第七章 图像分割_PPT课件
合集下载
图像分割与特征提取 ppt课件
ppt课件
5
7.1 图像分割的概念
2. 图像分割的依据和方法
◆图像分割的依据是各区域具有不同的特性，这些 特性可以是灰度、颜色、纹理等。而灰度图像分割的 依据是基于相邻像素灰度值的不连续性和相似性。也 即，子区域内部的像素一般具有灰度相似性，而在区 域之间的边界上一般具有灰度不连续性。
◆灰度图像分割是图像分割研究中最主要的内容，其 本质是按照图像中不同区域的特性，将图像划分成不 同的区域。
7.2.1 图像边缘
图像
剖面
一阶导数
二阶导数
上升阶跃边缘 （a）
下降阶跃边缘 （b）
脉冲状边缘 （c）
屋顶边缘 （d）
图7.1 图像边缘及其导数曲线规律示例
ppt课件
11
7.2 基于边缘检测的图像分割
7.2.1 图像边缘
综上所述，图像中的边缘可以通过对它们求导数 来确定，而导数可利用微分算子来计算。对于数字图 像来说，通常是利用差分来近似微分。
方向：
f (x, y) = arctan(Gx / Gy )
（7.5）
ppt课件
14
7.2.2 梯度边缘检测
(1) Roberts算子
是一个交叉算子，其在点(i,j)的梯度幅值表示为：
G(i, j) = f (i, j) f (i 1, j 1) f (i 1, j) f (i, j 1) （7.6）
ppt课件
2
7.1 图像分割的概念
◆目标或前景 ◆背景 ◆目标一般对应于图像中特定的、具有独特性质的 区域。
ppt课件
3
7.1 图像分割的概念
1. 图像分割
图像分割就是依据图像的灰度、颜色、纹理、边 缘等特征，把图像分成各自满足某种相似性准则或具 有某种同质特征的连通区域的集合的过程。
教学课件第七章图像分割与边缘检测
2. p
p尾法仅适用于事先已知目标所占全图像百分比 的场合。
若一幅图像由亮背景和黑目标组成，已知目标占 图像的(100－p)%面积，则使得至少(100－p)%的像素 阈值化后匹配为目标的最高灰度， 将选作用于二值化 处理的阈值。
第七章 图像分割与边缘检测
7.1.3 区域生长
分割的目的是把一幅图像划分成一些区域，最直接 的方法就是把一幅图像分成满足某种判据的区域，也就 是说， 把点组成区域。
第七章 图像分割与边缘检测
7.2.2 高斯-拉普拉斯(LOG)
噪声点对边缘检测有较大的影响，效果更好的边缘检测器是 高斯-拉普拉斯(LOG)算子。它把高斯平滑滤波器和拉普拉斯锐化 滤波器结合起来，先平滑掉噪声，再进行边缘检测，所以效果更 好。
常用的LOG算子是 5×2 5的 4模板 4： 4 2
第七章 图像分割与边缘检测
本章内容
7.1 图像分割 7.2 边缘检测 7.3 轮廓跟踪与提取 7.4 图像匹配 7.5 投影法与差影法 7.6 应用实例
第七章 图像分割与边缘检测
7.1 图 像 分 割
7.1.1 概述
图像分割是将图像划分成若干个互不相交的小区 域的过程， 小区域是某种意义下具有共同属性的像素 的连通集合。
如不同目标物体所占的图像区域、 前景所占的图 像区域等。
第七章 图像分割与边缘检测
连通是指集合中任意两个点之间都存在着完全属于 该集合的连通路径。对于离散图像而言，连通有4连通 和8连通之分，如图7-1所示。
(a)
(b)
图7-1 4连通和8连通
第七章 图像分割与边缘检测
4连通指的是从区域上一点出发，可通过4个方向， 即上、 下、左、右移动的组合，在不越出区域的前提 下，到达区域内的任意像素；
p尾法仅适用于事先已知目标所占全图像百分比 的场合。
若一幅图像由亮背景和黑目标组成，已知目标占 图像的(100－p)%面积，则使得至少(100－p)%的像素 阈值化后匹配为目标的最高灰度， 将选作用于二值化 处理的阈值。
第七章 图像分割与边缘检测
7.1.3 区域生长
分割的目的是把一幅图像划分成一些区域，最直接 的方法就是把一幅图像分成满足某种判据的区域，也就 是说， 把点组成区域。
第七章 图像分割与边缘检测
7.2.2 高斯-拉普拉斯(LOG)
噪声点对边缘检测有较大的影响，效果更好的边缘检测器是 高斯-拉普拉斯(LOG)算子。它把高斯平滑滤波器和拉普拉斯锐化 滤波器结合起来，先平滑掉噪声，再进行边缘检测，所以效果更 好。
常用的LOG算子是 5×2 5的 4模板 4： 4 2
第七章 图像分割与边缘检测
本章内容
7.1 图像分割 7.2 边缘检测 7.3 轮廓跟踪与提取 7.4 图像匹配 7.5 投影法与差影法 7.6 应用实例
第七章 图像分割与边缘检测
7.1 图 像 分 割
7.1.1 概述
图像分割是将图像划分成若干个互不相交的小区 域的过程， 小区域是某种意义下具有共同属性的像素 的连通集合。
如不同目标物体所占的图像区域、 前景所占的图 像区域等。
第七章 图像分割与边缘检测
连通是指集合中任意两个点之间都存在着完全属于 该集合的连通路径。对于离散图像而言，连通有4连通 和8连通之分，如图7-1所示。
(a)
(b)
图7-1 4连通和8连通
第七章 图像分割与边缘检测
4连通指的是从区域上一点出发，可通过4个方向， 即上、 下、左、右移动的组合，在不越出区域的前提 下，到达区域内的任意像素；
医学影像图像处理--医学影像图像分割 ppt课件
ppt课件 15
（1）设灰度差的阈值为0，用上述方法进行区域扩张， 使灰度相同象素合并
（2）求出所有邻域区域之间的平均灰度差，并合并具 有最小灰度差的邻接区域 （3）设定终止准则，通过反复进行上述步骤2中的操作 单连接区域 将区域依次合并，直到终止准则满足为止
增长技术
这种方法简单，但由于仅考虑了从一个象素到另一个象素的特性是否 相似，因此对于有噪声的或复杂的图像，使用这种方法会引起不希望 的区域出现。另外，如果区域间边缘的灰度变化很平缓，如图a所示， 或者对比度弱的两个相交区域，如图b所示，采用这种方法，区域1和 区域2将会合并起来，从而产生错误
3.
ppt课件
3
ppt课件
4
医学图像特点:模糊、不均匀、个体差异、复杂多样
• • • •
灰度不均匀: 不均匀的组织器官、磁场等 伪影和噪声: 成像设备局限性、组织的蠕动 边缘模糊 : 局部体效应 边缘不明确: 病变组织
ppt课件
5
医学图像分割方法的公共特点： • 分割算法面向具体的分割任务，没有通用 的方法 • 更加重视多种分割算法的有效结合 • 需要利用医学中的大量领域知识 • 交互式分割方法受到日益重视
医学图像分割是一项十分困难的任务，至今 仍然没有获得圆满的解决。
ppt课件 6
基于区域的分割
• 图像分割－把图像分解为若干个有意义的子区 域，而这种分解－基于物体有平滑均匀的表面， 与图像中强度恒定或缓慢变化的区域相对应， 即每个子区域都具有一定的均匀性质 • 区域分割－直接根据事先确定的相似性准则， 直接取出若干特征相近或相同象素组成区域 • 常用的区域分割－区域增长(区域生长)、区域 分裂－合并方法等
ppt课件 12
• 生长准则和过程
（1）设灰度差的阈值为0，用上述方法进行区域扩张， 使灰度相同象素合并
（2）求出所有邻域区域之间的平均灰度差，并合并具 有最小灰度差的邻接区域 （3）设定终止准则，通过反复进行上述步骤2中的操作 单连接区域 将区域依次合并，直到终止准则满足为止
增长技术
这种方法简单，但由于仅考虑了从一个象素到另一个象素的特性是否 相似，因此对于有噪声的或复杂的图像，使用这种方法会引起不希望 的区域出现。另外，如果区域间边缘的灰度变化很平缓，如图a所示， 或者对比度弱的两个相交区域，如图b所示，采用这种方法，区域1和 区域2将会合并起来，从而产生错误
3.
ppt课件
3
ppt课件
4
医学图像特点:模糊、不均匀、个体差异、复杂多样
• • • •
灰度不均匀: 不均匀的组织器官、磁场等 伪影和噪声: 成像设备局限性、组织的蠕动 边缘模糊 : 局部体效应 边缘不明确: 病变组织
ppt课件
5
医学图像分割方法的公共特点： • 分割算法面向具体的分割任务，没有通用 的方法 • 更加重视多种分割算法的有效结合 • 需要利用医学中的大量领域知识 • 交互式分割方法受到日益重视
医学图像分割是一项十分困难的任务，至今 仍然没有获得圆满的解决。
ppt课件 6
基于区域的分割
• 图像分割－把图像分解为若干个有意义的子区 域，而这种分解－基于物体有平滑均匀的表面， 与图像中强度恒定或缓慢变化的区域相对应， 即每个子区域都具有一定的均匀性质 • 区域分割－直接根据事先确定的相似性准则， 直接取出若干特征相近或相同象素组成区域 • 常用的区域分割－区域增长(区域生长)、区域 分裂－合并方法等
ppt课件 12
• 生长准则和过程
数字图像处理PPT——第七章 图像分割
p-参数法
针对已知目标物在画面中所占比例的情况。 基本设计思想 选择一个值Th，使前景目标物所占的比例 为p，背景所占比例为1-p。 基本方法 先试探性地给出一个阈值，统计目标物的 像素点数在整幅图中所占的比例是否满足 要求，是则阈值合适；否则，阈值则偏大 或者偏小，再进行调整，直到满足要求。
p-参数法算法步骤
⎧ σ b2 ⎫ η | Th* = max ⎨ 2 ⎬ ⎩σ in ⎭
局部阈值方法
提出的原因 阈值方法对于较为简单的图像（目标 与背景差别大，容易区分的图像）简 单有效，对于较为复杂的图像，分割 效果不稳定。 方法 把图像分成子块，在每个子块上再采 样前述阈值分割方法
灰度－局部灰度均值散布图法
σ 12 =
f ( x , y )∈C 1
∑
( f ( x, y ) − μ1 )2
2 σ2 =
f ( x , y )∈C 22 )2
1 μ1 = N C1
f ( x , y )∈C 1
∑
f ( x, y )
1 μ2 = NC 2
f ( x , y )∈C 2
∑
f ( x, y )
参数空间的一条直线对应xy空间的一 个点
Hough变换提取直线原理
Xy空间一条直线上的n个点，对应kb 空间经过一个公共点的n条直线 Kb空间一条直线上的n点对应于xy空 间中过一公共点的n条直线
Hough变换提取直线算法
假设原图像为二值图像，扫描图中的每一 个像素点： 背景点，不作任何处理 目标点，确定直线： b = − xk + y 参数空间上的对应直线上所有的值累加1 循环扫描所有点 参数空间上累计值为最大的点(k*,b*)为所求 直线参数 按照该参数与原图像同等大小的空白图像 上绘制直线
《MATLAB图像处理实例详解》课件Chapter_7a第7章 图像分割技术
7.4.1 区域生长法
区域生长是一种串行区域分割的图像分割方法。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。区域增长方法根据同一物体区域 内像素的相似性质来聚集象素点的方法，从初始区域（如小邻域或单个象 素）开始，将相邻的具有同样性质的象素或其它区域归并到目前的区域中 从而逐步增长区域，直至没有可以归并的点或其它小区域为止。区域内象 素的相似性度量可以包括平均灰度值、纹理、颜色等信息。
差分来逼近梯度算子，即：
2、Prewitt算子 下面介绍Prewitt算子。 Prewitt算子的大小为3×3，如下所示：
这两个算子分别代表图像的水平梯度和垂直梯度。 3、Sobel算子 Sobel算子的大小和Prewitt算子的大小相同，都是3×3。Soble算子的模板如下所示：
在MATLAB中，函数edge( )可以采用Sobel算子进行边缘检测。
设为图像的位置处的灰度值，灰度级为，则。若灰度级的所有像素个数为， 则第级灰度出现的概率为：
其中
，并且
。
7.3.3 迭代式阈值分割
迭代阈值法是阈值法图像分割中比较有效的方法，通过迭代的方法来求出 分割的最佳阈值，具有一定的自适应性。迭代法阈值分割的步骤如下：
（1）设定参数，并选择一个初始的估计阈值。 （2）用阈值分割图像。将图像分成两部分：是由灰度值大于的像素组成，
对于图像中的间断点，常用的检测模板为：
对于图像中的线段，常用的检测模板为：
2 1 1
1 2 1
1 1 2
7.4ቤተ መጻሕፍቲ ባይዱ2 微分算子
常用的微分算子有Sobel算子、Prewitt算子和Roberts算子。通过这些算子对图像进 行滤波，就可以得到图像的边缘。下面分别进行介绍。
数字图像处理-图像分割-讲义PPT
数字图像处理
图像分割
图像分割概论
图像分割的目的是理解图像的内容，提取出我们感兴趣的对象。 图像分割按照具体应用的要求和具体图像的内容将图像分割成一块块区域。 图像分割是模式识别和图像分析的预处理阶段。 通常图像分割采用聚类方法，假设图像中组成我们所感兴趣对象的像素具有一些相 似的特征，如相同的灰度值、相同的颜色等。 传统的图像分割技术： 基于像素灰度值的分割技术 基于区域的分割技术 基于边界的分割技术 图像的描述，包括边界和区域的描述
在标注一个像素点的纹理特征时很可能是多维数据，如距离、方向、灰度变化等等。
纹理分析的自相关函数方法
自相关函数的定义 若有一幅图像f(i, j), i, j=0, 1, …, N-1, 它的自相关函数为：
f (i, j ) f (i x, j y ) i 0 j 0 f 2 (i, j ) i 0 j 0
对图像区域的操作―数学形态学
灰度阈值分割法
灰度阈值分割法是最古老的分割技术 只能应用于图像中组成感兴趣对象的灰度值是均匀的，并且和背景的灰度值不一样。 事先决定一个阈值，当一个像素的灰度值超过这个阈值，我们就说这个像素属于我们 所感兴趣的对象；反之则属于背景部分。 这种方法的关键是怎样选择阈值，一种简便的方法是检查图像的直方图，然后选择一 个合适的阈值。 如果图像适合这种分割法，那么图像的直方图在表示对象和背景的小范围灰度值附近 出现一个高峰值。适合这种分割法的图像的直方图应是双极模式，我们可以在两个峰 值之间的低谷处找到一个合适的阈值。 单一阈值方法也不适合于由许多不同纹理组成一块块区域的图像。
灰度共生矩阵表示空间灰度值依赖性的概率，这个灰度共生矩阵是对称的； 不仅仅和两个像素之间的距离有关，还跟两个像素之间的空间角度有关。
图像分割
图像分割概论
图像分割的目的是理解图像的内容，提取出我们感兴趣的对象。 图像分割按照具体应用的要求和具体图像的内容将图像分割成一块块区域。 图像分割是模式识别和图像分析的预处理阶段。 通常图像分割采用聚类方法，假设图像中组成我们所感兴趣对象的像素具有一些相 似的特征，如相同的灰度值、相同的颜色等。 传统的图像分割技术： 基于像素灰度值的分割技术 基于区域的分割技术 基于边界的分割技术 图像的描述，包括边界和区域的描述
在标注一个像素点的纹理特征时很可能是多维数据，如距离、方向、灰度变化等等。
纹理分析的自相关函数方法
自相关函数的定义 若有一幅图像f(i, j), i, j=0, 1, …, N-1, 它的自相关函数为：
f (i, j ) f (i x, j y ) i 0 j 0 f 2 (i, j ) i 0 j 0
对图像区域的操作―数学形态学
灰度阈值分割法
灰度阈值分割法是最古老的分割技术 只能应用于图像中组成感兴趣对象的灰度值是均匀的，并且和背景的灰度值不一样。 事先决定一个阈值，当一个像素的灰度值超过这个阈值，我们就说这个像素属于我们 所感兴趣的对象；反之则属于背景部分。 这种方法的关键是怎样选择阈值，一种简便的方法是检查图像的直方图，然后选择一 个合适的阈值。 如果图像适合这种分割法，那么图像的直方图在表示对象和背景的小范围灰度值附近 出现一个高峰值。适合这种分割法的图像的直方图应是双极模式，我们可以在两个峰 值之间的低谷处找到一个合适的阈值。 单一阈值方法也不适合于由许多不同纹理组成一块块区域的图像。
灰度共生矩阵表示空间灰度值依赖性的概率，这个灰度共生矩阵是对称的； 不仅仅和两个像素之间的距离有关，还跟两个像素之间的空间角度有关。
相关主题
- 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、"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、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)。
•关键点
– 鲁棒局部特征，抗变形能力强，适用于匹配
• 7.3 阈值法 —— 全局阈值法
• 思路
– 将分割问题视为面向每一个像素的分类问题，通常使用简单的阈 值不等式判断像素的类别。
• 条件
– 待分割区域与背景区域在像素级特征上存在明显的差异，而两个 区域内部像素在统计上各自具有较强的相似性。从特征直方图上 看，具有明显的双峰分布的图像比较适合使用阈值法进行分割
• 自然图像理解
• 7.2 图像特征概述
•亮度 •直方图 •变换系数 •边缘 •纹理 •关键点
• 7.2 图像特征概述
•亮度
– 空间连续性，稠密性，直观，敏感性
•直方图
– 统计特征，抗线性几何变换
•变换系数
– 频域统计特征，提供一种完全不同的视角
•边缘
– 符合视觉习惯，是形状信息的基础
•纹理
– 局部不连续性和全局相似性的统一
• 7.3 阈值法 —— 全局阈值法
• 如何确定阈值T？
–迭代法 –大津法 (OTSU) –最优阈值法 –最大熵法 –众数法 –矩不变法 ……
• 7.3 阈值法 —— 全局阈值法
• 迭代阈值法
1）选取一个的初始估计值T； 2）用T分割图像。这样便会生成两组像素集合：G1由所有灰度值大 于T的像素组成，而G2由所有灰度值小于或等于T的像素组成。 3）对G1和G2中所有像素计算平均灰度值u1和u2。 4）计算新的阈值：T=1/2(u1 + u2)。 重复步骤（2）到（4），直到T值更新后产生的偏差小于一个事先定 义的参数T0。
• 从优化的角度看，迭代阈值法的目标函数：
• 7.3 阈值法 —— 全局阈值法
• 大津法（OTSU） – 寻找使类间离散度最大化的阈值T – 类间离散度的数学定义
•P0(T), P1(T): 两类像素各自在总像素数量中所占的比例； •u0(T), u1(T): 两类像素各自的特征(例如亮度)均值； •u: 图像中所有像素的均值
法/
法
最大熵
法
复杂度 一般 复杂 简单 简单 简单 复杂
计算量 较小 大 较小 较小 较小 较大
抗噪能 差 力
好 较好 一般 较差 一般
效果 较差 好 一般 较好 好 一般
• 7.3 阈值法 —— 自适应阈值法
• 从一个例子开始 – 全局阈值法无法解决目标与背景的灰度范围过 度重叠的情况（该情况通常由不均匀的光照所 引起）
–以上5个未知量一般根据最小均方误差原则进行
• 7.3 阈值法 —— 全局阈值法
• 全局阈值法设计与实现的一般性原则
– 根据图像灰度分布的统计特性建立一个关于阈值T的评价函数， 通过对该函数的优化获取全局阈值。
• 评价函数
– 迭代法：两类中心的均值与阈值的差（误差概率的特例）； – 大津法：类间离散度； – 最优阈值法：错误概率； – 众数法：灰度极小值； – 最大熵法：两类的熵的和；
定义：令集合R代表整个 图像区域，对R的图像分割 可以看作是将R分成N个满 足以下条件的非空子集R1， R2，….，RN：
图像处理
图像分析
图像理解
图像分割
• 7.1 图像分割概述
• 图像分割与图像标记的关系 – 图像分割可以看做是图像标记(Image labeling)Байду номын сангаас的一种特例。
– 图像分割的核心问题是如何为像素f(x, y)打上准 确的离散化标签g(x, y)。
• 第七章 图像分割
7.1 图像分割概述 7.2 图像特征概述 7.3 阈值法 7.4 区域法 7.5 聚类法 7.6 边界法 7.7 图论法
7.1 图像分割概述
图像分割在数字图像处理 技术以及认知系统中的角色
目的：根据目标对象在图 像空间中的分布对图像进行 分解，得到一些对图像理解 更有意义的图像区域。
– 矩不变法：分类后数据的前4阶矩的变化值。
众数法
最优阈值法
迭代阈值法
T=0.2549 大津法
T=0.11482 最大熵法
T=0.3652 矩不变法
T=0.3626
T=0.1177
T=0.4667
• 阈值法 —— 全局阈值法
• 算法特点总结
众数法 最优 迭代 Otsu法 KSW 矩不变
阈值法 阈值法
• 7.3 阈值法 —— 自适应阈值法
• 思路
– 将原图像分割为多块子图像。将每一个存在边缘的子图像作为一 整张图像使用全局阈值法；将不存在明显边缘的子图像按照其平 均灰度，判别为目标或背景
• 7.3 阈值法 —— 自适应阈值法
• 三个问题
1）如何确定一个子图像内是否存在边缘 2）如何处理块状效应 3）对于平坦区域灰度均值的判别能否保证准确
f (x, y)：图像特征
g (x, y)：图像标号
• 7.1 图像分割概述 —— 应用
• 医学影像计算机辅助诊断
• 7.1 图像分割概述 —— 应用
• 光学字符识别
• 7.1 图像分割概述 —— 应用
• 工件视觉检测
• 7.1 图像分割概述 —— 应用
• 遥感图像处理
• 7.1 图像分割概述 —— 应用
• 7.3 阈值法 —— 全局阈值法
• 7.3 阈值法 —— 全局阈值法
• 7.3 阈值法 —— 全局阈值法
• 7.3 阈值法 —— 全局阈值法
• 最优阈值法 –为了求解方程：
必须对背景和前景的概率分布函数以及事件 概率有准确的估计。
–一般假设前景和背景都服从高斯分布，则全部 未知量共5个，分别是前景和背景各自的均值和 方差，以及前景的事件概率Po。
• 7.3 阈值法 —— 全局阈值法 • 阈值法分类
– 全局阈值法 (Global thresholding)
– 自适应阈值法 (Adaptive thresholding)
– 带阈值法 (Band thresholding)
– 多阈值法 (Multi-thresholding)
• 7.3 阈值法 —— 全局阈值法 • 数学模型
Matlab函数： T = graythresh(I)
• 7.3 阈值法 —— 全局阈值法
• 最优阈值法 –将目标和背景的像素特征分布看做是两个相互 独立的随机变量，则整个图像的像素特征概率分 布函数可以描述为：
–当给定一个阈值T，假设前景较亮而背景较暗， 根据概率模型可以估计出背景被错判为前景的概 率Eb(T)和背景被错判为前景的概率Ef(T)。 –两者的概率加权和即为总的错误概率E(T)，使 得总错误概率最小的阈值即为最优阈值
– 鲁棒局部特征，抗变形能力强，适用于匹配
• 7.3 阈值法 —— 全局阈值法
• 思路
– 将分割问题视为面向每一个像素的分类问题，通常使用简单的阈 值不等式判断像素的类别。
• 条件
– 待分割区域与背景区域在像素级特征上存在明显的差异，而两个 区域内部像素在统计上各自具有较强的相似性。从特征直方图上 看，具有明显的双峰分布的图像比较适合使用阈值法进行分割
• 自然图像理解
• 7.2 图像特征概述
•亮度 •直方图 •变换系数 •边缘 •纹理 •关键点
• 7.2 图像特征概述
•亮度
– 空间连续性，稠密性，直观，敏感性
•直方图
– 统计特征，抗线性几何变换
•变换系数
– 频域统计特征，提供一种完全不同的视角
•边缘
– 符合视觉习惯，是形状信息的基础
•纹理
– 局部不连续性和全局相似性的统一
• 7.3 阈值法 —— 全局阈值法
• 如何确定阈值T？
–迭代法 –大津法 (OTSU) –最优阈值法 –最大熵法 –众数法 –矩不变法 ……
• 7.3 阈值法 —— 全局阈值法
• 迭代阈值法
1）选取一个的初始估计值T； 2）用T分割图像。这样便会生成两组像素集合：G1由所有灰度值大 于T的像素组成，而G2由所有灰度值小于或等于T的像素组成。 3）对G1和G2中所有像素计算平均灰度值u1和u2。 4）计算新的阈值：T=1/2(u1 + u2)。 重复步骤（2）到（4），直到T值更新后产生的偏差小于一个事先定 义的参数T0。
• 从优化的角度看，迭代阈值法的目标函数：
• 7.3 阈值法 —— 全局阈值法
• 大津法（OTSU） – 寻找使类间离散度最大化的阈值T – 类间离散度的数学定义
•P0(T), P1(T): 两类像素各自在总像素数量中所占的比例； •u0(T), u1(T): 两类像素各自的特征(例如亮度)均值； •u: 图像中所有像素的均值
法/
法
最大熵
法
复杂度 一般 复杂 简单 简单 简单 复杂
计算量 较小 大 较小 较小 较小 较大
抗噪能 差 力
好 较好 一般 较差 一般
效果 较差 好 一般 较好 好 一般
• 7.3 阈值法 —— 自适应阈值法
• 从一个例子开始 – 全局阈值法无法解决目标与背景的灰度范围过 度重叠的情况（该情况通常由不均匀的光照所 引起）
–以上5个未知量一般根据最小均方误差原则进行
• 7.3 阈值法 —— 全局阈值法
• 全局阈值法设计与实现的一般性原则
– 根据图像灰度分布的统计特性建立一个关于阈值T的评价函数， 通过对该函数的优化获取全局阈值。
• 评价函数
– 迭代法：两类中心的均值与阈值的差（误差概率的特例）； – 大津法：类间离散度； – 最优阈值法：错误概率； – 众数法：灰度极小值； – 最大熵法：两类的熵的和；
定义：令集合R代表整个 图像区域，对R的图像分割 可以看作是将R分成N个满 足以下条件的非空子集R1， R2，….，RN：
图像处理
图像分析
图像理解
图像分割
• 7.1 图像分割概述
• 图像分割与图像标记的关系 – 图像分割可以看做是图像标记(Image labeling)Байду номын сангаас的一种特例。
– 图像分割的核心问题是如何为像素f(x, y)打上准 确的离散化标签g(x, y)。
• 第七章 图像分割
7.1 图像分割概述 7.2 图像特征概述 7.3 阈值法 7.4 区域法 7.5 聚类法 7.6 边界法 7.7 图论法
7.1 图像分割概述
图像分割在数字图像处理 技术以及认知系统中的角色
目的：根据目标对象在图 像空间中的分布对图像进行 分解，得到一些对图像理解 更有意义的图像区域。
– 矩不变法：分类后数据的前4阶矩的变化值。
众数法
最优阈值法
迭代阈值法
T=0.2549 大津法
T=0.11482 最大熵法
T=0.3652 矩不变法
T=0.3626
T=0.1177
T=0.4667
• 阈值法 —— 全局阈值法
• 算法特点总结
众数法 最优 迭代 Otsu法 KSW 矩不变
阈值法 阈值法
• 7.3 阈值法 —— 自适应阈值法
• 思路
– 将原图像分割为多块子图像。将每一个存在边缘的子图像作为一 整张图像使用全局阈值法；将不存在明显边缘的子图像按照其平 均灰度，判别为目标或背景
• 7.3 阈值法 —— 自适应阈值法
• 三个问题
1）如何确定一个子图像内是否存在边缘 2）如何处理块状效应 3）对于平坦区域灰度均值的判别能否保证准确
f (x, y)：图像特征
g (x, y)：图像标号
• 7.1 图像分割概述 —— 应用
• 医学影像计算机辅助诊断
• 7.1 图像分割概述 —— 应用
• 光学字符识别
• 7.1 图像分割概述 —— 应用
• 工件视觉检测
• 7.1 图像分割概述 —— 应用
• 遥感图像处理
• 7.1 图像分割概述 —— 应用
• 7.3 阈值法 —— 全局阈值法
• 7.3 阈值法 —— 全局阈值法
• 7.3 阈值法 —— 全局阈值法
• 7.3 阈值法 —— 全局阈值法
• 最优阈值法 –为了求解方程：
必须对背景和前景的概率分布函数以及事件 概率有准确的估计。
–一般假设前景和背景都服从高斯分布，则全部 未知量共5个，分别是前景和背景各自的均值和 方差，以及前景的事件概率Po。
• 7.3 阈值法 —— 全局阈值法 • 阈值法分类
– 全局阈值法 (Global thresholding)
– 自适应阈值法 (Adaptive thresholding)
– 带阈值法 (Band thresholding)
– 多阈值法 (Multi-thresholding)
• 7.3 阈值法 —— 全局阈值法 • 数学模型
Matlab函数： T = graythresh(I)
• 7.3 阈值法 —— 全局阈值法
• 最优阈值法 –将目标和背景的像素特征分布看做是两个相互 独立的随机变量，则整个图像的像素特征概率分 布函数可以描述为：
–当给定一个阈值T，假设前景较亮而背景较暗， 根据概率模型可以估计出背景被错判为前景的概 率Eb(T)和背景被错判为前景的概率Ef(T)。 –两者的概率加权和即为总的错误概率E(T)，使 得总错误概率最小的阈值即为最优阈值