机器视觉第四章.pptVIP

第四章 区域分析;本章内容;4.1 区域和边缘;4.2　分割;4.2.1 自动阈值化法; 假设一幅图像中包含有n个物体 ，包括背景，并假设不同的区域 的灰度值具有概率分布函数 。在许多应用中，物体在图像中出现的概率 也许是已知的。使用这些知识来严格地计算阈值是完全可能的。由于场景中的照明控制着图像中强度值的概率分布函数 , 因此预先计算阈值是不可能的。我们将要看到，大多数自动阈值的选取算法使用了物体尺寸和出现概率，并通过计算灰度直方图估算强度分布。 下面将讨论几种常用的自动阈值化方法。为了简化表示，我们将遵循物体在图像中的表示惯例，即物体相对于光亮背景是黑的。也就是说，低于某一阈值的灰度值属于物体，而高于这一阈值的灰度值属于背景。下面将要讨论的算法稍作改动就可以应用到其它场合，如光亮物体相对于黑暗背景，灰暗物体相对于光亮和黑暗背景，光亮或黑暗物体相对于灰暗背景。一些算法还可以推广到由任意像素值集合组成的物体。 ; (1) 模态方法 如果图像中的物体具有同一灰度值，背景具有另一个灰度值，图像被零均值高斯噪声污染，那么就可以假定灰度分布曲线是由两个正态分布函数 叠加而成．图像直方图将会出现两个分离的峰值，如图4．1所示．在理想恒定灰度值情况下， ，其直方图为两条线分别对应两个峰值，这时的阈值可以设置在两个最大值之间的任何位置．在实际应用中，两个最大值并不是分得很开，此时需要检测直方图曲线的波谷和波峰，并把阈值设置成波谷对应的像素值．可以证明，当物体的尺寸和背景相等时，这样选取阈值可使误分类概率达到极小值．在大多数情况下，由于直方图在波谷附近的像素很稀疏，因此，阈值的选取对图像分割影响不大． 这一方法可推广到具有不同灰度均值的多物体图像中．假设有n个物体，其强度值的正态分布参数为 ，背景也服从正态分布 ．如果这些均值明显的不同，方差值很小，且没有小尺寸物体，那么图像直方图将包含n+1个波峰，并可确定波谷的位置 ，落入每一个间隔 中的所有??素被分配给对应的物体，如图4．２所示．;　(2) 迭代式阈值选择 迭代式阈值选择方法如下：首先选择一个近似阈值作为估计值的初始值，然后连续不断地改进这一估计值．比如，使用初始阈值生成子图像，并根据子图像的特性来选取新的阈值，再用新阈值分割图像，这样做的效果将好于用初始阈值分割的图像．阈值的改进策略是这一方法的关键．算法4.1给出了这一方法的步骤． 　算法4.1 ： 迭代式阈值选择算法 I.选择一个初始阈值的估算值 ，比如，图像强度均值就是一个较好的初始值． II.利用阈值 把图像分割成两组， 和 ． III.计算区域 和 的均值 ． IV. 选择新的阈值 重复2－4步，直到 和 的均值不再变化．;(3) 自适应阈值化方法 如果场景中的照明不均匀，那么上述的自动阈值化方法就不能使用。显然，在这种情况下，一个阈值无法满足整幅图像的分割要求。处理不均匀照明或不均匀灰度分布背景的直接方法是首先把图像分成一个个小区域，或子图像，然后分析每一个子图像，并求出子图像的阈值。比如，把图像分成 个子图像，并基于第 子图像的直方图来选择该子图像的阈值 （ ），图像分割的最后结果是所有子图像分割区域的逻辑并。这一算法如图4.3所示。;(4) 变量阈值化方法 在不均匀照明条件下的另一种实用的阈值化方法是使用简单的函数，如平面、二次曲面等，来逼近不均匀照明下的物体图象与背景图象之间的分界面。分界面在很大程度上是由背景灰度值确定的。例如，图4．4（a）是在不均匀照明下获取的图像，其中物体上一部分点的灰度值大于背景点的灰度值，而物体的另一部分点的灰度值则小于背景点的灰度值，图4.4（d）和（e）是取直方图的两个波谷值 和 作为阈值得到的二幅二值图象。显然，不存在一个阈值可以很好地分割图像。如果用一个平面来拟合背景灰度值，则目标很容易从背景中分离出来，如图4.4（f）—（j）所示．原图像与背景拟合平面之差形成规范化图像，在规范化图像中，目标的灰度值大于背景灰度值，即图像直方图有显著的波谷存在，因此，目标很容易从背景图像中分离出来。; (5) 双阈值方法 在许多应用中，属于物体的某些灰度值是已知的。然而，可能还有一些