第七章 图象分割技术3.ppt

有效平均梯度的极值点和过渡区边界 设EAGhigh(L)和EAGlow(L)曲线的极值点分别为Lhigh和Llow 7.7 基于过渡区的阈值 * * * * 图像分割 图像 图像识别 图像 预处理 图像理解 图7.1图像分割在整个图像处理过程中的作用 图像分割 图像分割是图像识别和图像理解的基本前提步骤，图像分割质量的好坏直接影响后续图像处理的效果。 * ? 第1类性质的应用途径是基于亮度的不连续变化分割图像,比如图像的边缘. ? 第2类的主要应用途径是依据事先制定的准则将图像分割为相似的区域.门限(阈值)处理、区域生长、区域分离和聚合都是这类方法的实例。 基于阈值的图像分割适用于那些物体（前景）与背景在灰度上有较大差异的图像分割问题。 图像分割 特征 图像分割算法一般是基于亮度值的两个基本特性之一: 不连续性和相似性. * 图像分割 图像分割是指将一幅图像分解为若干互不交叠的、有意义的、具有相同性质的区域。 指纹识别 1 基于阈值的分割方法 基于阈值的图像分割方法是提取物体与背景在灰度上的差异，把图像分为具有不同灰度级的目标区域和背景区域的一种图像分割技术。 T 图1 基于单一阈值分割的灰度直方图 7.5 阈值分割 利用阈值T分割后的图像可定义为： 从暗的背景上分割出亮的物体： 从亮的背景上分割出暗的物体： 7.5 阈值分割 例 利用阈值化方法提取物体的轮廓。 （a）细胞图像 （b）提取的边界轮廓图 图 用阈值化方法提取细胞边界轮廓 （1） （2） （3） 当在较暗的背景上有2个较亮的物体，且有如下的直方图和约定时： 可用两个阈值进行分割，更一般的多个阈值的情况为： 2.半阈值化分割方法 图像经阈值化分割后不是表示成二值和多值图像，而是是将比阈值大的亮像素的灰度级保持不变，而将比阈值小的暗像素变为黑色；或将比阈值小的暗像素的灰度级保持不变，而将比阈值大的亮像素变为白色。 式 a 式 b （a）式的图示 （b）式的图示 2.半阈值化分割方法 阈值的选择对于图像分割结果至关重要。仅凭人眼主观上的感觉很难选择到合适的阈值。 4种比较经典的阈值选取方法 极小值点阈值选取方法 最优阈值选取方法 迭代阈值选取方法 利用灰度统计直方图的直方图凹性分析的阈值选取方法。 阈值选取方法 原理：通过寻找直方图的极小点确定分割阈值，在确定极小点过程中可能需要对直方图进行平滑。 图像的灰度直方图是一种离散分布，其包络曲线则是一条连续的曲线，求其包络曲线h(z)极小值作为阈值。 实际图像由于各种因素的影响，其灰度直方图往往存在许多起伏，不经预处理将会产生若干虚假的“谷” 。一般先对其进行平滑处理，然后再取包络，这样将在一定程度上消除虚假“谷”对分割阈值的影响。 在具体应用时，多使用高斯函数g(z,σ) 与直方图的原始包络函数h(z)相卷积而使包络曲线得到一定程度的平滑: 极小值点阈值选取方法 通常，图像中目标和背景的灰度值有部分交错，分割时总希望减少分割误差。通过背景和目标的灰度概率分布函数可以在一定条件下确定最优阈值。 假设一幅图像 包含两个灰度级 并混有高斯加性 噪声。令z表示 灰度级值。此时 该图像的灰度直 方图可以看成是 对灰度取值的概 率密度函数p(z) 的近似。 最优阈值搜寻方法 其中概率密度函数较大的一个对应于背景的灰度级，而较小的描述了图像中目标的灰度级。则整体灰度级变化的混合概率密度函数可以表达成: 这里u1和u2分别是图像两个灰度级的灰度均值；σ1和σ2分别是相应于均值的标准偏差 ， p1和p2是两类像素出现的概率，并且必须满足下列限制条件： 上述混合概率密度函数中，共含有五个待确定的参数。如果所有参数都己知，那么就可以很容易地确定最佳的分割阈值。 假设图像中的暗区域相应于背景，而图像的亮区域相应于图像中的物体，并且可定义阈值T，使得所有灰度值小于T的像素可以被认为是背景点，而所有灰度值大于T的像素可以被认为是物体点。此时，物体点误判为背景点的概率为: 这表示在曲线p2(z)下方位于阈值左边区域的面积。 将背景点误判为物体点的概率为： 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。 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