中南大学数学院数字图像处理课件第8章-图像分割2.ppt

图像分割,Image Segmentation,任务:,Segmentation subdivides an image into its constituent regions or objects.,实现:,分类器 (Classifier),依据: 特征 (Features)/属性 (Attributes),方法: 特征提取 (Feature extraction),图像空间,特征空间,困难:,特征空间的定义 分类器的设计,地位:,图像自动分析的基础,现状: 公认的图像处理难题,图像空间,特征空间,分类空间,特征提取,分类器,特征提取,Feature Extraction,特征空间,特征定义:,* 选择有利于分类的特征(有效特征),* 选择尽量多的有效特征,常用的特征,表达图像中灰度的分布特性 灰度、邻域平均灰度 表达局部灰度变化的程度 灰度微分、均方差 表达特定纹理 霍夫变换 统计特性 共生矩阵,灰度(颜色)特征,图像空间特征空间,适合的图像,不适合的图像,边界特征,目标: 表达边界与非边界,微分算子表达“变化”,梯度,幅值,表达边界强度,方向表达边界垂直方向,拉普拉斯,标量,旋转不变,f(t),过零点,f(t),f(t),LoG算子(Laplacian of a Gaussian),微分算子对噪声敏感,f * h,f(x,y),f(x,y),h(r),h(r),h(r),LoG (=1.0),微分算子的离散形式,差分微分,梯度算子,Roberts,Sobel,Robert (Magnitude),Sobel (Magnitude),Original Image,Laplacian,纹理(Texture)特征,周期纹理 (Periodic Texture),频谱 (Fourier Spectrum),周期纹理的特征:,纹理的方向 纹理的周期,极坐标形式的频谱,频谱图中放射状的”脊”走向,频谱中的”峰”位置,图像整体统计特征,p(z) : 归一化灰度直方图,矩,图像灰度分布均匀度,max 灰度分布均匀,0 图像仅单一灰度,位置无关,矩 (Moments),几何矩,重量,重心,灰度共生矩阵 (Gray Co-occurrence Matrix),P: 位置算子 (Position operator),a,P,灰度共生矩阵 C: P定义下的a和b的联合灰度直方图,C=cij,cij=counta=ri AND b=rj,b,例:,灰度共生矩阵 (gray-level co-occurrence matrix),例:,position operator P,0,1,2,0,1,2,联合概率(joint probability),C,纹理走向和尺寸,分类器,Classifier,线性分类器 非线性分类器,0-1分类器 模糊分类器,平行实现算法 串行实现算法,线性函数分割特征空间,非线性函数分割特征空间,非此即彼的分类结果,隶属度描述分类结果,特征空间中像素独立,像素间相互影响,线性分类器(Linear Classifier),线性函数分割特征空间,1D特征空间,2D特征空间,T,依据: 特征空间中样本的聚类特性,阈值门限法,分类误差,fAB : A类的像素错分为B类,fBA : B类的像素错分为A类,N : 图像像素总数,T,p,t,A,B,f(t)A,f(t)B,p(t) = pA(t) + pB(t),T,p,t,谷点阈值,双峰的谷点即阈值,要点:,直方图的双峰特性 直方图的平滑处理,分类误差评估,T,p,t,A,B,T: pA(t)与pB(t)的交叉点时 emin,假设pA(t)和pB(t)在(T)中单调,贝叶斯分类器(Bayes Classifier),t,p,p(t|w1),p(t|w2),p(t | wi) : wi类对象的特征分布概率密度函数,P(wi) : wi类对象的出现概率,P(t): 特征分布概率,t类wi, if,最大熵(Entropy)分类器,T,p,t,A,B,(P(T)=0,1时),A:,t T,B: t T,神经网络分类器(Neural Network),x1,x2,xi,xn,1,X,.,.,w1,w2,wi,wn+1,+1 if d(x) 0,-1 if d(x) 0,感知器(perceptron),非线性分类器,t1,t2,tp,.,.,.,x1,x2,xn,y1,y2,yq,输入层,中间层,输出层,w11,w21,wp1,w12,w22,wp2,w1n,w2n,wpn,v11,v21,vq1,v12,v22,vq2,v1p,v2p,vqp,BP (Back Propagation) 网拓扑结构,输入层: 输入向量(x1, .,xn)特征空间维数,中间层(隐层) : 向量(t1, ., tp),输出层: 向量(y1, ., yq) 分类数,权重: Wi = w1i, w2i, .,