数字图像处理图像分割义PPT.ppt

数字图像处理 图像分割概论 灰度阈值分割法 基于纹理的分割方法 纹理分析的自相关函数方法 纹理分割－Hurst函数 灰度共生矩阵的纹理分析 区域生长法 区域分割与合并 Hough变换 数学形态学 图像描述 * * * 图像分割 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。 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 图像的描述，包括边界和区域的描述 对图像区域的操作―数学形态学 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。 如果图像适合这种分割法，那么图像的直方图在表示对象和背景的小范围灰度值附近出现一个高峰值。适合这种分割法的图像的直方图应是双极模式，我们可以在两个峰值之间的低谷处找到一个合适的阈值。 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。 用如下所示的循环迭代策略得到阈值 假设图像中处于四个角的像素是属于背景部分，其它像素属于感兴趣对象，然后定义一个背景灰度和对象灰度的初始值。 通过下面的公式循环迭代直至前后两次循环得到的阈值Ti+1和Ti相差非常小，循环过程停止。 uibackground和uiobject分别是循环第i次得到的背景灰度值和对象灰度值。 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。 将图像分成64×64重叠的子区域，并在每个子区域中检测区域的直方图是不是双极模式，如果一个区域的直方图不是双极模式，则判定该区域完全属于背景部分或对象部分。 原始图像 分割结果(T=170) 什么是纹理 纹理是图像中一个重要而又难于描述的特征，至今还没有精确的纹理定义。 纹理图像在局部区域内呈现了不规则性，而在整体上表现出某种规律性。 纹理的组成 一是组成图像纹理的基元 另一个是这些基元之间的空间分布关系。 纹理基元的空间排列可能是随机的，也可能是相互之间互相依赖，这种依赖性可能是有结构的，也可能是按某种概率分布排列的，也可能是某种函数形式的。 纹理的描述 图像纹理可以定性用许多词汇来描述，如粗糙、精细、光滑、方向性、规则性和粒度等等。 但是遗憾的是要将这些语义描述转化为数学模型不是一件容易的事。 一般来说图像纹理由纹理中相邻像素之间的灰度变化及纹理基元模板来描述。 分析和测量纹理的算法(两类) 从图像有关属性的统计分析出发 统计分析方法 结构分析方法 找出纹理基元，以后再从结构组成上探索纹理的规律，也还有直接去探求纹理构成的结构规律。 一般用统计结构尺度来量化纹理的特征，在统计结构尺度中我们不仅仅需要抓住或测量纹理在一个像素点邻近区域的变化，而且还需考虑纹理的空间结构组织， 换言之，不仅仅需要考虑相邻两个像素之间的灰度变化，还要考虑它们之间的空间关系。 在标注一个像素点的纹理特征时很可能是多维数据，如距离、方向、灰度变化等等。 自相关函数的定义 若有一幅图像f(i, j), i, j=0, 1, …, N-1, 它的自相关函数为： 如果图像中灰度基元的面积比较大，则自相关函数随距离的增大，下降速度比较慢 如果灰度基元中灰度呈周期变化，则自相关函数的升降也呈周期性变化。 Hurst系数是单一数值，它的计算过程如下： 将一个圆放在一个像素点上，逐渐增大圆的半径直至覆盖我们所需的邻域； 检查这个圆所覆盖范围内的所有像素点的灰度值，最大和最小的灰度值定义了一个灰度值范围。 不同相邻像素个数的对数值相对于半径的对数值就为各相邻像素的Hurst系数。 当纹理变化比较小时，Hurst系数也比较小，反之，Hurst系数比较大。 其中N为不同相邻像素的个数，s是不同像素点离参考像素点的距离。 各个像素离参考像素点a的距离为： N = 7 灰度共生矩阵 直方图是研究单个像素的灰度统计分布特性，但不能很好地反映出像素之间空间相关性的规律。； 图像纹理的一个重要特征是局部区域中灰度的空间分布特性和像素位置之间的空间相关性； 因此希望能找出两个像素的联合分布的统计形式。 图像I为映射： ：水平空间定义域 ：垂直空间定义域 ：灰度值的集