图像分割方法.pptVIP

图像分割方法介绍 鲍朝前 图像分割在图像处理中的重要性 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。 图像分割的方法 1.阈值分割 2.边缘+形状分割 3.其他一些复杂的分割策略：比如区域生长，meanshift分割，分水岭分割 阈值分割（背景占了图像大部分） 分割结果 边缘分割 通过提取图像的边缘对图像进行分割，有时还会结合形状去加强分割效果。 区域生长 区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长起点，然后将种子像素和周围邻域中与种子像素有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。将这些新像素当作新的种子继续上面的过程，直到没有满足条件的像素可被包括进来。这样一个区域就生长成了。 ??? 图1给出已知种子点进行区域生长的一个示例。图（a）给出需要分割的图像，设已知两个种子像素（标为深浅不同的灰色方块），现要进行区域生长。设这里采用的判定准则是：如果考虑的像素与种子像素灰度值差的绝对值小于某个门限T，则将该像素包括进种子像素所在的区域。图（b）给出了T=3时的区域生长结果，整幅图被较好地分成2个区域；图（c）给出了T=1时的区域生长结果，有些像素无法判定；图（d）给出了T=6时的区域生长的结果，整幅图都被分在一个区域中了。由此可见门限的选择是很重要的。 实例： 分水岭分割 效果非常好的一种分割方法，单单从效果而言，分水岭算法可能是目前所有分割算法中最好的一种。遗憾的是，它需要人工去标记哪个是目标，哪个是背景。如果结合其他算法能够去自动做标记，那么分水岭算法将可以达到完美的效果。 分水岭算法分割交通标志 实例： 分水岭算法原理 分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。 标记用起连通作用 基于rgb视觉模型的交通标志分割 clear f=imread(D:\testdata153340_1[1].jpg); r1=find((f(:,:,1)-f(:,:,2)0.08*255)(f(:,:,1)-f(:,:,3)0.08*255)); g1=zeros(size(f(:,:,1),1),size(f(:,:,1),2)); gr1=f(:,:,1); g2=zeros(size(f(:,:,1),1),size(f(:,:,1),2)); gr2=f(:,:,2); g3=zeros(size(f(:,:,1),1),size(f(:,:,1),2)); gr3=f(:,:,3); for i=1:1:length(r1) g1(r1(i))=gr1(r1(i)); g2(r1(i))=gr2(r1(i)); g3(r1(i))=gr3(r1(i)); end g(:,:,1)=g1; g(:,:,2)=g2; g(:,:,3)=g3; b=im2bw(g,0.5); b=imfill(b,holes); se=strel(square,15); b=imopen(b,se); b1=double(f(:,:,1)).*double(b); b2=double(f(:,:,2)).*double(b); b3=double(f(:,:,3)).*double(b); k(:,:,1)=b1; k(:,:,2)=b2; k(:,:,3)=b3; imshow(f),figure,imshow(uint8(k)); 实验结果 该分割算法的局限性 当背景中有红色且较大的物体时该分割也会产生一些分割不完整的现象。 结论 以上介绍的分割算法各有优缺点，如果对上述几种分割算法可以结合使用，可能会出现比较理想的效果。 * *