数字图像处理图像分割和数学形态学.pptVIP

算法的实现：通过直方图的谷底，得到阈值T。对图像进行梯度计算，得到梯度图像。得到梯度值最大的那一部分（比如10%）的像素直方图。6.1.4.2阈值选定基于变换直方图选取阈值基本思想：利用一些像素邻域的局部性质来变换原来的直方图，以得到一个新的直方图。比如：具有低梯度值像素的灰度直方图，其中峰之间的谷比原直方图深。有利于更好地求出谷底。6.1.4.2阈值选定具有低梯度值像素的灰度直方图由于目标或背景内部的像素具有较低的梯度值，而它们边界上的像素具有较高的梯度值，所以这个新直方图中，对应内部点的峰应基本不变，但因为减少了一些边界点，所以谷应比原直方图要深。更一般地，可计算一个加权的直方图，其中赋给具有低梯度值的像素权重大一些。例如，设一个像素点的梯度值为g，则在统计直方图时，可给它加权1/(1+g)2。这样一来，如果像素的梯度值为零，则它得到最大的权重“1”，如果像素具有很大的梯度值，则它得到的权重就变得微乎其微。在这样加权的直方图中，峰基本不变而谷变深，所以峰谷差距加大。原直方图新直方图6.1.4.3图像阈值化简单全局阈值分割基本思想：用前述方法获得阈值T，并产生一个二值图，区分出前景对象和背景。算法实现：规定一个阈值T，逐行扫描图像。凡灰度级大于T的，灰度置为较大（或0）的值（如255）；凡灰度级小于T的，灰度置为0（或较大的值）。 适用场合：亮度图像是可以控制的情况，例如用于工业监测系统中。可变阈值法（动态阈值处理）对于不均匀光照图像来说，不论用哪个阈值都无法兼顾亮区与暗区。最好的办法是用可变阈值，在亮区阈值取得高，暗区阈值取得低，即对每个像素都自适应地选用不同的阈值。阈值的选择可以这样来进行：将图像分成许多小块，先对每个小块定一个阈值，各小块的阈值可以不同，然后进行适当的平滑，以便消除块间阈值的突变。至于每小块阈值的确定，可以有不同的准则和方法，一般应当先区分小块只包含一类（全部是背景点或者全部是物体点）还是包含了两类。如果某一块包含了两类的像素（可以从它的直方图有双峰，其直方图方差较大等等迹象来判断），则可以用前面所讲的任一种方法定阈值。如果某小块只包含某一类的像素，其直方图较集中，呈单峰状，仅从该小块的信息难于确定阈值，要靠它四周直方图呈双峰小块的阈值，通过内插来求得该块的阈值。为了使阈值变化缓慢，不出现假轮廓线，还可以对阈值进行平滑处理等。6.1.4.3图像阈值化基于多个变量的阈值(ThresholdsBasedonSeveralVariables)?彩色图像的分割基本思想：把前面的方法扩展到多维空间，则寻找波谷的过程，变为寻找点簇的过程。应用场合：有多个分量的颜色模型，如RGB模型、CMYK模型、HSI模型。分割策略测量空间聚类法建立一个“3-D直方图”，它可用一个3-D网格表示。这个3-D网格中的每个元素代表具有给定3个分量值的像素的个数。阈值分割的概念可以扩展为在3-D搜索像素的聚类，并根据聚类来分割图像。6.1.4.3图像阈值化6.1.4.3图像阈值化高S区域低S区域②对彩色图像不同分量进行序列分割当对彩色图像的分割在HSI空间进行时，由于H、S、I三个分量是相互独立的，所以有可能将这个3-D搜索问题转化为三个1-D搜索问题。下面介绍一种对不同分量进行序列分割的方法：原始图像RGB→HSI用S分割用H分割用I分割H分割图I分割图合并结果后处理分割图像基于区域的分割(Region-BasedSegmentation,相似性分割）03区域分裂与合并02区域生长01基本概念046.1.5.4统计检测法基本概念目标：将区域R划分为若干个子区域R1,R2,…,Rn，这些子区域满足5个条件：完备性：连通性：每个Ri都是一个连通区域独立性：对于任意i≠j，Ri∩Rj=Ф0102基本概念基本概念4)单一性：比如每个区域内的灰度级相等，P（Ri）=TRUE，i=1,2,…,n5)互斥性：比如任两个区域的灰度级不等，P（Ri∪Rj）=FALSE，i≠j区域生长(RegionGrowing)通过像素集合的区域生长算法实现：1）根据图像的不同应用选择一个或一组种子，它或者是最亮或最暗的点，或者是位于点簇中心的点。2）选择一个描述符（条件）。3）从该种子开始向外扩张，首先把种子像素加入结果集合，然后不断将与集合中各个像素连通、且满足描述符的像素加入集合。4）上一过程进行到不再有满足条件的新结点加入集合为止。区域生长区域A区域B种子像素种子像素区域生长算法实现示意图：区