数字图像处理与分析-8图像分割.ppt

第8章 图像分割;图像分割（Image segmentation）是一种重要的图像技术，有着广泛的应用。比如：在线产品检测，文档图像处理，遥感和生物医学图像分析等。 在对这些图像的研究和应用中，人们往往对图像中的某些部分感兴趣，这些区域被称为前景或目标----具有独特性质的区域。 定义：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----将图像细分为子区域或对象。 图像分割算法一般是基于象素值的下述两个特性之一：不连续性和相似性。;利用区域之间的不连续性分割;8.1 间断检测;8.1.1 点检测;例题：8.1图像中孤立点的检测;例题：8.2特定方向上的线检测;8.1.3 边缘检测---最为普遍的检测方法;灰度级剖面图的一阶二阶导数 ;例题：8.3在有噪声的边缘附近的一阶和二阶导数性质;这个例子很好的说明了导数对于噪声的敏感性。 那么为了对于有意义的边缘点进行分类，必须使得与这个点相联系的灰度级变换比在这一点的背景上的变换更为有效才行。即所作的变换应该更有利于区分边缘点。比如，如果噪声严重的话，就要慎用导数变换。 下面看一下导数的求取方法。从第三章了解到，图像中的一阶导数采用梯度算子计算，而二阶导数常使用拉普拉斯算子得到。;梯度算子 一幅数字图像的一阶导数是基于各种二维梯度的近似值。图像f(x,y)在位置(x,y)的梯度定义为下列向量： 向量的大小： 给出了在梯度方向上每增加单位距离后f(x,y)值增大的最大变化率。 梯度向量在(x,y)点的方向： 那么边缘在该点处的方向与梯度方向垂直。 梯度大小的计算方法就是先求出象素点的偏导数，然后代入（10.1.4）。由于计算平方和和平方根需要大量计算，常常使用绝对值对梯度进行近似： ; 一阶偏导数的算子： Robert prewitt Sobel ; 用于检测对角线方向上突变的Prewitt和Sobel模板： ;例题：8.4梯度和它的分量说明;图10.10 (a)原图，(b)|Gx|,x方向上的梯度分量，(c) |Gy|,y方向上的梯度分量，(d)梯度图像|Gx|+|Gy|;图10.11显示了图10.10中相同的图像序列， 但对原图首次使用了一个5×5的均值滤波器进行了平滑处理。 可以看到边缘模糊了，也就是说边缘响应被削弱。;图10.12显示的是对角Sobel模板的绝对响应。从图中可以看到 两个模板对水平和垂直的边缘具有相似的响应，但要比图10.10(b) 和图10.11中(c)显示的在这两个方向上的响应要弱。;拉普拉斯算子 二维函数f(x,y)的拉普拉斯算子是如下定义的二阶导数： 近似方法： ;拉普拉斯算子一般不以其原始形式用于边缘检测，原因在于： (1)它是一个二阶导数，对噪声非常敏感。 (2)拉普拉斯算子的幅值产生双边缘。(最大负值和最大正值) (2)不能检测边缘的方向。（无方向模版） 那么它在分割中所起的作用: (1)利用它的零交叉性质进行边缘定位----该算子与平滑过程一起利用零交叉作为找到边缘的前兆。 (2)确定一个象素在边缘暗的一边还是亮的一边。 ;考虑函数： 那么该函数的拉普拉斯算子（即h关于r的二阶导数）为： 该函数称为高斯型的拉普拉斯算子(LoG). ;LoG函数的三维曲线、图像和LoG函数的横界面;例题：8.5通过零交叉寻找边缘;对零交叉点近似的直接方法是通过设置LoG图像的所有正值区域为白色，负值区域为黑色来门限化。(g)显示了估计的零交叉点，这个交叉点是通过扫描经门限处理后的图像并标记白色区域和黑色区域之间的过渡点得到的。;8.2 边缘连接和边界检测;8.2.1 局部处理;例题：8.6 基于局部处理的边缘点连接;图10.16 (a)输入图像，(b)梯度的Gy分量，(c)梯度的Gx分量，(d)边缘连接的结果;8.2.2 通过霍夫变换进行整体处理;霍夫变换的基本原理 基本思想是点-线的对偶性(duality)。图像变换前在图像空间，变换后在参数空间。在图像空间XY里，所有过点(x,y)的直线都满足方程：y=ax+b ，也可以写成：b=-ax+y, 那么该式就可看作是参数空间ab中过点(a,b)的一条直线。 如下图所示。(a)为图像空间，(b)为参数空间。在图像空间中，过点(xj,yj)的通用直线方程可以写为：yi=axi+b,也可写成b=-axi+yi，后者表示在参数空间里的一条直线。同理，过点(xj,yj)有yj=axj+b,也可写成b=-axj+bj,它表示参数空间里的另一条直线。设参数空间中两线相交于点(a’,b’)，那么点(a’,b’)对应于图像空间中一条过(xi,yi) ， (xj