数字图像处理~图像分割.ppt

1、图像分割、课程内容、计算机图像处理的两个目的：生成更适合人类观察和识别的图像计算机自动识别和理解图像分割：图像分割阈值选择和阈值化处理的边界提取和轮廓跟踪Hough变换区域的增长、图像分割， 图像分割的目标是根据图像中的物体对图像的像素进行分类，提取关注目标的图像分割是指，图像识别和图像理解的基本前提步骤、图像、图像分割例、图像分割例、图像分割在分解为构成图像的部件和对象的过程中， 着眼于强调目标的牌照并消除无关的图像成分：非矩形区域，形式化定义r的划分可认为将r划分为多个满足以下条件的非空间集(子区域) R1、R2、R3、Rn:并且分类划分根据相似性进行划分形成图像中的不同区域。 基于此相似

2、原理的方法也称为基于区域相关的分割技术不连续性分割：首先检测局部不连续性，将它们连接以形成边界，这些边界将图像分割为不同的区域。 两种基于这样的不连续性原理检测物体的边缘的方法是互补的，称为基于点相关的分割技术。 将这些组合起来，有时会得到更好的分割效果。 人眼图像的示例、分类连续性和处理策略连续性：不连续性：边界相似性：区域处理策略：早期处理结果是否影响后期处理并行：不连续性：结果通过后期处理以四种方式并行边界的串行边界并行区域串行区域，可以根据问题的种类按图像、应用程序进行提取分割方法也不同，目前没有一般应用的最佳方法。 人的视觉系统对图像分割相当有效，但非常复杂，分割方法的原理和模型不清

3、楚。 这是一个值得研究的问题。 分层图像分割算法的图像分割算法的评价和分割算法的评价方法与评价标准相比较的系统研究、图像分割策略、图像分割基本策略基于灰度值两个基本特性：区域间的不连续性目标为点、线(宽度1 )、边(不定宽度) 如果可以设定R=(-1 * 8 * 8 128 * 8)/9=106阈值t=64r=0，则说明如下：找到区域内部的相似性，决定阈值，找到灰度值相似的区域的轮廓为对象的边，点检测用空间区域的高通滤波器检测孤立点： R=(-1 * 8 * 8 128 * 8)/9=106阈值t=64r=0，则说明如何检查，与汽轮机叶片对应的x射线图像，检查的结果，改变阈值的结果，线检，通过

4、比较典型的模板的修正值，确定是否在某个方向的线上有点，也可以修正其他的模板：模板系数之和为0，感兴趣在线检测4种模板中分别校正r电平=-6 30=24 R45度=-14 14=0 R垂直=-14 14=0 R135度=-14 14=0，根据这些值找到绝对值的最大值，确定当前点更接近与该模板对应的直线， 边缘检测图像的边缘信息在图像分析和人的视觉中都是十分重要的，是在图像识别中提取图像特征的重要属性。 阶梯型凸缘型屋顶型、边缘导数、边缘检测、边缘上的这种变化可以通过微分运算符来检测：一次导数：根据梯度来修正二次导数：根据拉普拉斯运算符来修正，边缘检测、一次导数：根据梯度运算符来修正特征常数部分为

5、零。用途：检测图像中边的存在、边缘检测、二次导数：用拉普拉斯校正特征：二次微分在亮边为正，在暗边为负。 常数部分为零。 用途：确定边缘上的像素位于明边缘还是暗边缘，且0用于确定边缘的精确位置，其中第一个边缘检测方法基于像素的数值导数，并施加差异而不是对数字图像进行导数运算。 边缘是图像上的灰度变化比较剧烈的位置，由于如果灰度变化急剧的位置微分则产生高值，所以在数学上可以用灰度的导数表示变化。 差分定义：简单的边缘检测方法、图像可以通过梯度运算灵敏地检测边界，但梯度运算比较复杂。 梯度算子梯度是图像处理中最常用的一阶导数方法。 在图像函数的各点处的梯度大小为这个方向，并且在数字图像的情况下，如果

6、一阶导数可以被一阶差代替，则f(x，y )的梯度大小=？常用的边缘检测器、一个图像中的一个3*3区域、使用下一个边缘检测器来检测它。 它们都是线性导数、边缘检测器示例、边缘检测器问题、边缘检测器中经常遇到的问题是图像中细节太多。 例如，前一个例子中的炼瓦壁图像受噪声干扰，其中一个不能正确地检测边缘的解决方案是在边缘检测之前对图像进行平滑，通常的平滑滤波器是高斯函数：对于图像信号，Marr首先提议使用高斯函数进行平滑：图像被线性平滑另外，由于边缘点是图像中的灰度值的变化剧烈，因此这样的图像强度的突变与在一次微分中产生峰值或者在二次微分中产生过零点等价，沿着梯度方向的二次微分是非线性的，校正运算复

7、杂。 Marr提议替换为以下式的零交叉点为边缘点的拉普拉斯算子。 (1)该滤波器中的高斯函数部分能够使图像平滑化。 (2)该滤波器通过使用拉普拉斯算子可以减少补正量。 具体实现和的卷积运算时： (a )取nn的窗口，通常检测效果好。 (b )窗口模板内的各系数的和为0。 (1)该滤波器中的高斯函数部分能够使图像平滑化。 (2)该滤波器通过使用拉普拉斯算子可以减少补正量。 具体实现和的卷积运算时： (a )取nn的窗口，通常检测效果好。 (b )窗口模板内的各系数的和为0。 对于经平滑的边缘检测的示例，Laplacian边缘检测器是单独与经平滑的Gaussian滤波器组合来不执行边缘检测的高斯拉

8、普拉斯(LOG )，因为经二阶导数的Laplacian滤波器对噪声过敏我曾经遇到过高斯拉普拉斯安(Laplacian of Gaussian )， LOG或Mexican hat、墨西哥草帽)滤波器为采用Gaussian进行去噪并且采用Laplacian进行边缘检测的高斯拉普拉斯算法的一个示例，阈值图像分割的典型方法是基于灰度阈值的分割将一个灰度图像转换为二值图像的简单的一值阈值可以用数学方法表现：一般的方法是求灰度直方图的双峰或多峰，将两峰之间的谷底作为阈值。 阈值示例：假设计算机播放器手中的扑克，需要进行视觉分析，但如果您设定了错误的阈值，则结果严重，全局阈值、全局阈值是指整个图像使用相同

9、阈值进行分割处理适用于背景和前景对比度大的图像算法的实现。 选择适当的阈值t，当逐行图像的灰度级大于t时，将颜色设定为255，灰度级小于t，颜色选择0，基本全局阈值算法，基本全局阈值t选择1，初始评价值t (一般是图像的平均灰度值) 2 将含有灰度等级大于t的像素，G2将含有灰度等级为t以下的像素3的G2中的像素的平均值修正并分配给2 4，并修正新的阈值：重复步骤5、步骤2-4，直到连续2次的t间的差小于预先给定的上限t为止，将阈值例1、 选择直方图中的双峰之间的谷底作为全局阈值的更多阈值、单一阈值和照明、不均匀照明使单一阈值方案无效，基本的自适应阈值、单一阈值不发挥功能的一种方法将图像分割为

10、子图像，分别进行阈值化处理。 由于每个像素的阈值取决于图像中的位置，因此称为“自适应阈值”(adaptive threshold )，下图是上述图像的自适应阈值图像的基本自适应阈值示例。 图像得到了改善，但是需要将错误的图像进一步细分，取得更好的效果。 Hough变换、Hough变换可用于连接边缘像素得到边界曲线。 其主要优点是噪声和曲线间断的影响小，Hough变换即Hough变换的基本思想： xy平面内的直线可以将a、b表示为变量，ab平面内的直线，如果点(x1，y1)和点(x2，y2)为同一直线， 这两点残奥仪表ab平面上的直线可以表示一个交点在残奥仪表上的对应xy平面上的直线，从我们的解

11、这一线到点的变换可以进行Hough变换、Hough变换，所得到的点A(a，b )可以表示我们的解，(a，b )可以表示在图像坐标系xy中求出的直线的斜率和截距算法思想：将a的量化值代入与a相对应的图像中的每个(x0，y0)点，并计算各自的b，如果获得的值(量化后的值)收纳在某个单元内，则将该单元的计数累加器加1，并在进行所有的(x，y )点转换之后，将该单元的计数累加器加1 因此，a、b的量化需要同时进行残奥仪表的量化精度和校正计算量。 Hough变换检测直线的抗干扰性强，可以连接断开的边缘。 Hough变换也可用于检测圆、椭圆等曲线。区域的成长、分割的目的是将图像分割成几个区域。 最直接的方

12、法是将图像分割为满足某个标准的区域，即点构成区域。 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。 从满足检测基准的点开始在各个方向上生长区域，其附近点如果满足检测基准则编入小块区域。 合并新点后，在新区域重复该过程，直到没有可接受的邻点为止，结束生成过程。 区域从满足检测标准的点(或从已知点)向不同方向生长。 例如，在各步中可接受