图像分割08-8演示文稿.ppt

图像分割—形态学处理 图像分割—形态学处理 2）粗化 算法实现： 1）做膨胀操作，但不立刻添加像素，只打标记 2）将不产生对象合并的标记点添加进来。 3）重复执行，将产生粗化结果 结果：在不合并对象的前提下，粗化图像。 * [1] 图像分割、特征抽取、边界检测、图像滤波、图像增强和恢复等。 * [1] 相当于一种条件比较严格的模板匹配。不仅在匹配点满足模板形状要求，还要满足环境背景要求。 * [1] 集合论的定义和结论、见参考书附录3。 图像分割—边界分割法 图像分割—边界分割法 启发式搜索 首先对A 的邻域点进行评价,衡量哪一个可以作为走向B 第一步的候选。通常只考虑通向B 的大致方向上的邻点。选择哪一点能使A 点到该点的边缘质量函数最大为原则,然后,该点成为下一次迭代搜索的起点。这样逐步递推,直到与B点连通。 边缘质量函数：各点边缘强度的平均值；方向角上的差值 曲线拟合 分段线形方法：从一组散布在两个特定边缘点A和B之间的边缘点集中，选取一个子集作为从A到B的一条分段线性路径上的节点集。 边界跟踪 从梯度图像着手 图像分割—边界分割法 ????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????????? 边界跟踪： 把原始图像中梯度值最高的点这一点作为边界跟踪过程的起始点。如果有几个点都具有最高灰度级，可以任选一个。　接着，搜索以边界起始点为中心的3*3邻域，找出具有最大灰度级的邻域点作为第2个边界点。如果有两个邻域点具有相同的最大灰度级，就任选一个。从这一点开始，起动一个在给定当前和前一个边界点的条件下寻找下一个边界点的迭代过程。在以当前边界点为中心的3*3邻域内，考察前一个边界点位置相对的邻点和这个邻点两旁的两个点（下图）。下一个边界点就是上述三点中具有最高灰度级的那个点。如果所有三个或两个相邻边界点具有同样的最高灰度级，我们就选择中间的那个点。如果两个非邻接点具有同样的最高灰度级，我们可以任选其一。 图像分割—边界分割法 在一个无噪声的单调点状物图像中，这个算法将描画出最大梯度边界；但是，即使少量的噪声也可能使跟踪暂时或永远偏离边界、噪声的影响可以通过跟踪前对梯度图像进行平滑或采用“跟踪虫”（tracking bug）的方法来降低。 首先我们定义一个矩形平均窗n（“虫”），通常整个窗口具有相同的权值（右图）。最近两个或几个边界点定义了当前的边界方向。虫的背部则以当前边界为中心，以当前的边界方向为轴。随后跟踪虫可向任一边转一个角。 在虫的每一个位置，对虫覆盖的区域的平均梯度进行计算。当虫位于最高平均梯度位置时，可以从虫的前部选择一个点作为下一个边界点。显然，跟踪虫是在一个更大的空间执行先前描述过的边界跟踪过程、大尺寸的跟踪虫可以完成梯度图像的平滑，从而降低了它对噪声的敏感化 它也限制了边界方向的急剧改变。 图像分割—边界分割 梯度图像阈值化： 首先用一个中偏低的灰度阈值对梯度图像进行二值化从而检测出物体和背景，物体与背景被处于阈值之上的边界点带分开。随着阈值逐渐提高，就引起物体和背景的同时增长。当它们接触上而又不至于合并时，可用接触点来定义边界。这是分水岭算法在梯度图像中的应用。 Kirsch的分割算法 图像分割—区域分割法 图像分割—区域分割法 图像分割—区域分割法 图像分割—区域分割法