小波与傅里叶分析基础,图像处理电子书

本章重点：图像分割的基本概念及图像分割分类的基础边缘分割法阈值分割法区域分割法第7章图像分割技术7.1图像分割概述7.2边缘检测7.3阈值分割7.4区域分割7.5彩色图像分割7.6基于分水岭的分割7.7连接成分的标记第7章图像分割技术7.1图像分割概述

目的：把图像空间分成一些有意义的区域，与图像中各种物体目标相对应。通过对分割结果的描述，可以理解图像中包含的信息。

图像分割是将像素分类的过程，分类的依据可建立在:像素间的相似性非连续性图像分割和集合定义的描述令集合R代表整个图像区域，对R的图像分割可以看作是将R分成N个满足以下条件的非空子集R1，R2，….，RN：图像分割方法和种类以不同的分类标准，图像分割方法可以划分为不同的种类。

图像分割应用机器阅读理解OCR录入遥感图像自动识别在线产品检测医学图像样本统计医学图像测量图像编码图像配准的预处理物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等，同时物体的边缘也是不同区域的分界处。

通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈。7.2边缘检测7.2.1边缘检测概述根据灰度变化的特点，常见的边缘可分为阶跃型、房顶型和凸缘型

边缘检测是基于边界分割方法的最基本的处理。7.2.2边缘检测方法边缘检测的方法很多，主要有以下几种: 1、空域微分算子，也就是传统的边缘检测方法。如Roberts算子、Prewitt算子和Sobel算子等。

2、拟合曲面。该方法利用当前像素邻域中的一些像素值拟合一个曲面，然后求这个连续曲面在当前像素处的梯度。 3、小波多尺度边缘检测。 4、基于数学形态学的边缘检测。

Prewitt算子用卷积模板为：

其中Kirsch算子边缘的梯度大小为

其中几种常用的边缘检测微分算子，

LOG（Laplacian-Gauss）算子

Marr和Hildreth将Gaussian滤波器和Laplacian边缘检测结合在一起，形成了LoG(LaplacianofGaussian)算法。即先用高斯函数对图像进行平滑，然后再用拉普拉斯算子进行运算，形成Laplacian-Gauss算法，它使用一个墨西哥草帽函数形式。特点：与高斯滤波器进行卷积，既平滑了图像又降低了噪声，孤立的噪声点和较小的结构组织将被滤除。

在边缘检测时仅考虑那些具有局部梯度最大值的点为边缘点，用拉普拉斯算子将边缘点转换成零交叉点，通过零交叉点的检测来实现边缘检测。

，

Canny（坎尼）算子

3个准则：信噪比准则定位精度准则单边缘响应准则具体步骤：首先用2D高斯滤波模板进行卷积以平滑图像；利用微分算子，计算梯度的幅值和方向；对梯度幅值进行非极大值抑制。即遍历图像，若某个像素的灰度值与其梯度方向上前后两个像素的灰度值相比不是最大，那么这个像素值置为0，即不是边缘；使用双阈值算法检测和连接边缘。即使用累计直方图计算两个阈值，凡是大于高阈值的一定是边缘；凡是小于低阈值的一定不是边缘。如果检测结果大于低阈值但又小于高阈值，那就要看这个像素的邻接像素中有没有超过高阈值的边缘像素，如果有，则该像素就是边缘，否则就不是边缘。，

图像的轮廓（边界）跟踪(boundarytracking)与边缘检测是密切相关的，因为轮廓跟踪实质上就是沿着图像的外部边缘“走”一圈。轮廓跟踪也称边缘点连接，是一种基于梯度的图像分割方法。是指从梯度图中一个边界点出发，依次通过对前一个边界点的考察而逐步确定出下一个新的边界点，并将它们连接而逐步检测出边界的方法。7.2.3边界跟踪具体轮廓跟踪过程大致可分以下三步：(1)确定轮廓跟踪的起始边界点。根据算法的不同，选择一个或多个边缘点作为搜索的起始边缘点。(2)选择一种合适的数据结构和搜索策略，根据已经发现的边界点确定下一个检测目标并对其进行检测。(3)制定出终止搜寻的准则(一般是将形成闭合边界作为终止条件)，在满足终止条件时结束搜寻。

常用的轮廓跟踪技术有两种:探测法和梯度图法。

一种简单的边界跟踪法(二值图像）：(1)根据光栅扫描发现像素从0开始变为1的像素时，存储它的坐标（i,j)值。(2)从像素(i,j-1)开始反时针方向研究8-邻接像素，当第一次出现像素值为1的像素记为pk，开始k=1,，也同样存储p1的坐标。(3)同上，反时针方向从pk-1以前的像素研究pk的8-邻接像素，把最先发现像素值为1的像素记为pk+1。(4)当pk=p0而且pk+1=p1时，跟踪结束。在其他情况下，把k+1更新当作k返回第(3)步。

右图描述了边界跟踪的顺序。第一步，根据光栅扫描，发现像素p0，其坐标为(3,5)。第二步，反时针方向研究像素p0的8-邻接像素(3,4)，(4,4)，(4,5)，由此发现像素p1。第三步，反时针方问从p0以前的像素，即像素(3,4)开始顺序研究p1的8-邻接像素，因此发现像素p2。这时，因为p0≠p1，所以令pk=p2，返回第三步。反复以上操作，以p0,p1,…,pn的顺序跟踪8-邻接的边界像素。

阈值分割算法是区域分割算法中具有代表性的一类非常重要的分割算法。以一定的图像模型为依托，通过取阈值后得到的图像，各个区域可以分离开。最常用的图像模型是假设图由具有单峰灰度分布的目标和背景组成。7.3阈值与图像分割

7.3.1阈值分割原理及分类

单一阈值的灰度直方图仅使用一个阈值分割的方法称为单阈值分割方法。如果图像中有多个灰度值不同的区域，那么可以选择一系列的阈值以将每个像素分到合适的类别中去，这种用多个阈值分割的方法称为多阈值分割方法。

分类：单阈值分割，多阈值分割多阈值的灰度直方图T2T1阈值选取依据: 1、仅取决于图像灰度值，仅与各个图像像素本身性质相关的阈值选取——全局阈值。

2、取决于图像灰度值和该点邻域的某种局部特性，即与局部区域特性相关的的阈值选取——局部阈值。 3、除取决于图像灰度值和该点邻域的某种局部特性之外，还取决于空间坐标，即得到的阈值与坐标相关的阈值选取——动态阈值或者自适应阈值。7.3.2全局阈值原理：假定物体和背景分别处于不同灰度级，图像被零均值高斯噪声污染，图像的灰度分布曲线近似用两个正态分布概率密度函数分别代表目标和背景的直方图，利用这两个函数的合成曲线拟合整体图像的直方图，图像的直方图将会出现两个分离的峰值，如图7-11所示。然后依据最小误差理论针对直方图的两个峰间的波谷所对应的灰度值求出分割的阈值。

阈值T图7-11双峰直方图7.3.2全局阈值该方法适用于具有良好双峰性质的图像，但需要用到数值逼近等计算，算法十分复杂，而且多数图像的直方图是离散、不规则的。在实际阈值分割过程中，往往需要能够自动获取阈值，下面的算法可以自动获得全局阈值：

1）选取一个的初始估计值T；2）用T分割图像。这样便会生成两组像素集合：G1由所有灰度值大于T的像素组成，而G2由所有灰度值小于或等于T的像素组成。3）对G1和G2中所有像素计算平均灰度值u1和u2。4）计算新的阈值：T=1/2(u1+u2)。重复步骤（2）到（4），直到得到的T值之差小于一个事先定义的参数T0。对于用单一全局阈值无法有效分割的直方图，可以采用自适应阈值进行分割。该类方法的基本步骤如下：1）将整幅图像分成一系列互相之间有50%重叠的子图像；2）做出每个子图像的直方图；3）检测各个子图像的直方图是否为双峰，如果是，则采用最佳阈值法确定一个阈值，否则就不进行处理；4）根据对直方图为双峰的子图像得到的阈值通过插值得到所有子图像的阈值；7.3.3基本自适应阈值阈值的选择对于图像分割结果至关重要。仅凭人眼主观上的感觉很难选择到合适的阈值。4种比较经典的阈值选取方法极小值点阈值选取方法最优阈值选取方法迭代阈值选取方法利用灰度统计直方图的直方图凹性分析的阈值选取方法。7.3.4阈值选取方法

原理：通过寻找直方图的极小点确定分割阈值，在确定极小点过程中可能需要对直方图进行平滑。图像的灰度直方图是一种离散分布，其包络曲线则是一条连续的曲线，求其包络曲线h(z)极小值作为阈值。实际图像由于各种因素的影响，其灰度直方图往往存在许多起伏，不经预处理将会产生若干虚假的“谷”。一般先对其进行平滑处理，然后再取包络，这样将在一定程度上消除虚假“谷”对分割阈值的影响。在具体应用时，多使用高斯函数g(z,σ)与直方图的原始包络函数h(z)相卷积而使包络曲线得到一定程度的平滑:

极小值点阈值选取方法

通常，图像中目标和背景的灰度值有部分交错，分割时总希望减少分割误差。通过背景和目标的灰度概率分布函数可以在一定条件下确定最优阈值。假设一幅图像包含两个灰度级并混有高斯加性噪声。令z表示灰度级值。此时该图像的灰度直方图可以看成是对灰度取值的概率密度函数p(z)的近似。

最佳阈值搜寻方法

其中概率密度函数较大的一个对应于背景的灰度级，而较小的描述了图像中目标的灰度级。则整体灰度级变化的混合概率密度函数可以表达成:

这里u1和u2分别是图像两个灰度级的灰度均值；σ1和σ2分别是相应于均值的标准偏差，p1和p2是两类像素出现的概率，并且必须满足下列限制条件：

上述混合概率密度函数中，共含有五个待确定的参数。如果所有参数都己知，那么就可以很容易地确定最佳的分割阈值。

假设图像中的暗区域相应于背景，而图像的亮区域相应于图像中的物体，并且可定义阈值T，使得所有灰度值小于T的像素可以被认为是背景点，而所有灰度值大于T的像素可以被认为是物体点。此时，物体点误判为背景点的概率为:这表示在曲线p2(z)下方位于阈值左边区域的面积。将背景点误判为物体点的概率为：总的误判概率为：为了找到一个阈值T使得上述的误判概率为最小，必须将E(T)对T求微分(应用莱布尼兹公式)，并令其结果等于零。由此可以得到如下的关系：

解出T，即为最佳阈值。如果，则最佳阈值位于曲线和的交点处

概率密度函数并不是总可以估计的。借助高斯密度函数，利用参数可以比较容易得到这两个概率密度函数。将这一结果应用于高斯密度函数，取其自然对数，通过化简，可以得到如下的二次方程：其中：由于二次方程有两个可能的解，所以需要选出其中合理的一个作为图像分割的阈值。讨论：如果两个标准偏差相等，即σ12=σ22=σ2，则上式中的A=0，我们得到一个解：

此即为图像分割的最佳阈值T如果先验概率也相等，那么得到的解中的第二项等于零，最佳分割阈值为图像中两个灰度均值的平均数，即

如果背景与目标的灰度范围有部分重叠，仅取一个固定的阈值会产生较大的误差，为此，可以采用双阈值方法。

迭代阈值选取方法

利用程序自动搜寻出比较合适的阈值。此阈值选取方法首先选取图像灰度范围的中值作为初始值T，把原始图像中全部像素分成前景、背景两大类，然后分别对其进行积分并将结果取平均以获取一新的阈值，并按此阈值将图像分成前景、背景。如此反复迭代下去，当阈值不再发生变化，即迭代已经收敛于某个稳定的阈值时，此刻的阈值即作为最终的结果并用于图像的分割。数学描述

这类算法的时间和空间复杂性比较大，但抗噪声能力强，对一些用全局阈值不易分割的图像有较好的分割效果，如对二值化文档图像采用该分割具有较好的性能。下面介绍分水岭阈值算法。

基本概念分水岭概念是以对图像进行三维可视化处理为基础的。其中两个是坐标，另一个是灰度级。对于这样一种“地形学”的解释，需考虑三点：（a）属于局部性最小值的点；（b）当一滴水放在某点的位置上的时候，水一定会下落到一个单一的最小值点；（c）当水处在某个点的位置时，水会等概率地流向不止一个这样的最小值点。7.3.5动态阈值

对一个特定区域最小值，满足条件（b）的点的集合称为这个最小值的“汇水盆地”或“分水岭”。满足条件（c）的点的集合组成地形表面的峰线，称为“分水线”或“分割线”。分水岭阈值算法和直接在最佳阈值处分割不同，它是一种特殊的自适应迭代阈值分割算法。算法的主要目标是找出分水线。

基本思想：假设在每个区域最小值的位置上打一个洞，并且让水以均匀的上升速率从洞中涌出，从低到高淹没整个地形。当处在不同的汇聚盆地中的水将要聚合在一起时，修建的大坝将阻止聚合。水将只能到达大坝的顶部处于水线之上的程度。这些大坝的边界对应于分水岭的分割线。

图中给出的是一幅图像中的一个剖面，其中灰度较高的两个峰分别对应目标O1和O2。分割的任务是将两个目标从背景中提取出来并互相分开。先用一个较大的阈值进行分割，它可将图中的两个目标与背景分开，只是其间的间隙太宽。如果接下来逐渐减小阈值，目标的边界随阈值的减小而相向扩展，最终两个目标会相遇，但此时不让两个目标合并，这样它们相接触前所保留的最后像素集合就给出了两个目标间最终的边界。这个过程在阈值减小到背景灰度之前结束，即在被恰当分割的物体的边界正确地确定时终止。可以用图来进一步说明：（a）原始图像（b）高帽变换图像（c）低帽变换图像

（d）高、低帽相减图像（e）相互分离的目标图像（f）水线分割图像图7-17分水岭阈值法分割图像7.3.6基于熵的二值化方法

基本思想：统计图像中每一个灰度级出现的概率p(x)，计算该灰度级的熵H=-p(x)lgp(x)dx，假设以灰度级T分割图像，图像中低于T灰度级的像素点构成目标物体（O），高于灰度级T的像素点构成背景（B），那么各个灰度级在本区的分布概率为：一维最大熵分割方法

目标和背景区域的熵分别为：对图像中的每一个灰度级分别求取W=HO+HB，选取使w最大的灰度级作为分割图像的阈值，这就是一维最大熵阈值图像分割法。二维最大熵分割方法

一维最大熵方法的缺点是仅考虑了像素点的灰度信息，没有考虑空间信息，所以当图像的信噪比降低时分割效果不理想。为此，在分割图像时可以再考虑图像的区域信息，区域灰度特征包含了图像的部分空间信息，且对噪声的敏感程度要低于点灰度特征。综合利用图像的这两个特征就产生了二维最大熵阈值分割方法。实现：首先以原始灰度图像中各个像素的每一个像素及其四邻域的四个像素构成一个区域，该像素点的灰度值和四邻域的均值构成一个二维向量，统计的发生概率，如果图像的最大灰度级为，那么就构成了该图像关于点灰度-区域均值的二维直方图。

二维直方图的平面图如图7-18所示，沿对角线的方向分布的A区、B区分别代表目标和背景，远离对角线分布的C区、D区分别代表边界和噪声，所以应该在A区和B区上用点灰度-区域灰度平均值二维最大熵法确定阈值，使之分割的目标和背景的信息量最大。

ADCBSITJ图7-18二维直方图的平面图该算法实现的函数和上述一维最大熵算法大同小异，只是在二值化时对图像上的像素点不仅要考虑灰度值，同时还要考虑该点邻域的灰度均值。

（a）标准lena图像(b)一维最大熵(c)二维最大熵图7-19二值图像区域生长是区域分割最基本的方法。所谓区域生长就是一种根据事先定义的准则将像素或者子区域聚合成更大区域的过程。

7.4基于区域的分割7.4.1区域生长

基本思想以一组生长点（可以是单个像素，也可以是某个小区域）开始，搜索其邻域，把图像分割成特征相似的若干区域，比较相邻区域与生长点特征的相似性，若它们足够相似，则作为同一区域合并，形成新的生长点。以此方式将特征相似的区域不断合并、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。在实际应用时，要解决三个问题：

1）确定区域的数目，也就是选择一组能正确代表所需区域的生长点像素； 2）选择有意义的特征，也就是确定在生长过程中将相邻区域像素包括进来的； 3）确定相似性准则，即获取生长过程停止的准则。

特征相似性是构成与合并区域的基本准则，相邻性是指所取的邻域方式。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生长法。将灰度相关的值作为区域生长准则，区域生长可分为单一型(像素与像素)、质心型(像素与区域)和混合型(区域与区域)三种。单一型区域生长法原理：以图像的某个像素为生长点，将特征相似的相邻像素合并为同一区域；然后以合并的像素为生长点，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。

下面给出以像素灰度为特征进行简单区域生长的步骤。

(1)对图像进行光栅扫描，找出尚没有归属的像素。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)不属于任何一个区域的像素进行比较，若灰度差值小于某一阈值，则将它们合并为同一个区域，并对合并的像素赋予标记。(3)从新合并的像素开始，反复进行(2)的操作。(4)反复进行(2)、(3)的操作，直到区域不能再合并为止。(5)返回(1)操作，寻找能作为新区域出发点的像素。

优缺点：这种方法简单，但如果区域之间的边缘灰度变化很平缓或边缘交于一点时，如图7-20，两个区域会合并起来。解决方法：为消除这一点，在步骤(2)中不是比较相邻像素灰度，而是比较已存在区域的像素灰度平均值与该区域邻接的像素灰度值。区域1区域2灰度区域1区域2（a）平缓的边缘（b）边缘的缝隙图7-20边缘对区域扩张的影响质心型区域生长与简单区域生长不同，它是比较单个像素的特征与其相邻区域的特征，若相似则将像素归并到区域中。操作步骤类似简单区域生长法，唯一不同的是在上述(2)的操作中，改为比较已存在区域的像素灰度平均值与该区域邻接的像素灰度值。若差值小于阈值，则合并。例子：

（a）原始图像（b）第一次生长结果（c）第二次生长结果（d）最终生长结果图7-21质心型区域生长混合型区域生长把图像分割成小区域，比较相邻小区域的相似性，如果相似则合并。下面介绍两种混合型区域生长的方法。1.不依赖于起始点的方法

(1)设灰度差的阈值为0，用简单区域生长法把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)从分割图像一个小区域开始，求出相邻区域间的灰度差，将差值最小的相邻区域合并；(3)反复(2)的操作，把区域依次合并。缺点：这种方法若不在适当的阶段停止区域合并，整幅图像经区域生长的最终结果就会为一个区域。2.假设检验法不依赖于起始点的方法是把灰度差作为区域合并的判定标准，而假设检验法则是根据区域内的灰度分布的相似性进行区域合并。

具体步骤如下：

(1)把图像分割成互不交迭的、大小为的小区域。(2)比较相邻小区域的灰度直方图，如果灰度分布情况都是相似的，则合并成一个区域，相似性判断标准可选用下面其中之—：(a)Ko1mogorov-Smirnov检测标准:(b)Smoothed-Diffference检测标准：其中H1(g)、H2(g)分别是相邻两区域的累积灰度直方图。在数字图像中，累积灰度直方图为：

(3)反复进行(2)的操作，直至区域不能合并为止。

这种方法不仅能分割灰度相同的区域，也能分割纹理性的图像。但采用这种方法难点在于n如何确定。n太大，则区域形状变得不自然，小的目标就会遗漏；n太小，则(a)和(b)可靠性下降，导致分割质量差。实际中一般取5~10，由于检测标准(b)的要求比(a)的严，采用检测标准(b)比用(a)会带来更好的结果。7.4.2区域分裂与合并

区域生长过程是从一组生长点开始，通过不断接纳新像素最后得到整个区域。一种替换方法是在开始时将图像分割成一系列任意不相交的区域，然后将他们进行合并或分裂得到各个区域。在这类方法中，最常用的方法是四叉树分解法：

设R表示整个图像区域，P代表逻辑谓词。对R进行分割的一种方法是反复将分割得到的结果图像再次分为四个区域，直到对任何区域Ri，有P(Ri)=TRUE。具体的分割过程：从整幅图像开始，如果P(Ri)=FALSE，就将图像分割为4个区域；对分割后得到的区域，如果依然有P(Ri)=FALSE，就可以将这4个区域的每个区域再次分别分割为4个区域，如此类推，直到Ri为单个像素。

如果仅使用分裂，最后得到的分割结果可能包含具有相同性质的相邻区域。为此，可在分裂的同时进行区域合并。合并规则：只要P(RiURj)=TRUE，则可以将两个相邻的区域Ri和Rj进行合并。基本的分裂合并算法步骤：1）

对任何区域Ri，如果P(Ri)=FALSE，就将每个区域都分裂为4个相连的不重叠区域；2）

对相邻的两个区域Ri和Rj，如果满足P(RiURj)=TRUE则进行合并。合并的两个区域可以大小不同，即不在同一层。当再也没有可以进行合并或分裂的区域，则分割操作停止。图示区域分裂与合并方法分割图像的步骤图中阴影区域为目标，白色区域为背景，其灰度值为常数。（a）第一次分裂（b）第二次分裂（c）第三次分裂（d）合并分割结果图7-24区域分裂与合并图像分割法图解7.5彩色图像分割彩色图像是对外部客观世界最为逼真的描述。彩色图像分割与灰度图像分割的算法相比，大部分算法在分割思想上是一致的，都是基于像素数值的相似性和空间的接近性，只是对像素属性的考察以及特征提取等技术由一维空间转向了高维空间。这是由于灰度图像和彩色图像存在一个主要的区别，即对于每一个像素的描述，前者是在一维亮度空间上，而后者是在三维颜色空间上。彩色图像分割算法的关键在于如何利用丰富的彩色信息来达到分割的目的。

彩色图像分割方法分类基于边缘检测的方法基于区域的方法基于主动轮廓模型方法神经网络法其他技术方法。

实际中，彩色图像分割可以采取两种方式其一就是将彩色图像的各个分量进行适当的组合转化为灰度图像，然后利用对灰度图像的分割方法进行分割；其二就是在彩色模型空间中直接进行图像的分割。要分割一幅彩色图像，首先要选择好合适的彩色空间；其次要采用适合此彩色空间的分割策略。

彩色模型也称为彩色空间或彩色系统，是描述色彩的一种方法。目前表达颜色的彩色模型有许多种，它们是根据不同的应用目的而提出的。在数字图像处理中，实际上最常用的彩色模型是RGB（红、绿、蓝）模型，HSI（色调、饱和度、亮度）模型。前者主要用于彩色显示器和彩色视频摄像机；后者则更符合人类描述和解释颜色的方式。7.5.1彩色模型

在RGB模型中，每种颜色出现在红、绿、蓝的原色光谱分量中，这个模型基于笛卡尔坐标系统。图中R、G、B位于3个角上；青、深红和黄位于另外三个角上，黑色在原点处，白色位于RGB彩色模型

离原点最远的角上。在该模型中，灰度等级沿着主对角线从原点的黑色到点（1，1，1）的白色分布。

HSI彩色模型

HSI格式中，I表示强度或亮度，是一个主观的描述子，实际上它是不可能测量的。它体现了无色的强度概念，并且是描述彩色感觉的关键参数。包含彩色信息的两个参数是色调(H)和饱和度(S)。HSI彩色模型的重要分量是垂直强度轴、到一彩色点的向量长度和这一向量与红轴的角度。色调是描述纯色的属性，由角度表示，彩色的色调反映了该彩色最接近什么样的光谱波长。色相从0变到240度覆盖了所有可见光谱的彩色。在240到360之间是人眼可见的非光谱色(紫色)。饱和度参数给出一种纯色被白光稀释的程度的度量，是色环的原点(圆心)到彩色点的半径的长度。

RGB到HSI的彩色变换：

给定一幅RGB彩色图像，每一个RGB像素和H分量可用下面的公式得到：7.5.2彩色模型变换

其中饱和度分量：强度分量：HSI到RGB的转换：

由HIS到RGB的转化公式有些不同，它取决于要转换的点落在原始色所分割的哪个扇区。HSI彩色空间分割

如果希望基于彩色分割一幅图像，并且想在单独的平面上执行处理，会很自然地想到HSI空间。HIS空间在色调图像中描述彩色是很方便的。其次在HIS空间进行彩色图像分割，由于H、S和I3个分量是相互独立的，所以有可能将这个3-D搜索的问题转化为3个1-D搜索。典型情况是，为了在色调图像中分离出感兴趣的特征区，饱和度被用做一个模板图像。在彩色图像分割中强度图像不常使用，因为它不携带彩色信息。7.5.3彩色分割策略

基于色调（H）直方图彩色图像分割，基于一维特征标量（C=[W1W2W3]）的双阈值分割算法。

阈值的选择可以采用人工交互的方式，也可以基于先验知识进行选择。基于H、C的直方图统计扩展了灰度图像的阈值分割算法。但第一种方法对于原始图像中颜色数较少，目标颜色单纯，且波长分布相对分散的情况，可以得到较好的结果。但由于它只考虑了色调值，而没有考虑光强和饱和度等对颜色的影响，因此，在不同的光照和饱和度下，很难得到较好的效果。基于C的方法克服了上述缺点,但由于内部聚类不紧凑，有时会出现空洞。基于分形理论和BP神经网络的彩色图像分割。

该方法将彩色图像由RGB空间转换为HSI空间，采用彩色图像的亮度计算分数维、多重分形广义维数谱以及空隙特征等6个参数作为纹理特征，加上归一化的色度和饱和度，这8个参数作为分类特征，以BP神经网络作为分类器的彩色纹理图像分割方法。这种方法不仅对由于亮度差异而形成彩色纹理图像有效，对于亮度基本一致而在色彩上呈现差异的纹理图像依然有效。RGB彩色空间分割：

分割的目标是对给定图像中每一个RGB像素进行分类。为了进行分类，需要一个相似性度量。最简单的度量之一是欧氏距离。由下式给出：

这里R、G、B表示向量X与u的RGB分量。D（X，u）≤D0的点的轨道是半径为D0的实心球。7.6

基于形态学分水岭的分割基本概念和运算：

用数学形态学处理图像时，要设计一种搜索图像信息的“探针”，即结构元素，这些结构元素通常是一些小的简单集合，如圆形、正方形等的集合。7.6.1数字图像形态学处理技术

圆形方形菱形图7-28几种简单对称结构元素f用b腐蚀的结果是所有满足将b平移后，b仍旧全部包含在f中的x的集合，从直观上看就是所有的结构元素b将完全包含在与被腐蚀的集合内。操作中是f在平移，而不是结构元素b在平移。公式（7-28）可以把b写成平移函数．由于f在b上滑动同b在f上滑动在概念上是一致的。腐蚀变换是一种收缩变换。这种变换使目标收缩，使孔洞扩张。

fxb

（a）原始图像（b）结构元素

（c）膨胀（d）膨胀结果图7-29灰度膨胀图例fxbf

（a）原始图像（b）结构元素

（c）腐蚀（d）腐蚀结果图7-30灰度腐蚀图例图7-31基本形态学变换开启和闭合运算：腐蚀和膨胀不是互为逆运算，它们可以级连结合使用。使用同一个结构元素对图像先进行腐蚀运算然后再进行膨胀运算称为开启。即结构元素对图像作开启运算处理，可定义为：如果是先进行膨胀然后腐蚀的运算称为闭合。即结构元素对图像作闭合运算处理，可定义为：开启和闭合运算不受原点位置的影响，无论原点是否包含在结构元素中，开启和闭合的结果都是一致的。开启运算使目标轮廓光滑，并去掉了毛刺和孤立点，锐化角，闭合运算则填平小沟，弥合孔洞和裂缝。膨胀和腐蚀的反复使用就可检测或清除图像中的小成分或孔。图7-32开启运算和闭合运算效果（a）简化灰度图像（b）开启运算（c）开启运算结果（d）闭合运算（e）闭合运算结果图7-33开启和闭合运算的图例基本步骤：（1）提出所要描述的物体几何结构模式，即提取物体的几何结构特征；（2）根据该模式选择相应的结构元素。结构元素应简单而对模式具有最强的表现力；（3）用选定的结构元素对图像进行击中与否(HMT)变换，便可得到比原始图像显著突出物体特征信息的图像，如果赋予相应的变量，则可得到该结构模式的定量描述；（4）经过形态变换后的图像突出需要的信息，此时，就可以方便地提取信息。构造出统一的、相同的或变化很小的结构元素并进行结构元素的选择十分重要。结构元素形状、尺寸的选择是能否有效地提取信息的关键。一般情况，结构元素的选择本着如下几个原则进行：

（1）结构元必须在几何上比原图像简单且有界。当选择性质相同或相似的结构元时，以选择极限情况为益；（2）结构元的凸性非常重要，对非凸子集，由于连接两点的线段大部分位于集合的外面，故而用非凸子集作为结构元素将得不到什么信息。所谓的水坝构造是指对分水岭分割方法中所需的水坝或分水线的构造。水坝的构造是以二值图像为基础的。而构造水坝分离二元点集的最简单的方法是使用形态膨胀。使用形态膨胀构造水坝7.6.2水坝构造

(a)在淹没的第个阶段淹没的汇水盆地的两个部分(b)淹没的第阶段，显示出两个盆地间的水已经溢出(为了显示清楚，水用白色表示而不是黑色)；(c)用于膨胀的结构元素；(d)扩展的结果和水坝的构造7.6.3分水岭分割算法

(a)带有斑点的图像(b)梯度图像(c)分水线(d)叠加于原图中的分水线图7-35形态学分水岭分割法分割实例7.7连接成分的标记为区分连接成分，求得连接成分个数，连接成分的标记，即标号分配操作是不可缺少的。一般在标记的时候把属于同一区域的不同连接成分数标记为不同的标号。也就是说二值图像中的每一个连接成分都有一个属于自己的标记。对属于同一个1像素连接成分的所有像素分配相同的编号，对不同的连接成分分配不同的编号的操作，叫做连接成分的标记。标记通常采用顺序标记的方法。顺序标记法通过对图像从左到右，从上到下作两次扫描来实现标记。

111111111111111111111111111111111111111111111AAABCBBBBBBCCBCCCBCCCCBCDCCBBCDCCBCCBCCCCCCCB（a）输入图像（b）标记结果图7-36标记的例子7.8小结图像分割是一个将一幅数字图像划分为不交叠的、连通的像素集的过程。分割算法主要有边缘分割法、阈值分割法、区域分割法等。边缘是指其周围像素灰度变化不连续的那些像素的集合。常见的边缘检测方法有空域微分算子、拟合曲面、小波多尺度边缘检测以及基于数学形态学的边缘检测。阈值分割算法是区域分割算法中具有代表性的一类分割算法。常用的方法有全局阈值、基本自适应阈值方法、动态阈值方法和基于熵的二值化方法。

基于区域的分割是以直接寻找区域为基础的分割技术。区域生长就是一种根据事先定义的准则将像素或者子区域聚合成更大区域的过程。彩色图像分割是数字图像处理中的一种应用广泛的技术。对彩色图像的分割可以采取两种方式，其一就是将彩色图像的各个分量进行适当的组合转化为灰度图像，然后利用对灰度图像的分割方法进行分割；其二就是在彩色模型空间中直接进行图像的分割。

基于形态学方法的图像分割技术基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的。第一节活塞式空压机的工作原理第二节活塞式空压机的结构和自动控制第三节活塞式空压机的管理复习思考题单击此处输入你的副标题，文字是您思想的提炼，为了最终演示发布的良好效果，请尽量言简意赅的阐述观点。第六章活塞式空气压缩机

piston-aircompressor压缩空气在船舶上的应用：

1.主机的启动、换向；

2.辅机的启动；

3.为气动装置提供气源；

4.为气动工具提供气源；

5.吹洗零部件和滤器。

排气量:单位时间内所排送的相当第一级吸气状态的空气体积。单位：m3/s、m3/min、m3/h第六章活塞式空气压缩机

piston-aircompressor空压机分类：按排气压力分：低压0.2～1.0MPa；中压1～10MPa；高压10～100MPa。按排气量分：微型<1m3/min；小型1～10m3/min；中型10～100m3/min；大型>100m3/min。第六章活塞式空气压缩机

piston-aircompressor第一节活塞式空压机的工作原理容积式压缩机按结构分为两大类：往复式与旋转式两级活塞式压缩机单级活塞压缩机活塞式压缩机膜片式压缩机旋转叶片式压缩机最长的使用寿命-

----低转速（1460RPM），动件少（轴承与滑片），润滑油在机件间形成保护膜，防止磨损及泄漏，使空压机能够安静有效运作；平时有按规定做例行保养的JAGUAR滑片式空压机，至今使用十万小时以上，依然完好如初，按十万小时相当于每日以十小时运作计算，可长达33年之久。因此，将滑片式空压机比喻为一部终身机器实不为过。滑(叶)片式空压机可以365天连续运转并保证60000小时以上安全运转的空气压缩机1.进气2.开始压缩3.压缩中4.排气1.转子及机壳间成为压缩空间，当转子开始转动时，空气由机体进气端进入。2.转子转动使被吸入的空气转至机壳与转子间气密范围，同时停止进气。3.转子不断转动，气密范围变小，空气被压缩。4.被压缩的空气压力升高达到额定的压力后由排气端排出进入油气分离器内。4.被压缩的空气压力升高达到额定的压力后由排气端排出进入油气分离器内。1.进气2.开始压缩3.压缩中4.排气1.凸凹转子及机壳间成为压缩空间，当转子开始转动时，空气由机体进气端进入。2.转子转动使被吸入的空气转至机壳与转子间气密范围，同时停止进气。3.转子不断转动，气密范围变小，空气被压缩。螺杆式气体压缩机是世界上最先进、紧凑型、坚实、运行平稳，噪音低，是值得信赖的气体压缩机。螺杆式压缩机气路系统：

A

进气过滤器

B

空气进气阀

C

压缩机主机

D

单向阀

E

空气/油分离器

F

最小压力阀

G

后冷却器

H

带自动疏水器的水分离器油路系统：

J

油箱

K

恒温旁通阀

L

油冷却器

M

油过滤器

N

回油阀

O

断油阀冷冻系统：

P

冷冻压缩机

Q

冷凝器

R

热交换器

S

旁通系统

T

空气出口过滤器螺杆式压缩机涡旋式压缩机

涡旋式压缩机是20世纪90年代末期开发并问世的高科技压缩机，由于结构简单、零件少、效率高、可靠性好，尤其是其低噪声、长寿命等诸方面大大优于其它型式的压缩机，已经得到压缩机行业的关注和公认。被誉为“环保型压缩机”。由于涡旋式压缩机的独特设计，使其成为当今世界最节能压缩机。涡旋式压缩机主要运动件涡卷付，只有磨合没有磨损，因而寿命更长，被誉为免维修压缩机。

由于涡旋式压缩机运行平稳、振动小、工作环境安静，又被誉为“超静压缩机”。

涡旋式压缩机零部件少，只有四个运动部件,压缩机工作腔由相运动涡卷付形成多个相互封闭的镰形工作腔，当动涡卷作平动运动时，使镰形工作腔由大变小而达到压缩和排出压缩空气的目的。活塞式空气压缩机的外形第一节活塞式空压机的工作原理一、理论工作循环（单级压缩）工作循环：4—1—2—34—1吸气过程

1—2压缩过程

2—3排气过程第一节活塞式空压机的工作原理一、理论工作循环（单级压缩）

压缩分类：绝热压缩：1—2耗功最大等温压缩：1—2''耗功最小多变压缩：1—2'耗功居中功＝P×V（PV图上的面积）加强对气缸的冷却，省功、对气缸润滑有益。二、实际工作循环（单级压缩）1.不存在假设条件2.与理论循环不同的原因：1）余隙容积Vc的影响Vc不利的影响—残存的气体在活塞回行时，发生膨胀，使实际吸气行程（容积）减小。Vc有利的好处—

（1）形成气垫，利于活塞回行；（2）避免“液击”（空气结露）；（3）避免活塞、连杆热膨胀，松动发生相撞。第一节活塞式空压机的工作原理表征Vc的参数—相对容积C、容积系数λv合适的C：低压0.07-0.12

中压0.09-0.14

高压0.11-0.16