数字图像处理 图像分割PPT课件.ppt

Laplacian 边缘检测 我们曾经碰到过基于2阶导数的Laplacian滤波器 Laplacian由于对噪声太敏感，因此一般不单独使用 通常和平滑Gaussian滤波器进行结合来进行边缘检测 高斯拉普拉斯（LOG） 高斯拉普拉斯(Laplacian of Gaussian，LOG，或Mexican hat，墨西哥草帽)滤波器使用了Gaussian来进行噪声去除并使用 Laplacian来进行边缘检测 高斯拉普拉斯举例 阈值（Thresholding） 图像分割的经典方法是基于灰度阈值的分割方法 我们已经讨论了简单的单值阈值，它把一幅灰度图像转换成二值图像 简单的单值阈值在数学上可以描述为： 常用的方法是求解灰度直方图中的双峰或者多峰，并以两峰之间的谷底作为阈值 T 阈值举例 设想电脑玩家手中的扑克牌，我们需要对其进行视觉上的分析 原始图像 阈值图像 但是小心…… 如果你设置了错误的阈值，结果是很糟糕的 太小的阈值 太大的阈值 全局阈值（Global Thresholding） 全局阈值是指整幅图像使用同一个阈值做分割处理，并产生一个二值图，区分出前景对象和背景。 适用于背景和前景对比度大的图像 算法实现： 选取一个合适的阈值T，逐行扫描图像 凡灰度级大于T的，颜色置为255；凡灰度级小于T的，颜色置为0 基本的全局阈值算法 基本的全局阈值T可以按如下计算： 1、选择一个初时估计值T （一般为图像的平均灰度值） 2、使用T分割图像，产生两组像素：G1包括灰度级大于T的像素，G2包括灰度级小于等于T的像素 3、计算G1 中像素的平均值并赋值给μ1，计算G2 中像素的平均值并赋值给μ2 4、计算一个新的阈值： 5、重复步骤 2 ～ 4，一直到两次连续的T之间的差小于预先给定的上界T∞ 阈值举例1 选择直方图中双峰之间的谷底作为全局阈值 阈值举例2 通过算法迭代产生全局阈值 单值阈值的问题 单值阈值只能对双峰直方图工作得较好 对于其它类型的直方图，需要更多的阈值 单值阈值和光照 不均匀的光照会使单值阈值方案失效 基本的自适应阈值 解决单值阈值无法工作的一个方法是将图像分割为子图像，并分别进行阈值化处理 由于每个像素的阈值依赖于其在图像中的位置，因此称为自适应（adaptive）阈值 基本的自适应阈值举例 下图为对前面提到的图像进行自适应阈值后的图像 我们看到图像得到了改善，但是需要对出错的图像进行进一步的细分，从而得到更好的效果 Hough变换 Hough(霍夫)变换可以用于将边缘像素连接起来得到边界曲线，它的主要优点在于受噪声和曲线间断的影响较小 Hough变换 Hough变换的基本思想： 在xy平面内的一条直线可以表示为： 将a、b作为变量，ab平面内直线可以表示为： 如果点(x1,y1)与点(x2,y2)共线，那么这两点在参数ab平面上的直线将有一个交点 在参数ab平面上相交直线最多的点，对应的xy平面上的直线就是我们的解 这种从线到点的变换就是Hough变换 a b a′ b′ y x (x1,y1) (x2,y2) Hough变换 得到点A（a,b）是我们的解，(a,b)对应到图像坐标系xy中所求直线的斜率和截距 a b A Hough变换 算法思想： 将a,b 空间量化成许多小格。根据图像内的每个(x0,y0)点代入a的量化值，算出各个b，所得值（经量化）落在某个小格内，便使该小格的计数累加器加1，当全部(x,y)点变换后，对小格进行检验，有大的计数值的小格对应于共线点，其(a,b )值作为直线的拟合参数。 Hough变换 算法特点： 对a、b量化过粗，直线参数就不精确，过细则计算量增加。因此，对a、b量化要兼顾参数量化精度和计算量。 Hough变换检测直线的抗噪性能强，能将断开的边缘连接起来。 此外Hough变换也可用来检测曲线，比如圆、椭圆等 区域生长 分割的目的是把一幅图像划分成一些区域，最直接的方法就是把一幅图像分成满足某种判据的区域，即将点组成区域。为了实现分组，首先要确定区域的数目，其次要确定一个区域与其他区域相区别的特征，最后还要产生有意义分割的相似性判据。 分割区域的一种方法叫区域生长或区域生成。假定区域的数目以及在每个区域中单个点的位置已知，则从一个已知点开始，加上与已知点相似的邻近点形成一个区域。 相似性准则可以是灰度级、彩色、组织、梯度或其他特性，相似性的测度可以由所确定的阈值来判定。 从满足检测准则的点开始，在各个方向上生长区域，当其邻近点满足检测准则就并入小块区域中。当新的点被合并后再用新的区域重复这一过程，直到没有可接受的邻近点时生成过程终止。 从满足检测准则的点开始(或者已知点)在各个方向上生长出区域。