第7章_图像分割摘要.pptVIP

知识要点 图像分割的目的、定义和分类 像素间的关系：邻域和连通性 阈值分割法：全局阈值分割和局部阈值分割 边缘检测：梯度算子、拉普拉斯算子、拉普拉斯-高斯算子、方向算子、canning算子 区域检测法 7.1 图像分割概述 图像分割是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。 通常图像分割的实现方法是，将图像分为“黑”、“白”两类，这两类分别代表了两个不同的对象。 因为结果图像为二值图像，所以通常又称图像分割为图像的二值化处理。 图像分割是由图像处理进入图像分析的关键步骤，也是一种基本的计算机视觉技术。这是因为图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能。 图像分割是比较困难的事情，原因是画面中的场景通常是复杂的，要找出两个模式特征的差异，并且可以对该差异进行数学描述都是比较难的。 图像分割的目的 把图像分解成构成它的部件和对象； 有选择性地定位感兴趣对象在图像中的位置和范围。 从简到难，逐级分割 控制背景环境，降低分割难度 注意力集中在感兴趣的对象，缩小不相干图像成分的干扰。 图像分割的分类 将图像中有意义的特征或需要应用的特征提取出来 1）按幅度不同来分割各个区域：幅度分割 2）按边缘不同来划分各个区域：边缘检测 3）按形状不同来分割各个区域：区域分割 根据应用目的的不同，分为粗分割和细分割。 根据分割对象的属性，分为灰度图像分割和彩色图像分割。 根据分割对象的状态，分为静态图像分割和动态图像分割。 根据分割对象的应用领域，分为遥感图像分割，交通图像分割，医学图像分割，工业图像分割，军事图像分割等。 图像分割的方法 1) 基于边缘的分割方法:先提取区域边界，再确定边界限定的区域。 2) 区域分割:确定每个像素的归属区域，从而形成一个区域图。 3) 区域生长:将属性接近的连通像素聚集成区域。 4) 分裂－合并分割:综合利用前两种方法，既存在图像的划分，又有图像的合并。 图像分割的依据和分类 图像分割算法分类 根据分割方法的不同，通常有两种分类方法： 1、根据图像的两种特性进行分割：一种是根据各个像素点的灰度不连续性进行分割；一种是根据同一区域具有相似的灰度进行分割； 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。 7.2 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7.3给出了利用阈值分割图像的实例。 （a）是原图 （b）是对应的直方图 （c）是选择分割阈值为110的结果图。 如图7.4所示， 7.4不同阈值对图像分割的影响 7.2.1 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 1．实验法 如果分割之前就知道图像的一些特征，那么阈值确定就比较简单，只要用不同的阈值进行测试，即可检查该阈值是否适合图像的已知特征。 这种方法需要知道图像的某些特征，但有时这些特征是不可预知的。 2．直方图法 先做出图像的灰度直方图，若直方图成双峰且有明显的谷底，则可以将谷底对应的灰度值作为阈值T,然后根据阈值进行分割，就可以将目标从图像中分割出来。 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 7.2.2局部阈值分割 7.2.3 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。 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 。 对采用全局阈值不容易分割的图像有较好的效果。 这种方法的关键问题是如何将图像进行划分和如何为得到的子图像估计阈值。 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。 7.3 图像的边缘检测一、概念及思想 在灰度渐变的图像中无法区别其灰度变化的边界，但如果边界灰度有突变，则可以区分两个灰度不同的区域，这是基于灰度不连续性