第07章_图像分割

1、第七章第七章图像分割图像分割 7.1 7.1 概概 述述u 图像处理的重要任务:对图像中的对象进行分析和理解u 在图像分析中，输出的结果是对图像的描述、分类或其他的某种结论 。7.1 7.1 概概 述述u图像分析主要包括以下几部分内容：把图像分割成不同的区域，或把不同的目标分开（分割）。即把图像分成互不重叠的区域并提取出感兴趣目标 ；找出各个区域的特征（特征提取）；识别图像中的内容，或对图像进行分类（识别与分类）；给出结论（描述、分类或其他的结论）。 n典型的图像分析和理解的系统 u 图像分割的目的图像分割是指通过某种方法，使得画面场景被分为“目标物”（前景目标）及“非目标物”（背景）两类,即

2、将图像的像素变换为黑、白两种。因为结果图像为二值图像，所以通常又称图像分割为图像的二值化处理。u 图像分割的作用 图像分割是图像识别和图像理解的基本前提步骤，图像分割质量的好坏直接影响后续图像处理的效果。图像分割在整个图像处理过程中的作用 图像的增强和恢复可以看作预处理，其输入、输出均是图像，传统的图像处理的内容;图像分割、特征提取及结构分析等称为图像识别，其输入是图像，输出是描述或解释。u 图像分割的作用u 图像分割示例u 图像分割示例 肾小球区域的提取?u 图像分割示例 细菌检测u 图像分割示例 印刷缺陷检测u 图像分割示例 印刷缺陷检测检测结果检测结果局部放大图局部放大图 图像分割的基本

3、策略：分割算法基于灰度值的两个基本特性：不连续性和相似性。 第一类性质的应用途径是基于灰度的不连续变化分割图像，比如图像的边缘。第二类性质的主要途径是依据事先制定的准则将图像分割为相似的区域。u 图像分割的方法 从分割依据出发 “非连续性分割”检测局部不连续性形成边界，然后通过边界将图像分成不同的区域。这种基于不连续性原理的方法常称为“基于点相关的分割技术”u 图像分割的方法 “相似性分割”就是将具有同一灰度级或纹理的像素聚集在一起，形成图像中的不同区域。这种基于相似性原理的方法常称为“基于区域相关的分割技术” 两种方法具有互补性，一般在不同的场合需要不同方法，有时也将它们的处理结果相结合，以

4、获得更好的效果。 根据分割算法本身 阈值法、边缘检测法、匹配法等u 图像分割的方法 分割结果中同一个子区域内的像素应当是连通的； 同一个子区域内的任两个像素在该子区域内互相连通。图像分割相似性检测不连续性检测区域分割阈值分割区域分裂与合并自适应边界分割边缘检测边缘跟踪Hough变换图像分割算法u 新方法： 模糊边缘检测方法、图像模糊聚类分割方法、小波变换的多尺度边缘检测方法、BP神经网络用于边缘检测、图像分割的神经网络法等等。7.2 7.2 像素的邻域和连通性像素的邻域和连通性u 4邻域 对一个坐标为 的像素p，它可以有两个水平和两个垂直的近邻像素。坐标分别为： 这四个像素称为p 的4邻域。

5、互为4邻域的像素又称为4连通的。),(yx) 1,(),1,(), 1(), 1(yxyxyxyx7.2 7.2 像素的邻域和连通性像素的邻域和连通性u 8邻域 取像素p四周的8个点作为相链接的邻域点，除掉p本身外，剩下的8个点就是p的8邻域。互为8邻域的像素又称为8连通的 。 u 目标和背景的连通性定义必须取不同，否则会引起矛盾。0000001110010100011000000目标和背景连通性u 应用函数bwlabel根据4连通或8连通准则在二值图像中判断目标。BW = 1 1 1 0 0 0 0 0; 1 1 1 0 1 1 0 0; 1 1 1 0 1 1 0 0; 1 1 1 0 0

6、 0 1 0; 1 1 1 0 0 0 1 0; 1 1 1 0 0 0 1 0; 1 1 1 0 0 1 1 0; 1 1 1 0 0 0 0 0; %给定的二值图像矩阵L4 = bwlabel(BW,4) %根据4连通准则判定目标L8 = bwlabel(BW,8) %根据8连通准则判定目标根据4连通准则，得到的目标是3个： L4 = 1 1 1 0 0 0 0 0 1 1 1 0 2 2 0 0 1 1 1 0 2 2 0 0 1 1 1 0 0 0 3 0 1 1 1 0 0 0 3 0 1 1 1 0 0 0 3 0 1 1 1 0 0 3 3 0 1 1 1 0 0 0 0 0 根

7、据8连通准则，得到目标是2个： L8 =1 1 1 0 0 0 0 0 1 1 1 0 2 2 0 0 1 1 1 0 2 2 0 0 1 1 1 0 0 0 2 0 1 1 1 0 0 0 2 0 1 1 1 0 0 0 2 0 1 1 1 0 0 2 2 0 1 1 1 0 0 0 0 07.3 7.3 图像的阈值分割技术图像的阈值分割技术 u 灰度阈值分割方法： 若图像中目标和背景具有不同的灰度集合，且两个灰度集合可用一个灰度级阈值T进行分割，这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域。u 设图像为 ，其灰度集范围是0,L，在0和L之间选择一个合适的灰度阈值T进行分

8、割。),(yxfu 灰度阈值分割思路： 根据图像中要提取的目标物与背景在灰度特性上的差异，确定一个阈值，将图像二值化，即将目标从背景中分离出来。图像分割方法得到一幅二值图像：TyxfTyxfyxg),(0),(1),(（a）原图像 （b）直方图 （c）已分割的图像阈值分割 一、全局阈值分割整幅图象使用同一个阈值做分割处理，是最简单的图像分割方法。根据不同的目标，选用最佳的阈值。u 最佳阈值的确定方法：实验法 需要知道图像的某些特征直方图法 适用于目标和背景的灰度差较大，直方图有明显谷底的情况最小误差的方法 分割错误最小的阈值u 基于灰度直方图的峰谷方法设计思想 假设某图像的灰度直方图具有二峰性

9、，则表明这个图像较亮的区域和较暗的区域可以较好地分离。 取二峰间的谷点为阈值点，可以得到好的二值处理的效果。 基于灰度直方图的峰谷方法示例 基于灰度直方图的峰谷方示例u 基于灰度直方图的峰谷阈值方法特点 简单、有效的阈值方法 局限性：图像的灰度直方图必须具有双峰性二、自适应阈值分割当照明不均匀、有突发噪声或者背景灰度变化比较大的时候，物体和背景的对比度在图象中不是各处一样的，这时很难用统一的一个阈值将物体与背景分开，可以根据图象的局部特征分别采用不同的阈值进行分割。实际处理时，需按照具体问题将图象分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图象分割 。与坐标相

10、关的阈值称为自适应阈值的方法或动态阈值方法。自适应阈值分割特点： 算法的时间复杂度和空间复杂度比较大； 抗噪声的能力比较强。7.4 7.4 图像的边缘检测图像的边缘检测 u图像边缘是图像特征的一个重要的属性。 边缘常常意味着一个区域的终结和另一个区域的开始，是图像局部特征不连续的表现。图像边缘有方向和幅度两个特征。u基于灰度不连续性进行的分割方法。u 一阶微分：用梯度算子来计算特点：对于亮的边，边的变化起点是正的，结束是负的。对于暗边，结论相反。常数部分为零。用途：用于检测图像中边的存在u 二阶微分：通过拉普拉斯来计算 特点：二阶微分在亮的一边是正的，在暗的一边是负的。常数部分为零。 用途：1

11、）二次导数的符号，用于确定边上的像素是在亮的一边，还是暗的一边。2）0跨越，确定边的准确位置u用差分、梯度、拉普拉斯算子及各种高通滤波处理方法对图像边缘进行增强，只要再进行一次门限化的处理，便可以将边缘增强的方法用于边缘检测。 边缘检测=图像增强处理+门限化处理。 其目的不是加强图像中边缘信息，而是抽取边缘轮廓，并用于区域分割。u 梯度算子梯度算子 图像中不同区域其灰度值是不同的，灰度值的不连续变化导致灰度边缘的存在，可利用导数检测到这种不连续。 梯度对应于一阶导数，相应的梯度算子就对应于一阶导数算子。 对于一个连续函数f (x,y)，其在(x,y)处的梯度: yfxfGGfyxu 梯度算子梯

12、度算子),(, ),(max),(),(),(),(),(),(),() 1,(),(),(), 1(),(),(2122yxfyxfyxfGyxfyxfyxfGyxfyxfyxfGyxfyxfyxfyxfyxfyxfyxyxyxyx1. Roberts算子 (对角方向) 10010110) 1,(), 1(),() 1, 1(),(),(yxfyxfyxfyxfyxfyxfyx2. Sobel算子(先加权平均，再微分) 101202101121000121)1, 1(), 1(2) 1, 1()1, 1() 1,(2) 1, 1(),()1, 1() 1,(2) 1, 1()1, 1() 1

13、,(2) 1, 1(),(yxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyx用Sobel水平方向模板对lena256_256.bmp进行检测的结果 采用Sobel竖直方向模板对lena256_256.bmp进行检测的结果 3. Prewitt算子 101101101111000111)1, 1(), 1() 1, 1()1, 1() 1,() 1, 1(),()1, 1() 1,() 1, 1()1, 1() 1,() 1, 1(),(yxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyxfyx(a) 原图像 (b) Rober

14、ts算子检测 (c) Prewitt算子检测 (d) Sobel算子检测 u 拉普拉斯算子拉普拉斯算子 Laplacian是二阶导数算子，也是借助模板来实现。 对模板有一些基本要求：模板中心的系数为正，其余相邻系数为负，且所有的系数之和为零。 常用的模板有：010141010010151010010141010111181111u 方向算子方向算子利用一组模板对图像中的同一像素求卷积，然后选取其中最大的值作为边缘强度，而将与之对应的方向作为边缘方向。优点：不仅仅只考虑水平和垂直方向，还可以检测其他方向上的边缘。缺点：计算量将大大增加。常用的有8方向Kirsch（33）模板，方向间的夹角为45。

15、 33 Kirsch算子的八方向模板 u CannyCanny边缘检测算子边缘检测算子 图像边缘检测必须条件：有效抑制噪声，具有较高的信噪比；尽量精确确定边缘的位置，使检测出的边缘在真正的边界上。 Canny边缘检测：一种具有较好边缘检测性能的算子，利用高斯函数的一阶微分性质，把边缘检测问题转换为检测准侧函数极大的问题，能在噪声抑制和边缘检测之间取得较好的折中。考核边缘检测算子的指标是： 低误判率，即尽可能少地把边缘点误认为是非边缘点； 高定位精度，即准确地把边缘点定位在灰度变化最大的像素上； 抑制虚假边缘。 Canny算子设计过程：二维高斯函数为)(21exp21),(2222yxyxG)(

16、)()2exp()2exp(212222yhxhyxkxxG)()()2exp()2exp(212222xhyhxykyyG)2exp()( ),2exp()(222221xkxhxxkxh)2exp()( ),2exp()(222221ykyhyykyh h1(x)=xh2(x), h1(y)=yh2(y), k为常数 将偏微分方程分别与图像f(x,y)进行卷积，得到方向微分输出 ),(* ),(*yxfyGEyxfxGEyx),(),(),(),(),(),(22jiEjiEarctgjijiEjiEjiAxyyxA(i,j)是灰度梯度模值，反映了图像上点（i,j）处的灰度变化强度， 是梯

17、度方向，反映了该点处的灰度变化最快的方向，即该点的法向矢量（正交于边缘方向的方向）。),(ji step1:用高斯滤波器平滑图象； step2:用一阶偏导的有限差分来计算梯度的幅值和方向； step3:对梯度幅值进行非极大值抑制； step4:用双阈值算法检测和连接边缘。 step1:高斯平滑函数 判断一个像素是否为边缘点的条件为： 像素(i, j)的边缘强度大于沿梯度方向的两个相邻像素的边缘强度； 与该像素梯度方向上相邻两点的方向差小于45； 以该像素为中心的33邻域中的边缘强度的极大值小于某个阈值 。 判断一个像素是否为边缘点的条件为： 如果条件（1）、（2）同时满足，那么在梯度方向上的两

18、个相邻像素就从候选边缘点集合中取消，这样可以减少运算量。 条件（3）相当于用区域梯度最大值组成的阈值图像与边缘点进行匹配，这一过程可以消除虚假的边缘点。Canny算子的检测比较优越，可以减少小模板检测中边缘中断，有利于得到较完整的边缘。MATLAB程序： I = imread(blood1.tif); imshow(I); BW5 = edge(I, canny); figure,imshow(BW5,); Canny算子边缘检测的结果图 u 边缘跟踪边缘跟踪上述方法仅得到处在边缘上的像素点。噪声和不均匀的照明而产生的边缘间断的影响，使得经过边缘检测后得到的边缘像素点很少能完整地描绘实际的一条

19、边缘。可以在使用边缘检测算法后，紧接着使用连接方法将边缘像素组合成有意义的边缘。光栅扫描跟踪法： 一种简单的利用局部信息、通过扫描的方式将边缘点连接起来的方法。 采用电视光栅行扫描顺序对遇到的像素进行分析，从而确定其是否为边缘。* 由于光栅扫描跟踪和扫描方向有关，因此最好沿其他方向再跟踪一次 。 7.6 7.6 区域生长区域生长法法u原理：原理：将具有相似性质的像素集合起来构成区域u分类：分类：单连接区域增长法混合连接区域增长法7.6 7.6 区域生长区域生长法法u单连接区域增长法单连接区域增长法：仅考虑一个像素与另一个相邻像素的特性是否相似。u步骤：步骤： 对图像进行扫描，求出不属于任何区域

20、的种子像素； 将该像素的灰度值与4或8邻域内任何一个区域的像素灰度值相比，差值小于设定的门限，合并为同一区域； 对于那些新合并的像素，重复（2）； 反复（2）（3），直至不能再增长； 返回至（1），重新寻找能成为新区域出发点的像素。7.6 7.6 区域生长区域生长法法u混合连接区域增长法混合连接区域增长法：考虑一个像素与对应的像素周围kk邻域的特性是否相似。u步骤步骤：单连接区域增长法类似。u实质：把具有相似性质的像素连通，构成最终的分割区域。利用图像的局部空间信息，可有效的客服其他方法存在的图像分割空间不连续的缺点。u 在实际应用区域生长法时需要解决三个问题： 选择一组能正确代表所需区域的种子像素； 种子像素的选取常可借助具体问题的