第7章 图像分割 资料讲解
合集下载
第七章 图像分割_PPT课件
•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
• 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
• 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。
• 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
– 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
• 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
• 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。
• 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
《图像分割技术》课件
Canny边缘检测
由John Canny在1986年提出，通 过求解梯度幅值的局部最大值来 检测图像中的边缘。
Laplacian边缘检测
通过计算图像的二阶导数来检测 边缘。
基于图像信息的分割
1 区域生长法
从像素点开始逐渐生长， 形成相似的区域。
2 分水岭算法
通过将图像看作地理地形 图，使用水的流动路线来 进行分割。
图像分割技术
本课程介绍图像分割技术的定义、分类、应用和发展历程。我们将介绍传统 方法和深度学习应用，并展望未来的研究方向。
概述
定义与意义
图像分割是将图像分成多个部分或对象的过程。 广泛应用于计算机视觉、医学图像处理、自动 驾驶和图像语义分析等领域。
分类与应用领域
根据分割结果的类型和得到的方式，可以将图 像分割分为像素分割、基于边缘的分割、基于 图像信息的分割和基于深度学习的分割等。 分 割技术在医学图像处理、自动驾驶、图像语义 分析等领域得到了广泛的应用。
使用在深度学习领域中最新技术， 为不同的图像分配像素级别的标 签，从而识别和分类。
研究前沿
1
图像分割中的深度学习新方法研究
使用新的深度学习技术，如GAN和Transformer网络，来进一步提高图像分割的 准确性和鲁棒性。
2
图像分割中的多模态融合研究
将多种分割方法结合起来，例如结合像素级别的分割和语义级别的分割。
3
U-Net网络的应用
使用更加深入的卷积网络 U-Net，在较少的数据集上进行训练，得到高质量的分 割结果。
实例应用
医学图像处理中的应用
自动驾驶中的应用
图像语义分割中的应用
采用分割算法对脑部 MRI 扫描图 像中肿瘤进行分割、测量和定位， 为医生的诊断提供支持。
07-图像分割
-1 -1
2
-1 -1
-1
2 -1
-1
-1 2
水平模板
45度模板
垂直模板
135度模板
43
例： 图像
1
1
1
1
1
1
1
1
1
5
1
5
1
5
1
5
1
5
1
5
1
5
1
5
1
5
1
用4种模板分别计算 R水平 = -6 + 30 = 24
R45度 = -14 + 14 = 0
R垂直 = -14 + 14 = 0 R135度 = -14 + 14 = 0
相同；
当R的值足够大时，说明该点的值与周围的点非常不
同，是孤立点。通过阈值T来判断： |R| > T 检测到一个孤立点。
42
2. 线的检测
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
-1
2 -1
-1
2 -1
-1
-1 2
-1
2 -1
2
-1 -1
-1
-1 -1
2
2 2-1128 8 源自 8-1-18
-1
-1
-1
R = (-1 * 8 * 8 + 128 * 8) / 9
= (120 * 8) / 9 = 960 / 9 = 106 设 ：阈值：T = 64 R>T
41
算法描述：
设定阈值 T，如T = 32、64、128等,并计算高通滤波值
R；
如果R值等于0，说明当前检测点的灰度值与周围点的
2
-1 -1
-1
2 -1
-1
-1 2
水平模板
45度模板
垂直模板
135度模板
43
例： 图像
1
1
1
1
1
1
1
1
1
5
1
5
1
5
1
5
1
5
1
5
1
5
1
5
1
5
1
用4种模板分别计算 R水平 = -6 + 30 = 24
R45度 = -14 + 14 = 0
R垂直 = -14 + 14 = 0 R135度 = -14 + 14 = 0
相同；
当R的值足够大时，说明该点的值与周围的点非常不
同，是孤立点。通过阈值T来判断： |R| > T 检测到一个孤立点。
42
2. 线的检测
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
-1
2 -1
-1
2 -1
-1
-1 2
-1
2 -1
2
-1 -1
-1
-1 -1
2
2 2-1128 8 源自 8-1-18
-1
-1
-1
R = (-1 * 8 * 8 + 128 * 8) / 9
= (120 * 8) / 9 = 960 / 9 = 106 设 ：阈值：T = 64 R>T
41
算法描述：
设定阈值 T，如T = 32、64、128等,并计算高通滤波值
R；
如果R值等于0，说明当前检测点的灰度值与周围点的
第七章图像分割 海事 朱虹
均匀性度量法
所谓的均匀性度量方法，是根据“物以类 聚”的思想而设计的。 其基本设计思想是：属于“同一类别”的 对象具有较大的一致性。 实现的手段是：以均值与方差作为度量均 匀性的数字指标。
均匀性度量法算法步骤
1）给定一个初始阈值Th=Th0 (例如，可以默认为1，或者是128等)， 则将原图像素点分为C1和C2两类
P-参数法算法步骤
1）设图像的大小为m*n，计算得到原图的 灰度直方图h；
2）输入目标物所占的画面的比例p；
3）尝试性地给定一个阈值 Th=Th0; 4）计算在Th下判定的目标物的像素点数N；
5）判断ps=N/(m*n)是否接近p? 是，则输出结果； 否则，Th=Th+dT; (if ps<p,则dT>0; else dT<0); 转至第四步，直到满足条件。
图像分割说明示例
图像分割示例：条码的二值化
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：印刷缺陷检测
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。原有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。
均匀性度量法处理效果示例
聚类方法
基本设计思想： 1. 聚类方法是采用了模式识别中的聚类思 想。 2. 以类内保持最大相似性以及类间保持最 大距离为最佳阈值的求取目标。
聚类方法算法步骤
1）给定一个初始阈值Th=Th0 (例如，可以默认为1，或者是128等)， 则将原图像素点分为C1和C2两类
图像分割与特征提取 ppt课件
ppt课件
5
7.1 图像分割的概念
2. 图像分割的依据和方法
◆图像分割的依据是各区域具有不同的特性，这些 特性可以是灰度、颜色、纹理等。而灰度图像分割的 依据是基于相邻像素灰度值的不连续性和相似性。也 即，子区域内部的像素一般具有灰度相似性，而在区 域之间的边界上一般具有灰度不连续性。
◆灰度图像分割是图像分割研究中最主要的内容，其 本质是按照图像中不同区域的特性，将图像划分成不 同的区域。
7.2.1 图像边缘
图像
剖面
一阶导数
二阶导数
上升阶跃边缘 （a）
下降阶跃边缘 （b）
脉冲状边缘 （c）
屋顶边缘 （d）
图7.1 图像边缘及其导数曲线规律示例
ppt课件
11
7.2 基于边缘检测的图像分割
7.2.1 图像边缘
综上所述，图像中的边缘可以通过对它们求导数 来确定，而导数可利用微分算子来计算。对于数字图 像来说，通常是利用差分来近似微分。
方向：
f (x, y) = arctan(Gx / Gy )
（7.5）
ppt课件
14
7.2.2 梯度边缘检测
(1) Roberts算子
是一个交叉算子，其在点(i,j)的梯度幅值表示为：
G(i, j) = f (i, j) f (i 1, j 1) f (i 1, j) f (i, j 1) （7.6）
ppt课件
2
7.1 图像分割的概念
◆目标或前景 ◆背景 ◆目标一般对应于图像中特定的、具有独特性质的 区域。
ppt课件
3
7.1 图像分割的概念
1. 图像分割
图像分割就是依据图像的灰度、颜色、纹理、边 缘等特征，把图像分成各自满足某种相似性准则或具 有某种同质特征的连通区域的集合的过程。
7-第七章图像分割1、2
30
拉普拉斯算子
0 1 0
1 -4 1
0 1 0
1 1
1 -8
1 1
1
1
1
图7.5 两种常用的拉普拉斯算子模板
31
拉普拉斯算子一般不以其原始形式用于边缘检测，原因在于： (1)它是一个二阶导数，对噪声非常敏感。 (2)拉普拉斯算子的幅值产生双边缘。(最大负值和最大正值) (2)不能检测边缘的方向。（无方向模版） 那么它在分割中所起的作用: (1)利用它的零交叉性质进行边缘定位----该算子与平滑过程一起利 用零交叉作为找到边缘的前兆。 (2)确定一个象素在边缘暗的一边还是亮的一边。
I=imread(„rice.tif‟);
imshow(I); BW1=edge(I,‟prewitt‟); BW2=edge(I,‟canny‟); figure;
Imshow(BW1); figure; imshow(BW2);
37
38
7.3
边缘连接（跟踪）
利用前面的方法检测出边缘点,但由于噪声、光照 不均等因素的影响，获得边缘点有可能是不连续的，必 须使用连接过程将边缘像素组合成有意义的边缘信息， 以备后续处理。 边缘跟踪的方法 1. 局部边缘连接法； 2. 光栅扫描跟踪法； 3. Hough 变换法。
第七章 图像分割
1
2
图像分割
作用
图像分割是图像识别和图像理解的基本前提步骤，图像分割质量的好坏 直接影响后续图像处理的效果。
图 像
图像 预处理 图像 分割
图像 识别
图像 理解
图7.1图像分割在整个图像处理过程中的作用
3
4
图像分割
◘灰度图像分割的依据 基于亮度值的两个基本特性： 不连续性 --- 区域之间； 相似性 ----- 区域内部。
数字图像处理课程第七章_图像分割
特点：仅计算相邻像素的灰度差，对噪声比较 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
2
c 1 3 f (x, y) f (x 1, y) f (x, y 1)
4
按梯度的定义，由平面p(x,y)=ax+by+c的偏导数很容易
求得梯度。
a为两行像元平均值的差分，b为两列像元平均值的差分
。
这种运算可简化为模板求卷积进行，计算a和b对应的模板如下： Nhomakorabea1
1/
2
1
1
1
1 1/ 21
1 1
如果取最大值的绝对值为边缘强度，并用考虑 最大值符号的方法来确定相应的边缘方向，则考 虑到各模板的对称性，只要有前四个模板就可以 了。
Nevitia算子
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)
预处理 图像分割 特征提取 对象识别
7.1 概述
• 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
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
第7章图像分割技术2
19
自动阈值
分水岭算法
(a)原始图像
(b)图像对应的拓扑地形图 图7.5 图像对应的拓扑表面图
20
自动阈值
分水岭算法
三类点：①属于局部性最小值的点；②当一滴水放在
某点的位置上时，水一定会下落到一个单一的最小值点；
③当水处在某个点的位置时，水会等概率地流向不止一个 这样的最小值点。 对于一个特定的区域最小值，满足条件②的点的集合称 为这个最小值的“汇水盆地”或“分水岭”。满足条件③ 的点的集合组成地形表面的峰线，称为“分水线”或“分 割线”。
灰度变化等，固定的全局阈值分割，效果不好。
解决方法：利用与坐标相关的一组阈值对图像进行分割 ——变化阈值法、自适应阈值法。
18
自动阈值
分水岭算法
分水岭算法(watershed)是一种借鉴了形态学理论的分
割方法，它将一幅图象看成为一个拓扑地形图，其中灰度
值被认为是地形高度值。高灰度值对应着山峰，低灰度值 处对应着山谷。
g (i, j ) k k 0,1,...,K ; Tk 1 f (i, j ) Tk
阈值选择直接影响分割效果，通常可以通过对灰度直方图
的分析来确定它的值。
9
阈值选择
利用灰度直方图求双峰或多峰 选择两峰之间的谷底作为阈值
10
人工阈值
人工选择法是通过人眼的观察，应用人对图像的知识，在 分析图像直方图的基础上，人工选出合适的阈值。也可以 在人工选出阈值后，根据分割效果，不断的交互操作，从 而选择出最佳的阈值。
11
人工阈值
原始图像
T=155的二值化图像
T=210的二值化图像
图像直方图
12
自动阈值
迭代法
第七讲图像分割(1)
图像分割是通向图像分析的重要一步 图像分割的任务是将图像分成与实际目标或区域 紧密相关的若干部分.
第七讲
图像分割(1)
图像分割概述
人们观察景物时,所看到的是一个物体的集合.
数字图像处理设法把图像分成像素集合,每个集合 代表一个物体.
第七讲
图像分割(1)
图像分割概述
图像分割的目的
把图像分解成构成它的部件和对象; 有选择性地定位感兴趣对象在图像中的位置和范围.
7.2
阈值分割
7.2.1 基于灰度的分割 灰度阈值分割是最古老,最简单的分割方法 原因: 实际物体或图像的区域的特性是由物体 表面的反射特性或吸收特性决定的,可 以从灰度上分开. 灰度切割实时性最好. 硬件实现最容易.
第七讲
图像分割(1)
阈值分割
灰度阈值分割适用于物体与背景有较强对比的情况
f(x)
第七讲
图像分割(1)
图像分割概述
检测图像像素灰度级的不连续性 找到切割阈值,分割图像 先找边界,后确定区域 检测图像像素的灰度值的相似性 选择阈值,找灰度值相似的区域 区域的外轮廓就是对象的边界
第七讲
图像分割(1)
图像分割概述
"完全分割" 和 "部分分割" 完全分割
结果是一一对应输入图像中的不同目标的 彼此分离的区域的集合. 适用:简单背景,对比度比较好(血球,印刷字符…) 1234567890 中国科学院 长春光机所 1234567890 中国科学院 长春光机所
255
T
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(x)
255
x
T
第七讲
图像分割(1)
数字图像处理PPT——第七章 图像分割
p-参数法
针对已知目标物在画面中所占比例的情况。 基本设计思想 选择一个值Th，使前景目标物所占的比例 为p，背景所占比例为1-p。 基本方法 先试探性地给出一个阈值，统计目标物的 像素点数在整幅图中所占的比例是否满足 要求，是则阈值合适；否则，阈值则偏大 或者偏小，再进行调整，直到满足要求。
p-参数法算法步骤
⎧ σ b2 ⎫ η | Th* = max ⎨ 2 ⎬ ⎩σ in ⎭
局部阈值方法
提出的原因 阈值方法对于较为简单的图像（目标 与背景差别大，容易区分的图像）简 单有效，对于较为复杂的图像，分割 效果不稳定。 方法 把图像分成子块，在每个子块上再采 样前述阈值分割方法
灰度－局部灰度均值散布图法
σ 12 =
f ( x , y )∈C 1
∑
( f ( x, y ) − μ1 )2
2 σ2 =
f ( x , y )∈C 22 )2
1 μ1 = N C1
f ( x , y )∈C 1
∑
f ( x, y )
1 μ2 = NC 2
f ( x , y )∈C 2
∑
f ( x, y )
参数空间的一条直线对应xy空间的一 个点
Hough变换提取直线原理
Xy空间一条直线上的n个点，对应kb 空间经过一个公共点的n条直线 Kb空间一条直线上的n点对应于xy空 间中过一公共点的n条直线
Hough变换提取直线算法
假设原图像为二值图像，扫描图中的每一 个像素点： 背景点，不作任何处理 目标点，确定直线： b = − xk + y 参数空间上的对应直线上所有的值累加1 循环扫描所有点 参数空间上累计值为最大的点(k*,b*)为所求 直线参数 按照该参数与原图像同等大小的空白图像 上绘制直线
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)。
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
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。
第7章 图像分割
3
2，目标（对象）与区域
13
第7章 图像分割
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
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
第7章 图像分割
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：
2 f
f x2
f y2
(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
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
第7章 图像分割
7
7.2 基于边缘的分割
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。
第7章 图像分割
8
第7章 图像分割
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。
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。
第7章 图像分割
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
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
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。
第7章 图像分割
19
图7.2.8 Laplacian算子模板
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。
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。
第7章 图像分割
15
图7.2.5 3×3Kirsch算子八方向模板
第7章 图像分割
16
图7.2.6 5×5Kirsch算子的前4个模板
第7章 图像分割
17
图7.2.7 5×5Nevitia算子的前6个模板
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)
(7.2.6)
上式中的2h称为高斯—拉普拉斯滤波(Laplacian of
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
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
n
① Ri R; i 1
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。
第7章 图像分割
1，基于边界的分割算法：区域间灰度的不连续性
第7章 图像分割
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) g(x,y)gradx,(y)＝ffxy＝f(xx,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 ) grx ,a y )＝ dfx 2 ( ＋ fy 2 ＝ f( x x ,y ) 2 ＋ f( x y ,y ) 2
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。
第7章 图像分割
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：
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)：
第7章 图像分割
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 graxd,y()T g(x,y)0 其他
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。
第7章 图像分割
12
7.2.2 Roberts梯度算子
7.2.3 Prewitt和Sobel算子
第7章 图像分割
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
x2y2
22
式中，s是方差。 用h(x，y)对图像f(x，y)的平滑可表示为
g(x，y)＝h(x，y)*f(x，y)
第7章 图像分割
21
如果令r是离原点的径向距离，即r2＝x2＋y2，则将
第7章 图像分割
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
第7章 图像分割
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
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。
第7章 图像分割
3
2，目标（对象）与区域
13
第7章 图像分割
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
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
第7章 图像分割
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：
2 f
f x2
f y2
(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
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
第7章 图像分割
7
7.2 基于边缘的分割
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。
第7章 图像分割
8
第7章 图像分割
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。
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。
第7章 图像分割
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
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
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。
第7章 图像分割
19
图7.2.8 Laplacian算子模板
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。
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。
第7章 图像分割
15
图7.2.5 3×3Kirsch算子八方向模板
第7章 图像分割
16
图7.2.6 5×5Kirsch算子的前4个模板
第7章 图像分割
17
图7.2.7 5×5Nevitia算子的前6个模板
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)
(7.2.6)
上式中的2h称为高斯—拉普拉斯滤波(Laplacian of
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
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
n
① Ri R; i 1
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。
第7章 图像分割
1，基于边界的分割算法：区域间灰度的不连续性
第7章 图像分割
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) g(x,y)gradx,(y)＝ffxy＝f(xx,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 ) grx ,a y )＝ dfx 2 ( ＋ fy 2 ＝ f( x x ,y ) 2 ＋ f( x y ,y ) 2
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。
第7章 图像分割
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：
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)：
第7章 图像分割
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 graxd,y()T g(x,y)0 其他
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。
第7章 图像分割
12
7.2.2 Roberts梯度算子
7.2.3 Prewitt和Sobel算子
第7章 图像分割
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
x2y2
22
式中，s是方差。 用h(x，y)对图像f(x，y)的平滑可表示为
g(x，y)＝h(x，y)*f(x，y)
第7章 图像分割
21
如果令r是离原点的径向距离，即r2＝x2＋y2，则将
第7章 图像分割
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
第7章 图像分割
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