第7章 图像分割 7.1 图像分割的定义和分类 7.2 基于边缘的分割 7.3 基于区域的分割 7.4 基于阈值的分割 7.5

拉普拉斯算子的特点是：各向同性，线性和位移不变， 对细线和孤立点检测效果好；边缘方向信息丢失，常产生 双像素的边缘，对噪声有双倍加强作用。
由于梯度算子和拉普拉斯算子都对噪声敏感，因此一 般在用它们检测边缘前要先对图像进行平滑。
20
7.2.6 LoG算子
上述 常规边缘检测方法可能把噪声像素当边缘点检测
图7.2.11所示为Canny算子检测出的边缘二值化图像。 对比可知，Canny算子的边缘检测效果优于传统的Sobel和 Marr检测算子。
35
7.2.8 曲面拟合法
基于差分检测图像边缘的算子往往对噪声敏感，因此 对一些噪声比较严重的图像进行边缘检测就难以取得满意 的效果，此时可用平面或高阶曲面来拟合图像中某一小区 域的灰度表面，求这个拟合曲面中心点处的梯度，再进行 边缘检测。
26
7.2.7 Canny边缘检测算子 Canny的主要贡献是推导了最优边缘检测算子。他考
核边缘检测算子的指标如下： (1)低误判率，即尽可能少地把边缘点误认为是非边缘
点； (2)高定位精度，即准确地把边缘点定位在灰度变化最
大的像素上； (3)抑制虚假边缘。 在一维空间，Canny推导的算子与2h算子几乎一样。
测量，以获得它们的客观信息，从而建立对图像的 描述。 （3）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联系，并得 出对原始客观场景的解释，从而指导和规划行动。
3
2，目标（对象）与区域 在对图像处理的研究和应用中，人们往往仅对图像中
的某些部分感兴趣，这些感兴趣的部分常称为目标或对象 ，它们一般对应图像中特定的、具有独特性质的区域。 3，图象分割
梯度算子仅计算相邻像素的灰度差，对噪声敏感， 无法抑制噪声的影响。
12
7.2.2 Roberts梯度算子 7.2.3 Prewitt和Sobel算子
13
14
7.2.4 方向算子 方向算子是利用一组模板对图像中的同一像素求卷积，
选取其中最大的值作为边缘强度，而将与之对应的方向作 为边缘方向。常用的八方向Kirsch(3×3)模板如图7.2.5所
令集合R代表整个图像区域，对R的分割可看做将R分 成若干个满足以下5个条件的非空的子集(子区域)R1， R2，…，Rn(其中P(Ri)是对所有在集合Ri中元素的逻辑谓 词，Ø是空集)：
n
① Ri R; i1
②对所有的i和j，i≠j，有Ri∩Rj＝ Ø 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。
基于边缘提取的分割法首先检测边缘像素，再将边缘 像素连接起来构成边界形成分割。
8
9
可用一阶导数的幅度值来检测边缘的存在，幅度峰值 一般对应边缘位置。可用二阶导数的过零点检测边缘位置。
10
7.2.1 梯度算子 对阶跃状边缘，在边缘点处一阶导数有极值，因此可
计算每个像素处的梯度来检测边缘点。
f (x, y)
(7.2.6)
上式中的2h称为高斯—拉普拉斯滤波(Laplacian of
Gaussian，LoG)算子，也称为“墨西哥草帽”。
22 它是一个轴对称函数，各向同性，它的一个轴截面如 图7.2.9所示。
图7.2.9 2h轴截面和对应的传递函数
由图可见，这个函数在r＝±s处有过零点，在|r|<s时 为正，在|r|>s时为负；
34
(3)以该像素为中心的3×3邻域中的边缘强度极大值小 于某个阈值。
如果条件(1)和(2)同时满足，则在梯度方向上的两相邻 像素就从候选边缘点中取消，条件(3)相当于用区域梯度最 大值组成的阈值图像与边缘点进行匹配，这一过程消除了 许多虚假的边缘点。
Canny的这种算法可以减少小模板检测中的边缘中断， 有利于得到较完整的线段。
在某一方向n上，G(x，y)的一阶方向导数为
式中，
Gn (x,
y)
G(x, n
y)
nG(x,
y)
G(x, y)
n
cos
s i n
,
G(x,
y)
x
G(x, y)
y
(7.2.8)
28
将f(x，y)与Gn进行卷积，改变n的方向，使f(x，y)*Gn 取得最大值的方向就是梯度方向(正交于边缘走向)，由
2 f
f x2
f y 2
(7.2.2)
据此，对数字图像的每个像素计算关于x和y的二阶偏
导数之和，以差分方式表示，得到
2f(x，y)＝f(x＋1，y)＋f(x－1，y)＋f(x，y＋1)＋f(x， y－1)－4f(x，y)
上式中的2就是著名的拉普拉斯算子。
19
图7.2.8 Laplacian算子模板
[Gn
*
f
(x,
y)]
cos
G ( x, x
y)
*
f
(x,
y)
sin
G ( x, y
y)
*
f
(x,
y)
0
29
因此，对应于Gn*f(x，y)变化最强的方向导数为
n G(x, y) * f (x, y) G(x, y) * f (x, y)
(7.2.13)
在该方向上Gn*f(x，y)有最大的输出响应：
j) j)
(7.2.21) 则A(i，j)反映边缘强度，a(i，j)为垂直于边缘的方向。
一个像素如果满足下列条件，就认为它是边缘点： (1)像素(i，j)的边缘强度大于沿梯度方向的两个相邻 像素的边缘强度； (2)与该像素梯度方向上相邻两点的方向差小于45°；
33
图7.2.11 采用Canny算子得到的边缘二值图像
节损失大，边缘点定位精度低。应根据噪声水平和边缘点
定位精度要求适当选取。
24
LoG算子用到的卷积模板一般较大(典型半径为8～32 个像素)，不过这些模板可以分解为一维卷积来快速计算。 通过判断零交叉点及其两侧像素符号的变化来确定边缘点。
边缘点两侧的二阶微分是异号的，且正号对应边像点
的暗侧，负号对应边像点的亮侧，两侧的符号指示着边缘
出来了，而真正的边缘又没被检测出来。
由于在成像时，一个给定像素所对应的场景点，它的
周围点对该点的贡献的光强大小呈正态分布，所以平滑函
数应能反映不同远近的周围点对给定像素具有不同的平滑
作用，因此，平滑函数采用正态分布的高斯函数，即
h(
x,
y)
e
x2 y2
2 2
式中，s是方差。 用h(x，y)对图像f(x，y)的平滑可表示为
16
图7.2.6 5×5Kirsch算子的前4个模板
17
图7.2.7 5×5Nevitia算子的前6个模板
18
7.2.5 拉普拉斯(Laplacian)算子 对于阶跃状边缘，其二阶导数在边缘点出现零交叉，
并且边缘点两旁像素的二阶导数异号。拉普拉斯算子是一
种二阶导数算子，对一个连续函数f(x，y)，它在位置(x，y) 的拉普拉斯值定义如下：
图像分割是指根据灰度、彩色、空间纹理、几何形状 等特征把图像划分成若干个互不相交的区域，使得这些特 征在同一区域内表现出一致性或相似性，而在不同区域间 表现出明显的不同，即在一幅图像中把目标从背景中分离 出来，以便于进一步处理。
图像分割就是指把图像分成互不重叠的区域并提取 出感兴趣目标的技术。
4
7.1.1 图像分割的定义 图像分割可借助集合概念用如下方法定义：
h1(x) xh2 (x), h1( y) yh2 ( y)
(7.2.19)
然后两个模板分别与f(x，y)进行卷积，得到
G(x, y)
G(x, y)
Ex x * f , Ey y * f
(7.2.20)
32
令
A(i, j)
Ex2
E
2 y
, a(i,
j)
arctan
Ey Ex
(i, (i,
G(x, y) x
kx
e
x2 2 2
e
y2 2 2
h1(x)h2 ( y)
G(x, y) y
kx
e
y2 2 2
e
x2 2 2
h1( y)h2 (x)
31
h1(x)
k
x
e
x2
2 2
,
h2
(
y)
k
Biblioteka Baidu
x
e
x2
2 2
(7.2.17)
h1( y)
k
y
e
x2
2 2
,
h2
(
x)
k
x
e
x2
2 2
(7.2.18)
23
可以证明这个算子定义域内的平均值为零，因此将它 与图像卷积并不会改变图像的整体动态范围。但由于它相 当光滑，因此将它与图像卷积会模糊图像，并且其模糊程
度是正比于的。
正因为2h的平滑性质能减少噪声的影响，所以当边 缘模糊或噪声较大时，利用2h检测过零点能提供较可靠
的边缘位置。在该算子中，的选择很重要，小时边缘位 置精度高，但边缘细节变化多；大时平滑作用大，但细
条件⑤要求分割结果中同一个区域内的任意两个像素 在该区域内互相连通，或者说分割得到的区域是一个连通 成分。
6
7.1.2 图像分割方法分类 1，基于边界的分割算法：区域间灰度的不连续性 2，基于区域的分割算法：区域内灰度的相似性 3，基于阈值的分割算法 4，基于运动的分割算法
7
7.2 基于边缘的分割
5
条件①指出对一幅图像的分割结果中全部区域的总和 (并集)应能包括图像的所有像素(即原图像)；
条件②指出分割结果中各个区域是互不重叠的，或者 说在分割结果中一个像素不能同时属于两个区域；
条件③指出属于同一个区域的像素应该具有某些相同 特性；
条件④指出分割结果中属于不同区域的像素应该具有 一些不同的特性；
Gn* f (x, y) cos G(x, y) * f (x, y) sin G(x, y) * f (x, y)
x
y
G(x, y) * f (x, y)
(7.2.14)
30
可见，Canny
G(x，y)*f(x，y)基础之上，
得到边缘强度和方向，通过阈值判定来检测边缘。
实际计算时，把二维卷积模板分解为两个一维滤波器：
示，各方向间的夹角为45°。 5×5Kirsch算子的方向模板的前4个如图7.2.6所示。 另外一种方向算子称为Nevitia算子，它共有12个5×5
的模板，其中前6个(后6个可由对称性得到)如图7.2.7所示， 各方向间的夹角为30°。注意，它利用了各位置的权值调 整边缘的方向。
15
图7.2.5 3×3Kirsch算子八方向模板
例如四点拟合灰度表面法，用一平面p(x，y)＝ax＋by ＋c来拟合空间四邻像素的灰度值f(x，y)、f(x，y＋1)、f(x ＋1，y)、f(x＋1，y＋1)，若定义均方差为
[ p(x, y) f (x, y)]2
(7.2.22)
36
按均方差最小准则，令
0
a b c
可解出参数a，b，c。可推导出
a 1 {[ f (x 1, y) f (x 1, y 1)][ f (x, y) f (x, y 1)]} 2
1
第7章 图像分割
7.1 图像分割的定义和分类 7.2 基于边缘的分割 7.3 基于区域的分割 7.4 基于阈值的分割 7.5 基于运动的分割( 7.6 习题
2
7.1 图像分割的定义和分类
1，图象工程的基本内容: （1）图像处理的重要任务就是对图像中的对象进行分析
和理解。 （2）图像分析主要是对图像中感兴趣的目标进行检测和
的起伏走向。 LoG算子可表示为：
2 4 4 4 2 4 0 8 0 4 4 8 24* 8 4 4 0 8 0 4 2 4 4 4 2
25 采用LoG算子对图7.2.4(a)进行边缘检测的结果如图 7.2.10所示。
图7.2.10 采用LoG算子得到的边缘二值图像
g(x，y)＝h(x，y)*f(x，y)
21
如果令r是离原点的径向距离，即r2＝x2＋y2，则将 式(7.2.4)代入式(7.2.5)，然后对图像g(x，y)采用拉普拉斯 算子进行边缘检测，可得
2g(x, y) 2[h(x, y) * f (x, y)]
r2 4
2
e
r2
2 2
*
f
(x,
y)
2h(x, y) * f (x, y)
g
(
x,
y
)
grad(x,
y)＝
f f
x y
＝
f
x (x,
y)
y
梯度的大小代表边缘的强度，梯度方向与边缘走向垂直。
g(x, y) grad(x, y)＝
f
x2＋f
2＝
y
f
(x, x
y)
2＋
f
(x, y
y)
2
11 为检测边缘点，选取适当的阈值T，对梯度图像进行 二值化，则有
1 grad(x, y) T g(x, y) 0 其他
在二维空间，Canny算子的方向性质使得它的边缘检测和 定位优于2h，具有更好的边缘强度估计，能产生梯度方 向和强度两个信息，方便了后续处理。
27
对阶跃边缘，Canny推导出的最优二维算子形状与
Gaussian函数的一阶导数相近。取Gaussian函数为
G(x,
y)
1
2π
2
e
x2 2
y
2
2
(7.2.7)