数字图像处理技术及应用 课件 8-图像分割技术

图像分割技术目录图像分割概述基于边缘的图像分割基于区域的图像分割基于深度学习的图像分割总结与展望应用场景：医疗影像诊断自动驾驶智能手机摄影视频监控社交媒体核心条件：全覆盖连通性互不重叠区域内部一致性相邻区域可区分3/128.1图像分割概述图像分割是数字图像处理中的一项基础技术，旨在将图像细分成具有独特特征的多个区域或对象，以便进一步分析、处理或理解。它通过识别并界定图像内部的边界和独立对象

，实现图像像素级的解析，并转化为结构化数据的形式，这对于机器视觉、图像识别、图像编辑等应用至关重要。左：均匀灰度区域+边缘检测→分割结果右：复杂纹理区域+区域属性分析→块状分割结果关键思想：利用灰度不连续性（边缘）或相似性（区域）实现分割。图像分割示意图双阈值检测边缘跟踪边缘检测算子对比算子原理特点Roberts对角线差分定位精度高，对噪声敏感Prewitt3×3邻域平均差分抗噪性较好，边缘平滑Sobel加权差分抗噪性强，边缘连续性好Canny高斯平滑+梯度+非极大抑制+双阈值高精度，低误报，边缘完整LOG高斯平滑+拉普拉斯二阶导过零点检测，对尺度敏感8.2基于边缘的图像分割核心思想：边缘表示属性显著变化，对应物体界限。检测方法：一阶/二阶微分算子，如Roberts、Prewitt、Sobel、Canny、LOG。边缘模型： 检测流程：台阶模型斜坡模型屋顶边缘模型平滑去噪计算梯度非极大值抑制基于边缘检测的图像分割示例Roberts算子Roberts（罗伯茨）算子是一种简单的早期边缘检测算子，也称为交叉微分算子，边缘定位精度较高，但是也容易丢失一部分边缘，在具有明显灰度变化的图像中有比较好的效果。Roberts算子通过计算图像局部的对角线方向上的差异来检测边缘。基于边缘检测的图像分割示例Prewitt算子Prewitt（普雷维特）算子是对Roberts算子的一种改进，它通过引入更广泛的邻域信息来计算图像的一阶导数。Prewitt算子包含两个独立的模板，分别用于估计水平和垂直方向上的梯度。基于边缘检测的图像分割示例Sobel算子Sobel（索贝尔）算子是一种离散微分算子，类似于Prewitt算子，但它在计算一阶导数时为每个像素邻域赋予了不同的权重，这种加权使得Sobel算子在处理图像边缘时更为平滑且抗噪性能更好。基于边缘检测的图像分割示例Canny算子Canny（坎尼）边缘检测算法利用拉普拉斯算子或高斯拉普拉斯算子找到图像二阶导数的极大值点作为边缘，并通过非极大值抑制和双阈值算法进一步优化边缘检测结果。基于边缘检测的图像分割示例LOG算子LOG（LaplacianofGaussian,拉普拉斯-高斯算子）通过寻找图像灰度值中二阶微分的过零点来检测边缘点，它是一种二阶边缘检测算法。其原理是利用高斯滤波器平滑图像并降低噪声，然后通过拉普拉斯算子检测图像中的边缘。高斯滤波器是一种线性平滑滤波器，它的响应取决于邻域内像素的灰度值和它们到滤波器中心的距离。8.3基于区域的图像分割核心思想：区域内部相似，区域间差异大。方法：区域生长、区域分裂与聚合。区域生长算法：种子点选择相似性准则（灰度、纹理、颜色）生长停止条件优点：适应复杂图像，无先验知识；缺点：迭代开销大。区域分裂与聚合：迭代优化，自适应调整，抗噪性强，可与其他方法结合。区域生长法示例12/12种子点：像素值最大点生长准则：阈值范围±2迭代生长直至无满足条件像素结果：目标区域被准确分割。深度学习推动图像分割进入新阶段，尤其在全卷积网络（FCN）与U-Net的引领下。FCN（全卷积网络）：端到端像素级分割全连接层→卷积层转置卷积上采样跳跃连接融合特征U-Net（医学图像分割）：对称U型结构编码器-解码器设计跳跃连接保留细节适用于小样本训练8.4基于深度学习的图像分割输入→卷积层→池化层→上采样层→跳跃连接→输出变体：FCN-32s、FCN-16s、FCN-8s（融合不同层次特征）训练策略：交叉熵/Dice损失、数据增强、正则化、Dropout、早停等。FCN网络结构FCN网络常见的核心模块FCN-32s,FCN-16s,和FCN-8s本质上是通过不同程度的特征融合来实现精度和细节的平衡。随着从FCN-32s到FCN-16s再到FCN-8s的过渡，模型在维持深层语义信息的同时，逐步增加对细节的捕捉能力。FCN不同变式的分割结果示例背景U-Net网络的背景与动机动机随着深度学习技术的发展，特别是CNN在图像识别任务中的卓越表现，研究人员开始探索利用这些先进的模型来解决图像分割的问题。FCN的提出标志着使用深度学习进行图像分割的重大突破，它首次使得端到端的像素级分割成为可能。然而，FCN在处理特别是小数据集训练环境下的医学图像时仍面临挑战，比如细小结构的丢失和分割精度不足。为了解决这些问题，作为FCN的变式之一，U-Net被设计出来，特别针对医学图像分割的需求。其设计的动机主要是为了改善对医学图像中小对象的识别能力，并且在样本数量不足时仍然能够训练出性能优异的模型。U-Net的名称来源于其独特的U型结构，这种结构设计能够有效地结合低层次（位置信息丰富）和高层次（语义信息丰富）的特征，以提高分割的精度和鲁棒性。编码器（下采样）→解码器（上采样）+跳跃连接特点：宽U型、多特征通道、高分辨率信息保留应用：医学图像分割（细胞、组织、器官）、遥感图像、城市场景等。U-Net网络结构更高精度、实时性要求多模态、多任务融合小样本、弱监督学习模型轻量化与部署优化图像分割技术将持续推动人工智能与产业升级。file:///C:/Users/Lenovo/Downloads/8.html19/12总结与展望本章重点回顾：图像分割是计算机视觉基础任务传统方法：基于边缘（Roberts,Sobel,Canny）与基于区域（生长、分裂聚合）深度学习方法：FCN、U-Net实现端到端像素级分割应用广泛：医疗、自动驾驶、安防、社交等