智能图像处理：Python和OpenCV实现第十章 图像分割.pptx

第十章 图像分割;图像分割（image segmentation）技术是计算机视觉领域的一个重要的研究方向，是图像语义理解的重要一环。 图像分割是指将图像分成若干具有相似性质区域的过 程，从数学角度来看，图像分割是将图像划分成互不相交区域的过程。 图像分割是一种基本的图像处理技术，是指将图像分成不同特性的区域，并对目标进行提取的技术，它是由图像处理到图像分析的关键步骤。目标提取和图像理解都是在图像分割的基础上进行的。 图像分割就是把图像分成若干个特定的、具有独特性质的??域并提取出感兴趣目标的技术和过程。 现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。还有分成语义分割和实例分割。 图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。 ;10.1 图像阈值分割;全局阈值 是指整幅图像使用同一个阈值做分割处理，适用于背景和前景有明显对比的图像，它是根据整幅图像确定的。但是这种方法只考虑像素本身的灰度值，一般不考虑空间特征，因而对噪声很敏感。 常用的全局阈值选取方法有利用图像灰度直方图的峰谷法、最小误差法、最大类间方差法、最大熵自动阈值法以及其它一些方法。;自适应阈值;最佳阈值;10.1.1 全局阈值分割;表10-1 阈值类型type参数;【例10.1】使用各种阈值分割类型对图像进行处理，程序代码如下：;程序运行结果如图10-1所示。;10.1.2自适应阈值;【例10.2】使用自适应选取阈值方法对图像进行处理，程序代码如下：;程序运行结果如图10-2所示;10.1.3 Otsu’s二值化（大津阈值分割法）;计算图像直方图； 设定阈值，把直方图强度大于阈值的像素分成一组，把小于阈值的像素分成另外一组； 分别计算两组内的偏移数，并把偏移数相加。 把0~255依照顺序设为阈值，重复1-3的步骤，直到得到最小偏移数，其所对应的值即为最终阈值。;【例10.3】使用Otsu’s二值化求取阈值，对图像进行分割，程序代码如下：;程序运行结果如图10-3所示;10.2 图像区域分割;区域生长需要选择一组能正确代表所需区域的种子像素，确定在生长过程中的相似性准则，制定让生长停止的条件或准则。 相似性准则可以是灰度级、彩色、纹理、梯度等特性。选取的种子像素可以是单个像素，也可以是包含若干个像素的小区域。大部分区域生长准则使用图像的局部性质，生长准则可根据不同原则制定，而使用不同的生长准则会影响区域生长的过程。 区域生长法的优点是计算简单，对于较均匀的连通目标有较好的分割效果。它的缺点是需要人为确定种子点，对噪声敏感，可能导致区域内有空洞。另外，它是一种串行区域分割图像的分割方法，当目标较大时，分割速度较慢，因此在设计算法时，要尽量提高效率。 区域生长是指从某个像素出发，按照一定的准则，逐步加入邻近像素，当满足一定的条件时，区域生长终止，最后得到整个区域，进而实现目标的提取。区域生长的好坏决定于①初始点（种子点）的选取；②生长准则；③终止条件。;区域生长实现的具体步骤如下： 1）对图像顺序扫描。找到第1个还没有归属的像素，设该像素为(x0, y0)； 2）以(x0, y0)为中心，考虑(x0, y0)的4邻域像素(x,y)。如果(x0, y0)满足生长准则，将(x, y)与(x0, y0)合并(在同一区域内)，同时将(x, y)压入堆栈； 3）从堆栈中取出一个像素，把它当作(x0, y0)返回到步骤2； 4）当堆栈为空时返回到步骤1； 5）重复步骤1—4直到图像中的每个点都有归属时，生长结束。;【10.4】基于初始种子自动选取的区域生长。程序代码如下：; if X_seed.size 0 and Y_seed.size 0: seeds.append((X_seed[0], Y_seed[0])) #将种子坐标写入seeds thresh_B[Xb, Yb] = 0 #将thresh_B像素值置零 return seeds ? #区域生长 def regionGrow(gray, seeds, thresh, p): seedMark = np.zeros(gray.shape) if p == 8: #八邻域 connection = [(-1,-1),(-1,0),(-1,1),(0,1),(1,1),(1,0),(1,-1),(0,-1)] elif p == 4: #四邻域 connection = [(-1, 0), (0, 1), (1, 0), (0, -1)] ? #seeds内无元素时候生长停止