贾永红L-008课件贾- chap7

第7章图像分割，内容1 .图像分割的概念和方法分类2 .边缘检测3.Hough变换检测法4 .区域分割5 .区域生长6 .分裂合并法的目的1 .图像分割的概念和边缘检测的原理和方法3 .把握Hough变换检测直线原理，理解Hough变换检测曲线方法3 .把握最简单的图像的区域分割， 了解领域成长和分裂统一方法，7.1概述，图像分析概念检测和测量图像感兴趣的目标，得到它们的客观信息，建立图像描述图像分析系统的基本结构，预处理，图像分割，特征提取，对象识别，7.1概述，图像分析步骤，将图像分割成不同的领域， 分离不同的对象，在分离的各区域的特征识别图像中寻找想要寻找的对象，将图像分类记述不同的区域，寻找不同的区域的相互关系，寻找类似结构，使关联区域成为有意义的结构，7.1概要，图像分割的概念是， 图像划分定义： (其是将图像划分成不相互重叠的区域和提取感兴趣的对象的技术)，可以认为集合r代表整个图像区域，而用于r的划分可以认为将r划分成n个空集合(子区域) R1、R2、RN，满足下列五个条件对于ij，p (rirj )=假； 对I=1，2，n，Ri是连通的区域。 其中P(Ri )是集合Ri中所有要素的逻辑谓语，表示空集合。 7.1概要、图像分割的基本战略分割算法基于灰度值的两个基本特性，不连续性和类似性检测图像像素的灰度级的不连续性，找出点、线(宽度为1 )、边(不定宽度)。 先找边缘，然后再决定区域。 关于、7.1的概要、图像分割的基本策略是检测图像像素的灰度值的类似性，通过选择阈值，找出灰度值类似的区域，区域的轮廓为对象的边，7.1的概要、图像分割的方法是基于边缘的分割方法首先提取区域边界，确定边界限定的区域。 区域分割部决定各像素的归属区域，形成区域图。 区域成长是将属性接近的连通像素合并利用区域分裂和合并分割之前的两种方法，有图像的区分和图像的合并。，分割对象，分割对象，7.2边缘检测运算符，边缘的定义：图像中的像素灰度有阶梯变化或屋顶变化的像素的集合边缘的分类阶梯状屋顶状，阶梯状，屋顶状，7.2边缘检测运算符，基本思想：局部微分运算符，一次微分，剖面图7.2边缘检测算子，一阶微分：采用梯度算子的特征：对于明亮边缘，边缘变化的起点为正，末尾为负(值为大-小)。 对于暗边，结论相反(值小-大)。 常量零。 用途：为了检测图像中边缘的存在，7.2边缘检测算子，二次微分：加法计算特征：二次微分在明亮一侧为负，在暗一侧为正。 常量零。 用途：1)决定边缘上的像素是明亮一侧还是暗一侧的二次导数的符号。 2 )确定0跨度、边缘的正确位置，7.2边缘检测算子，常用的边缘检测算子梯度算子Roberts算子Prewitt算子Sobel算子Laplacian算子Marr算子，梯度算子，函数f(x y )下梯度被计算为矢量： f=f/x f/y，对于该矢量的大小，g=(f/x)2(f/y)2)1/2与：g|fx|fy|或Gmax(|fx|，|fy|)梯度近似的方位角：(x， y)=tan-1(fy/fx )用下图所示模板表示，为了检测边缘点选择适当的阈值t，将梯度图像二值化，仅计算相邻像素的灰度差，对噪声敏感，形成不能抑制噪声的影响的边缘二值图像g(x，y )Roberts运算符，表达式：模板：特征：类似于检测梯度运算符边缘的方法，对噪声敏感，但效果比梯度运算符稍好，Prewitt运算符，表达式：特征：可以在检测边缘的同时抑制噪声影响的索贝尔运算符， 公式模板特征：在4附近使用带权法计算差分可以进一步抑制噪声，但是检测边缘较宽的索贝尔运算符索贝尔梯度运算符的使用和分析1.y直接计算，x可以检测边的存在，从暗到亮，从亮到暗的变化只需计算2.x |即可3 .由于微分增强了噪声，平滑化效果是索贝尔运算符特别关注的特性，Kirsch运算符(方向运算符)、模板、 通过在计算边缘强度的同时分析边缘的方向的各方向之间的角度为45度，并将该角度中的最大值确定为边缘强度、将与该最大值对应的方向确定为边缘方向的最大值的绝对值确定为边缘强度、并考虑最大值的符号的方法来确定对应的边缘方向，则考虑各模板的对称性、Nevitia运算符、加运算符、定义：加二维函数f(x，y )可以用二次微分定义：2f=2f/x 2，2 f/y2离散形式：模板：多种方式表现为数值形式。 在1个33区域中，经验上最推荐的格式是：加运算符，定义数字格式的加的基本要求是作用于中心像素上的系数为负且其周围像素的系数为加，系数的和必须为零。 拉普拉斯算子、拉普拉斯算子分析：优点：各向同性、线性和位移不变的细线和孤立点的检测有效。 缺点：对噪音敏感，噪音有两倍加强作用的边缘方向不能被检测出来总是会产生两个像素的边缘。 此外，由于梯度和Laplace运算符对噪声敏感，因此一般在检测边缘之前对图像进行平滑。 Marr和Marr运算符是基于Laplacian运算符来实现的，其在人类视觉机制研究中具有一定的生物学和生理学意义。 “Laplacian”运算符对噪声非常敏感，因此为了减少噪声的影响，首先平滑图像，然后使用“Laplacian”运算符检测边缘。 由于平滑函数必须反映对给定的像素在透视周围具有不同的平滑作用，因此平滑函数是正态分布的高斯函数，即，是方差。 用h(x，y )平滑表现图像f(x，y ) :表示卷积。 设r为离原点的半径方向的距离，即r2=x2 y2。 若对图像g(x，y )用Laplacian运算符进行边缘检测，则可以利用二次导数运算符的过零性质确定图像中的阶梯边缘的位置。 又称高斯-拉普拉斯滤波算子，又称LOG滤波器或“墨西哥草帽”。 此外，由于Marr运算符、一维LOG函数及其转换函数、二维LOG函数和Marr运算符的平滑度减小噪声的影响，因此在边缘模糊或噪声大的情况下，通过检测零点可以提供可靠的边缘位置。 该算子中，的选择很重要，小则边缘位置精度高，但边缘细节的变化多大则平滑作用大，但细节的损失大，边缘点的定位精度低。 请根据噪声电平和边缘点的定位精度适当选择。 以下，在=10的情况下，Marr运算符的模板：Marr运算符：(a )原图(b )2 h的结果(c )在正值为黑色、负值为白色(d )过零点，2 h检测过零点因此，噪声多的图像无法获得令人满意的效果。 使用平面或高维曲面拟合图像中的一个小区域的灰度表面，通过计算拟合平面或曲面的外法线方向上的微分或二次微分来检测边缘，可以减少噪声影响。 四点适配灰度法在平面p(x，y)=ax by c上适配空间上相邻的像素的灰度值f(x，y )、f(x，y 1)、f(x 1，y )、f(x 1，y 1)。 定义平均方差可以根据：平均方差的最小基准，求解参数a，b，c。经由梯度定义，可以从平面p(x，y)=ax by c的偏振函数容易地确定梯度。 a是2行小区平均值的差分，b是2列小区平均值的差分。 此运算可以简化模板的卷积运算，对应于a和b的模板计算如下： 其过程的特征是求平均值求差分，对噪声有抑制作用。 梯度运算符、Roberts运算符、Prewitt运算符、索贝尔运算符、Kirsch运算符、原始图像，例如Laplacian运算符、Marr运算符、曲面拟合法，例如梯度运算符、Roberts运算符、Prewitt运算符、索贝尔运算符、Kirsch运算符、原始图像Laplacian运算符、Marr运算符曲面拟合法、线性检测器通过比较典型模板的计算值来确定是否在某个点的方向上，线性检测器在r1=-630=24 r2=-14=0r3=-14=0r4=-14=0，7.3边跟踪下检测到线性因此，典型的边缘检测算法之后总是通过连接过程和其它边界检测过程来对边缘像素进行归纳，成为有意义的边缘。 将边缘跟踪的概念检测出的边缘点连接到直线的是边缘跟踪线能够在图像的一个中层符号从边缘形成直线特征的两个过程中构成直线特征的边缘提取将边缘连接到直线的方法光栅跟踪的全方向跟踪、光栅扫描跟踪、概念采用电视光栅行的扫描顺序，或者另外，光栅扫描跟踪，具体步骤： (1)决定比较高的阈值d，将比该阈值高的像素作为对象点。 该阈值称为“检测阈值”。 (2)对图像的第1行的像素由检测阈值d进行检测，将超过d的点作为对象点接受，将其作为下一次跟踪的开始点。 (3)选择较低的阈值作为跟踪阈值。 可基于不同准则选择此阈值。 例如，在一些情况下，相邻对象点的灰度差的最大值可以设为跟踪阈值，并且可以利用诸如梯度方向或对比度的其他基准。 (4)确定跟踪附近。 将像素(I，j )下一行的像素(i 1，j-1 )、(i 1，j )、(i 1，j 1)设为跟踪附近。 此外，光栅扫描、(5)扫描下一行的像素，将灰度差为扫描阈值以下的像素作为对象点接受，相反地除去与在前一行中检测出的对象点相邻的像素。 (6)对于检测出的某个对象点，如果在下一行的跟踪区域中没有一个像素被接受为对象点，则该曲线的跟踪结束。 同时，2个，再有3个邻近点作为对象点被接受的情况下，曲线发生分支，跟踪对各分支同时进行。 如果多条分支曲线连接到一条曲线，则可以将跟踪集中到一条曲线上。 完成跟踪一条曲线后，按照上述步骤从第一行的另一个检测点开始跟踪下一条曲线。 扫描光栅，(7)对于作为对象点未被接受的其他各行的像素，再次用检测阈值进行检测，将新检测出的点作为起点，再利用扫描阈值程序，检测不是从最初的行开始的其他曲线。 (8)扫描最后一行时，跟踪结束。 另外，光栅扫描跟踪、光栅扫描跟踪、结果表明，本例的原图像存在3条曲线，2条曲线从顶端开始，1条曲线从中间开始。 但是，如果不使用追踪法的话，仅仅一个阈值d和t是得不到满意的结果的。 可选地，针对光栅扫描与扫描所选择的特征可以是反映诸如对比度、梯度等的局部性质的量，而不是灰度等级。 而且，对应于各个点的附近也可能有其它定义，不一定是相邻的下一行中的像素，混合曲线中的间隙可能稍微远一些的区域。 追踪条件不仅适用于每个侦测到的点，也适用于每个侦测到的点群组。此时，可以通过在前后检测的点上给予不同权重，在后续检测的点上给予较大权重，在前一个检测的点上给予相对较小权重，并将所检测的点的性质与所检测的点的性质之间的权重的平均值进行比较，来确定接收或拒绝。 总之，应根据具体问题灵活运用。 另外，由于光栅扫描跟踪和光栅扫描跟踪与扫描方向相关，因此再跟踪另一个方向，例如逆方向，以将这两种跟踪的组合结合在一起可以获得更好的结果。 另外，在边缘与光栅扫描方向平行且效果不好时，优选在垂直扫描方向上跟踪一次。 这相当于使图像旋转90度而进行光栅扫描跟踪。 另外，全向跟踪除了一行(或列)的光栅扫描以外，例如在从上到下(或从左到右)的扫描中也能够向上(或左)跟踪跟踪方向，那么光栅跟踪克服与扫描方向有关的缺点。 这可以通过定义不同邻域的方式来实现。 相似地，如果可以识别出所选跟踪标准不相邻的像素，则光栅跟踪可以合适地克服错过与扫描方向平行的曲线的缺点。 所谓全方向跟踪，是跟踪方向为任意方向，有足够的跟踪距离的跟踪方法。 很明显，全方位追踪是改变邻域定义和追踪基准的光栅追踪法。 全方位追踪，具体程序： (1)光栅扫描方式扫描图像，找到用检测阈值开始追踪的流动点。 (2)选择适当的邻近定义，在其中可以进行全向跟踪(例如，接近八度)，并且选择适当的跟踪标准，例如灰度阈值、对比度和相对流动点之间的距离，以跟踪流动点。 在追踪过程中，如果遇到：全向追踪、(a )分支点或几条曲线的交点(即几个点同时追踪一个流动点)，则将其中最接近当前流动点的性质作为新流动点继续追踪。 记住剩下的点，以后继续追踪。 如果在跟踪过程中发现新的分支或交叉点，请重复上述步骤。 如果目标点接受根据跟踪标准未检测到的点，则分支曲线的跟踪结束。 (b )一个分支曲线的追踪结束后，返回最接近的一个分支点，取出与该分支点最接近的性质的像素作为新的流动点，重复上述追踪程序。全向跟踪、(c )跟踪所有支点的所有跟踪点后，返回到第一步，继续扫描并选择新的流动点(不是作为对象接受的点)。 (3)当整个图像的扫描完成时，跟踪程序结束。 全向跟踪，特征：全向跟踪改进了光栅扫描跟踪方法，跟踪时考虑初始点的所有八邻点。 7.4Hough变换检测法、问题的Hough变换基本思想算法实现了Hough变换的扩展，7.4Hough变换检测法、问题的提案在发现边界点集后需要连接，形成完整的边界图形描述，基本思想对边界上的n点集找到了公共线点集和线性方程正交坐标系的直线l可以由、表示，直线方程式中，是从原点到该直线的垂直距离，是垂线与x轴的角度，该直线是唯一的。 构建参数的平面，得出以下结论：7.4Hough变换检测法对应于直线，直角坐标系的直线对应于极坐标系的点，该线的点变换为Hough变换，7.4Hough变换检测法，基本思想： 实现了7.4Hough变换检测法、算法：采用交点累加器或交点