第六章图像分割1.ppt

* 图像分割——区域生长 T=3时的生长结果 * 图像分割——目的和应用 目的：将图像中的目标分为各个感兴趣的区域，与图像中各种物体目标相对应。通过对分割结果的描述，可以理解图像中包含的信息 * 象素灰度值 颜色或多谱特性 图像的空间模式特性 分割是将象素分类的过程，分类的依据可以是： 分割出的区域应该同时满足 分割出图像区域的均匀性和连通性。均匀性是指该区域中所有像素点都满足基于灰度、纹理、色彩等特征的某种相似性准则，连通性是指该区域内存在连接任意两点的路径 相邻分割区域之间针对选定的某种差异显著性 分割区域边界应该规整，同时保证边缘的空间定位准确 * 图像分割——属性 图像分割和描述的集合概念定义 给定某种一致性（均匀）属性准则（度量）P，将图像X正确的划分为互不交叠的区域集{S1，S2 …..Sn}的过程称之为分割。这里所说正确分割应满足以下条件： * 图像分割与描述——概念 * 图像分割——并行区域技术 原理和分类 取阈值是并行区域技术的基本分割方法，通过对灰度取阈值后得到的图像，各个区域可以分离开，但要将目标提取出来，还需要将各区域识别标记。 分类：阈值化算法；特征空间聚类 仅依赖象素灰度的阈值选取 － 全局阈值 依赖象素灰度和其周围邻域的局部性质选取 － 局部阈值 除依赖象素灰度和其周围邻域的局部性质外，还与坐标位置有关 － 动态阈值 * 图像分割——阈值选取依据 极小点阈值 通过寻找直方图的极小点确定分割阈值，在确定极小点过程中可能需要对直方图进行平滑 最优阈值 通常，图像中目标和背景的灰度值有部分交错，通过背景和目标的灰度概率分布函数可以在一定条件下确定最佳阈值 * 图像分割——全局阈值 设图像由目标和背景两部分组成，灰度分布概率密度分别为po(r)和pb(r)，设目标占整个画面的百分比为q，则背景占1- q。取阈值为t，则 * 图像分割——最优阈值 t r po(r) pb(r) 将背景点误判为物体点的误判概率为： 将物体点误判为背景点的误判概率为： 总的误判概率为： 根据莱布尼茨法则取最优： 若已知背景和目标的灰度概率密度，可以利用数值方法求出最佳阈值 * 图像分割——最优阈值 设背景和目标的灰度概率密度均为正态分布，则可以求出解析解 * 图像分割——最优阈值 经化简，此方程变为： 其中： 可以通过求解二次方程，求出两个根 t1和 t2，并选取合理的结果 * 图像分割——最优阈值 若sb=so，即两类方差相等时，上述方程中A＝0，解出 因此 H(r) 是上述5个参数的函数，可以通过拟合方式使理论的直方图与实际的直方图的均方误差最小，从而估计 5 个参数。 若sb=so；且q=1/2, 则 上述结果是在已知 sb、so、 mb、mo、q 条件下得到的，一般的，上述参数并不知道，可以通过直方图来估计上述参数。图像的总概率密度分布为： * 对灰度位于 t1 和 t2 间的象素，根据该象素邻域内已经作出判决的其他象素的情况确定该象素的归属。或利用其他方法如跟踪法或区域扩张方法进行进一步分割。 如果背景与目标的灰度范围有部分重叠，仅取一个固定的阈值会产生较大的误差，为此，可采用双阈值方法。 t1 r po(r) pb(r) t2 图像分割——最优阈值 * 图像分割——类间方差阈值分割 也叫大津阈值,把直方图在某一阈值处分割成两组，当被分成的两组间方差为最大时，决定阈值。设一幅图像的灰度值为1~m级，灰度值i的像素数为ni，则像素总数为 ，各值的概率 ，用T将其分成两组C0={1,T}和C1={T+1,m}，各组产生的概率如下： C0产生的概率为： C1产生的概率为： * 图像分割——类间方差阈值分割 两组间的方差： 从1到m之间改变T，求上式为最大值时的T，既是最大方差阈值 C0的平均值： C1的平均值： 是整体图像的灰度平均值 其中, 在实际问题中所遇到的灰度直方图不是双峰态而是多峰态的分布，或者呈现峰谷不明显，谷底平坦、多峰。这些情况都将会给阈值的正确选择带来困难．此时，可以利用局部特性化的变换直方图以利于阈值的选择．灰度差分或梯度就是象点的一种边值特性 通过对图像不同区域和特征直方图的统计，对图像灰度直方图进行修改，从而使灰度直方图呈现更明显的分界。 * 图像分割——直方图变换 * 图像分割——直方图变换 新直方图的特点: 具有低梯度值像素的直方图，其中峰之间的谷比原直方图深; 目标和背景内部的像素点具有较低的梯度值，而边界上像素具有较高的梯度值，如果仅做出具有低梯度值的像素直方图，那么这个新直方图中对应的内部点的峰应基本不变，但因为减少了一些边界点，所以谷比原直方图要深 具有高梯度值像素的