第四章 图像分割new.ppt

P参数法 若各区域面积占图像总面积的比例p已知时，可以用p参数法 步骤：若已知低灰度区域面积比例为p： 1. 根据灰度直方图从左到右计算直方图的累加值； 2. 当求得C值近似等于已知的面积比例p时，查找对应的灰度级T； 3. 以T为阈值对图像进行分割； 相反，如果已知高灰度区域面积比为p2的情况，与上述过程类似，只是第一步的累加值变为从右向左求累加。 最佳阈值法 均值迭代阈值选择法 自适应阈值 自适应阈值方法：当光照不均匀、有突发噪声，或者背景灰度变化比较大时，整幅图像分割将没有合适的单一门限，因为单一的阈值不能兼顾图像各个像素的实际情况。这时，可对图像按照坐标分块，对每一块分别选一阈值进行分割。这种与坐标相关的阈值也称为动态阈值方法。 优缺点：时间和空间复杂度比较大，但抗噪声能力比较强，对采用全局阈值不容易分割的图像有较好的效果。 自适应阈值的选取：比较简单的方法是对每个像素确定以它为中心的一个邻域窗口，计算窗口内像素的最大和最小值，然后取它们的均值作为阈值。 对图像分块后的每一个子块可以采用直方图分析，如果某个子块内有目标和背景，则直方图呈双峰。如果块内只有目标或背景，则直方图没有双峰，可根据邻域各块分割得到的参数插值进行分割。实际的自适应阈值分割完全可以根据图像的实际性质，对每个像素设定阈值，但这个过程要考虑到实际的要求和计算的复杂度问题。 另外，类间方差最大阈值分割 最大熵阈值分割等将阈值选取转化为优化问题进行处理 2.基于曲面拟合的边缘检测 区域增长法 例判断准则像素与种子像素灰度差的绝对值小于阈值T 问题 选择或确定一组能正确代表所需区域的种子像素 具体问题具体分析 先验知识（如：军用红外图像中检测目标时，选最亮的像素作为种子） 无先验知识（可根据直方图选取灰度中像素个数多的像素作为种子） 确定在生长过程中能将相邻像素合并的准则 具体问题相关（目标和背景的像素分布特点） 图像数据种类（单色、灰度还是彩色） 像素间的连通性和邻近性 制定让生长过程停止的条件或规则 一般是没有满足生长的像素 应考虑图像的局部性质（灰度、纹理和彩色） 目标的全局性质（尺寸、形状等） 生长准则和过程 区域生长的关键是选择合适的生长或相似准则 1、基于区域灰度差 基本方法：种子像素的灰度值与邻域像素的差 改进：先合并具有相同灰度的像素，然后求出所有邻接区域间的平均灰度差，并合并最小灰度差的邻接区域，重复上述步骤直到没有区域合并。 灰度分布相似性的两种检测方法： （1）Kolmogorov-Smirnov 检测 （2）Smoothed-Difference检测 4.5 聚类分割 聚类分析是多元统计分析的方法之一，也是统计模式识别中一个重要分支。它试图根据数据集的内部结构将数据集分成不同的几个子类，使得在同一类的样本尽可能的相似，在不同类的样本尽可能的相异。 相似性度量 在确定数据集中样本相似性程度时，距离是常用的测度之一，一些重要距离测度有: 欧式距离、Minkowski距离、Chebychev距离、平方距离、非线性测量以及概率距离测度（如Bhattacharyya距离、散度、Chernoff概率距离以及Mahalanobis距离等） 欧式距离二维的公式是 　　d = sqrt((x1-x2)2+(y1-y2)2)  目前已提出许多方法来解决聚类问题，大体上可分为硬聚类方法和模糊聚类方法两类。聚类方法的分类如图 划分聚类算法是将数据集分成若干子集。其中每个子集至少包含一个元素，而数据集中每个元素必须属于且只属于一个子集。 给定数据集X以及类别数目k，划分方法是由一个初始划分开始，通过优化一个评价函数把数据划分为若干子类，因此事实上把聚类问题转化成优化问题。 划分聚类方法输出的是多个互不相交的聚类集，常用的基于划分的聚类方法有最近邻法、最大最小距离法、k-均值法(k-means)、k-中心法(k-medoid)、CLARA方法等 层次聚类方法根据数据集内部相似性，对给定的数据集按层次进行分解，结果形成一棵以数据子集为节点的类别树。 该过程可通过合并（agglomerative）和分裂（divisive）两种途径实现。由于一个步骤完成就不能被撤销，不用担心组合数目的不同选择，所以计算代价会较小，但是该技术的一个主要问题是它不能更正错误的决定。现在比较常用的层次聚类方法有BIRCH (balanced iterative reducing and clustering using hierarchies)[[i]]，CURE (clustering using representatives)[[ii]]等 [[i]] Brandtberg Tomas, Individual tree-based