第五章图像分割(新)-2PPT课件
合集下载
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5章 图像的分割PPT课件
图像分割的概念
图像分割原理上的计算公式如下：
g(i,j)10
f(i,j)Th f(i,j)Th
其中，f(i,j)为原始图像，g(i,j)为结果图像（二值），
Th为阈值。
显然，阈值的选取决定了二值化效果的好坏。
图像分割方法
p-参数法 均匀性度量法
聚类方法
写在最后
经常不断地学习,你就什么都知道。你知道得越多,你就越有力量 Study Constantly, And You Will Know Everything. The More
第五章 图像的分割
图像处理的目的之一是图像识别，图像分割与 测量是图像识别工作的基础。
图像分割将图像分为一些有意义的区域，然后 对这些区域进行描述，相当于提取出某些目标 区域，判断是否有感兴趣的目标。
图像分割的基础是像素间的相似性和跳变性。
所谓“相似性”是指在某个区域内像素具有某 种相似的特性，如灰度一样，纹理相同。
图像分割示例
—— 肾小球区域的提取
?
图像分割示例
——细菌检测
图像分割示例
—— 印刷缺陷检测
图像分割示例
—ቤተ መጻሕፍቲ ባይዱ 印刷缺陷检测
局部放大图
检测结果
图像分割的难点
从前面的例子可以看到，图像分割是比较困难 的。原因是画面中的场景通常是复杂的，要找 出两个模式特征的差异，并且可以对该差异进 行数学描述都是比较难的。
经典的边缘检测方法是构造对像素灰度级阶跃变化敏感 的微分算子。边缘检测器的输出一般都为灰度图像，称 边缘图像，该图像包含有边缘幅值信息。如果边缘检测 器输出值较大，则对应于局部边缘；如果输出值较小， 则对应与无边缘的区域。
在边缘检测之后，找出目标物体的轮廓，进行目标物体 的分析、识别、测量等。这些内容在数字图像处理应用 中，如跟踪、制导等方面扮演重要角色，有广泛的用途。
数字图像处理之图像分割PPT课件
第13页/共69页
直方图阈值法matlab实现
• 函数：im2bw，全局阈值函数 • BW=im2bw（I ,level); • BW=im2bw（I ,map ,level); • BW=im2bw（RGB ,level); • 分别将灰度图像、索引图像、彩色图像转化为二值图像， • level，为归一化阈值
型钢截面只需少量加工即可用作构件省工省时成本低但型钢截面受型钢种类及型钢号限制难于完全与受力所需的面积相对应用料较多梯度算子roberts算子prewitt算子kirsch算子原始图像型钢截面只需少量加工即可用作构件省工省时成本低但型钢截面受型钢种类及型钢号限制难于完全与受力所需的面积相对应用料较多laplacian算子曲面拟合法型钢截面只需少量加工即可用作构件省工省时成本低但型钢截面受型钢种类及型钢号限制难于完全与受力所需的面积相对应用料较多梯度算子roberts算子prewitt算子sobel算子kirsch算子原始图像型钢截面只需少量加工即可用作构件省工省时成本低但型钢截面受型钢种类及型钢号限制难于完全与受力所需的面积相对应用料较多laplacian算子marr算子曲面拟合法型钢截面只需少量加工即可用作构件省工省时成本低但型钢截面受型钢种类及型钢号限制难于完全与受力所需的面积相对应用料较多a原图h结果c正值为白负值为黑d过零点例3
图像灰度直方图
暗 Z1
Zi
Zt Zj Zk 亮
背景
目标
双峰法选取阈值的缺点：会受到噪音的干扰，最小值不是预期的阈值， 而偏离期望的值。 改进办法：1）取两个峰值之间某个固定位置，如中间位置上。由于峰 值代表的是区域内外的典型值，一般情况下，比选谷底更可靠，可排除 噪音的干扰；2）加强对噪音的处理。对直方图进行平滑处理，如最小 二乘法等补点插值。
医学图像分割介绍课件
01
02
阈值分割对噪声较为敏感，噪声的存在可能会影响分割效果。
抗噪性能差
考虑区域特征
基于区域的分割方法考虑了像素间的空间关系和区域内的特征相似性，通过将具有相似性质的像素聚合成一个区域来图像质量的要求较低，适用于目标与背景差异不明显、光照不均匀、噪声较多的情况。
计算复杂度高
基于区域的分割方法通常需要迭代或动态规划来计算最优解，计算复杂度较高，耗时较长。
VS
利用边缘信息
基于边缘的分割方法利用图像中不同区域间的边缘信息进行分割，通过检测和跟踪边缘来实现图像分割。
对噪声敏感
基于边缘的分割方法对噪声较为敏感，噪声的存在可能会干扰边缘检测和跟踪。
对细节保留较好
基于阈值的分割方法
随着技术的发展，基于区域的分割方法逐渐兴起，如区域生长、分裂合并等。
基于区域的分割方法
利用图像中的边缘信息进行分割，如Canny边缘检测等。
基于边缘的分割方法
近年来，基于模型的分割方法成为研究热点，如水平集方法、变分法等。
基于模型的分割方法
02
CHAPTER
医学图像分割的基本原理
由于设备性能、采集参数等因素，医学图像中可能出现伪影。这些伪影可能导致图像分割算法误判，影响分割精度。
伪影
噪声
人体器官会随着呼吸、心跳等生理活动而发生动态变化，这要求图像分割算法能够适应这种变化，并准确地进行分割。
病变组织如肿瘤的生长、扩散等，也会导致图像的动态变化。分割算法需要能够识别并处理这些变化。
动态生理变化
病变组织的动态变化
05
CHAPTER
医学图像分割的未来展望
深度学习技术为医学图像分割提供了强大的工具，通过训练深度神经网络，可以实现高精度的图像分割。
图像模式识别 5-8章-PPT
9
区域分裂合并的关键是分裂合并准则的设计，在实际应用中，通常是 将区域生长算法和区域分裂合并算法这两种基本形式结合使用。该类 算法对某些复杂物体定义的复杂场景的分割或对某些自然景物的分割 等类似先验知识不足的图像分割，效果较为理想。
优点：对复杂图像的分割效果较好，不需要预先指定种子点；
缺点：算法较为复杂，计算量大，分裂可能会破坏区域的边界。
11
利用Matlab中的函数qtdecomp、qtsetblk和full能够实现图像的分 裂和合并操作。qtdecomp(I,threshold)函数将输入图像I按允许的 阀值threshold分割子块，返回一个稀疏矩阵，每个子块的左上角给 出子块的大小。qtgetblk(I,s,4,vals)函数可获得四叉树分解后的 子块的像素即位置信息，返回值vals是dim×dim×k矩阵，k是符合 dim×dim大小的子块个数，qtsetblk将四叉树分解得到的子块中符 合条件的部分替换为指定的子块。full(s)函数将稀疏矩阵化为普通 矩阵，显示分裂后的图像。以matlab自带图像rice.png为例，以阀 值为0.2进行四叉树分解，结果如图所示。
区域生长一般步骤为：
选取图像中的1点为种子点(种子点的选取需要具体情况具体分析)。
在种子点处进行8邻域或4邻域扩展，判定准则是：若考虑的像素与种 子像素灰度值差的绝对值小于某个门限T，则将该像素包括进种子像素 所在的区域。
当不再有像素满足加入这个区域的准则时，区域生长停止。
一般来说，在无像素或区域满足加入生长区域的条件时,区域生长就会 停止。 区域生长是串行区域技术，其分割过程后续步骤的处理要根据
前面步骤的结果进行判断而确定。
8
区域分裂、合并
首先，确定一个分裂合并的准则，即区域特征一致性的测度；然后 ，从整个图像出发不断分裂得到各个子区域，然后再把前景区域合 并，实现目标提取。若把一幅图像分裂到像素级，那么就可以判定 该像素是否为前景像素。当所有像素点或子区域完成判断后，把前 景区域或像素合并就可得到前景目标。 当相邻的子区域满足一致性特征时则将它们合成一个大区域，直至 所有区域不再满足分裂合并的条件为止；当分裂到不能再分的情况 时，分裂结束；然后它将查找相邻区域有没有相似的特征，若有就 将相似区域进行合并，最后达到分割的作用。
区域分裂合并的关键是分裂合并准则的设计，在实际应用中，通常是 将区域生长算法和区域分裂合并算法这两种基本形式结合使用。该类 算法对某些复杂物体定义的复杂场景的分割或对某些自然景物的分割 等类似先验知识不足的图像分割，效果较为理想。
优点：对复杂图像的分割效果较好，不需要预先指定种子点；
缺点：算法较为复杂，计算量大，分裂可能会破坏区域的边界。
11
利用Matlab中的函数qtdecomp、qtsetblk和full能够实现图像的分 裂和合并操作。qtdecomp(I,threshold)函数将输入图像I按允许的 阀值threshold分割子块，返回一个稀疏矩阵，每个子块的左上角给 出子块的大小。qtgetblk(I,s,4,vals)函数可获得四叉树分解后的 子块的像素即位置信息，返回值vals是dim×dim×k矩阵，k是符合 dim×dim大小的子块个数，qtsetblk将四叉树分解得到的子块中符 合条件的部分替换为指定的子块。full(s)函数将稀疏矩阵化为普通 矩阵，显示分裂后的图像。以matlab自带图像rice.png为例，以阀 值为0.2进行四叉树分解，结果如图所示。
区域生长一般步骤为：
选取图像中的1点为种子点(种子点的选取需要具体情况具体分析)。
在种子点处进行8邻域或4邻域扩展，判定准则是：若考虑的像素与种 子像素灰度值差的绝对值小于某个门限T，则将该像素包括进种子像素 所在的区域。
当不再有像素满足加入这个区域的准则时，区域生长停止。
一般来说，在无像素或区域满足加入生长区域的条件时,区域生长就会 停止。 区域生长是串行区域技术，其分割过程后续步骤的处理要根据
前面步骤的结果进行判断而确定。
8
区域分裂、合并
首先，确定一个分裂合并的准则，即区域特征一致性的测度；然后 ，从整个图像出发不断分裂得到各个子区域，然后再把前景区域合 并，实现目标提取。若把一幅图像分裂到像素级，那么就可以判定 该像素是否为前景像素。当所有像素点或子区域完成判断后，把前 景区域或像素合并就可得到前景目标。 当相邻的子区域满足一致性特征时则将它们合成一个大区域，直至 所有区域不再满足分裂合并的条件为止；当分裂到不能再分的情况 时，分裂结束；然后它将查找相邻区域有没有相似的特征，若有就 将相似区域进行合并，最后达到分割的作用。
数字图像处理-图像分割课件
差分定义:
xfi,jfi,jfi1,j yfi,jfi,jfi,j1
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 fx,y在点 x, y 的梯度幅值为
f 2 x
fy2
其方向为 arctgf y
f x
图像经过梯度运算能灵敏地检测出边界, 但是梯度运算 比较复杂。
对于数字图像，可用一阶差分替代一阶微分：
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。
人眼图像示例
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；串行区域
n
(1) Ri
i1
(2)对所有的 i和j, i j, 有Ri R j
(3)对i 1,2,..., n, 有P ( Ri ) true (4)对i j, 有P ( Ri R j ) false (5)对i 1,2,..., n, Ri 是连通的区域
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
高斯拉普拉斯（LOG）
高斯拉普拉斯(Laplacian of Gaussian, LOG, 或 Mexican hat, 墨西哥草帽)滤波器使用了Gaussian 来进行噪声去除并使用 Laplacian来进行边缘检测
高斯拉普拉斯举例
xfi,jfi,jfi1,j yfi,jfi,jfi,j1
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 fx,y在点 x, y 的梯度幅值为
f 2 x
fy2
其方向为 arctgf y
f x
图像经过梯度运算能灵敏地检测出边界, 但是梯度运算 比较复杂。
对于数字图像，可用一阶差分替代一阶微分：
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。
人眼图像示例
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；串行区域
n
(1) Ri
i1
(2)对所有的 i和j, i j, 有Ri R j
(3)对i 1,2,..., n, 有P ( Ri ) true (4)对i j, 有P ( Ri R j ) false (5)对i 1,2,..., n, Ri 是连通的区域
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
高斯拉普拉斯（LOG）
高斯拉普拉斯(Laplacian of Gaussian, LOG, 或 Mexican hat, 墨西哥草帽)滤波器使用了Gaussian 来进行噪声去除并使用 Laplacian来进行边缘检测
高斯拉普拉斯举例
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)。
15 14 87 83 81 80 85 81 81 *
**********
3 5 2 l 4 6 91 7 * *
(b)表示(a)中部分像素的灰度梯度值，
一部 分灰度梯度值较低，在0～15之间，
3 5 2 5 5 68 4 7 * * 8 5 5 2 2 98 4 7 * * 2 4 7 3 96 5 8 5 * *
17 10 18 14 85 84 82 85 88 * 显然，一部分像素的灰度较低，在10-20之间，
11 14 19 13 88 89 89 85 85 * 19 10 lO 84 88 81 89 84 80 *
而另一部分像素的灰度较高，在80～90之间。
11 16 89 82 89 82 81 88 89 *
素 p2 作为下一个边界点，并 此类推，得到封闭边界。
p1
与
p2
相连，以
一旦得到封闭边界，就可将位于边界一侧的像素归 入一子图像，而将其另一侧的像素归入另一子图像， 这样便完成了基于边界的图像分割。
方法一：将梯度值大的且相差较小(设阈值T)的像素连
接起来构成边界。 根据相邻边界像素的灰度梯度有一定相似性的原则，将
符合以下条件的相邻边界像素连接。 假设：像素(p，q)和(s，t)均为边界像素，其灰度梯度
的幅度和方向分别为G[f(p，q)]，G[f(s,t)]和φ[f(p， q)]，φ[f(s，t)]。按差分法计算灰度梯度幅度和梯度 方向的公式如下：
一方面，各种图像分割算法已成为图尚没有一种通用的分割算法 对各种图像均能得到满意的分割结果。
在实际应用中，应根据被处理图像的特点，合理地选择或 设计合适的分割方法。
图像分割方法
基于边界的图像分割； 阈值分割（全局阈值分割、局部阈值分割）； 阈值分割的推广—特征空间中的聚类分割图像
对空间位置等。因此，图像分割的过程也就是按某种性质 对像素进行识别和分类的过程。
概述
图像分割是图像分析中很重要的基础环节。只有准确地将 目标从图像中提取出来，才能进一步对该目标作定量的描 绘和其他处理。
图像分割又是比较困难的环节，因为在许多情况下，目标 和背景之间的区分是模糊的。有时，人在分辨图像的目标 和背景时，不仅根据图像本身的性质，而且还根据其学科 知识和经验进行判断，而这些学科知识和经验尚难以用数 学方式表达，这也是造成图像分割困难的原因之一。
根据灰度梯度的相似性确定边界的示意图
19 18 13 15 16 12 18 85 80 *
16 16 14 14 15 12 80 80 82 * 19 11 16 19 19 17 84 87 88 *
(a)表示原图像的一部分，标出部分像素的灰度
15 14 12 17 19 89 87 80 81 * 值 (*号表示图像 其余部分，下同)。
若同时满足条件：
G [ f ( p , q ) G ] [ f ( s , t ) T ] ,[ f ( p . q ) ] [ f ( s , t ) A ]
其中，T和A分别是灰度梯度及梯度方向的阈值， 则可以将像素(p，q)和(s,t)相连。若在一个边 缘像素的邻域内有一个以上的像素满足上述条件， 就应选择灰度梯度及梯度方向最为相似的一个像 素与其相连。对所有可能的边缘像素均作这样的 判断和处理就可能得到封闭的边界。由于用边缘 检测模板也可能遗漏少量真正构成边界的像素， 因此，用同样方法也可连接相距较近但不连续的 边界像素构成连续边界。
法； 基于区域增长或分裂的分割等。
检测目标的边缘像素
所有基于边界的图像分割的第一步都是要检测出目标的边 缘像素。
在空域中检测图像目标边界像素可用边缘检测模板或边缘 检测算子。（在第四章中所讲的Rober Sobel Prewitt Laplacian 模板等）
用边缘检测模板得到原图像的灰度梯度图，其中的数值表 示原图像中每个像素处的灰度梯度的强弱。
就构 成了边界，如(b)中粗体数字所示。
**********
方法二： 边界跟踪法
以Po作为边界跟踪的起始点(例如，可以在原图像 的灰度梯度图中选梯度最大的一点作为Po，也可以 用人工任意选择一个边界像素作为Po)。
在以Po为中心的8-邻域中选择灰度梯度最大的一个
像素 p1 作为下一个边界点，和Po相连。再以 p1 为中心，在其8邻域中选择灰度梯度最大的一个像
概述
对图像进行增强处理后，将目标和背景相分离并从整个图 像中提取出目标的处理过程称为图像的分割 (Segmentation)。
分割实质:将一幅图像分成几幅子图像并满足如下条件： 1)图像中的每一个像素必须被归入某一子图像，并且只 能属于一个子图像； 2)属于同一子图像的像素在某种性质上是相近的； 3)属于不同子图像的像素在同一种性质上相差较大。 这里所指的性质可以是灰度、灰度梯度、纹理乃至相
方法一：将梯度值大的像素连接起来
按差分法计算灰度梯度幅度和梯度方向：
G x [f(x ,y ) ]f(x 1 ,y ) f(x ,y )
G y [f(x ,y ) ]f(x ,y 1 ) f(x ,y ) G[f(x,y)] Gx2Gy2
(x,y)arctaGny()
Gx
方法一：将梯度值大的像素连接起来
由于边缘检测模板对原图像中可能存在的噪声较敏感，所 以用这种模板检测出的像素有的是真正构成边界的像素， 而有的可能是噪声。因此，可设置合适的阈值，凡是其灰 度梯度大于该阈值的像素均被认为可能是构成边界的像素。
闭合边界的确定
为了将图像分割为几个子图像，需要将子图像之间的边 界像素连接起来构成子图像的封闭边界。有许多构成封 闭边界的方法。
对应 于原图像中的非边界处的区域。
9 8 4 71 3 5 7 3 * *
另一 部分灰度梯度值较高，在65～115之间， 对应 于原图像中的边界区域。将这些梯度值大， 且相 差较小(设阈值T为40)的像素连接起来，
8 6 101031 8 4 1 * * 12 6 108 47 8 9 5 * * 6 73 7 7 10 2 8 7 * * **********