第九章 图像分割和 与边缘检测 数字图像处理课件.pptVIP

第九章 图像分割与边缘检测 ;1. 图 像 分 割 ; 图 像 分 割 ; 图 像 分 割 ;图9-1 4连通和8连通 ;图9-2 阈值变换曲线 ; 在图像的阈值化处理过程中， 选用不同的阈值其处理结果差异很大。如图9-3所示, 阈值过大， 会提取多余的部分； 而阈值过小，又会丢失所需的部分,因此，阈值的选取非常重要。 图9-3(a)原始图像的直方图如图9-4所示。分析该直方图可知， 该直方图具有双峰特性，图像中的目标（细胞）分布在较暗的灰度级上形成一个波峰，图像中的背景分布在较亮的灰度级上形成另一个波峰。此时，用其双峰之间的谷低处灰度值作为阈值T进行图像的阈值化处理，便可将目标和背景分割开来。 ;图9-3 不同阈值对阈值化结果的影响 (a) 原始图像； (b) 阈值T=91； (c) 阈值T=130； (d) 阈值T=43;图9-4 图9-3(a)所示图像的直方图 ;3. 区域生长 分割的目的是把一幅图像划分成一些区域， 最直接的方法就是把一幅图像分成满足某种判据的区域，也就是说， 把点组成区域。为了实现分组， 首先要确定区域的数目， 其次要确定一个区域与其他区域相区别的特征， 最后还要产生有意义分割的相似性判据。 ; 分割区域的一种方法叫区域生长或区域生成。假定区域的数目以及在每个区域中单个点的位置已知，则从一个已知点开始， 加上与已知点相似的邻近点形成一个区域。相似性准则可以是灰度级、 彩色、 组织、 梯度或其他特性， 相似性的测度可以由所确定的阈值来判定。方法是从满足检测准则的点开始， 在各个方向上生长区域，当其邻近点满足检测准则就并入小块区域中。当新的点被合并后再用新的区域重复这一过程， 直到没有可接受的邻近点时生成过程终止。 ; 图9-9给出一个简单的例子。此例的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。 ;图9-9 区域生长示例 ; 从满足检测准则的点开始(或者已知点)在各个方向上生长出区域。 例如：每一步所接受的邻近点的灰度级与先前物体的平均灰度级相差小于2。 起始; 从满足检测准则的点开始(或者已知点)在各个方向上生长出区域。 例如：每一步所接受的邻近点的灰度级与先前物体的平均灰度级相差小于2。 第二步; 从满足检测准则的点开始(或者已知点)在各个方向上生长出区域。 例如：每一步所接受的邻近点的灰度级与先前物体的平均灰度级相差小于2。 第三步;纹理特征提取主要方法 ;2. 边 缘 检 测 ;图9-7 图像中的边缘点 ; 1. 边缘检测与微分运算 如前所述，边缘点是信号“变化剧烈”的地方，但这么说并不准确，需要定义一个准确的边缘数学模型。在实际情况中，物理信号不可能有理想的突变， 而是如图9-8（b）所示的逐渐增大的信号，对图9-8（b）中所示A、B、C三点， 一般称B点为边缘点。在图9-8（c）和9-8（d）中，如果台阶比较窄，即可以认为B点为边缘点，也可以认为该信号有两个边缘点A与C。 ;图9-8 不同的边缘信号 ;图9-9 图像中不同类型的边界 （a） 边界； （b） 线； （c） 折线变化； （d） 缓慢的平滑变化 ;图9-10 进行边缘检测的结果 ; 2. 高斯-拉普拉斯(LOG)算子 噪声点对边缘检测有较大的影响， 效果更好的边缘检测器是高斯-拉普拉斯(LOG)算子。它把高斯平滑滤波器和拉普拉斯锐化滤波器结合起来，先平滑掉噪声，再进行边缘检测，所以效果更好。 常用的LOG算子是9×9的模板： ;3. 投影法与差影法 ;图9-17 投影法;图9-18 华盛顿纪念碑图 ;图9-19 阈值化后的华盛顿纪念碑 ;图9-20 垂直方向投影 ; 所谓差影法，实际上就是图像的相减运算(又称减影技术)， 是指把同一景物在不同时间拍摄的图像或同一景物在不同波段的图像相减。差值图像提供了图像间的差异信息，能用以指导动态监测、运动目标检测和跟踪、图像背景消除及目标识别等。其算法流程图如图9-21所示。 ;图9-21 差影法检测变化目标流程图 ; 差影法是非常有用的，比如说可以用在监控系统中。在银行金库内，摄像头每隔一小段时间拍摄一幅图像，并与上一幅图像做差影，如果图像差别超过了预先设置的阈值，说明有异常情况发生，这时就应该拉响警报。在利用遥感图像进行动态监测时，用差值图像可以发现森林火灾、洪水泛滥，监测灾情变化及估计损