图像分割基础.pptVIP

拉普拉斯算子 * 拉普拉斯算子 拉普拉斯算子的分析： 优点： 各向同性、线性和位移不变的； 对细线和孤立点检测效果较好。 缺点： 对噪音的敏感，对噪声有双倍加强作用； 不能检测出边的方向； 常产生双像素的边缘 由于梯度算子和Laplace算子都对噪声敏感，因此一般在用它们检测边缘前要先对图像进行平滑。 * Marr算子 Marr算子是在Laplacian算子的基础上实现的，它得益于对人的视觉机理的研究，有一定的生物学和生理学意义。 由于Laplacian算子对噪声比较敏感，为了减少噪声影响，可先对图像进行平滑，然后再用Laplacian算子检测边缘。 平滑函数应能反映不同远近的周围点对给定像素具有不同的平滑作用，因此，平滑函数采用正态分布的高斯函数，即： * 其中σ是方差。用h(x,y)对图像f(x,y)的平滑可表示为： *代表卷积。令r是离原点的径向距离，即r2=x2+y2。对图像g(x,y)采用Laplacian算子进行边缘检测，可得： 这样，利用二阶导数算子过零点的性质，可确定图像中阶跃边缘的位置。 称为高斯－拉普拉斯滤波算子，也称为LOG滤波器(Laplacian of Gaussian )，或“墨西哥草帽”。 Marr算子 * 二维LOG函数 Marr算子 ?2h -σ σ 一维LOG函数及其变换函数 * 由于它的平滑性质能减少噪声的影响，所以当边缘模糊或噪声较大时，利用 检测过零点能提供较可靠的边缘位置。 在该算子中，σ的选择很重要， σ小时边缘位置精度高，但边缘细节变化多； σ大时平滑作用大，但细节损失大，边缘点定位精度低。 应根据噪声水平和边缘点定位精度要求适当选取σ。 Marr算子 * 补充 由于噪声点（灰度与周围点相差很大的象素点）对边缘检测有一定的影响，所以效果更好的边缘检测器是LOG算子，也就是Laplacian-Gauss算子。它把Gauss平滑滤波器和Laplacian锐化滤波器结合了起来，先平滑掉噪声，再进行边缘检测，所以效果会更好。 到中心的距离与位置加权系数的关系曲线象墨西哥草帽的剖面，所以LOG算子也叫墨西哥草帽滤波器。 * 5×5的常用LOG算子模板 ????????????????????????????????? 。 * (a)原图 (b) ▽2h结果 (c)正值为白，负值为黑 (d)过零点 利用▽2h检测过零点 * 例子 梯度算子 Roberts算子 Prewitt算子 Sobel算子 Kirsch算子 原始图像 * Laplacian算子 Marr算子 曲面拟合法 * * Canny边缘检测算法： Canny边缘检测算法： 1:用高斯滤波器平滑图象； 2:用一阶偏导的有限差分来计算梯度的幅值和方向； 3:对梯度幅值进行非极大值抑制； 4:用双阈值算法检测和连接边缘。 Canny边缘检测结果和Marr的检测结果类似，效果略优 * 图像边缘跟踪 图像分割基础 图像分割 分割将图像细分为互不重叠的区域并提取感兴趣目标的技术 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）R1，R2，…，RN： 对所有的i和j，i≠j，有Ri∩Rj =φ； 对i = 1,2,…,N，有P(Ri) = TRUE； 对i≠j,有P(Ri∪Rj) = FALSE； 对i =1,2,…,N，Ri是连通的区域。 其中P(Ri)是对所有在集合Ri中元素的逻辑谓词,φ代表空集 * 图像分割 图像分割算法一般基于亮度值的两个基本特性：不连续性和相似性 检测图像像素灰度级的不连续性，找到点、线（宽度为1）、边（不定宽度）。先找边，后确定区域 检测图像像素的灰度值的相似性，通过选择阈值，找到灰度值相似的区域，区域的外轮廓就是对象的边 常用的方法 基于边缘检测、基于阈值分割、基于区域 * 图像分割效果 * 图像分割 LoG 霍夫变换 分水岭算法 运动分割法 Canny算子 * 点检测 计算某像素与周边相邻点之间的差值，并加权叠加（使用如下模板）得到R，如果|R|=T，则称该模板中心位置检测到一个点 ，由于模板系数和为0，故对均匀区域（灰度级为常数）的响应为0 * 点检测 一个黑色像素，表示涡轮叶片上的孔洞 * 线检测 见如下模板，它们分别可对不同方向的线段进行检测，可使用其中之一检测某特定方向的线段 * 线的检测 通过比较典型模板的计算值，确定一条线是在哪个方向上 -1 -1 -1 2 2 2 -1 -1 -1 R1 -1 -1 2 -1 2 -1 2 -1 -1 R2 -1 2 -1 -1 2 -1 -1 2 -1 R3 2 -1 -1 -1 2 -1 -1 -1 2 R