第6讲 图像分割.ppt

1、第6讲 图像分割,6.1 引言 6.2 边缘检测 6.3 阈值分割 6.4 基于区域的分割 6.5 基于形态学分水岭的分割,概念 1、图像分割是指将图像划分为它的子区域或对像的过程。,分割实例1（虹膜定位 ）,分割实例2 （虹膜诊断学中的虹膜投射图 ）,概念 2、有选择性地定位感兴趣对像在图像中的位置和范围。,图像分割的基本思路 从简到难，逐级分割； 控制背景环境，降低分割难度； 把焦点放在增强感兴趣对像，缩小不相干图像成分的干扰上。 例如：下图的分割过程。,1.从简到难，逐级分割 分割矩形区域；定位牌照；定位文字 2.控制背景环境，降低分割难度 背景环境:路面、天空 3.焦点放在增强感兴趣对

2、像，缩小不相干图像成分的干扰. 感兴趣的对像：汽车牌照 不相干图像成分：非矩形区域,图像分割的基本策略 图像分割的基本策略，基于灰度值的两个基本特性： 不连续性区域之间 相似性区域内部 根据图像像素灰度值的不连续性 先找到点、线（宽度为1）、边（不定宽度） 再确定区域,据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 区域的外轮廓就是对像的边,不连续性 边界分割法；边缘连接分割法 相似性 阈值分割法； 面向区域的分割；数学形态学图像处理,目前研究方向 （1）大量的研究集中在对分割算法的研究上； （2）根据分割评价方法，对各种分割算法的性能进行刻画和比较； （3）对分割评价方法的研究

3、。,第6讲 图像分割,6.1 引言 6.2 边缘检测 6.3 阈值分割 6.4 基于区域的分割 6.5 基于形态学分水岭的分割,人可以仅满足于边缘提供的信息,边缘可定义为在局部区域内图像的差别，表现为图像上的不连续性。 灰度级的突变 纹理结构的突变 颜色的变化 灰度级突变 阶跃边缘 脉冲状边缘 阶跃脉冲状边缘,阶跃边缘,脉冲状边缘：线条、曲线、点 。,阶跃脉冲状边缘：田里长有各种作物的田间小道。,间断检测,指点、线，边缘的检测 利用前面已经介绍过的模板运算 对系数wi赋以一定的权值 可以实现不同的功能。 方法：求测试点和其邻居之间的加权差值,点的检测,用空域的高通滤波器来检测孤立点 R = (

4、-1 * 8 * 8 + 128 * 8) / 9 = (120 * 8) / 9 = 960 / 9 = 106 设 ：阈值：T = 64 R T,线的检测,通过比较典型模板的计算值，确定一个点是否在某个方向的线上,用4种模板分别计算 R水平 = -6 + 30 = 24 R45度 = -14 + 14 = 0 R垂直 = -14 + 14 = 0 R135度 = -14 + 14 = 0,例：,线的检测算法描述 依次计算4个方向的典型检测模板，得到Ri i=1,2,3,4 如 |Ri| |Rj| 对于所有的j = i，那么这个点被称为在方向上更接近模板i 所代表的线 设计任意方向的检测模板

5、 可能大于3x3 模板系数和为0 感兴趣的方向的系数大。,（2）实例,边缘,理想的边缘 斜坡数字边缘,由于光学系统等种种原因， 实际的边缘不是一条线而是是有斜坡的， 它对应边缘的模糊程度,一阶导数和二阶导数,特点 1、一阶导数（通过梯度算子实现）：在斜坡上，导数值为正，在平坦区为零。 2、二阶导数（通过拉普拉斯算子实现）：在跃变点，一正一 负，其他部分为零。（过零点）,结论,一阶导数可以用于检测图像中的一个点是否在边缘上 (检测边缘) 二阶导数的符号可以用于判定一个边缘像素是在边缘亮的一边还是在黑的一边，以及一个宽的边缘的中心,1。小的noise对一阶导数的影响较小， 2。二阶导数对noise

6、非常敏感 3。 Noise大时，对一、二阶导数影响都较大 总之，存在noise的应用中，noise是需要认真考虑的,噪声对一阶导数和二阶导数的影响,（2）梯度算子 A、梯度算子,C、实例,B、各种梯度模板,图5-10,用Prewitt算子进行边缘检测的结果,用Sobel算子进行边缘检测的结果,拉普拉斯算子,分析,数字Laplacian算子虽对边缘有响应，但对拐角、线条、线端点和孤立点响应更强。即对noise 增强作用更大 （模板）8的比4的增强作用大 不能检测方向 具有双边效应（对于复杂的分割不利） 应用：拉普拉斯算子不直接用于边的检测，通常只起辅助的角色 检测一个像素是在边的亮的一边还是暗的

7、一边 利用零跨越，确定边的位置,LoG算子,零交叉求边缘,拉普拉斯算子,比较（对比二阶拉普拉斯算子和一阶 Sobel梯度算子）,解决导数算子对噪声很敏感的问题，先平滑，再进行差分。,平均值差分,掩模,边缘连接法,边缘连接的意义边缘检测算法的后处理 由于噪音的原因，边界的特征很少能够被完整地描述，在亮度不一致的地方会中断 因此典型的边检测算法后面总要跟随着连接过程和其它边界检测过程，用来归整边像素，成为有意义的边 连接处理的时机和目的： 时机：对做过边界检测的图像进行 目的：连接间断的边,局部连接处理,连接处理的原理： 对做过边检测的图像的每个点(x,y)的特性进行分析 分析在一个小的邻域（3x

8、3或5x5）中进行 所有相似的点被连接，形成一个享有共同特性像素的边界 用比较梯度算子的响应强度和梯度方向确定两个点是否同属一条边,局部连接处理的原理,通过比较梯度，确定两个点的连接性： 对于点(x,y)，判断其是否与邻域内的点 (x,y)相似，当： |f (x,y) f (x,y)| T 其中T是一个非负的阈值 比较梯度向量的方向角 对于点(x,y)，判断其是否与邻域内的点 (x,y)的方向角相似，当： | (x,y) (x,y)| A 其中A是一个角度阈值 当梯度值和方向角都是相似的，则点(x,y)，与边点界(x,y)是连接的。,连接算法描述： 1）设定A、T的阈值大小，确定邻域的大小 2

9、）对图像上每一个像素的邻域点进行分析， 判断是否需要连接。 3）记录像素连接的情况，另开一个空间， 给不同的边以不同的标记。 4）最后，删除孤立线段，连接断开的线段。,通过Hough变换进行整体处理,问题的提出：在找出边界点集之后，需要连接，形成完整的边界图形描述。 目的：检测图像中某些给定形状的曲线并用参数方程描绘。并较少受曲线中断点的影响。 思想：Hough变换是对图像进行坐标变换，使之在另一个坐标空间的特定位置出现峰值。 原理：点-线的对偶性（duality）。,Hough变换的基本思想,对于边界上的n个点的点集，找出共线的点集和直线方程。设任意两点的直线方程：y = ax + b，构造

10、一个参数a，b的平面。,A、xy平面上的任意一条直线y = ax + b ，对应在参数 ab平面上都有一个点。 B、过xy平面一个点(x,y)的所有直线，构成参数ab平面 上的一条直线。,C、如果点(x1,y1)与点(x2,y2)共线，那么这两点在参数 ab平面上的直线将有一个交点。 D、在参数ab平面上相交直线最多的点，对应的xy平面 上的直线就是我们的解,y,x,(x1,y1),(x2,y2),a,b,a,A,计算方法,极坐标方法,原因：上法在直线接近垂直时，A累加数组变得很大。 方法：采用极坐标方法。,（3）实例,第6讲 图像分割,6.1 引言 6.2 边缘检测 6.3 阈值分割 6.4

11、 基于区域的分割 6.5 基于形态学分水岭的分割,阈值分割,问题的引出 许多情况，图像是由具有不同灰度级的两类区域组成。如文字与纸张、地物与云层（航空照片）。 直方图具有两个峰，分别与两个灰度级范围相对应 。故可选择一个门限，将两个峰分开。 阈值分割法的基本思想：首先，确定一个合适的阈值T（阈值选定的好坏是此方法成败的关键）；其次，将大于等于阈值的像素作为物体或背景，生成一个二值图像。（单阈值） If f(x,y) T set 255 Else set 0,阈值分割法的特点： 适用于物体与背景有较强对比的情况，重要的是背景或物体的灰度比较单一。（可通过先求背景，然后求反得到物体） 这种方法总可

12、以得到封闭且连通区域的边界。,阈值化算法分类方法,根据分割过程是否需要人工干预，分为交互的与自动的； 根据阈值的不同作用范围，分为全局的与局部的； 根据阈值与灰度分布的关系，分为基于灰度分布的一阶统计和基于灰度分布的二阶统计； 根据算法的处理策略，分为迭代的与非迭代的。 根据算法是否需要分割估计，分为有监督的和无监督的。,A、全局门限处理 T仅取决于f(x,y)，即仅取决于灰度级值。 B、局部门限处理 T取决于f(x,y)和p(x,y)。 C、动态（自适应）门限处理 T取决于空间坐标x和y。,f(x,y)是点(x,y)的灰度级，p(x,y)表示点(x,y)的局部性质。,（1）单阈值分割,（2）

13、多阈值分割,思想：将直方图的包络曲线求极小值的方法。,全局阈值处理,基本全局门限处理,基本自适应门限处理,不均匀亮度等成像因素会造成单一全局门限无法有效分割。另一种改进措施是将图像进一步细分为子图像，并对不同的子图像使用不同的门限进行分割。,转变成机器学习中的分类问题: 类内方差最小, 类间方差最大.,最佳阈值,思想：若图像与背景的灰度有部分交错。这时采用一个全局阈值进行分割总会产生一定的误差。 方法：尽可能减少误分割。 假设背景和目标的灰度都符合高斯分布. (如果不依赖这种假设怎么办?) 最优阈值讨论 若背景与目标区域大小相等，则最优阈值等于背景与目标均值的中值；,通过边界特性选择阈值,基本

14、思想： 如果直方图的各个波峰很高、很窄、对称，且被很深的波谷分开时，有利于选择阈值。 为了改善直方图的波峰形状，我们只把区域边缘的像素绘入直方图，而不考虑区域中间的像素。 用微分算子，处理图像，使图像只剩下边界中心两边的值。 优点： 在前景和背景所占区域面积差别很大时，不会造一个灰度级的波峰过高，而另一个过低 边缘上的点在区域内还是区域外的概率是相等的，因此可以增加波峰的对称性 基于梯度和拉普拉斯算子选择的像素，可以增加波峰的高度,算法的实现： 1）对图像进行梯度计算，得到梯度图像。 2）得到梯度值最大的那一部分（比如10%）的像素直方图 3）通过直方图的谷底，得到阈值T 如果用拉普拉斯算子，

15、不通过直方图，直接得到阈值，方法是使用拉普拉斯算子过滤图像，将0跨越点对应的灰度值为阈值T,基本思想：把前面的方法扩展到多维空间，则寻找波谷的过程，变为寻找点簇的过程。 算法实现： 各维分量波谷之间进行逻辑与运算，从波谷重合的点，得到实际的阈值T。 应用场合：有多个分量的颜色模型，如RGB模型、CMYK模型、HSI模型,基于多个变量的阈值,第6讲 图像分割,6.1 引言 6.2 边缘检测 6.3 阈值分割 6.4 基于区域的分割 6.5 基于形态学分水岭的分割,基本概念 目标：将图像区域R划分为若干个子区域R1,R2,Rn，这些子区域满足5个条件： 1)完备性： 2)连通性：每个Ri都是一个连

16、通区域 3)独立性：对于任意ij，RiRj= 4)单一性：每个区域内的灰度级相等， P（Ri）= TRUE，i = 1,2,n 5)互斥性：任两个区域的灰度级不等， P（RiRj）= FALSE，ij,算法实现： 1）根据图像的不同应用选择一个或一组种子，它或 者是最亮或最暗的点，或者是位于点簇中心的点。 2）选择一个相似性准则。 （灰度级、 彩色、 纹理、 梯度等特性相似） 3）从该种子开始向外扩张，不断将与集合中各个像 素连通、且满足相似性准则的像素加入集合。 4）上一过程进行到不再有满足条件的新结点加入集 合为止。（终止准则）,区域生长,区域生长的算法实现：,区域生长应解决三个问题,（1

17、）选择或确定一组能正确代表所需区域的种子像素； （2）确定在生长过程中能够将相邻像素包括进来的准则； （3）确定在生长过程中停止的条件或准则。,种子选择准则：最亮的点。 相似性准则：新加入像素值与已生长的区域的平均值小于 2，且为4连通。 终止准则：没有像素加入。,为什么？,随堂练习：（区域生长）,分裂合并法,算法实现： 对图像中灰度级不同的区域，均分为四个子区域 如果相邻的子区域所有像素的灰度级相同，则将其合并 反复进行上两步操作，直至不再有新的分裂与合并为止,实际应用中还可作以下修改： P(Ri)的定义为： 1）区域内多于80%的像素满足不等式 |zj-mi|=2i， 其中：zj是区域Ri

18、中第j个点的灰度级， mi是该区域的平均灰度级， i是区域的灰度级的标准方差。 2）当P(Ri)=TRUE时，将区域内所有像素的灰度级置为mi。,第6讲 图像分割,6.1 引言 6.2 边缘检测 6.3 阈值分割 6.4 基于区域的分割 6.5 基于形态学分水岭的分割,基本思想 (1)它将梯度幅值图像看成一幅地形图，而梯度幅值对应海拔高度，图像中不同梯度值的区域就对应于山峰和山谷间盆地。 (2)设想在各个局部极小值点的位置打一个洞，然后将地形图逐渐浸入一个湖中，全局极小值点的盆地先水。 (3)水位逐渐升高漫过盆地，当相邻 两个盆地的水即将合并时，这时在两 个盆地间建坝拦截。 (4)此过程将图像划分为许多个山谷 盆地，分水岭就是分隔这些盆地的堤坝。,基本步骤,Ste