图像分析基础.pptxVIP

图像分析系统的构成; 图像分割的目的是理解图像的内容，提取出我们感兴趣的对象。 图像分割按照具体应用的要求和具体图像的内容将图像分割成一块块区域。 图像分割是模式识别和图像分析的预处理阶段。 通常图像分割采用聚类方法，假设图像中组成我们所感兴趣对象的像素具有一些相似的特征，如相同的灰度值、相同的颜色等。; 分割对象 灰度图像、彩色图像 遥感图像、红外图像、X光成像、超声图像以 　　及核磁共振成像等。 分割与识别的关系 没有对物体或其局部的认识，分割就无??进行。没有分割，物体识别也是不可能的? 分割可视为一种特殊的识别问题。;传统的图像分割技术： 基于像素灰度值的分割技术 基于区域的分割技术 基于边界的分割技术 ;特征空间聚类方法（clustering） 阈值化、尺度空间聚类、均值迁移…. 对含噪图像以及纹理图像分割的鲁棒性较好 但特征选取依赖一定的先验和统计知识 基于边缘的方法 梯度法、Snake模型…… 方法直观，分割结果比较美观简单，但边缘检测受噪声影响大，不能保证边缘的封闭性 ;3. 基于区域的方法 区域生长法、分裂合并法…… 保证得到边缘封闭的区域，缺点是边缘复 杂，没有统一标准描述区域 4. 全局优化方法（global optimization） Bayes方法、最小描述长度（MDL）、最小割算法……. 计算量大，技巧性强 ;灰度阈值分割法是最古老的分割技术 只能应用于图像中组成感兴趣对象的灰度值是均匀的，并且和背景的灰度值不一样。 事先决定一个阈值，当一个像素的灰度值超过这个阈值，我们就说这个像素属于我们所感兴趣的对象；反之则属于背景部分。 这种方法的关键是怎样选择阈值，一种简便的方法是检查图像的直方图，然后选择一个合适的阈值。;单一阈值方法也不适合于由许多不同纹理组成一 块块区域的图像。 ; 若T为图像的一个阈值，它应具备的条件： (1)T应介于目标/背景灰度之间 (2)近似于T的象素应是少数。 T位于直方图谷点 (3)若T为阈值，则分割出的背景和目标都应均匀， 错分率低，类内方差小 (4)若T为阈值, 则分割出的背景和目标之间的类间 方差大; 用如下所示的循环迭代策略得到阈值; 这种单一阈值分割方法一种拓展就是将图像分成一个个子区域，不同的子区域采用不同的阈值。;原始图像;OTSU算法以最佳门限将图像灰度直方图分割成两部分, 使两部分类间方差取最大值,即分离性最大. 设图像灰度级1~M,第i 级象素ni个,总象素: 则第i 级灰度出现的概率为Pi= ni/N. 设灰度门限值为k,则图像像素按灰度级被分为两类: C0={1,2,...,k}, C1={k+1,...,M}, 图像总平均灰度级 :;C1类的平均灰度级为: μ-μ(k), 像素数为: N-N0 两部分图像所占比例分别为:;实例：黑夜车灯检测（直接阈值分割） 缺点：阈值不好确定；误差较大； ;(4)最小误差分割;第17页/共68页;;最简单的区域生长法是将像素聚类，为了达到这一目的，我们从一个种子像素点出发，按照某种连通方式和规则P来检查周围邻近的像素点，如果具有和种子像素点相似的性质，就说明它们属于同一区域，这种算法有点类似于计算机图形学中的多边形种子填充算法。 ;; 图像分割： 图像分割是图像分析的第一步，是所有分析和识别 的基础，如果这一步做好，将大大提高分析能力； 缺乏有力的统一的理论指导，算法繁多； 可和其他学科交叉应用。;(１) 图像边缘检测：;图像分析例子一：米粒个数检测，米粒边缘检测;（2）线检测： Hough变换;（2）线检测： Hough变换;（2）线检测： Hough变换;（2）线检测： Hough变换;（2）线检测： Hough变换;使用交点累加器，或交点统计直方图，找出相交线段最多的参数空间的点（?,? ） 然后找出该点对应的xy平面的直线线段;Hough变换的问题： 计算量大: 每个点对应一条曲线， ?,? 的范围怎 么确定？占用内存大:随着精度的增加，占用内存 容量会大大增加;MATLAB７.0以上版本提供hough变换的函数 hough houghlines houghpeaks;４.图象的检测常见算法： ;（２）差影法 ;（３）模板匹配 ;3.数学形态学;60年代：孕育和形成 1964诞生，Matheron指导下的Serra做岩相学分析，击中击不中变换开闭运算、纹理分析器。1966年命名Mathematical Morphology。1968年成立枫丹白露数学形态学研究中心。 70年