图像分割

过度分割的部分原因是存在大量潜在的最小值。由于他们的尺
寸许多最小值是不相关的细节。将很小的空间细节的影响降至最
低的有效方法是用一个平滑滤波器对图像进行过滤。 标记的选择可以用基于灰度值和联通性的简单过程归类，更复 杂的描述涉及尺寸、形状、位置、相对距离、纹理内容等。
Logo
标记分水岭分割算法
传统的区域分割算法有区域增长法和区域分裂合并法。该类方
法在没有先验知识可以利用时，对含有复杂场景或自然景物等先 验知识不足的图像进行分割, 也可以取得较好的性能。但是，空
间和时间开销都比较大。
4
区域生长
区域生长法主要考虑像素及其空间邻域象素之间的关系
区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具 体先对每个需要分割的区域找一个种子像素作为生长起点，然后将种子 像素和周围邻域中与种子像素有相同或相似性质的像素（根据某种事先 确定的生长或相似准则来判定）合并到种子像素所在的区域中。将这些
左 图 为 分 割 图 像 的 伪 彩 色 显 示 Logo
Thank you
Add Your Company Slogan
原图和梯度图像
Logo
直 接 对 梯 度 图 像 进 行 分 水 岭 分 割
开操作和重操作结果对比
关操作和重建操作结果对比 Logo
求 取 局 部 极 大 值 的 图 像
Logo
在 原 图 上 显 示 局 部 极 大 值
Logo
调整后的局部极大值图像 和二值图像
Leabharlann Baidu
分 水 岭 界 限
右图是分割图像的显示
Add Your Company Slogan
图像分割
1 2
图像的几何变换
图像分割
点、线和边缘检测
阈值处理 基于区域的分割
用形态学分水岭的分割
Logo
区域分割
基本概念
目标：将区域R划分为若干个子区域R1,R2,„,Rn，这些子 区域满足5个条件：
n
1)完备性： R i R i 1 2)连通性：每个Ri都是一个连通区域 3)独立性：对于任意i≠j，Ri∩Rj= Ф
实例 这 个 例 子 用 到 了 很 多 图 像 处 理 工 具 的 函 数 ， fspecial 、 imregionalmax、imfilter、watershed、label2rgb、imopen、 imclose 、 imerconstruct 、 imcomplement 、 bwareaopen 、 grythresh、imimposemin函数等。
(a)原图像
(b)地形俯视图 (c)被水淹没
(d)被水淹没
(e)进一步淹没
(f)汇水盆地的水开始 聚合 (g)长一些的水坝 (h)最后的分水线
水坝构造
水坝的构建是以二值图像为基础 的，最简单的方法是使用形态膨胀
从最低点开始膨胀，获取连通分
量的两个条件： (1)膨胀受到q的约束(在膨胀的过 程中结构化元素的中心只能定位于 q中)
重复步骤2，当没有区域需分裂时，算法结束。
9
区域合并
基本思想
合并运算就是把相邻的具有相似性质的区域合成为一个区域
合并算法中最重要的运算是确定两个区域的相似性 评判区域相似性方法有许多，评判相似性的方法可以基于区域的灰 度值，也可以基于区域边界的强弱性等因素。一种简单的方法是比较 它们的灰度均值。
三个种子点区域 生长结果
图1 区域生长
8
区域分裂
条件：区域的某些特性不满足一致性准则 开始：从图像的最大区域开始，一般情况下，是从整幅图像开始 注意： 确定分裂准则(一致性准则) 确定分裂方法，即如何分裂区域，使得分裂后的子区域的特性尽可能都 满足一致性准则值。 算法：
形成初始区域

对图像的每一个区域Ri，计算P(Ri)，如果P(Ri)=FALSE 则沿着某一 合适的边界分裂区域
标记的使用
假设在此时将内部标记定义为(1)被更高“海拔”点包围起来
的区域；(2)区域中的点组成一个连通分量； (3)并且所有属于 这个连通分量的点具有相同的灰度级值。问题就因此变为将每个
这样的区域一分为二：单一的对象和它的背景。
图5显示有内部标记（浅灰色区域）和外部标记（分水线）的图像及分割结果
新像素当作新的种子继续上面的过程，直到没有满足条件的像素可被包
括进来。 区域内像素的相似性度量可以包括平均灰度值、纹理、颜色等信息。
5
区域生长
步骤 选择合适的种子点 确定相似性准则(生长准则) (1)任何像素和种子之间的灰度级绝对差必须小于某个值 (2)与此区域中至少一个像素是8连通的。 常用的生长准则和方法有三种, 即基于区域灰度差的、基于 区域内灰度分布统计性质的、基于区域形状的。 确定生长停止条件 区域生长的停止条件的设定非常重要，尤其是对渐变区域的 判决。一般应该根据具体的图像特征并结合生长准则来综合设 定生长停止的条件。
分水岭分割算法把图像看成一幅“地形图”，其中亮度比较强
的地区像素值较大，而比较暗的地区像素值较大，通过寻找“汇 水盆地”和“分水岭界限”，对图像进行分割。
标记的使用
使用分水岭分割算法通常会由于噪声和其他诸如梯度的局部不
规则性的影响造成过度分割，如图。用于控制过度分割的方法是
基于标记这一概念为基础的。一个标记是属于一幅图像的连通分 量。我们有与感兴趣物体相联系的内部标记，与背景相联系的外 部标记。选择标记的典型过程包括两个主要步骤：(1)预处理； (2)定义一个所有标记必须满足的准则集合。 图 4 过 度 分 割
算法：
使用某种方法进行图像的初始区域分割。 对于图像中相邻各区域，计算是否满足一致性,若满足则合并为一个 区域。 重复步骤2，直到没有区域可以合并，算法结束。
10
区域分裂合并
算法 在基于区域的分裂合并图像分割算法中，常用的方法是基于 四叉树分解的分裂合并算法 设整幅图像为初始区域
对每一区域R，如果P(R)=FLASE，则把该区域分裂成四个子区域
6
区域生长
区域成长示例
4 4 3 3 3 3 3 5 5 5 4 5 6 6 5 4 8 8 8 2 8 6 5 5 3 4 4 3 3 3 3 3 5 5 5 5 5 5 5 5 5 8 8 8 2 8 6 5 5 3 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 5 8 8 8 2 8 6 5 5 3
4)单一性：比如每个区域内的灰度级相等， P（Ri）= TRUE，i = 1,2,„,n 5)互斥性：比如任两个区域的灰度级不等， P（Ri∪Rj）= FALSE，i≠j
区域分割
基本思想 阈值分割法由于没有或很少考虑空间关系，使多阈值选择受到 限制。 于区域的分割方法可以弥补这点不足，它利用的是图像的空间 性质，该方法认为分割出来的属于同一区域的像素应具有相似的 性质，其概念是相当直观的。
重复上一步，直到没有区域可以分裂 对图像中任意两个相邻的R1和R2，如果P(R1UR2)=TRUE，则把这 两个区域合并成一个区域。 重复上一步，直到没有相邻区域可以合并，算法结束 。习惯上 要规定一个不能再进一步执行分裂的最小四象限的尺寸。
11
区域分裂合并
图2 数字图像的四叉树分解
基于形态学分水岭的分割
(2)在引起集合聚合的那些点上不
能执行膨胀(成为单一的连通分量) 。
分水岭分割算法
读取图像；
求取图像边界，在此基础上可直接应用分水岭分割算法，但效
果不佳； 对图像的前景和背景进行标记，其中每个对象内部的前景像素 值都是相连的，背景里的每个像素都不属于任何目标物体； 计算分割图像，应用分水岭变换。
基本概念 对图像进行三维可视化处理：其中两个是坐标，另一个是灰度级。
基本思想：假设在每个区域最小值的位置上打一个洞并且让水以均
匀的上升速率从洞中涌出，从低到高淹没整个地形。当处在不同的汇 聚盆地中的水将要聚合在一起时，修建的大坝将阻止聚合。水将只能 到达大坝的顶部处于水线之上的程度。这些大坝的边界对应于分水岭 的分割线。所以，它们是由分水岭算法提取出来的(连续的)边界线。 分水岭分割的主要应用之一是从背景中提取近乎一致（类似于水滴 ）。由变化较小的灰度表征的区域有较小的梯度值。
a)原始图像和种子点
b) T=1
c) T=2
区域成长的准则是将种子点与其4邻域的像素点逐个比较，如果两 者的差的绝对值小于等于设定的阈值T，则该像素点包含在种子区域， 并对新的种子点继续相同的生长，直到没有新的像素包括到种子点。
区域生长
实例
原始图像及 种子点位置
两个种子点区域 生长结果
原始图像及 种子点位置