图象分割与边缘检测.ppt

1、第5章图像分割与边缘检测、5.1图像分割与5.2边缘检测与5.3轮廓跟踪与提取5.4图像匹配与5.5投影法与差分拍摄法5.6应用例、5.1图像分割与5.1.1概括图像分割是将图像分割成相互不交叉的小区域的过程，小区域是在某种意义上具有共通属性的像素的连结集合。 例如，不同对象物体所占的图像区域、前景所占的图像区域等。 连通指集合中的任意两点之间存在完全属于该集合的连通路径。 在离散图像中，如图5-1所示，连通有4连通和8连通。 所谓图5-1 4连通和8连通、4连通，意味着从区域上的一点起，通过上、下、左、右移动这4个方向的组合，能够不越过区域而到达区域内的任意像素，所谓8连通方法，是指从区域上

2、的一点起，从左、右、上、下、左上、右上、左下、右下这8个方向在图像的分割中，存在将各像素分类为对应的物体或区域的像素聚类方法，即区域法、以及将各像素分类为对应的物体或区域的像素聚类方法这三个不同的方法其二，是通过直接决定区域间的边界来实现分割的边界方法，其三，首先，对于以下三种方法进行说明： 在图像分割技术中，基于阈值化处理的图像分割是最一般的。 另外，在按照灰度阈值法分割的一般的图像分割方法中，将图像的灰度分割为不同的水平，通过设定灰度阈值(阈值)的方法来决定有意义的区域或者分割物体的边界。 通常的阈值化处理是图像的二值化处理，并且通过选择该阈值来将图像转换为单色二值图像，并且该阈值用于图像

3、分割和边缘追踪的预处理。 图像的阈值化处理的转换函数式是(5-1)、图5-2的阈值转换曲线，在图像的阈值化处理中，如果选择不同的阈值，则处理结果会有很大不同。 如图5-3所示，如果阈值过大，则抽取多才多艺的部分；如果阈值过小，则丢失必要的部分(注意：当前背景为黑色，对象为白色时则相反)。 因此，阈值的选择非常重要。 图5-4表示图5-3(a )的原图像的直方图。 该直方图分析后，该直方图具有双峰特性，图像中的目标(细胞)分布在暗的灰度级形成一个峰，图像中的背景分布在亮的灰度级形成另一个峰。 此时，可以通过利用双峰之间的低灰度值作为阈值t来对图像执行阈值处理，划分对象和背景。 图5-3不同的阈值

4、对阈值化结果的影响(a )原图像(b )阈值T=91； (c )阈值T=130； (d )阈值T=43、图5-4的图5-3(a所示的图像的直方图、1 .判别分析法决定最佳阈值判别分析法的基准是使在进行阈值处理后分离的像素类别间的类别间方差最大化。 判别分析法是只通过补正直方图的0次矩和1次矩，就自动决定在图像阈值化处理中使用的阈值的方法。 设图像总像素数为n、灰度值为I、像素数为Ni，则将到灰度等级k的灰度分布为止的0次矩和1次矩分别定义为0次矩：(5-2)、1次矩：(5-3)，在K=L-1时，将(l (L-1)T，t设为图像的设置了M-1个阈值：0k1k2KM-1L-1。 图像具有m个灰度值

5、的类Cj(Cjkj-1 1，kj； j=1，2，m； k0=0，kM=L )，各类别的Cj的发生概率j和平均值j是(5-4)、(5-5)，式中，(0)=0，(0)=0。 这样获得的类之间的方差把上面给出的2值最大的阈值组(k1，k2，kM1)设置为m值化的最佳阈值组。 当m设为2，即分割为两种时，可以用上述方法求出二值化的阈值。 (5-6)、2. p尾法决定阈值p尾法仅适用于预先已知的目标所占的全部图像的比例的情况。 如果一个图像包括明亮的背景和黑色对象并且知道对象占图像的(100p)%面积，则将至少(100p)%的像素阈值化并匹配对象的最高灰度，并选择用于二值化处理的阈值。5.1.3区域增长

6、分割的目的是通过将一张图像分割成几个区域，最直接的方法是将一张图像分割成满足某一标准的区域，即在区域中构成点。 为了实现分组，首先确定区域的数量，接着确定一个区域与其他区域的区别特征，最后生成有效分割的相似性判定标准。 划分区域的一种方法称为区域生长或区域生成。 假定区域的数量和各区域中各个点的位置是已知的，则可从一个已知点开始添加与已知点类似的邻居来形成一个区域。 相似性的基准可以是灰度、颜色、组织、梯度等的特性，相似性的测度也可以由所确定的阈值来确定。 该方法在各个方向上从满足检测标准的点生长区域，并且在该相邻点满足检测标准时将其并入小块区域。 合并新点后，在新区域重复该过程，直到没有可接

7、受的邻点为止，结束生成过程。 图5-5显示了一个简单的例子。 该例的类似性基准是邻近点的灰度等级与物体的平均灰度等级之差小于2。 图中被接受的点和起点用下划线表示，(a )图是输入图像，(b )图是第一步被接受的邻接点，(c )图是第二步被接受的邻接点，(d )图是从6生成的结果。 在图5 a的区域生长的示例中，当生成任何物体时，接收准则可以基于结构，而不是基于灰度级和对比度。 为了在物体中包含候选的小点，不需要检测各个点，而可以检测它们的小点并且如果其结构十分类似于物体的结构则可以接收。 5.1.4区域聚合区域聚合可直接用于图像分割。 聚合中的每个点必须在平面上相邻，并且特性相似。 区域聚合

8、的步骤是首先检查图像的测量集，确定测量空间中聚合的位置和数量，然后将这些聚合的定义用于图像以获得区域聚合。 区域聚合技术可以说明如下。 首先，定义存在于图像上的等价关系。 举例来说，可将最简单的等效关系定义为p(i，j)p(k，l )。 也就是说，如果p(i，j)p(k，l )，则p(i，j )等于p(k，l )。 点在格子上的等价关系也可以归类为等价类。 例如，如果p(i，j )的可能值范围为0到63，则可以生成64个等值类型的模板.如果满足关系，则该值为1，否则为0。 中的组合图层性质变更选项。 如果模板的两个图像不相交，则整个网格将填满64个模板。 这些等效类可以进一步划分为最大连接的子

9、集(连接组件)。 连接性可由点(I，j )的相邻点定义，例如4个连通相邻点、8个连通相邻点等。 假定r是属于网格的子集，并且在r中存在一个点阵列，其中第一个点是p1，最后一个点是p2，并且属于网格的子集r中的有两个连接点p1和p2的话，在四个连续点中是相邻的。 这种连接关系使您可以定义属于任意点构成与r相关的区域的r的子集。 等效模板可用于划分成最大的连接区域，并且这些最大的连接区域随后可形成如同积木一样的有效的分割。 1970年布莱斯和费尼玛提出了如图5-6所示的分割方法。 图11 a是具有灰度等级的33个g列的g列阵列，图11 b是相对于g列的分割结果。 其中图像格子是g，这是大格子s的格

10、子。 g是nm的晶格，s是(2n1)(2m1)的大晶格。 在大格子中，G(i，j )点位于s的(2I-1，2 j-1 )点上。 g的点对应于s的点，每个点是奇数，其侑预的点用于表示区域的边界。 用这种形式表示的区域产生了用于搜索最大连续区域的方法。 g中的点与其上方和右方的点相比较，如果灰度等级相同则统一，如果灰度等级不同则插入边界线。 当处理图像中的每个点时，整个图像被分割成区域。由于在该例子中采用了4连通等效关系，因此从该图可以看出，产生被对角线方向的等灰度水平分隔的区域。 在图5-6布莱斯和费马分割方法、5.2边缘检测和Marr视觉校正计算理论框架中提取诸如二维图像上的边缘、角、纹理等基

11、本特征是整个系统框架的第一步骤。 由这些特征组成的图被称为基元图。 Yuille等指出，不同的“尺度”意义上的边缘点在某种条件下包含原图像的全部信息。 图5-7描绘了图像中的边缘点，可知仅从这些边缘点可识别三维物体，可知边缘点确实包含有图像中的大量的信息。 图5-7图像的边缘点，(1)空间曲面上的不连续点。 标记为a的边缘线时，这些边缘线是2个不同曲面或平面的交线，在该点上物体表面的法线方向不连续，在类别a的边缘线的两侧图像的灰度值显着不同。 (2) b类的边缘线。 b类边缘线是从不同材料或相同材料的不同颜色生成的。 图中的桌面由2种不同的材料构成，由于对这些光的反射系数不同，所以b边缘线两侧

12、的灰度显着不同。 (3)C类边缘线。 c类的边缘线是物体和背景的分界线。 图中的圆柱有2条c种边缘线，这种边缘线一般称为外廓线。 在类别c的边缘点，三维物体表面的法线方向连续，出现边缘点是因为从某视点看物体时，类别c的边界点是物体和背景的边界。 物体和背景在照明条件和材料的反射系数等方面有很大差异，所以在c类边缘的两侧图像的灰度也有很大差异。 图中c所示的边缘、即物体与背景的边界也是物体上表面法线的不连续部分，但引起其两侧的灰度偏差的原因是前者。 (4)D边缘。 d是由阴影产生的边缘。 由于物体表面的一部分被其他物体遮挡而得不到光源的照射，因此在边缘点的两侧的灰度值产生较大的差异。5.2.1边

13、缘检测和微分运算如上所述，边缘点是信号的“变化剧烈”，但它是不正确的，需要定义正确的边缘数学模型。 以一维信号为例，图5-8(a )是阶跃信号，当然认为a点是边缘点。 实际上，物理信号中不可能有理想的突变，但是如图5-8(b )所示那样是逐渐增大的信号，关于图5-8(b )所示的a、b、c这3点，一般将b点称为边缘点。 在图5-8(c )和5-8(d )中，如果阶梯差较窄，则能够将b点识别为边缘点，也能够识别为在该信号中具有两个边缘点a和c。 图58不同的边缘信号，图59的图像中不同类型的边界(a )、边界(b )、线(c )、折线的变化(d )、平滑的变化，图510的Prewitt算子的边缘

14、检测的结果，图510、5.2.2的高斯加(LOG ) 更有效的边缘检测器是将高斯加高斯平滑滤波器和拉普拉斯锐化滤波器组合，将噪声平滑后再进行边缘检测，因此效果更好。 常用的LOG算符是55个模板：图5-11 LOG算符中心点的距离和位置权重系数的关系是： LOG也被称为墨西哥草帽过滤器，因为当图5-11绕y轴旋转一周时，LOG算符看起来像墨西哥草帽。 图像的边缘检测包括沃尔什(Wallis )运算符、过零检测(Marr-Hildreth )运算符、Canny边缘检测方法、Susan (smallestunivaluesegmentassimilatingnucleus )等顾名思义，轮廓跟踪通

15、过依次找到边缘点来跟踪边界。 当图像是二值图像或图像中的不同区域具有不同像素值但每个区域中的像素值相同时，则该算法可以完成基于4连通或8连通区域的轮廓跟踪。步骤1 :先从上到下，从左到右依次扫描图像，找到没有跟踪结束符号的第一个边界起点A0。 A0是具有最小行和列值的边界点。 如图5 a所示，定义用于记录从前一步骤中前边界点到当前边界点的移动方向的扫描方向变量dir，其初始值为(1)对4连通区域设为dir=3(2)如图5 b所示，对于8连通区域设为dir=7 图5-12方向变量的初始化，步骤2 :逆时针方向搜索当前像素的33附近，其开始搜索方向如图5-13(a )所示，对于4连通区域取(dir

16、 3)mod 4，对于(2)8连通区域，dir为奇数如果dir是偶数，则取(dir 6) mod 8，如图5-13(c )所示。 另外，在图5-13 33附近开始搜索方向，在33附近搜索到的最初，与当前像素值相同的像素成为新的边界点An，同时变量dir更新为新的方向值。 步骤3 :如果an等于第二个边界点A1，而上一个边界点An-1等于第一个边界点A0，则停止搜索并结束跟踪。 否则，重复步骤2继续搜索。 步骤4 :由边界点A0、A1、A2、An-2组成的边界成为要跟踪的边界。 在演算法的步骤1中采用的准则称为探测准则，发挥寻找第一个边界点的作用。在步骤3中采用的准则称为追踪准则，发挥寻找所有边

17、界点的作用。图5-14轮廓追踪例、5.3.2轮廓提取、二值图像轮廓提取的算法非常简单，将内部点挖空：说明原图像中一点为黑色、其8个相邻点全部为黑色时，该点为内部点，并删除该点(设为白像素值255 )的图像内的所有像素这里不怎么说明，请参考软盘的源程序。 另外，5.4图像匹配和5.4.1模板匹配是指将小图像(模板)与源图像进行比较，确定在源图像中是否存在与该模板相同或类似的区域，如果存在该区域，那么就可以缩放该位置模板匹配中经常使用的测度之一是模板与原图像的对应区域的误差平方和。 设f(x，y )为MN的原图像，设t(j，k )为JK(JM，KN )的模板图像，误差平方和测度定义为(57 )，将式(57 )称为DST(x，y )，称为模板与原图像的对应区域之间的相互相关，并将像素位置(x，y ) DT(x，y )称为模板的能量，只要与图像的像素位置(x，y