六图象分割(上).pptVIP

* * 第六章 图象分割 6.1概述 图象处理有两大类目的： 1．改善象质（增强、恢复） 2．图象分析：对图象内容作出描述 图像分析：（也叫景物分析或图像理解） 可看作是一种描述过程，主要研究用自动或半自动装置和系统，从图像中提取有用测度，数据或信息生成非图的描述或表示。 图像分割：将图像中有意义的特征或需要应用的特征提取出来。 （简单而又难于实现的最基础的识别工作。由于目标特征不均匀，图像中有噪声——分割困难。图象几何性质与象素位置有关，与灰度值无关。往往以二值图像作为研究对象，对噪声的敏感性处理不好，将严重影响分析结果。 ） 人的视觉系统对图像分割是十分复杂的，也是相当有效的。但分割原理和模型都未搞清楚。 分割方法分类： ?人机交互－－手工勾画，训练区办法。 ?分类－－统计分类（统计模式识别方法） ?阈值法－－（与对象有关） ?边缘检测法：边缘检测算子－－已知算子 模板匹配－－已知模板 最佳曲面拟合－－已知函数 纹理检测 ?生长法，贯序分割法，松弛法（Relaxation）其它等等。 实际分割中考虑几个因素： ?噪音干扰－－加大窗口 ?光强不均匀－－用边缘检测法 ?本身不确定性与不连续性－－智能性算法 ? （本章介绍方法与其说是典型性，不如说是启发性，分割方法太多，开拓思路。 ） 6.2 象素分类法 分割用特征： 灰度 灰度梯度 粗糙度 V x =∣A-B∣+∣B-C∣+∣D-E∣+∣E-F∣+∣G-H∣+∣H-I∣ V y=∣A-D∣+∣D-G∣+∣B-E∣+∣E-H∣+∣C-F∣+∣F-I∣ 粗糙度 = Min(VX,VY) （纹理：边缘突变不考虑，边缘不属于纹理。） 分维数：盒维，以某个点为中心可以计算出局部维数。 A D B C F E I H G 统计模式识别，监督分类方法: 目标与背景灰度不同，把灰度看作特征 已知：先验概率P(1),P(2)，第1，2类出现概率P(1)+P(2)=1 条件概率：p(z/1)，p(z/2) 图像可统计直方图 p(z) = p(z/1)·p(1)+p(z/2)·p(2)——全概率公式 选择分类阈值t,使总的分类误差最小 即：zt 属1类 z≥t 属2类 ?误分类情况： 2类误分为1类： 1类误分为2类： 2 1 p(z/1) p(z/2) z 1类 t 2类 总误分概率： 举例讨论：设p(z/1), p(z/2)为正态分布 u,v为中值，δ,τ为标准方差 ?（两边取对数即可得下式） 特例：当p(1)=p(2)=1/2 δ=τ时得 : 6.3门限法（阈值法）Thresholding （真实情况不知条件概率分布，用经验法近似）直接从图象中选一门限将图象分成两区，或由直方图选出谷值。 影响图素：噪音、照度不均匀，结构特征。 注意：人的识别不是绝对值，而是对灰度变化最敏感。 ?简单情况下取直方图谷值点作分割阈值。 ?图象中有噪音干扰，先做平滑处理，后取门限。 ?光照不均匀： ａ先修正光照不均匀，再取门限。 b 分区分割 目的：减少光照不均匀而影响的分割效果。 亮 暗 暗 暗 暗 ?多波段： R、G、B多幅直方图同时出现谷值。 ?取局部特征：如纹理——粗糙度 此结构特征优于灰度特征，因为与结构有关，若取局部特征，并对局部特征图平滑之后，再取阈值，则效果更好。 ?多特征阈值分割 a 灰度及平均灰度(3×3区)二维直方图 －－若集中于对角线区则表示灰度均匀区。 －－若远离对角线者（灰度与平均灰度不同）是区之边界。 （近对角线构成直方图有明显峰值及阈值，远离对角线者可用灰度平均值作为阈值，用于区分两个区）。 灰度 平均灰度 边界 边界 目标 背景 b灰度与灰度梯度图 梯度 灰度 边界 目标 背景 c 多波段： R、G、B可分别组成R-B, G-B, R-B两维直方图，图上强的地方反映一个区。 6.4 边缘检测法 见本图“A”字，照度不均匀。 方法1： 可调整亮度，再取阈值。 方法2：直接检测边界。 ?求导取阈值——抽取边界，实质是在图像梯度图上取阈值来找出边缘。 算子：Robot、Sobel等。 ?曲面拟合法 以某一