布，其均值分别为μ和ν，而且图像与背景面积相等，试确定其最佳阈值。 　　5. 根据本章介绍的轮廓跟踪算法，编写一个标记图像的轮廓跟踪程序。为什么算法中每次的起始搜索方向要在上次搜索方向的基础上旋转1~2个方向？如果不这样做，对于有毛刺的区域，轮廓跟踪时会出现什么问题？　　6. 试编写区域标记程序，并用一幅有多个对象的二值图像进行检验。　　7. 查阅文献，分析如何自动确定边缘检测中的阈值。　　8. 编写利用哈夫变换实现直线检测的程序。　　9. 找一些灰度图像进行试验，用多种方法分割图像，看看哪一种图像分割方法的效果更理想，为什么？ 　　图5-19为基于8方向的轮廓跟踪示例。图中的边界像素用灰色表示，区域内部像素用斜线填充，虚线箭头表示从当前边界点搜索下一个边界点的起始方向，实线箭头表示搜索到下一个边界点所用的方向。从最左上角点A开始，沿方向5搜索下一个边界点为B。由于搜索到B的方向为奇数，则应该将方向5顺时针旋转两个方向，即从方向3开始在B的邻域内沿逆时针搜索新的边界点。方向3、4、5上都未找到边界点，接着沿方向6查找，结果找到边界点C。由于搜索到C点的方向为偶数，则应该将方向6顺时针旋转一个方向，即从方向5开始在C的邻域内沿逆时针搜索新的边界点，该方向上未找到边界点，继续逆时针查找，在方向6上搜索到了一个边界点D。继续上述搜索，直到找到A点为止，即完成了边界跟踪。 图5-19 基于8方向的轮廓跟踪示例 　　上述算法是轮廓跟踪的基本算法，它无法处理图像中的孔洞边界，得到的轮廓是目标区域的内边界(边界点属于目标区域)。对于区域标记后的图像，可以使用该算法跟踪多个区域的边界。 　　　　　　　5.5 分水岭分割　　分水岭分割