第8章图像分割
遥感数字图像处理第8章 图像分割

腐蚀运算
目的:消除目标的边界点,用于消除无意义的小目标
(毛刺,小突起)
方法:
1.原点在集合B(结构元素)中
2.原点不在集合B(结构元素)中
腐蚀运算(erosion)
腐蚀运算(erosion)
A B x | ( B )x A .
对结构元素B作平移x,B全包含在A中时,
原点的集合就是计算结果
(1)直方图方法:直方图的谷底位置
最佳阈值的选择
(2)自适应阈值方法
A.将目标分割成大小固定的块
B.确定每一个块的目标峰值和背景峰值
C.第一次处理:对每一个块进行分割(边界阈值采用目标和背 景峰值的中点) D.计算每一个块的目标灰度和背景灰度平均值 E.第二次处理:对每个块再次分割(边界阈值采用目标和背景灰 度平均值的中值)
四连通 八连通
工作流程
1.确定待分割对象
2.选择敏感波段
3.选择分割方法
4.对分割的结果进行矢量化
分割原理和方法
边界(边缘)方法: 阈值分割技术,微分算子
边缘检测
假设:图像分割结果中的子区域在原来图像中有边缘存在,或
不同子区域间有边界的存在(像素值灰度不连续性)
区域方法:区域增长技术,聚类分割技术
图像分割的目的
图像分割的目标:根据图像中的物体将图像的像素分
类,并提取感兴趣目标
图像分割是图像识别和图像理解的基本前提步骤
图像
图像预处理
图像识别
图像理解
图像分割
图像分割的目的
图像分割是把图像分解成构成的部件和对象的过程
把焦点放在增强感兴趣对象:汽车牌照(前景)
排除不相干图像成分:其它区域(背景)
最佳阈值的选择
第八章-图像分割

边缘是图像的最基本特征。所谓边缘是指其周 围像素灰度有阶跃变化或屋顶变化的那些像素 的集合。
边缘广泛存在于物体与背景之间、物体与物体 之间、基元与基元之间。因此,它是图像分割 所依赖的重要特征。
(三) 边缘检测(Edge detection)
1、图像(物体)的边缘
边缘的基本类型:
概述
B842 MPB
车牌识别 要辨认车牌中的文字,需先将这些文字分选出来, 跟字库进行比对。然后与数据库车辆信息进行对比,确 定车主信息。
捕获的汽车图像
彩色图像灰度化
对分割输出进 行字符识别
定位、分割后输出 灰度增强改变对比度
概述
图像识别及应用
概述
概述
图像分析系统的构成
分割
预处理
问题
图像获取
W5(225)
1 1 1 0 0 0 1 1 1
W6(270)
1 1 0 1 0 1 0 1 1
W7(360)
(三) 边缘检测(Edge detection)
(4) 方向梯度算子——平均差分8方向梯度模板
G( x, y) max Gi x, y Gi x, y f x, y Wi
1 0 1 2 0 2 1 0 1
W0(0)
W5
W7
W6
0 1 2 1 0 1 2 1 0
W1(45)
1 2 1 0 0 0 1 2 1
(二) 线检测
• 通过比较典型模板的计算值,确定一个点是否在某个方 向的线上
-1
2
-1
2
-1
2
[课件]数字图像处理 第八讲 图像分割PPT
![[课件]数字图像处理 第八讲 图像分割PPT](https://img.taocdn.com/s3/m/6a1cf84b7e21af45b307a87a.png)
图像分割
拉普拉斯(Laplacian)算子是不依赖于边缘方向的 二阶微分算子。它是一个标量而不是向量,具有旋 转不变即各向同性的性质,在图像处理中经常被用 来提取图像的边缘。其表示式为
f x ,y f x ,y f x ,y 2 2 x y
2 2 2
f(x-1,y-1) f(x-1,y)
f(x,y-1) f(x,y-1) f(x,y) f(x,y) f(x,y+1)
f(x+1,y-1) f(x+1,y) f(x+1,y+1)
图像分割
选取适当的门限TH,作如下判断:G[f(x,y)]>TH, (x,y)为阶跃状边缘点。
二、Sobel梯度算子(3×3个像素) 先做加权平均,再作微分,即
2
图像增强
f(x-1,y)
f(x,y-1)
f(x,y)
f(x,y+1)
f(x+1,y)
图像分割
当拉普拉斯算子输出出现过零点时就表明有边 缘存在。该算子有两个缺点:其一就是边缘方向信 息的丢失,其二它是二阶差分,双倍加强了图像中 噪声的影响。
改进的LOG算法:
在进行拉普拉斯运算前先进行平滑去噪,然后 再提取边缘。平滑去噪采用高斯滤波器,然后与拉 普拉斯边缘检测合并在一起,形成LOG(Laplacian Of Gaussian)。
图像分割
对于数字图像,可用一阶差分替代一阶微分:
f f x,yf x x ,y 1 ,y x f x f f x,yf x,y x ,y 1 y f y
此时梯度的幅度可表示为:
G f x , y f x , y f x , y x y
数字图像处理与分析图像分割(课堂PPT)

13
梯度算子
一幅数字图像的一阶导数是基于各种二维梯度的近似值。图像f(x,y)在位
置(x,y)的梯度定义为下列向量:
f
F
G x
G
y
x
f
y
(10.1.3)
向量的大小:
图10.7中第一列的图 像分割显示了分割左 右黑白区域的4个斜 坡边缘的特写图。分 别被均值为0且 σ=0.0,0.1,1.0,10.0 的随机高斯噪声污染。 第二列是一阶导数图 像和灰度级剖面线。 第三列为二阶导数图 像和灰度级剖面线。
图10.7
12
这个例子很好的说明了导数对于噪声的敏感性。 那么为了对于有意义的边缘点进行分类,必须使得与 这个点相联系的灰度级变换比在这一点的背景上的变 换更为有效才行。即所作的变换应该更有利于区分边 缘点。比如,如果噪声严重的话,就要慎用导数变换。
的特征,那么特征值的分界点就是一个门限。
3
8.1 间断检测
间断检测技术包括点检测,线检测和边界检测三种。寻找间断最 一般的方法是模板检测。计算模板所包围区域的灰度级与模板系 数的乘积之和。
图像中任意点的模板响应公式(3×3模板):
Rw1z1w2z2 w9z9
9
wizi i1 图10.1 3*3模板
可以看到,
(a)
(1)图中水平和垂直的部
分都被去掉了,并且在(b)
中所有原图中接近-450的部
分产生了最强响应。
(2)加了门限之后,在(c) 中有孤立点,可以使用点检 测模板检测,然后删除,或 者使用下一章的形态学腐蚀 法删除。
(完整版)数字图像处理每章课后题参考答案

数字图像处理每章课后题参考答案第一章和第二章作业:1.简述数字图像处理的研究内容。
2.什么是图像工程?根据抽象程度和研究方法等的不同,图像工程可分为哪几个层次?每个层次包含哪些研究内容?3.列举并简述常用表色系。
1.简述数字图像处理的研究内容?答:数字图像处理的主要研究内容,根据其主要的处理流程与处理目标大致可以分为图像信息的描述、图像信息的处理、图像信息的分析、图像信息的编码以及图像信息的显示等几个方面,将这几个方面展开,具体有以下的研究方向:1.图像数字化,2.图像增强,3.图像几何变换,4.图像恢复,5.图像重建,6.图像隐藏,7.图像变换,8.图像编码,9.图像识别与理解。
2.什么是图像工程?根据抽象程度和研究方法等的不同,图像工程可分为哪几个层次?每个层次包含哪些研究内容?答:图像工程是一门系统地研究各种图像理论、技术和应用的新的交叉科学。
根据抽象程度、研究方法、操作对象和数据量等的不同,图像工程可分为三个层次:图像处理、图像分析、图像理解。
图像处理着重强调在图像之间进行的变换。
比较狭义的图像处理主要满足对图像进行各种加工以改善图像的视觉效果。
图像处理主要在图像的像素级上进行处理,处理的数据量非常大。
图像分析则主要是对图像中感兴趣的目标进行检测和测量,以获得它们的客观信息从而建立对图像的描述。
图像分析处于中层,分割和特征提取把原来以像素描述的图像转变成比较简洁的非图形式描述。
图像理解的重点是进一步研究图像中各目标的性质和它们之间的相互联系,并得出对图像内容含义的理解以及对原来客观场景的解释,从而指导和规划行为。
图像理解主要描述高层的操作,基本上根据较抽象地描述进行解析、判断、决策,其处理过程与方法与人类的思维推理有许多相似之处。
第三章图像基本概念1.图像量化时,如果量化级比较小时会出现什么现象?为什么?答:当实际场景中存在如天空、白色墙面、人脸等灰度变化比较平缓的区域时,采用比较低的量化级数,则这类图像会在画面上产生伪轮廓(即原始场景中不存在的轮廓)。
第8章 图象分割(08) 数字图像处理课件

第8章 图像分割
Log算子边缘检测
第8章 图像分割
8.2.3 算法的特点 • Roberts算子采用对角线方向相邻像素之差近似 检测边缘,定位精度高,在水平和垂直方向效果较 好,但对噪声敏感。 • Sobel算子利用像素的上、下、左、右邻域的灰 度加权算法进行边缘检测。该方法提供较为精确的 边缘方向信息,而且对噪声具有平滑作用,能产生 较好的检测效果。但是增加了计算量,而且也会检 测伪边缘。
所以分割算法可据此分为2大类: 利用区域间灰度不连续性的基于边界的算法; 利用区域内灰度相似性的基于区域的算法。
第8章 图像分割
图像分割方法的分类: 现今,对一些经典方法和新出现的方法进行总
结,可将图像分割方法分为四类: 边缘检测方法 阈值分割方法 区域提取方法 结合特定理论工具的分割方法。
第8章 图像分割
(1)基于边缘的分割方法: 图像最基本的特征是边缘,它是图像局部特性不
连续(或突变)的结果。例如,灰度值的突变、颜色的 突变、纹理的突变等。
边缘检测方法是利用图像一阶导数的极值或二 阶导数的过零点信息来提供判断边缘点的基本依据, 经典的边缘检测方法是构造对图像灰度阶跃变化敏感 的差分算子来进行图像分割,如Robert算子、Sobel算 子、Prewitt算子、Laplacian算子等。
另外,还没有制定出选择适用分割算法的标准。
第8章 图像分割
8.2 边 缘 检 测 的 分 割 方 法
8.2.1 原理及算法
目的:检测出局部特性的不连续性,再将它们连成 边界,这些边界把图像分成不同的区域。
图像边缘对图像识别和计算机分析十分有用,边缘 能勾画出目标物体,使观察者一目了然;边缘蕴含了 丰富的内在信息(如方向、阶跃性质、形状等),是 图像识别中重要的图像特征之一。
图像分割

第8章 知识要点图像分割是图像检索、识别和图像理解的基本前提步骤。
本章主要介绍图像分割的基本原理和主要方法。
图像分割算法一般是基于灰度值的两个基本特性之一:不连续性和相似性。
基于灰度值的不连续性的应用是根据灰度的不连续变化来分割图像,比如基于边缘提取的分割法,先提取区域边界,再确定边界限定的区域。
基于灰度值的相似性的主要应用是根据事先制定的相似性准则将图像分割为相似的区域,比如阈值分割和区域生长。
8.1 本章知识结构8.2 知识要点1. 图像分割在对图像的研究和应用中,人们往往仅对图像中的某些部分感兴趣。
这些部分常称为目标或前景(其它部分称为背景),它们一般对应图像中特定的、具有独特性质的区域。
为了检索、辨识和分析目标,需要将它们分离提取出来,在此基础上才有可能对目标进一步利用。
图像分割就是指把图像分成各具特性的区域并提取出感兴趣目标的技术和过程。
图像分割是由图像处理过渡到图像分析的关键步骤。
一方面,它是目标表达的基础,对特征测量有重要的影响;另一方面,因为图像分割及其基于分割的目标表达、特征提取和参数测量等,能将原始图像转化为更抽象更紧凑的形式,所以使得更高层的图像分析和理解成为可能。
图像分割的应用非常广泛,几乎出现在有关图像处理的所有领域中,并涉及各种类型的图像。
图像分割在基于内容的图像检索和压缩、工业自动化、在线产品检验、遥感图像、医学图像、保安监视、军事、体育、农业工程等方面都有广泛的应用。
例如:在基于内容的图像检索和面向对象的图像压缩中,将图像分割成不同的对象区域等;在遥感图像中,合成孔径雷达图像中目标的分割,遥感云图中不同云系和背景分布的分割等;在医学应用中,脑部图像分割成灰质、白质、脑脊髓等脑组织和其它脑组织区域等;在交通图像分析中,把车辆目标从背景中分割出来等。
在各种图像应用中,只要需要对图像目标进行提取、测量等,就都离不开图像分割。
图像分割的准确性将直接影响后续任务的有效性,因此图像分割具有十分重要的意义。
图像模式识别 5-8章-PPT

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

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
图像分割技术完整PPT

12
其灰度均值 阈值运算得二值图像——g(x,y)
(3) 计算新的阈值Ti+1 内部像素灰度分布高度相关。
Ti
ini
L 1
ini
适用于背景和
, 的分析来确定它的值。
i0
i Ti
当处在不同的汇水盆地中的水将要汇合在1一起时T,i 修建大坝阻止水2汇合。L1
13
自动阈值
迭代法
基本思想:开始时选择一个阈值作为初始估计值,然后
按某种策略不断地改进这一估计值,直到满足给定的准则 为止。在迭代过程中,关键之处在于选择什么样的阈值改 进策略,好的阈值的改进策略应该具备两个特征,一是能 够快速收敛,二是在每一个迭代过程中,新产生阈值优于 上一次的阈值。
14
自动阈值
分割出来的各区域对某种性质例如灰度,纹理而
言具有相似性,区域内部是连通的且没有过多小 孔;
区域边界是明确的; 相邻区域对分割所依据的性质有明显的差异。
3
图像分割 特征
图像分割算法一般是基于亮度值的两个基本特性之一: 不连 续性和相似性.
第1类性质的应用途径是基于亮度的不连续变化分割图像,比如 图像的边缘.
第2类的主要应用途径是依据事先制定的准则将图像分割为相 似的区域.门限(阈值)处理、区域生长、区域分离和聚合都是 这类方法的实例。
4
7.3 门限处理(阈值分割)
特点: 直观性 易于实现 封闭而连通的边界(不交叠区域)
5
基本原理
以一定的图像模型为依托。最常用的图像模型是 假设图由具有单峰灰度分布的目标和背景组成。
的分析来确定它的值。
数字图像处理-图像分割-讲义PPT

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)。
图像分割的定义
令集合R代表整个图像区域,对R的分割可看 作将R分成N个满足以下五个条件的非空子 集(子区域) R1,R2,…,RN :
5. 连通性:对i =1,2,…,N, Ri是连通的区域 ➢ 条件5要求分割结果中同一个区域内的任意两
由边缘形成线特征的两个过程
➢ 可构成线特征的边缘提取 ➢ 将边缘连接成线
连接边缘的方法
➢ 启发式搜索 ➢ 曲线拟合 ➢ 边界跟踪
区域分割:灰度阈值法
一幅图像中属于同一区域的像素应具有相同 或相似的属性,不同区域的像素属性不同
基本思想:
➢ 确定一个合适的阈值T
➢ 将大于等于阈值的像素作为物体或背景,生成
➢ 边缘检测
➢一阶边缘检测算子:梯度法、罗伯特(Roberts)算子、 Prewitt算子、Sobel算子、方向梯度
➢二阶边缘检测算子:拉普拉斯算子 ➢边缘跟踪
➢ 区域分割:灰度阈值法 ➢ 区域生长
f y f (x 1, y 1) 2 f (x, y 1) f (x 1, y 1) f (x 1, y 1) 2 f (x, y 1) f (x 1, y 1)
模板
-1 -2 -1
-1 0 1
000
-2 0 2
121
-1 0 1
特点:
➢ 对4邻域采用带权方法计算差分 ➢ 能进一步抑止噪声 ➢ 但检测的边缘较宽
➢ 将属性接近的连通像素聚集成区域
图像分割:基于边缘的分割方法
边缘的定义:
➢ 图像中像素灰度有阶跃变化或屋顶变化的那些 像素的集合
边缘的分类
➢ 阶跃状 ➢ 屋顶状
阶跃状
屋顶状
边缘检测算子
基本思想:计算局部微分算子
边界图像
一阶微分
截面图
几种常用的边缘检测算子
梯度算子 Roberts算子 Prewitt算子 Sobel算子 Laplacian算子
➢ 也就是说,图像上的每一个像素都被分到某一 个子集(子区域)中去
图像分割的定义
令集合R代表整个图像区域,对R的分割可看 作将R分成N个满足以下五个条件的非空子 集(子区域) R1,R2,…,RN :
2. 独立性:对所有的i和j,i≠j,有Ri ∩ Rj =φ ➢ 条件2指出分割结果中各个子区域是互不重叠
Roberts算子
Prewitt算子
Sobel算子
Laplacian算子
边缘跟踪
出发点
➢ 由于噪音的原因,边界的特征很少能够被完整 地描述,在亮度不一致的地方会中断
➢ 因此典型的边检测算法后面总要跟随着连接过 程和其它边界检测过程,用来归整边像素,成 为有意义的边
边缘跟踪
边缘跟踪的概念
➢ 将检测的边缘点连接成线就是边缘跟踪
2. 凡灰度级大于T的,颜色置为255;凡灰度级小
于T的,颜色置为0
0 0 255
0 255 255
255 255 255
图像分割:区域生长方法
灰度阈值分割技术都没有考虑到图像像素空间 的连通性。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
1. 对每个需要分割的目标区域找一个种子像素作为 生长的起点;
-1 -1 1
1
梯度算子
6
6
6
1 2
1 2
1 2
1 2
6
6
6
1 2
1 2
1 2
1 2
6
6
6
1 2
1 2
1 2
1 2
6666666
6666666
6666666
6666666
P165 图7.14 -1
-1 1 1
6*(-1)+12*1=6 6*(-1)+6*1=0 向量大小:|6|+|0|=6
12*(-1)+12*1=0 12*(-1)+6*1= -6 向量大小:|0|+|-6|=6
确定生长过程中能将相邻像素包括进来的规 则
➢ 考虑像素间的连通性和近邻性
制定让生长停止的条件或准则
面向区域的分割
区域B
种子像素
区域A
种子像素
内容小结
图像分割的概念:把图像分成互不重叠的 区域并提取感兴趣目标的技术
➢ 完备性 ➢ 独立性 ➢ 单一性 ➢ 互斥性 ➢ 连通性
内容小结
图像分割的方法
模板:
-1 0 1
-1 -1 -1
-1 0 1
000
-1 0 1
111
特点:
➢ 在检测边缘的同时,能抑止噪声的影响
Sobel算子
公式
fx f (x 1, y 1) 2 f (x 1, y) f (x 1, y 1) f (x 1, y 1) 2 f (x 1, y) f (x 1, y 1)
图像分割的基本原则
检测图像像素的灰度值的相似性,通过选 择阈值,找到灰度值相似的区域,区域的 外轮廓就是对象的边
➢ P180页改错
图像分割的方法
基于边缘的分割方法(梯度方法)
➢ 先提取区域边界,再确定边界限定的区域
区域分割(灰度阈值法)
➢ 确定每个像素的归属区域,从而形成一个区域 图
区域生长(区域生长方法)
R1,R2,…,R
2. 独立性:对i所1有的i和j,i≠j,有Ri∩Rj =φ;
3. 单一性:对i = 1,2,…,N,有P(Ri) = TRUE;
4. 互斥性:对i≠j,有P(Ri ∪ Rj ) = FALSE;
5. 连通性:对i =1,2,…,N, Ri是连通的区域。
一个二值图像 If f(x,y) T set 255 Else set 0
0 0 255 0 255 255 255 255 255
灰度阈值法
特点:
➢ 适用于物体与背景有较强对比的情况,重要的 是背景或物体的灰度比较单一。(可通过先求 背景,然后求反得到物体)
➢ 这种方法总可以得到封闭且连通区域的边界
f(x0,y0) T
灰度值
灰度阈值法
全局阈值法(固定的阈值)
➢ 如果背景的灰度值在整个图像中可合理地看为 恒定,且所有目标与背景都具有几乎相同的对 比度,那么只要选择了正确的阈值,使用一个 固定的全局阈值就会有较好的分割效果
自适应阈值法(变化的阈值)
➢ 背景的灰度值并不是常数,目标和背景的对比 度在图像中也有变化。在这种情况下,可把灰 度阈值设置成一个随位置变化而缓慢变化的函 数值
拉普拉斯算子
定义:
➢ 二维函数f(x,y)的拉普拉斯是一个二阶的微分定 义为: 2f = [2f / x2 , 2f / y2]
离散形式:
2 f (x, y) f (x 1, y) f (x 1, y) f (x, y 1) f (x, y 1) 4 f (x, y)
模板:
➢ 可以用多种方式被表示为数字形式。对于一个 3×3的区域,经验上被推荐最多的形式是:
拉普拉斯算子
010 1 -4 1 010
定义数字形式的拉普拉斯的基本要求是, 作用于中心像素的系数是一个负数,而且 其周围像素的系数为正数,系数之和必为0
拉普拉斯算子
优点:
➢ 各向同性 ➢ 对细线和孤立点检测效果较好
缺点:
➢ 对噪音敏感 ➢ 不能检测出边的方向 ➢ 常产生双像素的边缘
原始图像
梯度算子
其中P(Ri)是对所有在集合Ri中元素的逻辑谓词,φ代
表空集
图像分割的定义
令集合R代表整个图像区域,对R的分割可看 作将R分成N个满足以下五个条件的非空子 集(子区域) R1,R2,…,RN :
N
1. 完备性: Ri R i 1
➢ 条件1指出在对一幅图像的分割结果中全部区 域的总和(并集)应能包括图像中所有像素 (即原图像)
较敏感,无法抑止噪声的影响
Roberts算子
公式:
fx f (x 1, y 1) f (x 1, y 1)
f y f (x 1, y 1) f (x 1, y 1)
模板:
-1
1
特点: fx’
1
fy’ -1
➢ 与梯度算子检测边缘的方法类似,对噪声敏感, 但效果较梯度算子略好
Prewitt算子
2. 将种子像素周围邻域中与种子像素性质相同或相 似的像素合并到种子像素所在的区域中;
3. 再将这些像素当作新的种子像素继续进行上述过 程,直到再也没有能满足条件的新像素加入区域 为止
区域生长方法
选择一组能正确代表区域的种子像素
➢ 根据图像的不同应用选择一个或一组种子,它 或者是最亮或最暗的点,或者是位于点簇中心 的点
灰度阈值法
阈值选定的好坏是此方法成败的关键 阈值的选择
➢ 直方图法 ➢ 自适应阈值方法 ➢ 分水岭算法
灰度阈值法
通过直方图得到阈值
➢ 基本思想:边界上的点的灰度值出现次数较少 ➢ 取值的方法:取直方图谷底,为最小值的灰度值为
阈值T
T
➢ 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
一阶微分 二阶微分
梯度算子
函数f(x,y)在(x,y)处的梯度为一个向量: f = [f / x , f / y]
计算这个向量的大小为: G = [(f / x)2 +(f / y)2]1/2 近似为: G |fx| + |fy| 梯度的方向角为:
φ(x,y) = tan-1(fy / fx) 可用下图所示的模板表示
公式
fx f (x 1, y 1) f (x 1, y) f (x 1, y 1) f (x 1, y 1) f (x 1, y) f (x 1, y 1) f y f (x 1, y 1) f (x, y 1) f (x 1, y 1) f (x 1, y 1) f (x, y 1) f (x 1, y 1)