遥感数字图像处理第七章图像分割1要点

1、第7章，图像分割，解释1。图像分割概念和方法的分类。边缘检测3。霍夫变换检测方法4。区域分割。区域增长。拆分和合并方法1的目的。掌握图像分割的概念和边缘检测的原理和方法。掌握霍夫变换检测直线的原理，理解霍夫变换检测曲线的方法；3.掌握最简单的图像区域分割，了解区域生长、分割和合并的方法，7.1概述，图像分析的概念检测和测量图像中感兴趣的目标以获得它们的客观信息，从而建立图像的描述。图像分析系统的基本组成部分，预处理，图像分割，特征提取，对象识别，7.1概述，图像分析的步骤将图像分成不同的区域或分离不同的对象，以找出分离区域的特征，识别要在图像中找到的对象或对图像进行分类，描述不同的区域或找出不

2、同区域之间的相互关系，然后找出相似的结构或将相关区域连接成有意义的结构。7.1概述，图像分割的概念将图像分成不重叠的区域并提取感兴趣的对象。在图像分割的定义：中，集合R代表整个图像区域，并且R的分割可以被视为将R分成N个非空子集(子区域):R1、R2、rn:对于所有的I和j，ij，有Rirj=；对于I=1、2和n，P (ri)=真；对于ij，有p (rirj)=假；对于I=1，2，n，r I是一个连通区域。其中P(Ri)是集合Ri中所有元素的逻辑谓词，表示一个空集合。7.1概述，图像分割的基本策略分割算法是基于灰度值的两个基本特征：不连续性和相似性来检测图像像素灰度的不连续性，并找出点、线(宽

3、度为1)和边(不确定宽度)。首先找到边缘，然后确定面积。概述7.1，图像分割的基本策略是检测图像像素灰度值的相似性，通过选择阈值找到灰度值相似的区域，区域的外轮廓就是物体的边缘。概述7.1，基于边缘的图像分割方法首先提取区域边界，然后确定受边界限制的区域。区域分割确定每个像素的所属区域，从而形成区域图。区域生长将具有相似属性的连通像素集合成区域分割、合并和分割。前两种方法综合使用，包括图像分割和图像合并。分割对象，7.2边缘检测算子，边缘的定义：分类设置边缘像素在图像中像素的灰度有阶跃变化或屋顶变化，阶跃状屋顶，阶跃状屋顶，7.2边缘检测算子，基本思想：计算局部微分算子，一阶微分，截面图，边界

4、图像，7对于暗边缘，结论是相反的。常数部分为零。目的：检测图像中边缘的存在，7.2边缘检测算子，二阶微分：拉普拉斯计算。特征：二阶微分在光明面为正，在黑暗面为负。常数部分为零。目的：1)二阶导数的符号用于确定边缘上的像素是在亮侧还是在暗侧。2)0相交确定边缘的准确位置，7.2边缘检测算子，几种常用的边缘检测算子罗伯茨算子普雷维特算子索贝尔算子基尔希算子拉普拉斯算子马尔算子，梯度算子，函数f(x，y)在(x，y)处的梯度是一个向量：f=f/x，这个向量的大小是由f/y计算的：G=(f/x)2 (f/y)21/2约为： G |fx| |fy|或G最大值(|fx|，|fy 梯度图像的二值化具有以下特

5、点：这样形成的边缘二值图像g(x，y)只计算相邻像素的灰度差，对噪声敏感，不能抑制噪声的影响。罗伯茨算子，公式：模板：特点：与梯度算子相似，对噪声敏感，但其效果略好于梯度算子。普雷维特算子，公式模板：特点：它可以抑制噪声的影响，同时检测边缘。Sobel算子，公式模板特征：使用加权方法计算4个邻域的差异可以进一步抑制噪声，但检测到的边缘较宽。索贝尔算子和索贝尔梯度算子的使用与分析1 .边缘的存在可以通过直接计算Y和X来检测，并且从暗到亮和从亮到暗的变化2。仅计算|x|并且最强的响应是与X轴正交的边；|y|是与y轴正交的边。3.由于微分增强了噪声，平滑效应是索贝尔算子的一个特殊特征。在计算边缘强度

6、时，基尔希算子(方向算子)、模板、可以得到边缘方向，每个方向之间的角度为45。最大值作为边缘强度，相应的方向作为边缘方向。如果将最大值的绝对值作为边缘强度，并通过考虑最大符号来确定相应的边缘方向，则只要存在前四个模板，就考虑了每个模板的对称性。拉普拉斯算子，定义：二维函数f(x，y)的拉普拉斯是一个二阶微分，定义为：2f=2f/x2，2f/y2离散形式：模板：它可以用多种方式表示为数字形式。对于33区域，最推荐的形式是拉普拉斯算子。以数字形式定义拉普拉斯算子的基本要求是，作用在中心像素上的系数是负数，周围像素的系数是正数，系数之和必须是0。拉普拉斯算子，拉普拉斯算子分析：优势：各向同性，线性和

7、位移不变；细线和孤立点的检测效果更好。缺点：对噪声敏感，对噪声有双重增强效果；无法检测到边缘的方向；通常会产生双像素边缘。因为梯度算子和拉普拉斯算子对噪声敏感，所以在使用它们检测边缘之前，通常需要对图像进行平滑。Marr算子，Marr算子是在拉普拉斯算子的基础上实现的，它得益于人类视觉机制的研究，具有一定的生物学和生理学意义。由于拉普拉斯算子对噪声敏感，为了减少噪声的影响，可以先对图像进行平滑，然后用拉普拉斯算子检测边缘。平滑函数应该反映具有不同距离的周围点对给定像素具有不同的平滑效果。因此，平滑函数采用正态分布的高斯函数，即：其中为方差。用h(x，y)平滑图像f(x，y)可以表示为：*代表卷

8、积。设r为距原点的径向距离，即r2=x2 y2。利用拉普拉斯算子检测图像g(x，y)的边缘，可以得出结论：利用二阶导数算子的过零性质，可以确定图像中阶梯边缘的位置。称为高斯拉普拉斯滤波算子，也称为对数滤波器，或“墨西哥草帽”。Marr算子、一维LOG函数及其变换函数、二维LOG函数、Marr算子，由于其光滑性，可以减少噪声的影响，所以当边缘模糊或有噪声时，过零点的检测可以提供更可靠的边缘位置。在该算子中，边缘的选择非常重要，边缘定位的精度很高，但是边缘细节变化很大；平滑在大时间内效果很好，但细节损失大，边缘点定位精度低。应根据噪声水平和边缘点定位精度要求进行适当选择。下面是Marr算子在10:

9、处的模板，Marr算子、(a)原始图像，(b) 2h结果，(c)正值为白色，负值为黑色，(d)过零点检测采用2h，曲面拟合的方法，基于微分图像边缘检测的算子往往对噪声敏感。因此，对于一些有噪声的图像很难获得令人满意的结果。如果使用平面或高阶表面来拟合图像中小区域的灰度表面，则可以通过在拟合的平面或表面的外法线方向上找到微分或二阶微分来检测边缘，从而降低噪声影响。四点拟合灰度表面方法使用平面p(x，y)=ax乘以c来拟合空间中相邻像素的灰度值f(x，y)、f(x，y 1)、f(x 1，y 1)、f(x 1，y 1)。这可以推导出，根据梯度的定义，梯度可以很容易地由平面p (x，y)=ax的偏导数

10、由c得到。A是两行像素的平均值之间的差，b是两列像素的平均值之间的差。这种运算可以简化为模板卷积，对应于A和B的模板计算如下：其特点是先求平均值，再求差值，这样可以抑制噪声。例如，7.3边缘跟踪起点由于噪声，边界的特征很少被完全描述，并且在亮度不一致的地方会被中断。因此，典型的边缘检测算法总是遵循连接过程和其他边缘检测过程，这些过程用于整合边缘像素并成为有意义的边缘。不连续的边被连接起来形成一个封闭的边界。通常，它是在边界检测之后执行的。边缘跟踪的概念是将检测到的边缘点连接成线，即边缘跟踪线是图像的中层符号，描述了从边缘形成线特征的两个过程，这两个过程可以形成线特征的边缘提取，以及将边缘连接成

11、线、光栅跟踪、全方位跟踪和光栅扫描跟踪，这一概念是一种跟踪方法，它使用电视光栅线扫描序列结合阈值检测来分析遇到的像素，从而确定它是否是边缘。光栅扫描跟踪，具体步骤如下：(1)确定一个相对较高的阈值D，并将高于该阈值的像素作为目标点。这个阈值称为“检测阈值”。(2)使用检测阈值D来检测图像的第一行中的像素，所有超过D的点都被接受为目标点，并且它们被用作下一个跟踪的起点。(3)选择较低的阈值作为跟踪阈值，可以根据不同的标准进行选择。例如，相邻目标点之间的灰度差的最大值被作为跟踪阈值，并且有时使用其他参考标准，例如梯度方向和对比度。(4)确定跟踪邻域。将下一行像素(I，J)中的像素(i 1，j-1)

12、、(i 1，J)、(i 1，j 1)作为跟踪邻域。(5)扫描下一行像素，其中与前一行中检测到的目标点相邻的像素之间的灰度差大于跟踪阈值，它们被接受为目标点，反之亦然。(6)对于检测到的目标点，如果在跟踪场的下一行中没有像素被接受为目标点，则可以完成该曲线的跟踪。如果同时接受两个甚至三个邻域点作为目标点，则意味着曲线分支，并且将同时对每个分支进行跟踪。如果几条分支曲线合并成一条曲线，跟踪可以集中在一条曲线上。曲线跟踪完成后，从第一条直线上的其他检测点开始跟踪下一条曲线，步骤同上。光栅扫描跟踪(7)对于不被接受为目标点的其他像素行，再次使用检测阈值，并且跟踪阈值程序被重新使用，其中新检测到的点作为

13、起始点，以检测不从第一行开始的其他曲线。(8)扫描最后一行时，可以完成跟踪。光栅扫描跟踪、光栅扫描跟踪，从结果可以看出，在本例的原始图像中有三条曲线，两条从顶部，一条从中间。然而，如果不使用跟踪方法，仅用一个阈值的检测不能得到满意的结果。光栅扫描跟踪、检测和跟踪所选特征可能不是灰度级，而是反映局部属性的其他量，如对比度、梯度等。此外，对应于每个点的邻域也可以以其他方式定义，这不一定是下一行像素。稍微远一点的场可能更有利于弥合曲线之间的差距。跟踪标准不仅可以针对每个检测到的点，还可以针对一组检测到的点。此时，可以对连续检测到的点赋予不同的权重，例如，稍后检测到的点被赋予较大的权重，而较早检测到的

14、点被赋予较小的权重，并且检测到的点的属性和检测到的点的属性的加权平均值被用于比较以决定是接受还是拒绝它们。总之，应该根据具体问题灵活运用。光栅扫描跟踪I此外，如果边缘平行于光栅扫描方向时效果不好，最好在垂直扫描方向跟踪一次，这相当于将图像移动90度，然后执行光栅扫描跟踪。全向跟踪，例如，如果跟踪方向不限于逐行(或逐列)光栅扫描，它也可以在从上到下(或从左到右)扫描期间向上(或向左)跟踪，那么光栅跟踪依赖于扫描方向的缺点将被克服。这可以通过定义不同的邻域来实现。类似地，如果我们选择的跟踪标准能够区分远离近邻的像素，光栅跟踪将错过平行于扫描方向的曲线的缺陷可以被适当地克服。全向跟踪是一种跟踪方向可

15、以任意且跟踪距离足够大的跟踪方法。显然，全方位跟踪是一种光栅跟踪方法，它改变了邻域定义和跟踪标准。全方位跟踪，具体步骤如下：(1)以光栅扫描方式扫描图像，利用检测阈值找出初始跟踪的流动点(沿检测曲线流动)。(2)选择适当的邻域定义(例如八个邻域)和适当的跟踪标准(例如灰度阈值、对比度和相对于流动点的距离等)。)来跟踪流动点。在跟踪过程中，如果：全向跟踪，(a)遇到几条曲线的分支点或交点(即几个点同时跟踪一个流点)，则最接近当前流点的属性作为新的流点，继续跟踪。其余的点被存储起来以供进一步跟踪。如果在跟踪过程中遇到新的分支或交叉点，重复上述处理步骤。当根据跟踪标准没有未检测到的点可以被接受为目标

16、点时，分支曲线的跟踪已经结束。(b)跟踪分支曲线后，返回最近的分支点，取出属性最接近分支点的另一个像素作为新的流点，并重复上述跟踪过程。全方位跟踪，(c)当所有支点上所有要跟踪的点都已被跟踪时，返回第一步并继续扫描以选择新的流动点(不应作为对象接收)。(3)当扫描整个图像时，跟踪程序结束。全方位跟踪。特点：全方位跟踪改进了光栅扫描跟踪方法，并考虑了初始点的所有八个相邻点进行跟踪。7.4 Hough变换检测方法，Hough变换算法的基本思想是实现Hough变换的扩展，7.4 Hough变换检测方法提出的问题是，在找出边界点集后，需要将其连接起来形成一个完整的边界图描述，而基本思想是找出共线点集和直线方程为该点集的边界上的N个点。对于直角坐标系中的直线L，它可以用，表示，直线方程是：其中，它是从原点到直线的垂直距离以及垂直线和X轴之间的角度，这条直线是唯一的。构建了一个参数平面，得到以下结论：7.4霍夫变换检测方法对应一条直线，直角坐标系中的直线对应极坐标系统中的一个点。这种线到点的变换是霍夫变换，7.4霍夫变换检测方法