第七章图像分割技术.ppt

1、1,Digital Image Processing,数字图像处理,张鑫,第2页,第七章 图像分割技术,第3页,图像分割举例,第4页,图像分割举例,图像分割是把图像分解成构成的部件和对象的过程 把焦点放在增强感兴趣对象 汽车牌照 排除不相干图像成分： 非矩形区域,第5页,樱桃、苹果、柠檬、葡萄,第6页,第7页,主要内容： 分割定义和方法分类 边缘检测 哈夫变换 阈值分割 区域生长,第8页,地位,7.1分割定义和方法分类,图像,图像识别,图像 预处理,图像理解,图像分割,第9页,图像分割定义 按照一定的规则将一幅图像分成各具特性的区域，并提取出感兴趣目标的技术和过程 其它名称： 目标轮廓技术（o

2、bject delineation ） 目标检测（target detection） 阈值化技术（thresholding） 图像处理到图像分析的关键步骤,7.1分割定义和方法分类,第10页,形式化定义 令集合R代表整个图像区域，对R的分割可看作将R分成若干个满足以下条件的非空子集（子区域） R1， R2， R3， Rn:,7.1分割定义和方法分类,第11页,分类连续性与处理策略 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面的处理 并行：不 串行：结果被其后的处理利用 四种方法 并行边界；串行边界；串行区域；并行区域,7.1分割定义和方法分类,第12页,问题 不同

3、种类的图像、不同的应用要求所要求提取的区域是不相同的。分割方法也不同，目前没有普遍适用的最优方法。 人的视觉系统对图像分割是相当有效的，但十分复杂，且分割方法原理和模型都未搞清楚。这是一个很值得研究的问题。 研究层次 图像分割算法 图像分割算法的评价和比较 对分割算法的评价方法和评价准则的系统研究,7.1分割定义和方法分类,第13页,7.2 边缘检测,第14页,7.2 边缘检测,1、概述 物体的边缘是以图像局部特性的不连续性的形式出现的，从本质上说，边缘意味着一个区域的终结和另一个区域的开始。 图像边缘信息在图像分析和人的视觉中都是十分重要的，是图像识别中提取图像特征的一个重要属性。,第15页

4、,阶跃型 凸缘型 房顶型,边缘导数,7.2 边缘检测,在数字图像中应用差分代替导数运算。,第16页,7.2 边缘检测,导数 二维连续函数f(x, y) 偏导数 图像：二维离散函数f(x, y) 导数转换为微分,第17页,7.2 边缘检测,例,注意：原图像第1列像素无微分,第18页,7.2 边缘检测,微分方法 纵向微分运算 相减的结果反映了原图像灰度变化率的大小 x f( x, y) = f( x, y) - f (x-1, y) 原图像中像素灰度值不变的区域，相减的结果为0 原图像中像素灰度值变化剧烈的区域，相减的结果值较大 如果用相减的值的绝对值作为灰度值，则变化小的像素为黑，反之为白。 图

5、像垂直边缘得到增强 模板（卷积核）,第19页,7.2 边缘检测,微分方法 横向微分运算 相减的结果反映了原图像亮度变化率的大小 y f( x, y) = f( x, y) - f (x, y-1) 图像水平边缘得到增强 模板（卷积核）,第20页,7.2 边缘检测,微分方法 (3)双向一次微分运算,模板（卷积核）,第21页,7.2 边缘检测,例,(a)原图 (b) (c) (d),第22页,7.2 边缘检测,实例,f(x,y),纵向,双向,横向,第23页,7.2 边缘检测,2、梯度算子 梯度是图像处理中最为常用的一阶微分方法。 图像函数 在点 的梯度幅值为 其方向为,梯度算子是一阶导数算子,对G

6、x和Gy各用1个模板，需要2个模板组合起来构成一个梯度算子。,第24页,7.2 边缘检测,梯度 f( x, y)的梯度定义为 离散图像P73,或,或,第25页,第26页,7.2 边缘检测,锐化方法 （1）直接利用像素梯度值作为处理后的灰度值 均匀区域灰度值减小，和微分效果相似 （2）辅以阈值,第27页,7.2 边缘检测,锐化方法 （3）赋边缘点特定的灰度级 将边缘的灰度值统一化，可以使边缘更加清晰明显。该方法基本上不破坏图像的背景，又可以根据需要增强边缘。,第28页,7.2 边缘检测,锐化方法 （4）由梯度二值化图像,可以令La=0，Lb=255,第29页,7.2 边缘检测,常用梯度算子 Ro

7、berts Prewitt Sobel 高斯拉普拉斯算子,第30页,7.2 边缘检测,（1）Roberts算子 方法：计算对角方向相邻的两个像素灰度之差。 特点：边缘定位准，但对噪声敏感。,第31页,2）Prewitt算子,7.2 边缘检测,第32页,3）Sobel梯度算子,7.2 边缘检测,第33页,用Sobel梯度算子作用于图像中所得的结果（设范数为1）,第34页,3、拉普拉斯（ Laplacian ）算子 二阶微分算子 表示,7.2 边缘检测,改进,第35页,7.2 边缘检测,例：比较,Roberts算子,Sobel算子,高斯-拉普拉斯算子,第36页,第37页,P190 图7.2.3 图

8、7.2.4,第38页,7.2 边缘检测,MatLab函数 J=edge(I, type) Type取roberts、sobel、log等 例子： I=imread(rice.tif); J1=edge(I,roberts); J2=edge(I,sobel); J3=edge(I,log); subplot(2,2,1),imshow(I); subplot(2,2,2),imshow(J1); subplot(2,2,3),imshow(J2); subplot(2,2,4),imshow(J3);,第39页,7.2 边缘检测,canny法* 比较新的边缘检测算子，具有良好的边缘检测性能 如

9、 I=imread(rice.tif); J4=edge(I, canny); imshow(J4);,第40页,7.2 边缘检测,问题： 在较大噪声的场合，由于微分运算会起到放大噪声的作用，因此，梯度算子和拉普拉斯算子对噪声比较敏感。 二种改进的方法 （1）对图像先进行适当的平滑、以抑制噪声，然后再进行求微分 （2）先对图像进行局部线性拟合，然后再用拟合所得的光滑函数的导数来替代直接的数值导数，如曲面拟合方法,第41页,算子比较, Roberts算子：Roberts算子利用局部差分算子寻找边缘，边缘定位精度较高，但容易丢失一部分边缘，同时由于图像没经过平滑处理，因此不具备能抑制噪声能力。该算

10、子对具有陡峭边缘且含噪声少的图像效果较好。 Sobel算子和Prewitt算子：都是对图像先做加权平滑处理，然后再做微分运算，所不同的是平滑部分的权值有些差异，因此对噪声具有一定的抑制能力，但不能完全排除检测结果中出现的虚假边缘。虽然这两个算子边缘定位效果不错，但检测出的边缘容易出现多像素宽度。,演示效果,第42页,7.4 哈夫变换,第43页,Hough 变换,Hough变换可以用于将边缘像素连接起来得到边界曲线 优点在于受噪声和曲线间断的影响较小 在已知曲线形状的条件下，Hough变换实际上是利用分散的边缘点进行曲线逼近，它也可看成是一种聚类分析技术,第44页,1、利用直角坐标中的Hough

11、变换检测直线,在xy平面内的一条直线可以表示为： 将a、b作为变量，ab平面内直线可以表示为： 如果点(x1,y1)与点(x2,y2)共线，那么这两点在参数pq平面上的直线将有一个交点 在参数pq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 这种从线到点的变换就是Hough变换,第45页,Hough变换的基本思想,a,b,A,第46页,2、利用极坐标中的Hough变换检测直线,Hough变换算法实现 由于垂直直线a,为无穷大，我们改用极坐标形式：xcos + ysin = 参数平面为, ，对应不是直线而是正弦曲线 使用交点累加器，或交点统计直方图，找出相交线段最多的参数空间的点

12、然后找出该点对应的xy平面的直线线段,当图像空间中有直线为竖直线时，斜率a为无穷量时， 计算量大增，所以参数空间可用极坐标。,第47页,原图,Hough变换进行边缘检测,Hough变换,第48页,7.5 阈值分割,第49页,7.5 阈值分割,利用图像中要提取的目标物与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域(目标和背景)的组合，选取一个合适的阈值以确定图像中每一个像素点应该属于目标还是背景区域从而产生相应的二值图像。 要从复杂的景物中分辨出目标，并将其形状完整地提取出来，阈值的选取是阈值分割技术的关键。如果阈值选取过高，则过多的目标点被误认为背景；阈值选得过低，则会出现相反

13、的情况。至今还未能找到一种对所有图像都能有效分割的阈值选取方法。,第50页,基本原理,原始图像f(x,y) 灰度阈值T 阈值运算得二值图像g(x,y), 阈值选择直接影响分割效果，通常可以通过对灰度直方图 的分析来确定它的值。,第51页,7.5 阈值分割,60年代中期，Prewitt提出了直方图双峰法，即如果灰度级直方图呈明显的双峰状，则选取两峰之间的谷底所对应的灰度级作为阈值。,P198 例7.5.1,第52页,7.5 阈值分割,例,第53页,阈值举例,设想电脑玩家手中的扑克牌，我们需要对其进行视觉上的分析,第54页,如果你设置了错误的阈值，结果是很糟糕的,第55页,阈值选择,利用灰度直方图

14、求双峰或多峰 选择两峰之间的谷底作为阈值,第56页,取双峰之间的最低峪,第57页,第58页,单值阈值和光照,不均匀的光照会使单值阈值方案失效,第59页,阈值的选取 1、极小值点阈值 2、最优阈值 3、迭代阈值,7.5 阈值分割,第60页,1、极小值点阈值,h（z）代表直方图,第61页,2、最优阈值,最优阈值:是指使图像中目标物和背景分割错误最小的阈值。,第62页,假设图像中只有背景和目标两种模式，先验概率分别是p1(z)和p2(z),均值为u1和u2。 设背景的像素点数占图像总像素的百分比为P1,背景像素点占P2=1-P1, 混合概率密度为： P(z)=P1p1+P2p2,第63页,P199

15、例7.5.2,当选定阈值T时，目标像素点错划为背景像素点的概率为：,把背景像素点错划为目标像素点的概率为：,总错误概率为：,最优阈值就是使总错误概率最小的阈值。,第64页,求导，并令其等于零，得解,第65页,3、迭代阈值 首先选取图像灰度范围中的中值作为初始阈值T0（设共有L个灰度），然后按下式进行迭代：,hk是灰度值为k的像素个数，迭代一直进行到Ti+1=Ti结束。,第66页,基于灰度值的阈值分割方法具有计算简单、实现容易的特点，对目标和背景对比度反差较大的图像进行分割比较有效。 如果场景中不同部分具有不同的照明，那么即使图像中仅包含一个目标，也无法用一个阈值来分割图像。 阈值的确定主要依赖

16、于灰度直方图，而很少考虑图像中像素的空间位置关系，因此当背景复杂，特别在同一背景上重叠出现若干个研究目标时，容易丧失部分边界信息，造成分割的不完整。 在含有强噪声干扰时，不能取得令人满意的分割效果。,第67页,第68页,第69页,7.9 区域生长,第70页,7.9 区域生长,基本思想 将具有相似性质的像素集合起来构成区域 串行区域法 步骤 对每个需要分割的区域找一个种子像素作为生长的起点 将种子像素周围邻域中与种子像素有相同或相似性质的像素合并到种子像素所在的区域内 把新加入的像素作为新的种子继续上面的过程，直到没有满足条件的像素加入区域,第71页,例7.9.1 判断准则像素与种子像素灰度差的

17、绝对值小于阈值T,（a）给出像素值为1和5的种子 （b）T=3，恰好分成两个区域 （c）T=1，有些像素无法判断 （d）T=6，整个图被分成一个区域,7.9 区域生长,第72页,步骤 选择或确定一组能正确代表所需区域的种子像素 具体问题具体分析 先验知识（如：军用红外图像中检测目标时，选最亮的像素作为种子） 无先验知识（可根据直方图选取灰度中像素个数多的像素作为种子） 确定在生长过程中能将相邻像素合并的准则 具体问题相关（目标和背景的像素分布特点） 图像数据种类（单色、灰度还是彩色） 像素间的连通性和邻近性 制定让生长过程停止的条件或规则 一般是没有满足生长的像素 应考虑图像的局部性质（灰度、纹理和彩色） 目标的全局性质（尺寸、形状等）,7.9 区域生长,第73页,问题 得到的结果对区域生长起