《数字图像处理实战》第6章 图像分割.pptx

第6章 图像分割;目标对象本身过于复杂，其各个部分本身的差异较大或与图像其余部分相似，难以通过单一的分割处理得到完整的对象。 原始图像中存在干扰因素，如不均匀的环境照明或较大差异的物体表面反射率所引起的图像亮度变化，使得没有适用于整个图像的统一的分割标准。;图像分割算法一般基于像素取值的不连续性或相似性，这样就产生了两大类方法。 以边缘检测为代表的方法基于像素取值的不连续性，根据图像中不同区域的边界处像素取值的突变来分割图像。 以阈值分割为代表的方法则基于同一区域内部的像素在某些特征上的相似性来将图像划分为更小的区域。;;6.1.1 阈值分割方法的基本原理 阈值分割基于像素在某个特征（如灰度）上的不连续性来分割图像，特别适用于目标和背景占据不同灰度级范围的图像。 若该图像由一个高亮目标和一个暗淡背景组成，则该图像的灰度直方图呈现明显的双峰分布，两个峰值分别对应背景和目标。 阈值分割方法选取位于两个峰值之间的谷值作为阈值，图像中灰度值的像素点被标记为为目标，否则被标记为背景。 阈值分割输出的是根据像素灰度值和阈值进行比较而得到的包含逻辑值“真”和“假”（分别代表目标和背景）的二值图像。 ;6.1.2 基于全局阈值的大津法 大津法也称最大类间方差法。对一幅灰度图像，记 表示用于分割目标和背景的阈值，如果像素灰度小于 则将该像素标记为0，如像素灰度大于 则将该像素标记为1，如此将所有像素分为两大类。 类间方差 定义为 其中 和 分别是被阈值 分开的两个类的像素数占总像素数的比率， 、 分别是这两个类的像素灰度值的平均值。 最大类间方差法就是设定阈值为使类间方差 取最大值的 的方法，该阈值化处理可以使得所分离的两类像素在灰度分布上有最大的差异。 OpenCV中有可直接调用的图像阈值化函数threshold，可以通过参数指定使用大津法计算阈值。 ;6.1.2 基于全局阈值的大津法 图（c）是图（a）使用大津法进行阈值分割的结果;6.1.3 局部阈值分割法 当目标和背景大小比例悬殊、光照不均匀或灰度差异较大时，全局阈值分割方法的分割效果不理想 全局阈值化得到的分割结果（图（b））在高亮区域和阴暗区域丢失了非常多的局部细节 局部自适应阈值化的结果（图（c））保留了原图（图（a））中的更多细节信息。 局部自适应阈值分割方法根据当前像素的某个邻域中像素的灰度信息来确定一个局部阈值。常用的局部自适应阈值算法有基于局部邻域块的均值和局部邻域块的高斯加权方法。 Python的OpenCV 中提供了函数adaptiveThreshold用于实现图像的局部自适应阈值分割。 ;6.1.4 使用阈值分割方法处理岩石样本图像 目标：根据岩石样本分别在白光和荧光下拍摄的两幅图像，自动计算岩石样本图像中石油成分的面积占比。 思路： 从白光图像中分割岩石样本区域并计算面积。 石油成分在荧光灯照射下会发出绿色或黄色的光，从荧光图像中分割岩石样本中石油成分区域并计算面积。 计算上述两个面积的比值 困难： 白光图像中岩石样本区域和周边污迹区域的灰度无法区分，分割结果不理想（下图）。;6.1.4 使用阈值分割方法处理岩石样本图像 活动轮廓模型 用一条封闭的连续曲线表示目标的边缘，并定义一个与曲线的形状和曲线内所包含的区域性质有关的能量函数。 将图像分割的问题转化为从初始曲线出发，不断改变曲线形状，以使所定义的能量函数最小化的一个数值优化问题。 在理想情况下，能量函数最小化时的曲线会逼近感兴趣目标的轮廓。 Skimage库的active_contour函数实现活动轮廓模型，需尝试不同参数的分割效果。 ;6.1.4 使用阈值分割方法处理岩石样本图像 石油成分的分割 将荧光图像从RGB色彩空间转换到HSV色彩空间便于分析石油成分的颜色特征。 在H分量图像中观察经过石油成分的扫描线上的H分量的分布特征，可以发现石油成分的H分量稳定在50以下，而岩石部分的H分量分布在60到110之间。 设定H分量图像的阈值，从中分割出石油成分，如下图所示。;;6.2.1 边缘检测 图像不同区域的边界上像素的灰度通常会有较大的变化，边缘检测就是根据灰度的突变来找到图像中区域之间边界的方法。灰度变化的强度通常使用梯度来衡量。 图像中某个点 的梯度 和梯度幅值 分别定义为 边缘检测通常的步骤如下： （1） 为降低噪声对计算梯度的影响，在边缘检测前对图像进行平滑去噪处理。 （2） 选取合适的方法计算图像的梯度或二阶偏导数。 （3） 求出图像梯度幅值的取局部极大值点或二阶偏导数的过零点作为边缘检测的结果。;?;1. 基于差分模板的边缘检测算子 Pr