数字图像处理实战-PPT第6章 图像分割

第6章图像分割目标对象本身过于复杂，其各个部分本身的差异较大或与图像其余部分相似，难以通过单一的分割处理得到完整的对象。原始图像中存在干扰因素，如不均匀的环境照明或较大差异的物体表面反射率所引起的图像亮度变化，使得没有适用于整个图像的统一的分割标准。图像分割的概念图像分割将图像分成若干互不相交的连通区域，每个区域内部满足灰度、纹理、颜色等特征之一或特征组上的某种相似性准则，而不同区域之间的差异尽可能大。图像分割存在如下两种困难图像分割算法一般基于像素取值的不连续性或相似性，这样就产生了两大类方法。以边缘检测为代表的方法基于像素取值的不连续性，根据图像中不同区域的边界处像素取值的突变来分割图像。以阈值分割为代表的方法则基于同一区域内部的像素在某些特征上的相似性来将图像划分为更小的区域。图像分割的方法1基于边缘检测的图像分割目录使用阈值分割图像2区域生长算法3结合空间域与色彩域的图像分割46.1.1阈值分割方法的基本原理阈值分割基于像素在某个特征（如灰度）上的不连续性来分割图像，特别适用于目标和背景占据不同灰度级范围的图像。若该图像由一个高亮目标和一个暗淡背景组成，则该图像的灰度直方图呈现明显的双峰分布，两个峰值分别对应背景和目标。阈值分割方法选取位于两个峰值之间的谷值作为阈值，图像中灰度值的像素点被标记为为目标，否则被标记为背景。阈值分割输出的是根据像素灰度值和阈值进行比较而得到的包含逻辑值“真”和“假”（分别代表目标和背景）的二值图像。6.1使用阈值分割图像6.1.2基于全局阈值的大津法大津法也称最大类间方差法。对一幅灰度图像，记表示用于分割目标和背景的阈值，如果像素灰度小于则将该像素标记为0，如像素灰度大于则将该像素标记为1，如此将所有像素分为两大类。类间方差定义为其中和分别是被阈值分开的两个类的像素数占总像素数的比率，、分别是这两个类的像素灰度值的平均值。最大类间方差法就是设定阈值为使类间方差取最大值的的方法，该阈值化处理可以使得所分离的两类像素在灰度分布上有最大的差异。OpenCV中有可直接调用的图像阈值化函数threshold，可以通过参数指定使用大津法计算阈值。6.1使用阈值分割图像6.1.2基于全局阈值的大津法图（c）是图（a）使用大津法进行阈值分割的结果6.1使用阈值分割图像6.1.3 局部阈值分割法当目标和背景大小比例悬殊、光照不均匀或灰度差异较大时，全局阈值分割方法的分割效果不理想全局阈值化得到的分割结果（图（b））在高亮区域和阴暗区域丢失了非常多的局部细节局部自适应阈值化的结果（图（c））保留了原图（图（a））中的更多细节信息。局部自适应阈值分割方法根据当前像素的某个邻域中像素的灰度信息来确定一个局部阈值。常用的局部自适应阈值算法有基于局部邻域块的均值和局部邻域块的高斯加权方法。Python的OpenCV中提供了函数adaptiveThreshold用于实现图像的局部自适应阈值分割。6.1使用阈值分割图像6.1.4 使用阈值分割方法处理岩石样本图像目标：根据岩石样本分别在白光和荧光下拍摄的两幅图像，自动计算岩石样本图像中石油成分的面积占比。思路：从白光图像中分割岩石样本区域并计算面积。石油成分在荧光灯照射下会发出绿色或黄色的光，从荧光图像中分割岩石样本中石油成分区域并计算面积。计算上述两个面积的比值困难：白光图像中岩石样本区域和周边污迹区域的灰度无法区分，分割结果不理想（下图）。6.1使用阈值分割图像6.1.4 使用阈值分割方法处理岩石样本图像活动轮廓模型用一条封闭的连续曲线表示目标的边缘，并定义一个与曲线的形状和曲线内所包含的区域性质有关的能量函数。将图像分割的问题转化为从初始曲线出发，不断改变曲线形状，以使所定义的能量函数最小化的一个数值优化问题。在理想情况下，能量函数最小化时的曲线会逼近感兴趣目标的轮廓。Skimage库的active_contour函数实现活动轮廓模型，需尝试不同参数的分割效果。6.1使用阈值分割图像6.1.4 使用阈值分割方法处理岩石样本图像石油成分的分割将荧光图像从RGB色彩空间转换到HSV色彩空间便于分析石油成分的颜色特征。在H分量图像中观察经过石油成分的扫描线上的H分量的分布特征，可以发现石油成分的H分量稳定在50以下，而岩石部分的H分量分布在60到110之间。设定H分量图像的阈值，从中分割出石油成分，如下图所示。6.1使用阈值分割图像1基于边缘检测的图像分割目录使用阈值分割图像2区域生长算法3结合空间域与色彩域的图像分割46.2.1边缘检测图像不同区域的边界上像素的灰度通常会有较大的变化，边缘检测就是根据灰度的突变来找到图像中区域之间边界的方法。灰度变化的强度通常使用梯度来衡量。图像中某个点的梯度和梯度幅值分别定义为边缘检测通常的步骤如下：（1）为降低噪声对计算梯度的影响，在边缘检测前对图像进行平滑去噪处理。（2）选取合适的方法计算图像的梯度或二阶偏导数。（3）求出图像梯度幅值的取局部极大值点或二阶偏导数的过零点作为边缘检测的结果。6.2基于边缘检测的图像分割

6.2基于边缘检测的图像分割1.基于差分模板的边缘检测算子Prewwit算子的计算公式和掩模如下Sobel算子的计算公式和掩模如下这三个边缘检测算子都通过使用两个掩模分别近似计算图像在x和y方向上的一阶偏导数而得到图像的梯度向量，图像的边缘对应图像梯度的局部极大值点。6.2基于边缘检测的图像分割1.基于差分模板的边缘检测算子Laplace算子使用一个掩模来计算图像在x和y

方向上的二阶导数之和，图像的边缘对应二阶导数的过零点。Laplace算子的计算公式和掩模如下Skimage图像处理库提供了Sobel算子、Prewwit算子和Robert算子对应的filters.sobel函数、filters.prewwit函数和filters.roberts函数。6.2基于边缘检测的图像分割2.LoG算子前述4个算子本质上都是进行数值差分，而差分运算受图像噪声的影响很大。LoG算子（LaplaceofGauss）为了解决该问题，首先对图像采用高斯滤波进行降噪处理，再采用Laplace算子进行边缘检测。LoG函数定义为：LoG算子首先使用LoG核与输入图像进行卷积：然后寻找卷积结果的过零点来确定图像的边缘点。LoG算子可以通过先对图像进行高斯平滑再运行Laplace算子的方式来实现。OpenCV中提供函数Laplacian和GaussianBlur分别用于实现Laplace算子和高斯平滑。6.2基于边缘检测的图像分割3.Canny算子基于差分模板的边缘检测算子和LoG算子只解决了图像梯度或二阶导数之和的计算问题，产生的都是表示图像局部梯度幅值大小的灰度图像而不是二值化的边缘图像。Canny算子完整地集成了边缘检测的全部过程，可以直接得到高质量的单像素宽度的二值边缘图像，它的流程如下。（1）使用高斯滤波器平滑输入图像。（2）对平滑后的图像计算梯度图像和角度图像。（3）对梯度图像进行非极大值抑制，使用双阈值处理和连通性分析来检测和连接边缘。6.2基于边缘检测的图像分割4.边缘检测算子的效果对比对比上述算子的边缘检测效果，只有Canny算子的输出结果，是在梯度图像的基础上进行非极大值抑制得到的单像素宽度的二值化边缘图像。6.2基于边缘检测的图像分割6.2.2 使用Hough变换检测直线思想：计算图像中每一条可能的直线上的目标点的数量，点数最多的若干条直线就是图像中的显著直线。

如图(a)所示的图像中的点（xi,yi），经过该点的直线可用极坐标形式表示为方程，有无穷组θ

和ρ

满足方程。对给定分辨率的具体图像，θ

和ρ的取值是有限的，对它们按照适当的间隔进行离散化处理，可以得到如图(b)所示的参数矩阵。参数矩阵中的每个元素对应着θ和ρ的一种组合，对应图像平面内的一条直线。Hough变换遍历二值图像中的每一个目标像素点，从

方程中解出参数θ和ρ的所有可能的取值组合，在参数

矩阵对应的单元中进行累加。遍历完整个图像后，参数矩阵的每个单元格中的累加

值就是经过该单元参数组合对应的直线上的点的数量。通常返回累加值最大的几个单元格对应的直线作为直线检测的输出结果。6.2基于边缘检测的图像分割

6.2.3基于Hough变换的QR码分割如左图所示的QR码中含有三个经过特别设计的方形位置探测图形，中图显示的是通过算法从图像中检测出的处于对角位置的两个位置探测图形的最外层轮廓。为了从左图中分割出QR码，需要找到中图中两个位置探测图形的8条边。对中图使用Hough变换进行直线检测，提取参数矩阵中累加值最大的8个单元所对应的直线并延长，他们相交所构成的最大的四边形，就是QR码的区域，如右图所示。6.2基于边缘检测的图像分割1基于边缘检测的图像分割目录使用阈值分割图像2区域生长算法3结合空间域与色彩域的图像分割46.3.1区域生长算法的流程区域生长算法根据一组预先定义好的生长准则，将像素或子区域扩展为更大的区域。通常从一个选取好的种子点集合开始，将与种子点相邻且在灰度、纹理或颜色等属性上满足一定条件的像素点添加到区域中，一直到区域无法再生长为止。基于8连通邻域的基本区域生长算法流程如下（1） 对给定的输入图像，选取初始种子点，记种子点构成的连通区域为S。（2） 遍历S的8邻域像素，判断它们否满足相似性准则，将符合条件的像素加入S所在的连通区域。（3） 重复第2步，直到连通域S无法再增长为止。种子点通常根据先验知识设计算法或者通过人机交互的方式来选取。区域生长算法得到的分割结果能够保持和初始种子区域的联通关系，避免了阈值方法可能会得到数量众多但不连通的分割结果。6.3 区域生长算法6.4.2使用区域生长算法分割爱心上图的蓝色背景中有红色的月亮和心形，目标是分割出其中的爱心图形。月亮的颜色与爱心的颜色较为接近，但是相互不连通。使用阈值分割将同时从背景中分割出月亮和心形。选择图像中央的像素点作为区域生长的初始种子点。区域生长算法从种子点出发，吸纳与种子点是8连通并且与种子的灰度差小于一个阈值的像素。区域生长的结果不包含月亮。6.3 区域生长算法1基于边缘检测的图像分割目录使用阈值分割图像2区域生长算法3结合空间域与色彩域的图像分割46.4.1SLIC算法SLIC算法本质上是在像素的3维色彩分量和2维的空间位置分量

x、y共5个维度上对图像进行聚类。由于在聚类中考虑了像素的空间位置，该算法会产生“过分割”的效果，即图像被分割为形状大小相近、内部像素较为相似的众多小区域（超像素）。将图像的基本元素从像素转换为超像素后，一方面减少了图像分析的运算开销，另一方面也方便后续在更高层特征描述下对图像进行进一步的处理。从右图可以看到，SLIC将图像分割为大小相近的不规则多边形。在有明显边界的地方，所得的超像素的边缘与图中目标的边缘能够很好地贴合。6.4结合空间域与色彩域的图像分割算法6.4.2 快速位移图像分割算法快速移位图像分割算法也是一种结合色彩域和空间域的图像分割算法，它在进行模式搜索时具有可控制模态选择和平衡“过分割”与“欠分割”的特点。相比SLIC算法，快速位移图像分割算法会聚合一定范围内的相似像素点，避免图像的“过分割”，可得到较理想的“同质”连通区域对象。Python的skimage中提供了quickshift函数来实现快速唯一图像分割算