第七章 图像分割_PPT课件

• 7.3 阈值法 —— 全局阈值法
ห้องสมุดไป่ตู้
• 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。
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) 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)。
–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；
• 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。
• 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。
• 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
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
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
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）
• 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
– 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
• 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
• 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
•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