【VIP专享】图像分割10章

合集下载

数字图像处理图像分割课件

数字图像处理图像分割课件

基于Mumford-Shah模 …
该方法可以获得更准确、更平 滑的分割结果,并且可以更好 地处理噪声和细节。此外,它 还可以更好地处理形状约束和 边界条件。
基于Mumford-Shah模 …
该方法需要更多的计算资源和 时间来处理每个时间点的水平 集,并且可能难以处理大规模 的形状变化和复杂的形状约束 。
响。
图像分割还可以帮助缩小处理和 分析的规模,提高处理效率,并 为后续的图像分析提供可靠的预
处理结果。
图像分割的分类
01
02
03
04
按照处理方式
图像分割可以分为阈值法、区 域生长法、边缘检测法、图切
割法等。
按照应用领域
图像分割可以分为医学图像分 割、遥感图像分割、人脸识别
等。
按照分割对象
图像分割可以分为二维图像分 割和三维图像分割。
该方法具有能够处理复杂的图像内容和噪声等优点,但也可能需要更多的计算资源和时间。
07
实例展示与结果分析
基于阈值的图像分割实例
总结词
简单、快速、有效的图像分割方法
详细描述
基于阈值的图像分割是一种基本的图像分割方法,通过设置不同的阈值将图像分 割成不同的区域。其优点是简单、快速、有效,适用于简单背景和对比明显的图 像。但是,对于复杂背景和低对比度图像,分割效果较差。
些方法可以自动适应不同图像的特点,且能够根据图像内容的变化自适
应调整阈值。
03
自适应阈值
根据图像的局部特征自适应地设置阈值,例如基于区域生长的方法、基
于边缘检测的方法等。这些方法能够更好地适应图像的局部特征,提高
分割的精度和鲁棒性。
阈值法的优缺点
优点
阈值法简单易行,适用于简单背景和 对比度较高的图像;对于实时性要求 较高的应用场景,阈值法具有较快的 处理速度。

第十一讲图像分割

第十一讲图像分割

则认为此点在
与i模板代表线相似|Ri。||Rj |, ji
• 另外我可能只对某一检测方向上的线感兴源自趣。我们只使用特定模板给出输出响应,
通过域值法将响应最强烈的点提取出来。
线检测
3.边缘检测的梯度方法
• 1)基本说明 边缘是一个相对局部的概念,而边界是一
个更具有整体性的一个概念。
边缘理想数字模型和模糊边缘 模糊的边缘使两个区域过渡的范围变宽,
i1
根据检测图像的情况,设定R>T的输出响应对应孤立点。
孤立点检测
2.线检测
• 线检测比点检测稍微复杂一点,其基本思
想基本一致。
• 表现在:
– 使用模板(注意确定模板的条件或者基本假设) – 对输出响应决策,需要合适的决策方法。
线检测模板
线检测决策
• 将四模板分别对图像进行检测,如果在某
个点的输出响应,
第十讲 图像分割
图像分割
• 图象分割就是指把图象分成各具特性的区域并提取出
感兴趣目标的技术和过程。这里特性可以是灰度、颜 色、纹理等,目标可以对应单个区域,也可以对应多 个区域。
• 图象分割是由图象处理进到图象分析的关键步骤,
也是一种基本的计算机视觉技术。这是因为图象的分 割、目标的分离、特征的提取和参数的测量将原始图 象转化为更抽象更紧凑的形式,使得更高层的分析和 理解成为可能。
4.5分水岭分割
• 灰度图像的分水岭算法,就是就灰度值模
拟为山的高度。从低到高,分别代表山岭 从盆地到分水岭的高度。基于这些概念的 分割算法的主要目的是找出分水线。基本 思想是:假设在每一区域的最小值的位置 上打一个小洞并让水均匀上升速率从洞中 涌出,从低到高掩模真个地形。当处在不 同汇水盆地的水要聚合在一起时,修建大 坝将阻值聚合。当水继续上升,当水面淹 没说有分水岭时,大坝对应的边界,就是 分水岭算法的分割线。

图像处理中的图像分割算法使用方法

图像处理中的图像分割算法使用方法

图像处理中的图像分割算法使用方法图像分割是图像处理中的重要任务之一,它的目的是将图像划分为多个具有独立语义信息的区域。

图像分割在许多应用领域中都有广泛的应用,例如医学图像分析、计算机视觉、图像识别等。

本文将介绍几种常见的图像分割算法及其使用方法。

一、阈值分割算法阈值分割算法是图像分割中最简单且常用的方法之一。

它基于图像中像素的灰度值,将图像分成多个区域。

该算法的基本思想是,选择一个合适的阈值将图像中低于该阈值的像素设为一个区域,高于该阈值的像素设为另一个区域。

常用的阈值选择方法包括固定阈值选择、动态阈值选择等。

使用方法:1. 预处理:对图像进行灰度化处理,将彩色图像转化为灰度图像。

2. 阈值选择:选择一个合适的阈值将图像分割为两个区域。

可根据图像的直方图进行阈值选择,或者使用试探法确定一个适合的阈值。

3. 区域标记:将低于阈值的像素标记为一个区域,高于阈值的像素标记为另一个区域。

4. 后处理:对分割结果进行后处理,如去除噪声、填补空洞等。

二、基于边缘的分割算法基于边缘的分割算法利用图像中边缘的信息来进行图像分割。

该算法的基本思想是,根据图像中的边缘信息将图像分成多个区域。

常用的基于边缘的分割方法有Canny边缘检测、Sobel边缘检测等。

使用方法:1. 预处理:对图像进行灰度化处理。

2. 边缘检测:利用Canny或Sobel等边缘检测算法提取图像中的边缘信息。

3. 边缘连接:根据提取到的边缘信息进行边缘连接,形成连续的边缘线。

4. 区域生成:根据边缘线来生成图像分割的区域。

5. 后处理:对分割结果进行后处理,如去除噪声、填补空洞等。

三、基于区域的分割算法基于区域的分割算法是将图像划分为多个具有独立语义信息的区域,其基本思想是通过分析像素之间的相似性将相邻像素组合成一个区域。

常用的基于区域的分割方法有均值迭代、区域增长等。

使用方法:1. 预处理:对图像进行灰度化处理。

2. 区域初始化:将图像划分为不同的区域,可按照固定大小进行划分,或根据图像的特征进行划分。

图像分割经典教材

图像分割经典教材
-1 -2 -1 0 1 0 2 0 1 -1 -2 -1 0 0 0 1 2 1 z1 z2 z3 z4 z5 z6 z7 z8 z9
边缘检测
z
结论
Prewitt和Sobel算子是计算数字梯度时最常 用的算子
9 9
Prewitt模板比Sobel模板简单,但Sobel模板 能够有效抑制噪声
边缘检测
|Gy|,y方向上的梯度分量, 梯度图像|Gx|+|Gy|,突出水平和 突出垂直细节 垂直细节
边缘检测
Sobel45o模板的检测结果 Sobel-45o模板的检测结果
拉普拉斯算子
z
图像函数的拉普拉斯变换定义为
∇2 f = ∂2 f ∂x 2 + ∂2 f ∂y 2
z1 z2 z3 z4 z5 z6 z7 z8 z9

数字边缘模型
理想数字边缘模型 斜坡数字边缘模型
斜坡的产生是由光学系统、取样和图像采集系统的不完善带来 的边缘模糊造成的
间断检测
边缘 在边缘斜面上,一阶导数为正, 其它区域为零 在边缘与黑色交界处,二阶导数为正 在边缘与亮色交界处,二阶导数为负 沿着斜坡和灰度为常数的区域为零
间断检测
z
结论
一阶导数可用于检测图像中的一个点是否在 边缘上
R = ω1 z1 + ω 2 z 2 + ... + ω9 z9 =
∑ω z
i =1
9
i i
间断检测
z
点检测
使用如图所示的模板,如果 R ≥ T ,则在模 板中心位置检测到一个点 其中,T是阈值,R是模板计算值
基本思想:如果一个孤立点与它周围的点不 同,则可以使用上述模板进行检测。
9

图像分割方法

图像分割方法

图像分割是一种有用的图像处理技术,它可以用来将图像中的不同部
分分离开来,从而使得更有效地进行后续操作。

它的算法相对比较复杂,但是图像分割效果优异,比如识别某一个重要区域,了解它是否
属于特定对象之类。

图像分割的基本方法有超像素(Superpixel)分割和深度学习分割。

超像
素分割有利于提取图像中相似区域的集合,通过为相连的像素分配相
同的标签来实现。

它的算法可以分割图像的大的部分,但是无法检测
出像素间的细微变化,无法将有复杂结构的对象分开,对于识别特定
对象不是很有用。

深度学习分割是基于深度卷积神经网络(DCNN)的一种图像分割方法。

它模仿人眼识别物体的过程,从低层特征到复杂高层结构,可以通过
结合一些不同层次特征来实现更准确地图像分割。

它可以准确地识别
前景和背景,并且可以评估复杂的结构对象,对识别特定对象效果好。

图像分割虽然很复杂但是效果卓越,是图像处理中有用的技术之一。

它可以提取图像中有用的部分,有助于后续图像处理的进程,其准确
的检测也有助于识别特定的对象。

图像分割方法概述

图像分割方法概述

图像分割方法概述图像分割是一种基本的计算机视觉任务,旨在将图像划分成不同的区域或对象。

图像分割在许多应用领域中都有重要的应用,如医学影像分析、目标检测与识别等。

本文将概述几种常用的图像分割方法。

一、阈值分割法阈值分割法是最简单且常用的图像分割方法之一。

它基于像素的灰度值,将图像按照灰度值的高低进行分类。

通过设定一个或多个阈值,将图像的像素划分为前景和背景。

根据不同的阈值选择方法,阈值分割法可以分为全局阈值分割和局部阈值分割两种。

二、基于边缘的分割法基于边缘的分割法是另一种常见的图像分割方法。

它利用图像中明显的边缘信息将图像分割成不同的区域。

常用的边缘检测方法有Sobel算子、Canny算子等。

通过检测边缘,可以将图像中的物体从背景中分离出来。

三、区域生长法区域生长法是一种基于相似性的图像分割方法。

它从某个种子像素开始,逐渐将与其相似的像素聚合到同一区域中。

相似性度量可以基于像素的灰度值、颜色、纹理等特征来定义。

区域生长法适用于分割相对均匀的区域,但对于高噪声或复杂纹理的图像效果可能不理想。

四、基于聚类的分割法基于聚类的分割法通过将图像像素聚类成不同的类别来实现图像分割。

常用的聚类算法有K均值聚类、高斯混合模型等。

聚类分割法适用于分割具有明显不同特征的目标,如自然景观图像中的不同物体。

综上所述,图像分割方法有多种多样,每种方法都有其适用的场景和局限性。

在实际应用中,我们需要根据图像的特点和任务需求选择合适的方法。

此外,还可以通过组合多个方法或使用深度学习等方法来提高图像分割的精度和鲁棒性。

随着计算机视觉技术的不断进步,图像分割将在更多领域发挥重要作用。

图像分割方法

图像分割方法

图像分割方法图像分割是计算机视觉领域中的重要问题,它的目标是将图像分割成若干个具有语义信息的区域。

图像分割方法在许多领域都有着广泛的应用,包括医学影像分析、自动驾驶、图像检索等。

本文将介绍几种常见的图像分割方法,包括阈值分割、边缘检测、区域生长和基于深度学习的分割方法。

首先,阈值分割是最简单的图像分割方法之一。

它基于图像的灰度值,将像素分为两类,高于某一阈值的像素和低于某一阈值的像素。

这种方法适用于图像中目标和背景的灰度值差异较大的情况,但对于灰度值分布不均匀的图像效果不佳。

其次,边缘检测是一种常用的图像分割方法。

它通过检测图像中灰度值的变化来找到目标的边缘,然后将边缘连接成闭合的区域。

常用的边缘检测算法包括Sobel算子、Prewitt算子和Canny边缘检测算法。

边缘检测方法对图像中目标和背景的灰度值差异不大的情况有较好的效果,但对噪声敏感。

另外,区域生长是一种基于像素相似度的图像分割方法。

它从种子像素开始,通过像素之间的相似度来逐步生长,将相似的像素聚合成一个区域。

区域生长方法适用于目标区域灰度值分布均匀的情况,但对种子像素的选择比较敏感。

最后,基于深度学习的分割方法是近年来发展起来的一种新型图像分割方法。

它利用卷积神经网络等深度学习模型,通过学习大量标注好的图像数据来实现图像分割。

深度学习方法在图像分割任务上取得了很大的成功,但需要大量的标注数据和计算资源。

总的来说,图像分割是一个复杂而重要的问题,不同的图像分割方法各有优劣。

在实际应用中,需要根据具体的情况选择合适的方法。

随着深度学习技术的发展,基于深度学习的图像分割方法将会在未来得到更广泛的应用。

希望本文介绍的图像分割方法对读者有所帮助。

图像分割技术完整PPT

图像分割技术完整PPT
分也水可岭 以对在应人于工原选始出图阈像值中后的,边根缘据分割效果i,不断的交互操作,从而选择出最佳的阈值。
12
其灰度均值 阈值运算得二值图像——g(x,y)
(3) 计算新的阈值Ti+1 内部像素灰度分布高度相关。
Ti
ini
L 1
ini
适用于背景和
, 的分析来确定它的值。
i0
i Ti
当处在不同的汇水盆地中的水将要汇合在1一起时T,i 修建大坝阻止水2汇合。L1
13
自动阈值
迭代法
基本思想:开始时选择一个阈值作为初始估计值,然后
按某种策略不断地改进这一估计值,直到满足给定的准则 为止。在迭代过程中,关键之处在于选择什么样的阈值改 进策略,好的阈值的改进策略应该具备两个特征,一是能 够快速收敛,二是在每一个迭代过程中,新产生阈值优于 上一次的阈值。
14
自动阈值
分割出来的各区域对某种性质例如灰度,纹理而
言具有相似性,区域内部是连通的且没有过多小 孔;
区域边界是明确的; 相邻区域对分割所依据的性质有明显的差异。
3
图像分割 特征
图像分割算法一般是基于亮度值的两个基本特性之一: 不连 续性和相似性.
第1类性质的应用途径是基于亮度的不连续变化分割图像,比如 图像的边缘.
第2类的主要应用途径是依据事先制定的准则将图像分割为相 似的区域.门限(阈值)处理、区域生长、区域分离和聚合都是 这类方法的实例。
4
7.3 门限处理(阈值分割)
特点: 直观性 易于实现 封闭而连通的边界(不交叠区域)
5
基本原理
以一定的图像模型为依托。最常用的图像模型是 假设图由具有单峰灰度分布的目标和背景组成。
的分析来确定它的值。

图像处理中的图像分割算法介绍

图像处理中的图像分割算法介绍

图像处理中的图像分割算法介绍图像分割是图像处理中的一个重要技术,在许多领域中都有广泛的应用。

图像分割算法旨在将图像分割成具有特定特征的区域,使得后续的图像分析和处理更加精确和有效。

本文将介绍几种常见的图像分割算法:阈值分割、边缘检测和区域生长算法。

我们来讨论阈值分割算法。

阈值分割是最简单且常用的图像分割方法之一。

该方法根据像素灰度值与预定义的阈值进行比较,将像素分为两个区域。

如果像素灰度值大于阈值,则该像素被分配到一个区域;反之,如果像素灰度值小于阈值,则被分配到另一个区域。

阈值分割算法简单易实现,但对于复杂的图像,效果可能不佳。

我们介绍边缘检测算法。

边缘检测算法可以识别图像中的边缘信息,将图像分割成由边缘组成的区域。

边缘是图像中灰度值快速变化的地方,常常表示物体边界。

边缘检测算法常用的方法有:Sobel算子、Prewitt算子和Canny算子。

Sobel 算子通过计算像素点周围像素的梯度值来检测边缘;Prewitt算子和Sobel算子类似,但计算方向不同;而Canny算子则基于多阶段的边缘检测过程,能够更准确地检测出边缘。

我们介绍区域生长算法。

区域生长算法通过将相邻像素逐个添加到区域中,以实现图像分割。

算法根据一定的准则,如像素相似性或像素间距离,选择合适的像素进行生长。

区域生长算法可以用于分割具有类似像素值的区域,适用于处理噪声较少的图像。

常见的区域生长算法有:种子点生长算法、连通域算法和分水岭算法。

种子点生长算法从预设的种子点开始,将与种子点相邻且满足相似性准则的像素添加到区域中;连通域算法根据像素的连通性来判断区域;而分水岭算法通过将图像视为地形图,利用水流向低处流动的原理进行分割。

综上所述,图像分割是图像处理中至关重要的技术,利用图像分割算法可以将图像分割成具有特定特征的区域。

本文介绍了几种常见的图像分割算法:阈值分割、边缘检测和区域生长算法。

每种算法都有其适用的场景和局限性,需要根据具体的图像特点和需求选择合适的算法。

图像分割技术的使用方法

图像分割技术的使用方法

图像分割技术的使用方法图像分割技术是一种将图像分割成不同区域或对象的算法和方法,它在计算机视觉和图像处理领域中广泛应用。

通过使用图像分割技术,我们可以实现许多有趣的应用,例如目标检测、图像分析、医学图像处理等。

本文将介绍一些常见的图像分割技术及其使用方法。

一、阈值分割法阈值分割法是最简单、最常用的图像分割方法之一。

它基于图像中像素值的灰度级别,将像素分为具有不同特征的两个或多个类别。

阈值分割法的基本原理是选取一个适当的阈值,将图像中的像素值与阈值进行比较,将像素分为两个不同的类别。

常见的阈值分割方法有全局阈值法、局部阈值法和自适应阈值法。

在实际使用中,我们可以根据图像的特点选择适合的阈值分割方法来实现图像分割。

二、边缘检测和分割法边缘检测和分割是一种基于图像亮度变化的分割方法。

边缘是图像中灰度级别有明显变化的地方,通过检测图像中的边缘,可以实现对图像的分割。

常见的边缘检测和分割方法有Sobel算子、Canny算子和Laplacian算子等。

这些算子可以提取出图像中的边缘信息,并实现对图像的分割。

在实际应用中,我们可以根据需要选择适合的边缘检测和分割方法来实现对图像的分割。

三、区域生长法区域生长是一种基于像素间相似性和连接性的图像分割方法。

它通过选择一个种子点,然后通过迭代的方式将与种子点相邻且与之相似的像素合并到一个区域中,从而实现对图像的分割。

区域生长法的优点是能够保持图像中相似区域的连续性,而不会将不相干的区域合并在一起。

在实际使用中,我们可以根据图像的特点选择适合的区域生长方法来实现图像分割。

四、基于机器学习的图像分割方法近年来,随着机器学习的快速发展,基于机器学习的图像分割方法越来越受到关注。

这些方法通过使用大量标记好的图像数据进行模型训练,然后将训练好的模型应用于新的图像分割任务中。

常见的基于机器学习的图像分割方法有支持向量机(SVM)、随机森林(Random Forest)和深度学习方法等。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
分类—分割依据
–相似性分割:将相似灰度级的像素聚集在一起。形成图 像中的不同区域。这种基于相似性原理的方法也称为基 于区域相关的分割技术
–非连续性分割:首先检测局部不连续性,然后将它们连 接起来形成边界,这些边界把图像分以不同的区域。这 种基于不连续性原理检出物体边缘的方法称为基于点相 关的分割技术
–两种方法是互补的。有时将它们地结合起来,以求得到 更好的分割效果。
第10章 图像分割
第6页
10.1 概 述
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;并行区域;并行边界
第10章 图像分割
(Image Segmentation)
第10章 图像分割
10.1 概述 10.2 边缘检测 10.3 阈值分割 10.4 区域增长法 10.5 分裂-合并区域法
第10章 图像分割
第2页
10.1 概 述
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
x f x, y f x 1, y 1 2 f x, y 1 f x 1, y 1 f x 1, y 1 2 f x, y 1 f x 1, y 1
y f x, y f x 1, y 1 2 f x 1, y f x 1, y 1 f x 1, y 1 2 f x 1, y f x 1, y 1
– 其它名称:
» 目标轮廓技术(object 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
第10章 图像分割
第3页
10.1 概 述
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:
由于边缘是图像上灰度变化比较剧烈的地方,在灰度变化 突变处进行微分,将产生高值,因此在数学上可用灰度的导 数来表示变化。
差分定义: x f i, j f i, j f i 1, j y f i, j f i, j f i, j 1 f i, j x f i, jcos y f i, jsin
-1
1
-2
2
-1
1
121 -1 -2 1
第10章 图像分割
第17页
10.2 边缘检测
3)拉普拉斯( Laplacian )算子
第10章 图像分割
第12页
10.2 边缘检测
梯度算子
–梯度是图像处理中最为常用的一次微分方法。
–图像函数 f x, y 在点 x, y 的梯度幅值为
其方向为
f x
2
f y
2
arctg f y
f x
图像经过梯度运算能灵敏地检测出中边界,而克服导数 运算的方向性,但是梯度运算比较复杂。
第10章 图像分割
为了避免平方和、开方运算,可将上式表示为
G f x, y x f x, y y f x, y

G f x, y max x f x, y, y f x, y
第10章 图像分割
第14页
例11.1
10.2 边缘检测
(a)原图 (c) | y f x, y|
第10章 图像分割
(b) | x f x, y| (d) | x f x, y| | y f x, y|
第15页
10.2 边缘检测
1)Robert梯度算子
梯度采用的是对角方向相邻两像素之差
x f x, y f x, y f x 1, y 1 y f x, y f x 1, y f x, y 1
–模板
-1 1
-1 1
第10章 图像分割
第16页
10.2 边缘检测
2)Sobel梯度算子
先做加权平均,然后再微分
第10章 图像分割
第7页
10.1 概 述
问题
–不同种类的图像、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
地位
– 图像处理着重强调图像之间进行变换以改善图像的效果 – 图像分析则主要是对图像中感兴趣的目标进行检测和测
量,以获得它们的客观信息从而建立对图像的描述 – 图像理解的重点是在图像分析的基础上,进一步研究图
像中各目标的性质和它们之间的相互关系,并得出对图 像的解释
第10章 图像分割
第5页
10.1 概 述
第10章 图像分割
第8页
第10章 图像分割
10.1 概述 10.2 边缘检测 10.3 阈值分割 10.4 区域增长法 10.5 分裂-合并区域法
第10章 图像分割
第9页
10.2 边缘检测
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பைடு நூலகம்要属性。
–是一种并行边界技术
第10章 图像分割
第10页
10.2 边缘检测
边缘导数
阶跃型 凸缘型 房顶型
第10章 图像分割
第11页
10.2 边缘检测
简单边缘检测方法
最早的边缘检测方法都是基于像素的数值导数的,在数字 图像中应用差分代替导数运算。
第13页
10.2 边缘检测
对于数字图像,可用一阶差分替代一阶微分:
x f x, y f x, y f x 1, y y f x, y f x, y f x, y 1
根据梯度的定义,图像 f x, y的梯度幅度为
1
G f x, y x f x, y2 y f x, y 2 2
n
(1) Ri
i 1
(2)对 所 有 的i和j, i j, 有Ri Rj
(3)对i 1,2,...,n, 有P(Ri ) true
(4)对i j, 有P(Ri Rj ) false
(5)对i 1,2,...,n, Ri是 连 通 的 区 域
第10章 图像分割
第4页
10.1 概 述
相关文档
最新文档