《数字图像处理教程（OPENCV版）》 课件 Ch10 图像分割

数字图像处理教程第10章图像分割

10.1边缘检测10.1.1边缘检测基础边缘是图像不同区域的分界处，是图像分割的重要依据边缘表现为局部特征不连续10.1.1边缘检测基础边缘检测方法有很多，例如空间域微分算子、拟合曲面检测、小波多尺度边缘检测、基于数学形态学的边缘检测、基于形变模型等，其中空间域微分算子是经典的边缘检测方式灰度值灰度值一阶导数灰度值二阶导数10.1.1边缘检测基础噪声对边缘检测的影响10.1.1边缘检测基础边缘检测的基本步骤：图像平滑以抑制噪声。检测边缘点：进行局部检测提取出潜在的边缘点。边缘定位：将间断的边缘连接成有意义的完整边缘，同时去除假边缘10.1.2一阶边缘检测算子

10.1.2一阶边缘检测算子

10.1.2一阶边缘检测算子

10.1.3Marr-Hildreth边缘检测

10.1.3Marr-Hildreth边缘检测

10.1.3Marr-Hildreth边缘检测Marr-Hildreth边缘检测示例10.1.4Canny边缘检测Canny边缘检测的三个目标低错误率，所有真实边缘都应被找出，并且应该没有伪边缘，边缘检测结果尽可能与真实边缘符合精确定位边缘点，检测出的边缘点与真实边缘点之间的距离应尽可能小单个边缘点输出,对应每个真实边缘点，检测器应只输出一个检测到的边缘点10.1.4Canny边缘检测Canny边缘检测步骤：对图像进行高斯低通滤波，抑制噪声用一阶边缘检测算子求图像梯度计算梯度方向和幅值对梯度幅值图像采用非极大值抑制用双阈值处理和连接分析检测并连接边缘10.1.4Canny边缘检测

10.1.4Canny边缘检测

10.1.4Canny边缘检测10.1.5Hough变换由于噪声、非均匀照明等因素干扰，检测到的边缘间断、虚假边缘点或线段Hough变换是一个重要的检测间断点边界形状的方法将图像从笛卡尔直角坐标空间变换到参数空间，实现直线或曲线的检测与拟合10.1.5Hough变换

10.1.5Hough变换

10.1.5Hough变换

10.1.5Hough变换渐进概率Hough变换检测直线标准Hough变换能检测出直线，但无法确定直线在图像中的端点，检测到的直线无限长。渐进概率Hough变换（progressiveprobabilityHoughTransform,PPHT）则可以检测出端点10.1.5Hough变换

10.1.5Hough变换

10.2基于阈值的图像分割10.2.1阈值分割基础知识

10.2.1阈值分割基础知识阈值分割效果的影响因素直方图：直方图二个相邻波峰之间的波谷越宽，二个波峰间隔越远，波峰与波谷比值越大，则分割效果越好噪声光照和反射的均匀性目标与背景的相对尺寸等10.2.1阈值分割基础知识非均匀光照对全局阈值分割的影响10.2.1阈值分割基础知识噪声对全局阈值分割的影响10.2.1阈值分割基础知识为减弱噪声对全局阈值分割的影响，通常在分割前要平滑图像10.2.2全局阈值分割全局阈值分割对图像所有像素采用同一阈值进行处理，计算量小，处理速度快。多种方法，最经典的是Otsu全局阈值分割法10.2.2全局阈值分割

10.2.2全局阈值分割

10.2.2全局阈值分割

10.2.2全局阈值分割

10.2.2全局阈值分割Otsu全局阈值分割如果图像有不止二类，则可以采用改进的多阈值Otsu算法多阈值Otsu算法计算量大，用得少10.2.2全局阈值分割

10.2.2全局阈值分割

10.2.2全局阈值分割

10.2.3局部阈值根据图像位置、局部特点等因素变化的阈值，称为局部阈值基本局部阈值方法图像分成若干个子图像（子图像可以相互重叠也可不重叠）；对每个子图像分别计算其直方图；如果一个子图像的直方图有双峰，则以双峰之间的波谷作为该子图像阈值，转至步骤5，如果子图像直方图没有双峰则转至步骤4；对直方图没有双峰的当前子图像，根据与其相邻的、并且有明确阈值的子图像阈值，内插得到当前子图像的阈值；如果分割的各子图像互不重叠，则对每个子图像分别用它们在步骤3或4的得到的阈值进行分割；若子图像有重叠部分，则在重叠部分用相应重叠子图像阈值的平均值做为分割阈值，无重叠部分则用所属子图像的阈值进行分割10.2.3局部阈值可用滑动窗进行设置10.3基于区域的图像分割10.3基于区域的图像分割区域生长法区域分裂合并法10.3.1区域生长法按照某种预定义的相似性准则，将像素合并成组或将子区域合并成更大区域从图像中的一组“种子”出发，若与种子相邻的像素符合预定义的相似性准则，则将它们与种子合并组成更大的区域相似性：相邻像素灰度、RGB色彩、纹理特征等10.3.2区域分裂合并法

10.3.2区域分裂合并法区域分裂合并示例10.4基于聚类的图像分割聚类(Cluster)是将相似的数据分在一组并标记为同一类的过程图像分割可以看做一个聚类问题，即将图像像素分配到各个聚类（又称簇）中，每个聚类的像素具有相同的特征10.4.1Kmeans图像分割

10.4.1Kmeans图像分割

10.4.1Kmeans图像分割

10.4.1Kmeans图像分割

10.4.2基于高斯混合模型的图像分割

10.4.2基于高斯混合模型的图像分割

10.4.2基于高斯混合模型的图像分割

10.4.2基于高斯混合模型的图像分割EM图像分割算法采用迭代逼近的方法，在逐步逼近最优高斯混合模型的同时对特征向量进行聚类算法分为二步：E-step和M-step，每步假设上述二个问题中一个问题已经解决，只专注解决另一个问题。E-step(Expectationstep)假设每个聚类的高斯分布参数已知，该步实现对各特征向量的软聚类M-step(Maximizationstep)则在已知每个特征向量属于哪类的条件下，用最大似然估计求各聚类的高斯模型参数10.4.2基于高斯混合模型的图像分割

10.4.2基于高斯混合模型的图像分割

10.4.2基于高斯混合模型的图像分割

10.4.2基于高斯混合模型的图像分割Kmeans分割与基于GMM分割的比较Kmeans聚类结果中同类特征向量在特征空间是呈圆形分布，GMM呈椭圆分布当各类样本数量不均衡时，Kmenas分类误差大10.5基于图论的图像分割10.5.1图论的基本概念有向图与无向图边流量源点与汇点割10.5.2Graphcut图像分割

10.5.2Graphcut图像分割

10.5.2Graphcut图像分割

10.5.3Grabcut图像分割Grabcut是对Graphcut性能的改进Graphcut在分割时用图像灰度值，而Grabcut则在RGB空间同时考虑三个色彩分量分割前只要求手动在图像中选择一个区域，区域内完整包含目标即可，矩形外区域就当作背景Grabcut对目标、背景分别进行GMM建模10.6形态学分水岭分割10.6.1分水岭分割分水岭（watershed）分割是基于拓扑的形态学分割方法将图像表示为三维地貌拓扑图，像素灰度值用海拔高度表示拓扑图中有三类点集盆地：拓扑图中各区域海拔最低点，对应图像各区域的最小值集合集水盆：如果一滴水落在这类点上，则水一定会滑向一个确定的盆地，在图像中对应那些属于一个区域、像素值高于区域内最小值的点集分水岭：又称分水岭脊线、脊线，如果一滴水落在这类点上，水以相同概率滑向多个盆地，显然分水岭将各区域分隔，在图像中对应各区域分割线、边缘实际中通常先计算图像的梯度图，然后对梯度图进行分水岭分割10.6.1分水岭分割10.6.2基于标记的分水岭分割直接分水岭分割往往会出现过渡分割的现象基于标记的分水岭解决过度分割的问题分水岭分割前需要额外提供一个标记图像做参考只有标记图像中指定的区域才能做为盆地，分水岭分割时灌水从标记处开始其它位置只能是集水盆或分水岭10.6.2基于标记的分水岭分割Vincent-soille算法获得前景目标的标记图像。标记图像是二值图像。根据图像特点找出确定属于前景目标的某些区域获得背景标记图像。对步骤1得到的图像进行距离变换，对距离变换结果进行分水岭分割，背景标记图像在分水岭位置像素为1，其它位置为0。分水岭在后续图像分割时阻止一个前景区域扩散到其它前景区域构建标记图像：将前景目标的标记图像与背景标记图像“逻辑或”运算得到标记图像10.6.2基于标记的分水岭分割Vincent-soille算法（续1）对待分割图像进行修改：若步骤3标记图像中像素值不为0，则待分割图像中将对应位置像素值修改为0，即明确属于前景目标或背景的区域做为盆地。其它位置像素值加个大于0的常数修改后图像进行分水岭分割10.7运动目标分割10.7.1帧间差法背景在帧间变化不大，二帧中均无运动目标的区域帧间差值很小，帧间差值大说明有运动目标实现简单，计算量小不能提取出运动对象的完整区域，仅能提取轮廓效果严重依赖所选取的帧间隔时间和分割阈值10.7.1帧间差法10.7.2背景差法与背景