数字图像处理与深度学习技术应用 课件 第9、10章 图像分割与测量、图像频域变换处理.pptx

第9章图像分割与测量;9.1概述;图像分析过程;图像分割将图像分为一些有意义的区域，然后可以对这些区域进行描述，相当于提取出某些目标区域图像的特征，判断图像中是否有感兴趣的目标。图像分割的基础是像素间的相似性和跳变性。;分成若干个互不相交的小区域的过程，小区域是某种意义下具有共同属性的像素的连通集合。

各区域对某种性质，如灰度，纹理等有相似性。

区域内部是连通的，没有过多小孔。

区域边界是明确的，相邻区域对分割所依据的性质有明显的差异。;图像分割;图像分割的基本思路：

从简到难，逐级分割

控制背景环境，降低分割难度

把焦点放在增强感兴趣对象，缩小不相干图像成分的干扰上。;;边缘检测：检测出边缘，再将边缘像素连接，构成边界形成分割，找出目标物体的轮廓，进行目标的分析、识别、测量等。

阈值分割：最常用法。有直方图门限选择，半阈值选择图像分割，迭代阈值。

边界方法：直接确定区域边界，实现分割；有边界跟踪法，轮廓提取法。

区域法：将各像素划归到相应物体或区域的像素聚类方法；有区域增长法等。

;概述;9.2

阈值法分割;12;阈值分割;9.2.1

直方图门限选择法;9.2.1直方图阈值选择;16;17;18;255如果f（i，j）≥T

f（i，j）=

????0如果f（i，j）T

或：

0如果f（i，j）≥T

f（i，j）=

255如果f（i，j）T

;若直方图呈现多个明显的峰值，如三个峰值，可取两个峰谷处的灰度值T1，T2作为阈值。同样，可将阈值化后的图像变成二值化图像。

;其数学表达式为:

0如果T1≤f（i，j）≤T2

f（i，j）=

255其它

或

255如果T1≤f（i，j）≤T2

f（i，j）=

0其它

?

;1）获得原图像的首地址，图像的宽和高。

2）开辟一块内存空间，初始化为255。

3）图像灰度统计，显示灰度直方图。

4）通过对话框选取一个峰谷作为阈值。

5）像素灰度值小于阈值，将像素置为0，否则置为255。

6）将结果复制到原图像数据区。

;;效果展示;9.2.2

半阈值选择法;9.2.2半阈值选择分割;半阈值化表示为：

f（i，j）如果f（i，j）≥T

f（i，j）=

0或者255如果f（i，j）T

?或

f（i，j）如果f（i，j）≤T

f（i，j）=

0或者255其它

;1)获得原图像的首地址，图像的宽和高。

2)开辟一块内存空间，并初始化为255。

3)进行图像灰度统计，显示灰度直方图。

4)选取一个峰谷作为阈值。

5)像素灰度值小于阈值，将像素置为0，否则保持灰度值不变。;（a）根据直方图选择阈值（b）半阈值选择分割

;cv2.calcHist()函数用于统计图像直方图信息

hist=cv2.calcHist(image,channel,mask,histSize,range,accumulate)

hist：表示返回的统计直方图，数组内的元素是各个灰度级的像素个数；

image：表示原始图像，该图像需要用“[]”括起来；

channel：表示指定通道编号，通道编号需要用“[]”括起来；

mask：表示掩模图像，当统计整幅图像的直方图时，将这个值设为None；当统计图像某一部分的直方图时，需要用到掩模图像；

histSize：表示BINS的值，该值需要用“[]”括起来；

range：表示像素值范围；

accumulate：表示累计标识，默认值为False。如果被设置为True，则直方图在开始计算时不会被清零，计算的是多个直方图的累计结果，用于对一组图像计算直方图。该参数是可选的，一般情况下不需要设置。;效果展示;效果展示;9.2.3

迭代阈值法;34;迭代阈值法;1)获得原图像的首地址，图像的高和宽。

2)进行直方图统计。

3)设定初始阈值T=127。

4)分别计算图像中小于T和大于T的两组平均灰度值。

5)迭代计算阈值，直至两个阈值相等。

7)根据计算出的阈值，对图像进行二值化处理。

;37;函数说明;效果展示;9.2.4

Otsu阈值法;小结;函数说明;效果展示;9.2.5

自适应阈值法;小结;函数说明;效果展示;9.2.6

分水岭算法;是一种分割方法；

在分割