图像的检测与分割课件

1、 模式识别：图像分割1. 引言2. 阈值与图像分割3. 边缘检测与图像分割4. Hough变换5. 区域增长引言前面介绍的图像增强和恢复是对整幅图像的质量进行改善，是输入输出均为图像的处理方法，而图像分析则是更详细地研究并描述组成一幅图像的各个不同部分的特征及其相互关系，是输入为图像而输出为从这些图像中提取出来的属性的处理方法。图像分析的结果不是一幅完美的图像，而是用数字、文字、符号、几何图形或其组合表示图像的内容和特征，对图像景物的详尽描述和解释。典型的图像分析和理解系统如下图。在该系统中，图像的增强和恢复可以看作预处理，其输入、输出均是图像，它是传统的图像处理的内容。而图像分割、特征提取及

2、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。图像分割的目标是重点根据图像中的物体将图像的像素分类，并提取感兴趣目标图像分割是图像识别和图像理解的基本前提步骤图像图像预处理图像识别图像理解图像分割图像分割是将图像划分为若干互不相交的小区域的过程。图像分割就是指把图像分成互不重叠的区域并提取出感兴趣目标的技术和过程。图像分割是由图像处理进到图像分析的关健步骤。一方面，它是目标表达的基础，对特征测量有重要的影响。另一方面，因为图像分割及其基于分割的目标表达、特征提取和参数测量等将原始图像转化为更抽象更紧凑的形式，使得更高层的图像分析和理解成为可能。 图像分割的基本策略是基于灰度值的两个基

3、本特性：区域之间的不连续性先找到点、线（宽度为1）、边（不定宽度）再确定区域区域内部的相似性通过选择阈值，找到灰度值相似的区域区域的外轮廓就是对象的边阈值与图像分割阈值是在分割时作为区分物体与背景像素的门限，大于或等于阈值的像素属于物体，而其它属于背景。这种方法对于在物体与背景之间存在明显差别（对比）的景物分割十分有效。实际上，在任何实际应用的图像处理系统中，都要用到阈值化技术。为了有效地分割物体与背景，人们发展了各种各样的阈值处理技术，包括全局阈值、自适应阈值、最佳阈值等等。阈值与图像分割图像分割的经典方法是基于灰度阈值的分割方法我们已经讨论了简单的单值阈值，它把一幅灰度图像转换成二值图像简

4、单的单值阈值在数学上可以描述为：常用的方法是求解灰度直方图中的双峰或者多峰， 并以两峰之间的谷底作为阈值T阈值举例设想电脑玩家手中的扑克牌，我们需要对其进行视觉上的分析原始图像阈值图像全局阈值（Global Thresholding）全局阈值是指整幅图像使用同一个阈值做分割处理，并产生一个二值图，区分出前景对象和背景。适用于背景和前景对比度大的图像算法实现：选取一个合适的阈值T，逐行扫描图像凡灰度级大于T的，颜色置为255；凡灰度级小于T的，颜色置为0基本的全局阈值算法基本的全局阈值T可以按如下计算：1、选择一个初时估计值T （一般为图像的平均灰度值）2、使用T分割图像，产生两组像素：G1包括

5、灰度级大于T的像素，G2包括灰度级小于等于T的像素3、计算G1 中像素的平均值并赋值给1，计算G2 中像素的平均值并赋值给24、计算一个新的阈值：5、重复步骤 2 4，一直到两次连续的T之间的差小于预先给定的上界T阈值举例2通过算法迭代产生全局阈值单值阈值的问题单值阈值只能对双峰直方图工作得较好对于其它类型的直方图，需要更多的阈值单值阈值和光照不均匀的光照会使单值阈值方案失效基本的自适应阈值解决单值阈值无法工作的一个方法是将图像分割为子图像，并分别进行阈值化处理由于每个像素的阈值依赖于其在图像中的位置，因此称为自适应（adaptive）阈值基本的自适应阈值举例下图为对前面提到的图像进行自适应阈

6、值后的图像我们看到图像得到了改善，但是需要对出错的图像进行进一步的细分，从而得到更好的效果边缘检测与图像分割边缘检测首先检出图像局部特性的不连续性，然后再将这些不连续的边缘像素连接成完整的边界。边缘的特性是沿边缘走向的像素变化平缓，而垂直于边缘方向的像素变化剧烈。所以，从这个意义上说，检测边缘的算法就是检出符合边缘特性的边缘像素的数学算子，目前，边缘检测场采用边缘算子法和模板匹配法等。点检测汽轮机叶片对应的X光图像点检测的结果改变阈值的结果线检测通过比较典型模板的计算值，确定一个点是否在某个方向的线上你也可以设计其它模板：模板系数之和为0感兴趣的方向系数值较大-1-1-1222-1-1-1水平

7、模板-1-12-12-12-1-145度模板-12-1-12-1-12-1垂直模板2-1-1-12-1-1-12135度模板边缘检测与图像分割术语定义边缘的定义： 指图像中像素灰度有阶跃变化或屋顶变化的那些像素的集合。 一段边缘是两个具有相对不同灰度值特性的区域的边界线边缘的分类： 阶跃状 屋顶状轮廓：边缘列表或一条表示边缘列表的拟合曲线边缘连接：从无序边缘表形成有序边缘表的过程边缘跟踪：一个用来确定轮廊的图像搜索过程边缘检测与图像分割 两种常见的边缘一阶导数和二阶导数示意图 (a)阶跃函数 (b)屋顶函数梯度与图像分割一阶微分：用梯度算子来计算当物体与背景有明显对比度时，物体的边界处于图像梯

8、度最高的点上，通过跟踪图像中具有最高梯度的点的方式获得物体的边界，可以实现图像分割。这种方法容易受到噪声的影响而偏离物体边界，通常需要在跟踪前对梯度图像进行平滑等处理，再采用边界搜索跟踪算法来实现。二阶微分：用拉普拉斯算子来计算边缘检测与图像分割几种常用的边缘检测算子： 梯度算子 Roberts算子 Prewitt算子 Sobel算子 Kirsch算子 Laplacian算子 Marr算子常用的边缘检测器给定图像中的一个 3*3区域，使用下面的边缘检测滤波器进行检测，它们都使用一阶导数边缘检测举例原始图像水平梯度部分垂直梯度部分组合得到边缘图像边缘检测问题边缘检测中经常碰到的问题是：图像中存在

9、太多的细节。比如，前面例子中的砖墙图像受到噪声的干扰，不能准确的检测边缘解决的一个方法是在边缘检测之前对图像进行平滑平滑后的边缘检测举例原始图像水平梯度部分垂直梯度部分组合得到边缘图像边界提取与轮廓跟踪为了获得图像的边缘人们提出了多种边缘检测方法，如Sobel, Canny edge, LoG。在边缘图像的基础上，需要通过平滑、形态学等处理去除噪声点、毛刺、空洞等不需要的部分，再通过细化、边缘连接和跟踪等方法获得物体的轮廓边界。 将检测的边缘点连接成线就是边缘跟踪。线是图像分析中一个基本而重要的内容，它是图像的一种中层符号描述，它使图像的表述更简洁，并可用来完成一定图像的识别任务。将边缘点连成

10、线的方法很多，但都不完善，基本上是按一定的规则来进行，且需要知识的引导，对跟踪的效果往往要人工编辑。 由边缘形成线特征包括两个过程：提取可构成线特征的边缘；将边缘连成线。连接边缘的方法很多，主要有光栅扫描跟踪和全向跟踪法 边界提取与轮廓跟踪Hough变换对于图像中某些符合参数模型的主导特征，如直线、圆、椭圆等，可以通过对其参数进行聚类的方法，抽取相应的特征。Hough变换Hough的定义：如图 (a)，在直角坐标系中有一条直线l，原点到该直线的垂直距离为，垂线与x轴的夹角为，则这条直线是唯一的，且其直线方程为： =xcos+ysin而这条直线用极坐标表示则为一点（、）。可见，直角坐标系中的一条

11、直线对应极坐标系中的一点，这种线到点的变换就是Hough变换。 Hough变换在直角坐标系中过任一点（x0,y0）的直线系，如图(b)，满足=x0cos+y0sin =(x02+y02)1/2sin(+) 其中=tg-1(y0/x0)Hough变换而这些直线在极坐标系中所对应的点（、）构成图(c)中的一条正弦曲线。反之，在极坐标系中位于这条正弦曲线上的点，对应直角坐标系中过点(x0,y0)的一条直线，如图 (d)所示。 Hough变换设平面上有若干点，过每点的直线系分别对应于极坐标上的一条正弦曲线。若这些正弦曲线有共同的交点（，），如图(e),则这些点共线，且对应的直线方程为 =xcos+ys

12、in 这就是Hough变换检测直线的原理。 Hough变换原图Hough变换进行边缘检测Hough变换图像灰度阈值分割技术都没有考虑到图像像素空间的连通性。区域增长是把图像分割成特征相同的若干小区域，比较相邻小区域特征的相似性，若它们足够相似，则作为同一区域合并，以此方式将特征相似的小区域不断合并，直到不能合并为止，最后形成特征不同的各区域。这种分割方式也称区域扩张法。区域内像素的相似性度量可以包括平均灰度值、纹理、颜色等信息。区域增长进行区域增长首先要解决三个问题：确定区域的数目；选择有意义的特征；确定相似性准则。 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，继续重复以上的操作，最终形成具有相似特征的像素的最大连通集合。这种方法称简单（单一型）区域扩张法。下面给出以像素灰度为特征进行简单区域增长的步骤。1）对图像进行光栅扫描，求出不属于任何区域的像素。当寻找不到这样的像素时结束操作。2）把这个像素灰度同其周围（4-邻域或8-邻域）不属于其他区域的像素进行比较，若灰度差值小于阈值，则合并到