第3单元图像处理基础Part3图像分割 Image Segmentation.ppt

* * * Harris检测：数学表达 定义：角点响应函数R (k – empirical constant, k = 0.04-0.06) Harris检测：数学表达 ?1 ?2 “Corner” “Edge” “Edge” “Flat” R 只与M的特征值有关 角点：R 为大数值正数 边缘：R为大数值负数 平坦区：R为小数值 R 0 R 0 R 0 |R| small Harris角点检测 算法: 对角点响应函数R进行阈值处理： R threshold 提取R的局部极大值 Harris角点检测：流程 Harris角点检测：流程 角点响应函数R Harris角点检测：流程 提取R的局部极值 Harris角点检测：流程 Harris角点检测：小结 沿方向 [u,v]的平均灰度变化可以表达成双线性形式：  使用M的特征值表达图像点局部灰度变化的情况，定义角点响应函数： 一个好的角点沿着任意方向移动都将导致明显的图像灰度变化，即：R具有大的正数值。 直线检测与拟合 直线拟合 圆的检测与拟合 圆的检测与拟合 一般 有几何约束 阈值分割 边缘分割 全局阈值分割 一阶导数 二阶导数 点 圆 图像分割方法 线 动态阈值分割 相似性 图像分割的总结 不连续性 * * * * * * * * * * * * * * * 如果对每个点都求特征值，计算量大，l1l2反映了相对大小， l1+l2反映绝对大小 * * * * [4]拉普拉斯算子 两种常用的拉普拉斯算子模板 0 1 0 1 -4 1 0 1 0 1 1 1 1 -8 1 1 1 1 拉普拉斯算子的数字近似3*3卷积模版 拉普拉斯算子效果举例 不依赖于边缘方向的二阶微分算子，对图像中的阶跃型边缘点定位准确； 拉普拉斯算子的运算结果是标量，只有幅值，只使用一个模版便可计算得到，方向属性丢失；该算子对噪声非常敏感，它使噪声成分得到加强； 这两个特性使得该算子容易丢失一部分边缘的方向信息，造成一些不连续的检测边缘，同时抗噪声能力比较差。 实际中几乎不单独使用拉普拉斯算子，通常配合滤波器同时使用。 拉普拉斯算子的特点 [5] LoG算子 Laplacian of Gaussian 首先用Gauss函数对图像进行平滑，抑制噪声 然后对经过平滑的图像使用Laplacian算子 LoG算子等效于： 高斯平滑 + 拉普拉斯二阶微分 高斯拉普拉斯算子 Laplacian of Gaussian operator 过零点为边缘的位置 高斯拉普拉斯算子 LoG算子: 高斯拉普拉斯 高斯 高斯的导数 在数字图像上实现LoG算子 0 0 -1 0 0 0 -1 -2 -1 0 -1 -2 16 -2 -1 0 -1 -2 -1 0 0 0 -1 0 0 LoG 因其形状，也称为墨西哥草帽（Mexican hat） 求和为0，即对平坦图像区域的响应为0 一个近似的卷积模版：体现主要的形状 LoG：例子 （a）Lenna Image （b）Gaussian模版卷积（15*15） （c）Laplacian模版卷积（3*3） （a） （b） （c） 分两步实现LoG，可以提供 更大的灵活性更小的模版尺寸 LoG：例子 （d）将(c)中大于0的像素置1，其余置0 （e）在二值图像（d）上检测边缘，使用形态学膨胀方法 （f）结果显示 （d） （e） （f） 几个特点： （1）正确检测到的边缘：单像素宽度，定位准确 （2）形成许多封闭的轮廓（spaghetti，意大利面条），这是一个主要的问题 （3） 需要更加复杂的算法检测过零点 该算子首先用高斯函数对图像作平滑滤波处理，然后再使用Laplacian算子检测边缘，因此克服了Laplacian算子抗噪声能力比较差的缺点， 但是在抑制噪声的同时也可能将原有的比较尖锐的边缘也平滑掉了，造成这些尖锐边缘无法检被测到。 LoG算子的特点 应用LOG算子，高斯函数中方差参数的选择很关键，对图像边缘检测效果有很大的影响。高斯滤波器为低通滤波器，越大，通频带越窄，对较高频率的噪声的抑制作用越大，避免了虚假边缘的检出，同时信号的边缘也被平滑了，造成某些边缘点的丢失。 反之，越小，通频带越宽，可以检测到的图像更高频率的细节，但对噪声的抑制能力相对下降，容易出现虚假边缘。 因此，应用LOG算子，为取得更佳的效果，对于不同图像应选择不同参数。 LoG算子的特点 [6]Canny算子 用一句话说，就是希望在提高对景物边缘的敏感性的同时，可以抑制噪声的方法才是好的边缘提取方法。 传统的边缘检测算子：Sobel算子，Prewitt算子，Roberts算子等，大部分处