第十一 讲 图像分割.pptVIP

第十讲 图像分割 图像分割 图象分割就是指把图象分成各具特性的区域并提取出感兴趣目标的技术和过程。这里特性可以是灰度、颜色、纹理等，目标可以对应单个区域，也可以对应多个区域。 图象分割是由图象处理进到图象分析的关键步骤，也是一种基本的计算机视觉技术。这是因为图象的分割、目标的分离、特征的提取和参数的测量将原始图象转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能。 图象分割的定义 分割方法分类 ①PB：并行边界类； ②SB：串行边界类； ③PR：并行区域类； ④SR：串行区域类。 本讲主要内容： 点检测 线检测 基于梯度的边缘检测 域值分割（全局域值、局部域值，自适应域值分割） 区域合并与区域分裂 分水岭分割 1.孤立点检测 其基本思想：如果一个孤立点（此点的灰度级别和其背景的差别相当大，并且其所在的区域是一个均匀的或近似均匀的区域）与周围的点不同，则可以用指定模板检测。可以指定模板为为： 孤立点检测 2.线检测 线检测比点检测稍微复杂一点，其基本思想基本一致。 表现在： 使用模板（注意确定模板的条件或者基本假设） 对输出响应决策，需要合适的决策方法。 线检测模板 线检测决策 将四模板分别对图像进行检测，如果在某个点的输出响应， 则认为此点在与i模板代表线相似。 另外我可能只对某一检测方向上的线感兴趣。我们只使用特定模板给出输出响应，通过域值法将响应最强烈的点提取出来。 线检测 3.边缘检测的梯度方法 1）基本说明 边缘是一个相对局部的概念，而边界是一个更具有整体性的一个概念。 边缘理想数字模型和模糊边缘 模糊的边缘使两个区域过渡的范围变宽，因此边界较宽；反之，清晰的图像使其边缘变细。 边缘模型图例 一阶导数、二阶导数响应的特点 梯度算子 连续图像f (x,y)在位置(x,y)的梯度定义的下列向量： Roberts算子 Priwitt算子、sobel算子 拉普拉斯算子 二维函数f(x,y)的拉普拉斯算子是如下定义的二阶导数的函数： Laplacian 算子模板 高斯拉普拉斯算子： 梯度模板求边缘总结 首先，从连续函数表示的数字图像入手，分析导数、二阶导数的跟图像边缘的关系。 根据离散图像和工程应用的特点，依据数学原理，进行简化，这些简化只要遵守原理，可以根据实际应用作出多种变化。 模板与图像的运算的过程，实际上是离散函数的卷积过程。 LapLacian of Guassian函数进一步解释 因为二阶导数是线性运算， 卷积图像，实际上其过程与先用高斯函数卷积，然后再求Laplacian是一样的。 高斯型函数起到平滑作用，减轻噪声的影响，拉普拉斯则是求过零点。 4.门限处理 直方图与门限处理【演示】 这里的f(x,y)是是点(x,y)点的灰度值,p(x,y)表示(x,y) 为中心的局部性质 对于门限T数学的形式表示 ： 域值法分类 根据对域值T的不同的使用方法,可分为多种域值分割方法. 全局门限:T仅取决于f(x,y). 局域门限:T取决于f(x,y)和p(x,y). 动态\自适应门限:T还取决于空间坐标(x,y) 4.2基本全局域值 全局域值是一种最简单的域值处理技术,通过判断图像每一个象素的灰度值,实现目标与背景的区分.这种方法能否成功完全取决于图像直方图能否能较好的分割. 全局域值自动分割 对于有明显双峰得得直方图可以通过程序,然计算机自动实现.算法: 选择一个初始化得估计域值T. 用T分割图像,生成两组数据,G1,G2; 求两组数据的平均灰度值u1,u2 计算新门限值: T=(u1+u2)/2 重复2到4,直到迭代所得到的T值之差小于指点的参数T0. 解释初始值T和T0的选择. 4.3基本自适应域值 4.4全局最佳门限和自适应门限 4.4基于区域的分割 4.4.2区域分离与合并 令R表示整副图像区域并选择一个谓词P.对R进行分割的一种方法是反复将分割得到的结果图像再次分为四个区域,直到对任何区域Ri,有P(Ri)=True.从整副图像开始,如果P(R)=False,就将图像分为四个区域.如果任何子区域的P值是False,就将4个区域的每个区域再次分为4个区域,如此不断进行下去.这种特使的分割方式用谓词的四叉树表示最为方便. 4.5分水岭分割 灰度图像的分水岭算法，就是就灰度值模拟为山的高度。从低到高，分别代表山岭从盆地到分水岭的高度。基于这些概念的分割算法的主要目的是找出分水线。基本思想是：假设在每一区域的最小值的位置上打一个小洞并让水均匀上升速率从洞中涌出，从低到高掩模真个地形。当处在不同汇水盆地的水要聚合在一起时，修建大坝将阻值聚合。当水继续上升，当水面淹没说有分水岭时，大坝对应的边界，就是分水岭算