图像分割7.pptVIP

数 字 图 像 处 理 计算机系 吕建平 7.1 概 述 图像处理的重要任务就是对图像中的对象进行分析和理解。 在图像分析中，输出的结果是对图像的描述、分类或其他的某种结论 。 图像分析主要包括以下几部分内容： （1）把图像分割成不同的区域，或把不同的目标分开（分割）。即把图像分成互不重叠的区域并提取出感兴趣目标。 （2）找出各个区域的特征（特征提取）。 （3）识别图像中的内容，或对图像进行分类（识别与分类）。 （4）给出结论（描述、分类或其他的结论）。 图像分割概述 图像分割概述（续） 图像分割 ?? 分割的目的：将图像划分为不同区域 ?? 三大类方法 ?? 根据区域间灰度不连续搜寻区域之间的边 界，在间断检测、边缘连接和边界检测介绍 ?? 以像素性质的分布进行阈值处理，在阈值处 理介绍 ?? 直接搜寻区域进行分割，在基于区域的分割 中介绍 7.2 像素的邻域和连通性 1. 4邻域 对一个坐标为 的像素p，它可以有两个水平和两个垂直的近邻像素。它们的坐标分别是 这四个像素称为p 的4邻域。 互为4邻域的像素又称为4连通的。 2. 8邻域 取像素p四周的8个点作为相链接的邻域点，除掉p本身外，剩下的8个点就是p的8邻域。 互为8邻域的像素又称为8连通的 。 目标和背景的连通性定义必须取不同，否则会引起矛盾。 分割结果中同一个子区域内的像素应当是连通的 同一个子区域内的任两个像素在该子区域内互相连通。 7.3 图像的阈值分割技术 灰度阈值分割方法 若图像中目标和背景具有不同的灰度集合，且两个灰度集合可用一个灰度级阈值T进行分割。 这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域。 设图像为 ，其灰度集范围是[0,L]，在0和L之间选择一个合适的灰度阈值T。 图像分割方法可由下式描述： 这样得到的是一幅二值图像。 图7.4给出了利用阈值分割图像的实例。 （a）原图 （b）对应的直方图 （c）选择分割阈值为110的结果图。 7.3.1 全局阈值分割 全局阈值是最简单的图像分割方法。根据不同的目标，选用最佳的阈值。 1．实验法 需要知道图像的某些特征 2．直方图法 适用于目标和背景的灰度差较大，直方图有明显谷底的情况。 3．最小误差的方法 7.3.2 自适应阈值的选取 当照明不均匀、有突发噪声或者背景灰度变化比较大的时候，可以对图像进行分块处理，对每一块分别选定一个阈值进行分割，这种与坐标相关的阈值称为自适应阈值的方法。 这类算法的时间复杂度和空间复杂度比较大，但是抗噪声的能力比较强 。 任何一种分割方法都有其局限性。 实际的算法只能根据实际情况选择方法和阈值。 图像分割 图像分割 点检测例子 图像分割 图像分割 线检测例子 7.4 图像的边缘检测 数字边缘模型 间断检测 间断检测 7.4 图像的边缘检测 基于灰度不连续性进行的分割方法。 用差分、梯度、拉普拉斯算子及各种高通滤波处理方法对图像边缘进行增强，只要再进行一次门限化的处理，便可以将边缘增强的方法用于边缘检测。 7.4.1 梯度算子 梯度对应于一阶导数，相应的梯度算子就对应于一阶导数算子。 对于一个连续函数f (x,y)，其在(x,y)处的梯度: 常采用小型模板，然后利用卷积运算来近似，Gx和Gy各自使用一个模板。 1. Roberts算子 2. Prewitt算子 3. Sobel算子 通过算子检测后，还需作二值处理从而找到边界点。 图7.5给出了利用这三个算子进行边缘检测的不同效果。 这三种模板中，Sobel算子的检测效果最好。 7.4.2 拉普拉斯算子 Laplacian是二阶导数算子，也是借助模板来实现的。 对模板有一些基本要求： 模板中心的系数为正，其余相邻系数为负，且所有的系数之和为零。 常用的模板有： 图7.6所示是应用Laplacian算子，对图7.5(a)进行边缘检测的结果。 7.4.3 方向算子 利用一组模板对图像中的同一像素求卷积，然后选取其中最大的值作为边缘强度，而将与之对应的方向作为边缘方向。 相对于梯度算子的优点：不仅仅只考虑水平和垂直方向，还可以检测其他方向上的边缘。 但计算量将大大增加。 常用的有8方向Kirsch（3×3）模板，如图7.7所示，方向间的夹角为45o。 7.4.4 Canny边缘检测算子 Canny的主要工作：推导了最优边缘检测算子。 考核边缘检测算子的指标是： 低误判率，即尽可能少地把边缘点误认为是非边缘点； 高定位精度，即准确地把边缘点定位在灰度变化最大的像素上； 抑制虚假边缘。 判断一个像素是否为边缘点的条件为： （1）像素(i, j)的