计算机视觉（基于MWORKS）课件 第六章 图像分割

第六章

图像分割计算机视觉目录CONTENTS

基于阈值的图像分割6.1

基于边缘的图像分割6.2

基于区域生长的图像分割6.3

基于K-means聚类的图像分割6.46.1

基于阈值的图像分割图像分割旨在将图像中具有特殊含义的不同区域互相分离，并确保这些区域彼此不重叠，同时满足特定区域的一致性条件。一旦成功分割图像，就可以进行进一步的处理，如基于内容的图像检索、分类和识别等。基于阈值的图像分割是一种简单而有效的分割方法，原理是将像素灰度值或颜色信息与预先设定的阈值进行比较和判断。6.1.1概述6.1

基于阈值的图像分割

6.1.2基于阈值的图像分割方法

6.1

基于阈值的图像分割6.1.3基于阈值的图像分割代码及结果（a）西瓜（b）柠檬（c）复杂背景下的鸟类6.2

基于边缘的图像分割在图像中，若某个像素点与相邻像素点的灰度值差异较大，则认为该像素点可能位于边界处。若能检测出这些边界处的像素点，并将它们连接起来，则可以形成边缘轮廓，从而将图像划分成不同的区域。6.2.1介绍按处理策略分类串行边缘检测法，需先检测边缘起始点，从起始点出发通过相似性准则搜索并连接相邻边缘点，完成图像边缘的检测。并行边缘检测法，借助空域微分算子，利用其模板与图像进行卷积，实现分割。6.2

基于边缘的图像分割该方法首先检测边缘像素，然后将边缘像素连接起来以构成边界，从而实现图像分割。其中，边缘指的是图像中像素灰度有阶跃变化或突出变化的像素的集合。由于边缘会导致图像中的灰度值不连续，因此我们可以通过计算导数来检测边缘。一阶导数的幅度通常用来检测边缘的位置，而二阶导数的零交叉点可用于确定边缘像素在图像中的位置。6.2.2基于边缘的图像分割方法6.2

基于边缘的图像分割边缘检测为进一步的图像分割和特征提取提供了基本特征。通过边缘检测，我们可以更好地理解图像的结构和形状。6.2.2基于边缘的图像分割方法经典的边缘检测算子Roberts算子是交叉的梯度算子，通过任意一对垂直方向上的差分寻找边缘。Prewitt算子通过增大卷积核计算差分，既能检测边缘点，又能抑制噪声。Sobel算子是基于Prewitt算子的改进版本，通过对4邻域像素采用加权的方式来计算差分。LoG算子通过检测二阶导数零交叉点并结合一阶导数峰值来实现抗噪且精准的边缘检测。Canny算子是基于高斯滤波降噪、梯度计算和非极大值抑制等方法的多阶段优化边缘检测算法。6.2

基于边缘的图像分割6.2.3基于边缘的图像分割代码及结果（a）小猫（b）小猫的Roberts边缘检测（c）长颈鹿（d）长颈鹿的Roberts边缘检测6.3

基于区域生长的图像分割基于区域检测的方法通过选择种子点，并根据一定的相似性标准将具有相似特征的像素进行合并，从而实现图像分割。其中，区域生长是常见的一种方法，它从种子点开始，逐步生长并合并相邻像素，直到满足特定的停止条件。6.3.1介绍区域生长过程选择一个或多个种子点作为生长的起始点。从种子点出发，考虑像素之间的相似性，如颜色、灰度值、纹理等特征。将这些种子点周围与其相似的像素逐步合并，形成一个连通的区域。若满足生长的停止条件则停止，如达到特定的像素数目或满足某些像素值的约束条件。6.3

基于区域生长的图像分割该方法是一种逐步合并相似像素以形成连通区域的技术，其方法核心如下：6.3.2基于区域生长的图像分割方法从种子点开始，考虑周围像素的相似性。逐步将满足相似性标准的像素合并到当前区域。合并过程通常包括连接性检查或邻域像素的比较。当新像素与当前区域的相似度达到一定阈值时，将其合并到当前区域。这一过程可能会持续进行，直到无法找到更多符合条件的像素。6.3

基于区域生长的图像分割6.3.3基于区域生长的图像分割代码及结果（a）草莓的区域生长分割（b）西瓜的区域生长分割6.4

基于K-means聚类的图像分割基于K-means聚类的图像分割是一种无监督的学习方法，它通过将图像像素分成不同的类别或簇来实现图像分割。6.4.1介绍基本思想将像素分组成K个集群，每个集群都具有相似的特征。根据像素之间的特征相似性，在迭代过程中不断更新集群中心。最小化数据点与集群中心之间的距离。持续迭代直到满足停止条件，如中心不再变化或达到预定的迭代次数。6.4

基于K-means聚类的图像分割

6.4.2基于K-means聚类的图像分割方法聚类算法的三个要点选定某种距离度量作为样本间的相似性度量，如欧氏距离。确定某个评价聚类结果质量的准则函数，如误差平方和准则。给定某个初始分类，再通过迭代算法找到使准则函数取极值的最优聚类结果。6.4

基于K-means聚类的图像分割K-means聚类算法是一种迭代算法，每迭代一次，类别中心就刷新一次，经过多次迭代使类别中心趋于稳定，K-means聚类算法可以归结为以下几步。6.4.2基于K-means聚类的图像分割方法