数字图像处理的课件Chapter10new.pptVIP

10.6.2 频域技术 对于K幅大小为M×N的数字图像的序列，有： 无运动发生的帧序列的傅立叶变换其0频率处由单峰组成，在静态背景中有一个或多个运动对象的情况下，对应于静态图像分量的直流的傅立叶变换为一个波峰，而在与运动对象速度成比例的位置上有多个波峰。 v1和v2为像素数，若S1x和S2x同号，则v1为正，否则，为负。同理可得v2。 具有5个亮点的图像 1,3,5点共线 2,3,4点共线 对应直线的极坐标点 Canny边缘检测 相连的这些像素属于3个具有最高计数的累加器单元之一，且没有大于5个像素的间隙 10.3 灰度阈值法 10.3.1 阈值分割的原理 设输入图像为 ，输出图像为 ，阈值为T,则 或 10.3.2 阈值的选取 直方图法 非理想情况，各段的分界不明显，有3种误差： a）增加了新的区域， b）失去了原有的区域， c）区域分割边界定位不正确 动态门限：把图像分成子图像，子图像做直方 图，再定不同的门限 基本全局阈值 1、选择初始值T 2、分割得到两组像素G1，G2，并计算各自的均值m1，m2。 3、计算新阈值 T=1/2(m1+m2) 4、重复2、3，直到T值之差小于事先定义的某一参数。 T=125 最大方差阈值（Otsu法） 确定最佳阈值的准则是使进行阈值处理后分离的像素类之间的类间方差最大。该方法只需计算直方图的0阶矩和1阶矩，是图像阈值化处理中常用的自动确定阈值的方法。 设图像总像素数为N，灰度值为i的像素数为Ni，则至灰度级K的灰度分布的0阶矩及1阶矩分别定义为 0阶矩：  1阶矩： 当K=L-1时，ω(L-1)=1；μ(L-1)＝μT，μT称为图像的平均灰度。 设有M-1个阈值：0≤k1＜k2＜…＜KM-1≤L-1，将图像分割成M个灰度值的类Cj（Cj∈［kj-1+1, …, kj］; j=1, 2, …, M ; k0=0, kM=L），则各类Cj的发生概率ωj和平均值μj为 式中, ω(0)=0，μ(0)=0。 各类的类间方差为 将使σ2值为最大的阈值组(k1, k2， …, kM－1) 作为M值化的最佳阈值组。若取M为2，即分割成2类，则可用上述方法求出二值化的阈值。 使平均分割误差最小的最佳阈值 设图像中目标及背景的灰度分布概率密度函数分别为 p1(z), p2(z)，其出现概率分别为P1和P2. 则图像整体灰度的混合概率密度为： 那么错误区分的概率由下式给出 对上式求微分并使 之为零得： 解方程求出T，即为最佳阈值。 自适应门限：根据局部特性确定门限 10.4 基于区域的分割 思想：将具有相似性质的像素集合起来构成区域 1) 找一个种子像素作为生长的起点 2) 将种子像素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 3)将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来 10.4.1 区域生长 区域生长准则 1．基于区域灰度差 ① 对像素进行扫描，找出尚没有归属的像素； ② 以该像素为中心检查它的邻域像素，即将邻域中的像素逐个与它比较，如果灰度差小于预先确定的阈值，将它们合并； ③ 以新合并的像素为中心，返回到步骤②，检查新像素的邻域，直到区域不能进一步扩张； ④ 返回到步骤①，继续扫描直到所有像素都有归属，则结束整个生长过程。 相似性准则是邻近点的灰度级与物体的平均灰度级的差小于2。图中被接受的点和起始点均用下划线标出， 其中（a）图是输入图像；（b）图是第一步接受的邻近点； （c）图是第二步接受的邻近点； （d）图是从6开始生成的结果。 区域生长示例 2．基于区域内灰度分布统计性质 ① 把像素分成互不重叠的小区域； ② 比较邻接区域的累积灰度直方图，根据灰度分布的相似性进行区域合并； ③ 设定终止准则，通过反复进行步骤②中的操作将各个区域依次合并直到满足终止准则 3、基于区域形状 ① 把图像分割成灰度固定的区域，设两相邻区域的周长为 和 ，把两区域共同边界线两侧灰度差小于给定值的那部分设为 ，如果（ 为预定的阈值） 则合并两区域 ② 把图像分割成灰度固定的区域，设两邻接区域的共同边界长度为B，把两区域共同边界线两侧灰度差小于给定值的那部分长度设为L，如果（ 为预定阈值） 则合并两区域。 区别： 第一种方法是合并两邻接区域的共同边界中对比度较低部分占整个区域边界份额较大的区域，第二种方法则是合并两邻接区域的共同边界中对比度较低部分比较多