图象分割技术.pptVIP

总的误判概率为：为了找到一个阈值T使得上述的误判概率为最小，必须将E(T)对T求微分(应用莱布尼兹公式)，并令其结果等于零。由此可以得到如下的关系：解出T，即为最佳阈值。如果，则最佳阈值位于曲线和的交点处。第62页，共99页，星期日，2025年，2月5日概率密度函数并不是总可以估计的。借助高斯密度函数，利用参数可以比较容易得到这两个概率密度函数。将这一结果应用于高斯密度函数，取其自然对数，通过化简，可以得到如下的二次方程：其中：第63页，共99页，星期日，2025年，2月5日由于二次方程有两个可能的解，所以需要选出其中合理的一个作为图像分割的阈值。讨论：如果两个标准偏差相等，即σ12=σ22=σ2，则上式中的A=0，我们得到一个解：此即为图像分割的最佳阈值T如果先验概率也相等，那么得到的解中的第二项等于零，最佳分割阈值为图像中两个灰度均值的平均数，即如果背景与目标的灰度范围有部分重叠，仅取一个固定的阈值会产生较大的误差，为此，可以采用双阈值方法。第64页，共99页，星期日，2025年，2月5日迭代阈值选取方法利用程序自动搜寻出比较合适的阈值。此阈值选取方法首先选取图像灰度范围的中值作为初始值T，把原始图像中全部像素分成前景、背景两大类，然后分别对其进行积分并将结果取平均以获取一新的阈值，并按此阈值将图像分成前景、背景。如此反复迭代下去，当阈值不再发生变化，即迭代已经收敛于某个稳定的阈值时，此刻的阈值即作为最终的结果并用于图像的分割。数学描述第65页，共99页，星期日，2025年，2月5日第66页，共99页，星期日，2025年，2月5日**第6章6.5*基于变换直方图选取阈值直方图变换 利用邻域性质变换原来的直方图 ①低梯度值象素的直方图 峰之间的谷比原直方图深 ②高梯度值象素的直方图 峰由原直方图的谷转化而来 第67页，共99页，星期日，2025年，2月5日第68页，共99页，星期日，2025年，2月5日灰度直方图(b)一段边缘剖面(c)梯度直方图(d)剖面梯度曲线第69页，共99页，星期日，2025年，2月5日**第6章6.5*基于变换直方图选取阈值灰度-梯度散射图 2-D直方图 1个轴是灰度值轴 1个轴是梯度值轴 典型示例 目标，背景聚类 第70页，共99页，星期日，2025年，2月5日**基本原理虽然边缘检测的基本思想很简单，但在实际实现时却遇到很大困难，其根本原因是实际信号都是有噪声的，如图所示理想边缘信号有噪声边缘信号如果用前面所说的一阶导数最大值或二阶导数过0点的方法检测边缘点，检测出的都是噪声引起的假的边缘点。噪声一般是高频信号，在噪声前沿或后沿，噪声信号的导数一般要高于边缘点处信号的导数解决方法－先对信号进行平滑滤波，以滤去噪声第30页，共99页，星期日，2025年，2月5日**如平滑滤波器的冲激响应函数用h(x)表示，可对信号先滤波，滤波后的信号为：g(x)=f(x)⊙h(x)×然后再对g(x)求一阶或二阶导数，以检测边缘点可以将先平滑、后微分的两部分运算合并将平滑滤波器的导数h’(x)称为一阶微分滤波器，h’’(x)称为二阶微分滤波器边缘检测的基本方法为：设计平滑滤波器h(x)，检测f(x)⊙h’(x)的局部最大值或f(x)⊙h’’(x)的过0点××第31页，共99页，星期日，2025年，2月5日**平滑滤波器h(x)应满足下列条件：（1）当|x|→∞，h(x)→0，h(x)为偶函数（2）∫-∞+∞h(x)dx=1（3）h(x)一阶和二阶可微保证了信号经平滑滤波器h(x)滤波后，其均值不变常用的平滑滤波器为高斯(Gauss)函数：σ为高斯函数的方差，称为高斯分布的空间尺度因子。σ小，则函数“集中”，即仅在一个很小的局部范围内平滑，随σ的增大，平滑范围也相应增大，但σ太大，噪声虽然平滑了，但信号的突变部分(即边缘点处的信号)也被平滑了。第32页，共99页，星期日，2025年，2月5日**Marr边缘检测算法:h(x)h’(x)h’’(x)对于二维图像信号，Marr提出先用下述高斯函数进行平滑：h(x,y)=exp[-(x2+y2)/2s2]对待检测图像f(x,y)的平滑结果为：g(x,y)=h(x,y)⊙f(x,y)×由于边缘点是图像中灰度值变化剧烈的地方，这种图像强度的突变将在一阶导数中产生一个峰，或等价于二阶