数字图像处理技术与应用-全套PPT课件.pptx

;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;;第3章图像边缘提取和分割;第3章图像边缘提取和分割;3.1.1统计模式识别简介;3.1.1统计模式识别简介;第一阶段称为图像分割或物体分离阶段。检测出各个物体，把它们的图像和其余景物分离。这一过程也可以称为图像预处理

第二阶段是特征提取，一个物体某个可度量性质是度量值，而特征是一个或多个度量的函数。计算特征是为了对物体的一些重要特征进行定量估计。特征抽取过程产生了一组特征，把它们组合在一起，就形成了特征向量。

第三阶段称为分类。它的输出是一种决策，确定每个物体应该归属的类别。每个物体被识别为某一特定类型，分类以特征向量作为依据。;3.2图像分割处理;3.2图像分割处理;3.2图像分割处理;3.2.1图像分割的一些常用基本方法;3.2.1图像分割的一些常用基本方法;

为了得到理想的二值图像，一般采用阈值分割技术，它对物体与背景有较强对比的图像的分割特别有效，计算简单而且总能用封闭、连通的边界定义不交叠的区域。所有灰度大于或等于阈值的像素被判决为属于物体，灰度值用“255”表示，否则这些像素点被排除在物体区域以外，灰度值为“0”，表示背景。

;2.区域生长

区域生长是把图像分割成若干小区域，比较相邻小区域的特征相似性，将相似的区域逐一合并，最后形成特征不同的区域。进行区域生长法要注意的三个问题：

(1)取定区域的数目；

(2)选择特征；

(3)确定相似性准则

特征相似性是构成合并区域的基本准则，相邻性是指所取的邻域方式。区域生长根据所用的邻域方式和相似性准则的不同，产生各种不同的区域扩张法。可以简单分为:像素与像素；像素与区域；区域与区域。;1）简单区域扩张法

以图像的某个像素为生长点，比较相邻像素的特征，将特征相似的相邻像素合并为同一区域；以合并的像素为生长点，重复整个过程，最终形成具有相似特征的像素的集合。

2）像素与区生长

比较单个像素的特征与其相邻区域的特征，如???相似则将该像素合并到相邻区域中。比较已经存在区域像素灰度平均值与该区域邻接的像素灰度值，如果差值小于阈值则合并，否则不合并。这种方法与起始像素有关，起始位置不同分割结果有差异。;3）区域与区域生长

基本原则是将图像分割成若干子块，比较相邻子块的相似性，如果相似则合并，否则不合并。下面介绍不依赖于起始点的方法

（1）设灰度差的阈值为0，用像素与像素的生长方法将具有相同灰度的像素合并到同一区域，得到图像的初始分割图像；

（2）从被分割图像的一个小区域开始，求出相邻区域间的灰度差，将差值最小的相邻区域合并；

（3）重复上述操作，将区域逐一合并。;3.使用阈值进行图像分割

使用阈值是一种区域分割技术，对物体与背景有较强对比的景物的分割特别有效。计算简单，而且总能用封闭且连通的边界定义不交叠的区域。

1)局部阈值分割

阈值分割法分为全局阈值法和局部阈值分割法。局部阈值分割法是将原始图像划分成较小的图像，并对每个子图像选取相应的阈值。在阈值分割后，相邻子图像之间的边界处可能产生灰度级的不连续性，因此需用平滑技术进行排除。;2)全局阈值分割

采用阈值确定边界的最简单做法是在整个图像中，将灰度阈值设置为常数。如果背景的灰度值在整个图像中可合理地看作为恒定，而且所有物体与背景都具有几乎相同的对比度，那么，只要选择了正确的阈值，使用一个固定的全局阈值一般会有较好的分割效果。;3.2.1图像分割的一些常用基本方法;3)自适应阈值

在许多境况下，背景的灰度值并不是常数，物体与背景的对比度在图像中也有变化。这时，一个在图像中某一区域效果良好的阈值，在其它区域可能效果很差。在这种情况下，把灰度阈值取成一个随图像中位置缓慢变化的函数值是适宜的。或者对图像采用划分区域处理的方法。这种算法就称为自适应阈值。;4)最佳阈值的选择

除非图像中的物体有陡峭的边沿，否则灰度阈值的抽取对物体的边界定位和整体的尺寸有很大的影响。这就意味着后续的尺寸，特别是面积的测量对于灰度阈值的选择很敏感。由于这个原因，需要一个最佳的，或至少是具有一致性