生物医学图像处理图象分割一 ppt课件
合集下载
医学图像处理医学图象分割(生工)6.6 本章课件
10
图像分割方法的分类
人工分割:由经验丰富的临床医生在原始胶片图 像上直接勾画出组织的边界,或者通过图像编辑 器用鼠标在计算机显示器上勾画出组织的边界 或感兴趣区域. 分割精度高,费时费力,分割结果完全取决于操 作者的经验和知识,分割结果难以重现.
图像分割方法的分类
半自动分割:把计算机强大的数据处理算法分析 和智能计算能力以及自动存储和记忆功能与医 学专家的知识和经验有机结合,通过人机交互的 方法完成图像分割. 分割速度比人工分割速度高,分割结果在很大程 度上仍然依赖于操作者的主观经验和知识.
灰度阈值分割
确定阈值是分割的关键，如果能确定一个合适 的阈值就可准确地将图像分成对象物和背景两 个区域。
由于实际得到的图像目标和背景之间不一定单 纯地分布在两个灰度范围内，此时就需要两个 或两个以上的阈值来提取目标。——多阈值分 割。
多阈值分割
灰度阈值分割
(二) 假设
在利用取阈值方法来分割灰度图像时一般对图 像的灰度分布有一定的假设。 假设图像是由具有单峰灰度分布的目标和背景 组成，在目标或背景内部的相邻像素间的灰度 值是高度相关的，但在目标和背景交界处两边 的像素在灰度值上有很大的差别。
灰度阈值分割
如果一幅图像满足这些条件，它的灰度直方图 基本上可以看作是分别对应目标和背景的两个 单峰直方图混合而成。这类图像可用阈值方法 较好的分割。 如果图像中有多个单峰灰度分布的目标，直方 图有可能表现为较明显的多峰，这类图像也可 以采用阈值分割方法。
阈值的选取
阈值分割方法对物体与背景有较强对比的景物 的分割特别有用。阈值选取是一个比较难的问 题。因为在数字化的图像数据中，无用的背景 数据和对象物的数据经常混在一起。此外在图 像中还含有各种噪声。
图像分割方法的分类
人工分割:由经验丰富的临床医生在原始胶片图 像上直接勾画出组织的边界,或者通过图像编辑 器用鼠标在计算机显示器上勾画出组织的边界 或感兴趣区域. 分割精度高,费时费力,分割结果完全取决于操 作者的经验和知识,分割结果难以重现.
图像分割方法的分类
半自动分割:把计算机强大的数据处理算法分析 和智能计算能力以及自动存储和记忆功能与医 学专家的知识和经验有机结合,通过人机交互的 方法完成图像分割. 分割速度比人工分割速度高,分割结果在很大程 度上仍然依赖于操作者的主观经验和知识.
灰度阈值分割
确定阈值是分割的关键，如果能确定一个合适 的阈值就可准确地将图像分成对象物和背景两 个区域。
由于实际得到的图像目标和背景之间不一定单 纯地分布在两个灰度范围内，此时就需要两个 或两个以上的阈值来提取目标。——多阈值分 割。
多阈值分割
灰度阈值分割
(二) 假设
在利用取阈值方法来分割灰度图像时一般对图 像的灰度分布有一定的假设。 假设图像是由具有单峰灰度分布的目标和背景 组成，在目标或背景内部的相邻像素间的灰度 值是高度相关的，但在目标和背景交界处两边 的像素在灰度值上有很大的差别。
灰度阈值分割
如果一幅图像满足这些条件，它的灰度直方图 基本上可以看作是分别对应目标和背景的两个 单峰直方图混合而成。这类图像可用阈值方法 较好的分割。 如果图像中有多个单峰灰度分布的目标，直方 图有可能表现为较明显的多峰，这类图像也可 以采用阈值分割方法。
阈值的选取
阈值分割方法对物体与背景有较强对比的景物 的分割特别有用。阈值选取是一个比较难的问 题。因为在数字化的图像数据中，无用的背景 数据和对象物的数据经常混在一起。此外在图 像中还含有各种噪声。
图像处理-区域分割ppt课件
• 各个区域Zebkde的加权平均值即为图像分割一致性的评价标准。
1 M
Zeb
N
Nk zebk
k 1
• 以区域内方差为原则：
• 区域内一致性判定
归一因子E，wk为权值 以分割图像一致性判断
2
1 Nk
(
iRk
fi
fk )2
(max fi min fi )2
E （ wk） iRk Rk I
• 所有的聚类分割法都对初始值敏感，分割效果不稳定；如果不考虑图像空间上下文间 信息，容易出现分割效果不理想的情况。
7
K-均值聚类
执行步骤：
• 1、选择某种方法将N割样本分成c个聚类的初始划分，计算每个聚类的均值u1、u2、 u3...uc和Je
• 2、选择一个备选样本x,设其在Xj中。
• 3、若Ni=1，则转步骤2，否则继续。
TP 、准确度=TP FP
FP FN
、错误率=
TP FPTN FN
等
15
其他分割方式
基于参数活动轮廓模型的分割
• 传统的Snake模型 • GVF Snake模型
基于几何形变模型的分割
• 几何活动轮廓模型 • 测地活动轮廓模型 • Chan-Vese模型
16
Thank you
• 4、计算。
j
Nj
N
j Ni
1
Ni 1
xuj x ui
2
ji 2 ji
• 5、对于所有的j，如果ρk<ρj，则将x从Xi移到Xk中。
• 6、重新计算uk和ui的值，并修改Je。
• 7、若迭代N次，Je不变，则停止，否则转到步骤2。
生物医学图像处理-图象分割(一)
图象分割图象分割像素分类灰度级门限化像素分类灰度级门限化局部特性值门限化局部特性值门限化边缘检测边缘检测差分算子差分算子彩色检测纹理检测彩色检测纹理检测序贯分割序贯分割区域生长区域生长图象分割图象分割把图象空间按照一定的要求分成一些有意义的区域的技术叫图象分割图象分割
图象分割
要点：
▪ 像素分类，灰度级门限化 ▪ 局部特性值门限化 ▪ 边缘检测 ▪ 差分算子 ▪ 彩色检测、纹理检测 ▪ 序贯分割 ▪ 区域生长
Lead
适形放疗： MLC: multi-leaf collimator
Lead
边缘检测
阶跃边缘
实例
边缘检测
脉冲状边缘：线条、曲线、点 。
实例
边缘检测
阶跃脉冲状边缘：田里长有各种作物的 田间小道。
实例
差分算子
（一）梯度：
f
G[
f
(x,
y)]
f
x
y
x f (x, y) f (x, y) f (x 1, y) y f (x, y) f (x, y) f (x, y 1)
4 f (x 1, y) f (x 2, y) f (x 1, y 1) f (x 2, y 1)]
差分算子
掩模
1 1
4x
f
( x,
y)
1 4
1
1
1
1
1 1
1 1 1 1 1 4y f (x, y) 4 1 1 1 1
实例
差分算子
例
0 0 0111 0 0 0111
鼠标指向图像，按右键，选“播放”
F L A S H
线段检测的重要性
模板匹配
（2）线模板
1 1 1
2
图象分割
要点：
▪ 像素分类，灰度级门限化 ▪ 局部特性值门限化 ▪ 边缘检测 ▪ 差分算子 ▪ 彩色检测、纹理检测 ▪ 序贯分割 ▪ 区域生长
Lead
适形放疗： MLC: multi-leaf collimator
Lead
边缘检测
阶跃边缘
实例
边缘检测
脉冲状边缘：线条、曲线、点 。
实例
边缘检测
阶跃脉冲状边缘：田里长有各种作物的 田间小道。
实例
差分算子
（一）梯度：
f
G[
f
(x,
y)]
f
x
y
x f (x, y) f (x, y) f (x 1, y) y f (x, y) f (x, y) f (x, y 1)
4 f (x 1, y) f (x 2, y) f (x 1, y 1) f (x 2, y 1)]
差分算子
掩模
1 1
4x
f
( x,
y)
1 4
1
1
1
1
1 1
1 1 1 1 1 4y f (x, y) 4 1 1 1 1
实例
差分算子
例
0 0 0111 0 0 0111
鼠标指向图像，按右键，选“播放”
F L A S H
线段检测的重要性
模板匹配
（2）线模板
1 1 1
2
第4章医学图像分割(4.4-4.5)_PPT课件
计算该邻域的灰度平均值和标准差σ。 第3步：符合上述公式的象素值可判为增长点，否则判 为不可增长点。 第4步：如果该邻域中再没有新的增长点产生，或满足 某种停止条件，增长过程结束。 第5步：令n=n+1,将种子点邻域扩大，转向第2步。
区域增长 (二值图像) 举例
1. 选择一个中心像素p。
2.第1次迭代： P的3x3邻 域满足相似性准则， 标记可增长。
令Q代表T[n]中连通分量的集合，则对于每个连通分量qQ[n]，有下列3 种可能：
(1) q∩C[n-1]为空，------将q并入C[n-1]构成C[n]，加入一个新储水池。
(2) q∩C[n-1]包含C[n-1]的一个连通分量，------将q合并入C[n-1]构成C[n]， 扩大已有的储水池。
灰度图映射为地形高度图
分水岭算法是利用图象形态学的、基于区域的分割技术。 把图象中明亮的象素看作处于水中的山头，黑暗的象素看作谷底。如果在山 谷侧部的不同高度处凿通一些管道，并假设水平面在整个图像范围均匀上升.。 所有地形部分隐性连通。于是，水就会从低于水平面的山谷周围的管道涌入， 在谷低形成水池。继续不断升高水位，各个山谷储水池面积越来越大。 当两个山谷储水池连在一起时，需在二者之间修筑一个堤坝。保证原有的山 谷储水池不会合并。最后形成以堤坝分离的单像素区域，实现图像的多部分 的边界。
区域增长(灰度图像)算法：
将象素灰度值与邻域平均灰度值做比较，如果差值小于或等于二倍的标准 差，将该象素包含在区域内，否则为边缘点。
p(i,j)2*
(p(i,j))2
其中： i,j
N1
N(2n1 )2 (n1 )
具体过程： 第1步：选择一个象素点作为种子点，n=1。 第2步：检查该种子点的 (2n+1)x (2n+1) 邻域。
区域增长 (二值图像) 举例
1. 选择一个中心像素p。
2.第1次迭代： P的3x3邻 域满足相似性准则， 标记可增长。
令Q代表T[n]中连通分量的集合，则对于每个连通分量qQ[n]，有下列3 种可能：
(1) q∩C[n-1]为空，------将q并入C[n-1]构成C[n]，加入一个新储水池。
(2) q∩C[n-1]包含C[n-1]的一个连通分量，------将q合并入C[n-1]构成C[n]， 扩大已有的储水池。
灰度图映射为地形高度图
分水岭算法是利用图象形态学的、基于区域的分割技术。 把图象中明亮的象素看作处于水中的山头，黑暗的象素看作谷底。如果在山 谷侧部的不同高度处凿通一些管道，并假设水平面在整个图像范围均匀上升.。 所有地形部分隐性连通。于是，水就会从低于水平面的山谷周围的管道涌入， 在谷低形成水池。继续不断升高水位，各个山谷储水池面积越来越大。 当两个山谷储水池连在一起时，需在二者之间修筑一个堤坝。保证原有的山 谷储水池不会合并。最后形成以堤坝分离的单像素区域，实现图像的多部分 的边界。
区域增长(灰度图像)算法：
将象素灰度值与邻域平均灰度值做比较，如果差值小于或等于二倍的标准 差，将该象素包含在区域内，否则为边缘点。
p(i,j)2*
(p(i,j))2
其中： i,j
N1
N(2n1 )2 (n1 )
具体过程： 第1步：选择一个象素点作为种子点，n=1。 第2步：检查该种子点的 (2n+1)x (2n+1) 邻域。
医学图像分割介绍说明课件
详细描述
图像质量与噪声问题
VS
人体解剖结构复杂且动态变化，对医学图像分割提出了更高的要求。
详细描述
人体不同器官和组织具有不同的形态和结构，且在疾病状态下会发生形态和密度的变化。此外，人体内部各部位之间也存在相互遮挡和干扰的情况，这使得准确识别和分割医学图像变得更为困难。
总结词
复杂的解剖结构与动态变化
早期的医学图像分割主要依靠手工绘制，费时费力且精度不高。
早期阶段
随着计算机技术的发展，开始出现基于阈值、区域生长等简单的自动分割方法。
初级阶段
随着机器学习和深度学习技术的兴起，医学图像分割精度得到大幅提升，成为当前研究的热点领域。
发展阶段
未来医学图像分割技术将朝着更高精度、更自动化、更智能化的方向发展，为医疗健康事业提供更多可能性。
未来展望
医学图像分割的历史与发展
02
CHAPTER
医学图像分割技术
总结词
简单、快速、对图像质量要求高
详细描述
基于阈值的分割方法是最简单的图像分割方法之一，通过设定一个阈值将图像分为前景和背景两部分。该方法计算速度快，但对图像质量要求较高，对于灰度不均匀、噪声较多的医学图像分割效果较差。
基于阈值的分割方法
数据标注与训练样本不足
05
CHAPTER
医学图像分割的未来展望
跨模态医学图像分割是指将不同模态的医学图像进行分割，以提供更全面的医学信息。
随着医学影像技术的不断发展，不同模态的医学图像（如X光、CT、MRI等）被广泛应用于临床诊断和治疗。跨模态医学图像分割技术可以将这些不同模态的图像进行融合，对病变组织和器官进行更精确的分割，为医生提供更全面的医学信息，提高诊断和治疗的准确性和可靠性。
图像质量与噪声问题
VS
人体解剖结构复杂且动态变化，对医学图像分割提出了更高的要求。
详细描述
人体不同器官和组织具有不同的形态和结构，且在疾病状态下会发生形态和密度的变化。此外，人体内部各部位之间也存在相互遮挡和干扰的情况，这使得准确识别和分割医学图像变得更为困难。
总结词
复杂的解剖结构与动态变化
早期的医学图像分割主要依靠手工绘制，费时费力且精度不高。
早期阶段
随着计算机技术的发展，开始出现基于阈值、区域生长等简单的自动分割方法。
初级阶段
随着机器学习和深度学习技术的兴起，医学图像分割精度得到大幅提升，成为当前研究的热点领域。
发展阶段
未来医学图像分割技术将朝着更高精度、更自动化、更智能化的方向发展，为医疗健康事业提供更多可能性。
未来展望
医学图像分割的历史与发展
02
CHAPTER
医学图像分割技术
总结词
简单、快速、对图像质量要求高
详细描述
基于阈值的分割方法是最简单的图像分割方法之一，通过设定一个阈值将图像分为前景和背景两部分。该方法计算速度快，但对图像质量要求较高，对于灰度不均匀、噪声较多的医学图像分割效果较差。
基于阈值的分割方法
数据标注与训练样本不足
05
CHAPTER
医学图像分割的未来展望
跨模态医学图像分割是指将不同模态的医学图像进行分割，以提供更全面的医学信息。
随着医学影像技术的不断发展，不同模态的医学图像（如X光、CT、MRI等）被广泛应用于临床诊断和治疗。跨模态医学图像分割技术可以将这些不同模态的图像进行融合，对病变组织和器官进行更精确的分割，为医生提供更全面的医学信息，提高诊断和治疗的准确性和可靠性。
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。
医学图像分割ppt课件
f b { fx b(x) : x D[b]}
对结构元素定义域D[b]中每 个点x将图像f平移x，再对每次 平移后的图像值加上b(x),对所有 和求最大值。
* 0 2 2 2 1
* 1 2 6 2 1
* 0 6 7 2 1 f * 1 1 6 1 *
* 1 0 2 2 1
13
4.6.3 形态运算举例
（1）噪声滤除
下面图像A是一幅受到噪声严重干扰的图像。内部有零散的蚀洞，外部还有一些 孤岛状的干扰。
用结构元素B对其进行如下的一组形态运 算：
{[(AB) B] B}B (A B) B
它的整个运算等价于先开后闭。具体的过程是，结构元素B对图像A先腐蚀。物 体周围整个小了一圈，孤岛小于结构元素，因而被消除。但是图像A内部的蚀洞 却被扩大了。紧接着再用同一个结构元素对上述结果进行膨胀，缩小的边缘得 到些恢复，蚀洞恢复近于原状。与初始的图像相比，图像A的四角变得圆滑。再 对结果图像膨胀，内部的蚀洞消失。最后再进行一次腐蚀，得到噪声全部去除 但有些圆角的图像，实现噪声滤除的效果。
* * 4 10 11 6 f1,0 4 * * 5 5 10 5
* * 5 4 6 6
* * * * * *
MAX
* 3 5 6 9 6
* 4 6 9 10 6
* 3 9 10 11 6 D( f ,b) * 4 5 9 10 5
* 4 5 5 6 6
20
灰度腐蚀作用是， 如果结构元素的值都是正的，则输出图像 比输入图像暗。如果图像中亮细节比结构元素小，可能被减弱或 消除。
21
原图
平坦结构元素膨胀
平坦结构元素腐蚀
灰度形态运算示例
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-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。
- 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)。
分类故事——与众不同
点 击 图 片 播 放 视 频
P449 Fig. 18-2
象素分类
图象分割是按照某些特性(如灰度级,频 谱,纹理等)将图象划分成一些区域，在这 些区域内其特性是相同的或者说是均匀 的，两个相邻区域彼此特性则是不同的， 其间存在着边缘或边界。
图象分割从本质上来说是将图象中的 象素按照特性的不同进行分类的过程。
一门限不行。 解决方法： (1)灰度级校正。 (2)图象分成小块,选择局部门限。
中心区域由黑白相间的噪声,背景则均匀, 中心区域与背景的灰度级平均值一样。
使用空间特性进行象素分类
局部特性值门限化 例:中心区域由黑白相间的噪声,背景相
均匀,中心区域与背景的灰度级平均值一 样。
不能用局部平均进行平滑而后经门限 化实现分割。应
象素分类
1) 用灰度级门限化方法来分割一幅图象 时，若想从亮的背景中分离出暗的物 体,利用一门限值T将象素分为“亮” 的和“暗”的两类。
2) 在边缘检测中，利用对一些差分算子 的响应值进行门限化，将象素分为 “边缘”上的点和“非边缘”上的点 两类。
灰度级门限化
(一)一般概念 许多情况，图象是由具有不同灰度级
图象分割
（3）要识别和标定细胞的显微照片中的 染色体，需要用图象分割技术。
一幅图象通常是由代表物体的图案与 背景组成，简称物体与背景。若想从一 幅图象中“提取”物体，可以设法用专 门的方法标出属于该物体的点，如把物 体上的点标为“1”，而把背景点标为“0”， 通过分割以后，可得一幅二值图象。
分类故事——一枝独秀 交大学生作品
选双门限
g(x,y) 01
f(x,y)T1 f(x,y)T2
对 T2<f(x,y)<T1，可利用空间信息来确 定g(x,y)。可用这个点的邻域内已作出结
论的点的多数来确定该点的归属，或根
灰度级门限化
据这点与邻点间的灰度级距离大小来确 定该点的归属。 (三)多个门限的使用
假设一幅图象包含两个以上的不同类 型的区域，我们可以使用几个门限来分 割图象。
（1）每一点上计算局部特性值——梯 度值。（2）然后通过局部平均进行平滑 （3）进行门限化分类。
局部特性值门限化
用这种方法分割具有纹理结构特性的 区域是很有效的。
多个局部特性值： 灰度级 局部平均灰度级 梯度值 局部平均梯度值 局部方差值
边缘检测
边缘可定义为在局部区域内图象的差 别，他表现为图象上的不连续性。(灰度 级的突变，纹理结构的突变，颜色的变 化)
如白血球图象，直方图上有细胞核、 细胞质、背景三个峰，可使用2个门限来 分割图象。
灰度级门限化
稀疏点背景，稠密点区域
灰度级门限化
(四)平滑和门限化 在门限化以前先对图象进行平滑处理，
这样就可减少灰度级密度分布重叠的麻 烦。通过局部平均使直方图上的峰值锐 化，谷值变明显。
极端例子： 稀疏点背景、稠密点区域的分割。
图象分割
要点：
▪ 像素分类，灰度级门限化
▪ 差分算子 ▪ 彩色检测、纹理检测 ▪ 序贯分割 ▪ 区域生长
图象分割
把图象空间按照一定的要求分成一些 “有意义”的区域的技术叫图象分割。
例如： （1）要确定航空照片中的森林、耕地、 城市区域等，首先需要将这些部分在图 象上分割出来。 （2）要辨认文件中的个别文字，也需先 将这些文字分选出来。
的两类区域组成。如文字与纸张、地物 与云层（航空照片）。
其特点:直方图具有两个峰，分别与两 个灰度级范围相对应 。
故可选择一个门限，将两个峰分开。
灰度级门限化
令f (x, y)原始图象
g(x, y)
f (x, y)T f (x, y)T
门限T的选择，一般取两个峰值间的谷 值。
实例
P453 Fig.18-4
灰度级突变： 阶跃边缘 脉冲状边缘 阶跃脉冲状边缘
实例
人可以仅满足于边缘提供的信息
边缘
F L A S H
边缘与区域
点 击 图 片 播 放 视 频
跳动的心是怎样生成的？
放射科放疗 适形放疗：铅模作准直器 先确定病灶边界
适形放疗： 先确定病灶边界
Tumor
适形放疗： 制铅模，作准直器
差分算子
（1）
xf(x,y)2 yf(x,y)2
（2）
xf(x,y)yf(x,y)
（3）
m x a f(x ,x y ), yf(x ,y )
差分算子
（二）拉普拉斯算子 ：
2f(x,y) [f(x 1 ,y)f(x 1 ,y) f(x,y 1 )f(x,y 1 ) ]4f(x,y)
实例
灰度级门限化
第一条从灰度级101到灰度级200； 第二条从灰度级51到灰度级150
灰度级门限化
门限76，从图开始到第二条灰度 渐变带灰度级变为76为止
灰度级门限化
门限175，用白线将图中灰度大于 175的区域包围起来
灰度级门限化
第一条灰度为101； 第二条灰度为51
灰度级门限化
(五)可变门限 不均匀照射,物体背景对比明显,但使用
1 g(x,y) 0
T1f(x,y)T2 else
灰度级门限化
(二)门限选择
（1）两峰间谷底值；
（2）计算T ：
p1(x)，p2(x)为两峰出现概率密度函数，且
成正态分布，1，2为均值，1， 2为 标准差，当1 = 2 = 时
T12
2
2 12
lnP2 P1
灰度级门限化
P1，P2——背景和物体出现的先验概率。 （3）物体和背景的灰度级出现部分重叠。
Lead
适形放疗： MLC: multi-leaf collimator
Lead
边缘检测
阶跃边缘
实例
边缘检测
脉冲状边缘：线条、曲线、点 。
实例
边缘检测
阶跃脉冲状边缘：田里长有各种作物的 田间小道。
实例
差分算子
（一）梯度：
f
G[ f
(x,
y)]
f
x
y
xf(x,y)f(x,y)f(x1,y) yf(x,y)f(x,y)f(x,y1)
灰度级门限化
半门限：
g(x,y) fL (x G ,y)
f(x,y)T f(x,y)T
或者：
f(x,y) f(x,y)T
g(x,y)
LB
f(x,y)T
灰度级门限化
门限化处理边界提取，中间灰度级 （或灰度级突变处）则是在物体和背景 之间的边界 上出现的。
把中间灰度级变换为1，其他灰度级变 换为0：
掩模 ：
0 1 0
1
4
1
0 1 0