图像模式识别-5-8章-PPT.pptx

第五章图像分割;图像分割是图像模式识别的关键技术，特别是视频图像分割是很多图像处理和计算机视觉系统的重要组成部分，是图像处理、分析与理解中的一个基本问题。图像分割是设计和实现图像分析、文本字符识别、目标自动获取等系统所面临的首要任务。由于图像分割问题的重要性和基础性，一直受到国内外学者的高度重视，并涌现出了很多图像分割方法。本章介绍图像分割的基本方法。

图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像素赋予相同的编号。

;数字图像处理常用的图像分割算法：;常见的图像分割方法有以下几种：;;评价准则;5.2基于区域的图像分割方法

区域分割具有下列特点：

(1)均匀性：在一个区域内，各个部分或各个象元应该具有相同的图像属性；

(2)连通性：一个区域应该是整块的，即内部各象元相互连通，很少出现空洞或裂缝；

(3)边缘完整性：一个区域与其他区域的分界处，存在边缘或边界，一个区域的边界曲线显然应该是封闭的；

(4)反差性：两个不同类型的区域有着不同的图像属性，特别是那些相邻区域应该有明显不同的图像特性。

缺陷在于它仅仅考虑图像的灰度信息，而忽略图像中的空间信息，对于图像中不存在明显的灰度差异或各物体的灰度值范围有较大重叠的图像分割问题难以得到准确的结果。

;区域生长;区域分裂、合并;;混合模型;;基于阈值的灰度图像分割方法;最小误差分割;;基于最小误差的图像分割方法程序代码：;;基本全局阈值分割方法;;;最佳图像分割;H0=zeros(256,256);H1=zeros(256,256);

fori=1:256

forj=1:i

ifc0(i,j)~=0

H0(i,j)=-c0(i,j).*log10(c0(i,j));%计算各个阈值下的前景熵

end

fork=i+1:256

ifc1(i,k)~=0

H1(i,k)=-c1(i,k).*log10(c1(i,k));%计算各个阈值下的背景熵

end

end

end

end

HH0=sum(H0,2);HH1=sum(H1,2);H=HH0+HH1;

[value,Threshold]=max(H);BW=im2bw(Imag,Threshold/255);

figure();imshow(BW);xlabel([最大熵,num2str(Threshold)]);

;分割结果;最大类间方差(Otsu);;;;基于Bersen算法的图像分割;;动态阈值图像分割方法和与全局阈值相结合的分割方法;;基于动态阈值算法图像分割法主要代码

I2=blkproc(I,[6464],Minmum);%对图像分块64*64

I2=medfilt2(I2,symmetric);?%滤波

rec=imresize(I2,[10241024],‘bilinear’);

%还原为1024*1024，%动态阈值算法

image=zeros(1024,1024);

fori=1:1024

??forj=1:1024

????if(rec(i,j)I(i,j))image(i,j)=0;

else

image(i,j)=255;end

??end

end

;;分水岭分割方法;;;采用MATLAB两个函数实现分水岭图像分割。分水岭函数L=watershed(A)，其中A为输入矩阵(任意维数)，L为分水岭标记矩阵(可由labelmatrix,bwlabel,bwlabeln,watershed返回)。L为整数(=0)，标记0不属于分水岭区域，标记1属于第1个分水岭区域，标记2属于第2个分水岭区域，以此类推。

默认对二维矩阵使用8连通，三维矩阵使用26连通，高维矩阵使用conndef(ndims(A),maximal)来定义连通性。标记函数RGB=label2rgb(L)，其中L为标记矩阵，RGB为彩色图像。根据L的数值对应，默认对应到colormap(jet)的色彩，返回RGB矩阵。

L=watershed(A);rgb=label2rgb(L,jet,[.5.5.5]);

figure,imshow(rgb