遥感数字图像处理第七章图像分割1课稿.ppt

开运算和闭运算的图示 变体 1）细化 结果:在不破坏连通性的前提下，细化图像。 算法实现： 1）做腐蚀操作，但不立刻删除像素，只打标记 2）将不破坏连通性的标记点删掉。 3）重复执行，将产生细化结果 图像分割:数学形态学图像处理 电路板原始图像（已二值化） 细化后的电路板图像 图像的细化 变体 2）粗化 结果：在不合并对象的前提下，粗化图像。 算法实现： 1）做膨胀操作，但不立刻添加像素，只打标记 2）将不产生对象合并的标记点添加进来。 3）重复执行，将产生粗化结果 另一方案：将图像求反，执行细化，结果再求反 图像分割:数学形态学图像处理 下周二5、6、7、8节 上机编程实现图像分割算法 * * 区域增长应解决三个问题： （1）选择或确定一组能正确代表所需区域的种子像素 （2）确定区域增长准则 （3）确定在生长过程中的停止的条件或准则（没有像素加入某个区域） 已知图像中对象较暗，背景较亮，则灰度0和7可以作为对象区域和背景区域的种子店 如果只要分割出一个对象，现在就可以结束了； 如果要求每个像素都要包含在一个区域，则要对剩余的像素再确定种子点。 若相似性准则选为：待选像素与初始种子点的灰度差绝对值小于4，则： 相似性准则的判断可用待选像素与增长点之间的灰度值差的绝对值，而不是与初始种子点间的灰度值差的绝对值判定。此时的相似性准则隐含对不连续性的判断。 1）简单区域增长 以图像第一个像素开始，光栅扫描方向； 比较相邻像素灰度值。 2）质心型增长 比较像素与区域灰度平均值 3）混合型增长 简单区域增长，阈值为0增长； 比较区域之间的特征（如直方图相似性） 7.6 区域增长 T=1 T=2 7.6 区域增长 通过像素集合的区域增长 算法实现： 区域A 区域B 种子像素 种子像素 区域生长法的优点： 计算简单，连通性好。 区域生长法的缺点： 需要人工交互以获得种子像素点，这样使用者必须在每个需要分割的区域中植入一个种子点； 对噪声敏感，导致分割出的区域有空洞或者在局部应该分开的区域被连接起来。 7.6 区域增长 分裂合并法： 分裂：把图像分成任意大小而且不重叠的区域， 合并：合并或分裂这些区域以满足分割的要求。 分裂合并算法可以采用图像的四叉树结构作为基本数据结构。 四叉树数据结构的几种不同表示 7.7 区域分裂与合并 7.7 区域分裂与合并 区域分裂与合并 算法实现： 1）对于图像中灰度级不同的区域，均分为四个子区域。 2）如果相邻的子区域所有像素的灰度级相同，则将其合并。 3）反复进行上两步操作，直至不再有新的分裂与合并为止。 7.7 区域分裂与合并 区域分裂与合并 算法实现： 图像四叉树分割时，需要用到图像区域内和区域间的“均一性”， 区域是否合并的判断条件： 区域中灰度最大值与最小值的方差小于某选定值。 两区域平均灰度之差及方差小于某选定值。 两区域的纹理特征相同。 两区域参数统计检验结果相同。 两区域的灰度分布函数之差小于某选定值。 7.7 区域分裂与合并 根据前述的合并条件，实现图像分割： 初始化：生成图像的四叉树数据结构； 合并； 分裂； 有哪些信誉好的足球投注网站所有的图像块，将邻近的未合并的子块合并为一个区域。 按照相似性准则将一些没归并的很小区域归入邻近的大区域内。 7.7 区域分裂与合并 图像分割:数学形态学图像处理 数学形态学图像处理 基本概念 腐蚀与膨胀 开-闭运算 变体 数学形态学 基于图像的几何拓扑结构来处理图像 这是一种全新的处理方法－－数学形态学方法（ Mathematical Morphology ） 提取骨架 细化 图像分割:数学形态学图像处理 基本概念 结构元素与图像进行逻辑运算，产生新的图像的图像处理方法。 集合概念上的二值图像： 二值图像B和结构元素S是定义在笛卡儿网格上的集合，网格中值为1的点是集合的元素 当结构元素的原点移到点(x,y)时，记为Sxy 为简单起见，结构元素为3x3，且全都为1，在这种限制下，决定输出结果的是逻辑运算 数学形态学是新兴的图像处理与分析方法; 其应用几乎涵盖了图像处理的所有领域，在图像检测、生物医学图像分析、机器视觉等方面取得了非常成功的应用。 形态学的数学基础和所用语言是集合论 它具有完备的数学基础，这为形态学用于图像分析和处理、形态滤波器的特性分析和系统设计奠定了坚实的基础 基本概念 结构元素S 图像分割:数学形态学图像处理 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 0 1 1 1 1 0 1 1 0 1 1 1 0 1 结构元素Sxy 图像B 1）结构元素（structure element） 设有两幅图象S，X。若X是被处理的对象，而S是用来处