第六章 图像分割

第六章
图像分割
6.3 基于边界的分割——不连续性——线的检测
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 -1 -1 2 2 2 -1 -1 -1
水平模板
-1 -1 2 -1 2 -1 2 -1 -1
45度模板
-1 2 -1 -1 2 -1 -1 2 -1
垂直模板
Leabharlann Baidu
2 -1 -1 -1 2 -1 -1 -1 2
图像分割
6.3 基于边界的分割——不连续性——线的检测
(a)二值电路接线模板 (b)使用－450线检测算子 后得到的绝对值 (c)设置门限得到的结果
第六章
线的检测——算法描述
图像分割
6.3 基于边界的分割——不连续性——线的检测
– 依次计算4个方向的典型检测模板，得到Ri i=1,2,3,4
– 如 |Ri| > |Rj| 对于所有的j = i，那么这个点被称为在方向上更接 近模板i 所代表的线
M −1
K 从 1～M 变化，使 σ 2 (k ) 最大的 K* 即为所求之最佳门限。
在 Matlab里提供了graythresh函数，采用了OTSU方法计算阈值。
第六章
图像分割
6.2 灰度阈值分割法——相似性－最佳全局和自适应门限－最小误差分割算法
设目标的像点数占图像总点数的百分比为θ，背景点占 1－ θ ，混合概率密 度为: p ( z ) = θ p1 ( z ) + (1 − θ ) p2 ( z ) 当选定门限为 T 时，目标点错划为背景点的概率为: 把背景点错划为目标点的概率为:
第六章
6.1 图像分割 引言
图像分割
图像
图像预处理
图像分割
特征提取
图像识别与理解
典型的图像处理与识别过程
如图所示，图像预处理可以通过前面介绍的图像变换、增强与滤 波、图像复原等进行。图像分割就是把图像分解成各具相同性质 的、互不交叠的、有意义的区域和目标的技术和过程，这里的性 质可以是灰度、颜色、纹理、轮廓等，目标可以是单个区域，也 可以是多个区域。
255 255
255 255 255
第六章
6.2 灰度阈值分割法——相似性
图像分割
阈值分割法 – 阈值分割法的特点： • 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。 灰度值 f(x0,y0)
第六章
6.1 图像分割 引言 6.2 灰度阈值分割法 6.3 基于边界的分割 6.4 面向区域的分割
图像分割
第六章
6.1 图像分割 引言
图像分割
人类视觉在观察和分析一幅图像时，总是首先将注意力集中在图像中 的感兴趣的物体或区域，即将其从其他景物中分离开来，然后对其进 行特征分析，再根据其特征和大脑中对其的认识进行识别 。 计算机进行图像处理、识别的过程也是类似的过程，一个典型的图像 处理与识别过程如图所示。
第六章
基本全局门限 1) 试探性设置门限 T
图像分割
6.2 灰度阈值分割法——相似性－基本全局门限
(a)原图 (b)图像的直方图 (c) 使用全局门限 T 处理图像得到 的结果，门限 T 是灰度级最大值和 最小值的中间值
第六章
基本全局门限 1) 试探性设置门限 T 2) 自动地得到 T，算法：
图像分割
定义类间方差: 其中：
ω0 = ∑ Pi
i =0 k −1
σ 2 ( k ) = ω0 ( μ0 − μT ) + ω1 ( μ1 − μT )
2
2
ω1 = ∑ Pi
i=k
M −1
μ0 = ∑
i =0
k −1
i ⋅ Pi
ω0
μ1 = ∑
i =k
M −1
i ⋅ Pi
ω1
μT = ∑ i ⋅ Pi
i =0
6.2 灰度阈值分割法——相似性－基本全局门限(迭代)
（1）选择一个T的初始估计值 （2）用T分割图像。生成两组像素：G1－灰度值大于T的像素， G2－灰度值小于T的像素 （3）对区域G1和G2中的所有像素计算平均值μ1和μ2 （4）计算新的门限值：T＝1/2 （ μ1 ＋μ2） （5）重复（2）到（4），直到逐次迭代所得的T值之差小于事先 定义的参数T0 注：T 的初始值很多情况下可以选择图像的平均灰度值
135度模板
图像
1 1 1 1 1 1 1 1 1 5 5 5 5 5 5 5 5 5 1 1 1 1 1 1 1 1 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
第六章
第六章
基本全局门限
图像分割
6.2 灰度阈值分割法——相似性－基本全局门限
– 基本思想：用阈值T，并产生一个二值图，区分出前景对象和背 景 – 算法实现： • 规定一个阈值T，逐行扫描图像。 • 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 – 适用场合：明度图像是可以控制的情况，例如用于工业监测系 统中
E 2 (T ) =
T
E1 (T ) = ∫ p1 ( z )dz
T
∞
则总错误概率为 ： E (T ) = θE1 (T ) + (1 − θ )E 2 (T )
−∞
∫ p (z )dz
2
第六章
令:
∂E (T ) =0 ∂T
图像分割
− θp1 (T ) + (1 − θ ) p 2 (T ) = 0
T
第六章
6.2 灰度阈值分割法——相似性
阈值分割法 – 通过直方图得到阈值 – 基本全局门限 – 最佳全局和自适应门限 – 通过边界特性选择阈值 – 分割连通区域 – 基于多个变量的阈值
图像分割
第六章
6.2 灰度阈值分割法——相似性
图像分割
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
第六章
6.1 图像分割 引言
图像分割
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 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。
第六章
6.1 图像分割 引言
可以用单一门限和多门限进行分割的灰度直方图
第六章
6.2 灰度阈值分割法——相似性
图像分割
通过直方图得到阈值 – 取值的方法： 取直方图谷底(最小值)的灰度值为阈值T – 缺点：会受到噪声的干扰，最小值不是预期的阈值，而偏离期望 的值； – 改进： 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 除噪声的干扰 2）对噪声的处理 对直方图进行平滑处理。
第六章
6.2 灰度阈值分割法——相似性
图像分割
阈值分割法 – 阈值分割法的基本思想： • 确定一个合适的阈值 T（阈值选定的好坏是此方法成败 的关键）。 • 将大于等于阈值的像素作为物体或背景，生成一个二 值图像。 0 0 If f(x,y) ≥ T set 255 Else set 0 0 255
设计任意方向的检测模板 – 可能大于3x3 – 模板系数和为0 – 感兴趣的方向的系数大。
第六章
边的检测 – 边界的定义：
图像分割
6.3 基于边界的分割——不连续性——边的检测
是两个具有相对不同灰度值特性的区域的边界线 – 适用于： 假定问题中的区域是非常类似的，两个区域之间的过渡，仅仅根 据灰度的不连续性便可确定 – 不适用于： 当假定不成立时，阈值分割技术一般来说比边缘检测更加实用
第六章
6.1 图像分割 引言
图像分割
图像分割是按照某些特性(如灰度级,频谱,纹理等)将 图像划分成一些区域，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。 边缘 边界 图像分割从本质上来说是将图像中的象素按照特性的 不同进行分类的过程——像素分类。
1~ M
，第 i 级象素 ni 个,总象素 N = ∑ ni ，则第 i 级灰度 i =1 Pi = ni 。 N
C 0 = { ,2, L, k } 1
M
· 设灰度门限值为 k ，则图像像素按灰度级被分为两类:
C1 = {k + 1,L, M }
第六章
图像分割
6.2 灰度阈值分割法——相似性－最佳全局和自适应门限－最大类间差（OTSU）
第六章
图像分割
6.2 灰度阈值分割法——相似性－基本全局门限
(a)原图 (b)图像的直方图 (c) 通过迭代估计的门限 对图像进 行分割的结果
第六章
图像分割
6.2 灰度阈值分割法——相似性－最佳全局和自适应门限－最大类间差（OTSU）
最佳全局和自适应门限 －包括 最大类间差（OTSU）算法和最小误差分割算法 · OTSU算法以最佳门限将图像灰度直方图分割成两部分，使两部分类间 方差取最大值，即分离性最大。 · 设图像灰度级 出现的概率为
第六章
图像分割
6.3 基于边界的分割——不连续性——点的检测
边界分割法包括：点的检测、线的检测、边的检测 1）点的检测——算法描述 –用空域的高通滤波器来检测孤立点 例：
8 8
图像
8 128 8
8 8 8
模板
-1 -1 -1
-1 8 -1
-1 -1 -1
8
R = (-1 * 8 * 8 + 128 * 8) / 9 = (120 * 8) / 9 = 960 / 9 = 106 设 ：阈值：T = 64 R>T
第六章
6.1 图像分割 引言
图像分割
图像分割的基本策略 – 图像分割的基本策略，基于灰度值的两个基本特性： 1. 不连续性——区域之间 2. 相似性——区域内部 – 根据图像像素灰度值的不连续性 • 先找到点、线（宽度为1）、边（不定宽度） • 再确定区域 通过边界分割法和边缘连接分割法 通过阈值分割法、基于边界的分割 和面向区域的分割
当 σ 12 = σ 22 = σ 2 时
T=
μ1 + μ2
2
+
σ2 μ2 − μ1
ln
θ
1−θ
(6-2)
T=
若先验概率已知，例如 ： θ＝1/2 时，有
μ1 + μ 2
2
(6-3)
这表示正态分布时，最佳阈值可按(6-2)、(6-3)式求得,若不是正态分布时， 则可用(6-1)式确定最小误差的阈值 。
第六章
6.1 图像分割 引言
图像分割
图像分割是计算机进行图像处理与分析中的一个重要环节，是一种基 本的计算机视觉技术。 图像分割质量的好坏直接影响整个图像处理与分析系统的结果，关系 到目标识别与理解的成败，因此，图像分割的作用是至关重要的。 另外，图像的分割和目标的分离，用较少的数据量代表原始图像中的 目标，使得更高层的图像分析和理解成为可能。 图像分割的作用非常重要，多年来一直受到关注和重视，至今已提出 了上千种各种类型的图像分割算法，而且新的图像分割算法也在不断 的诞生。
图像分割
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。 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。
第六章
6.1 图像分割 引言
图像分割
图像分割的概念 – 把图像分解成构成它的部件和对象的过程 – 有选择性地定位感兴趣对象在图像中的位置和范围
第六章
6.1 图像分割 引言
图像分割的基本思路 1. 2. 3.
图像分割
从简到难，逐级分割 控制背景环境，降低分割难 度 把焦点放在增强感兴趣对 象，缩小不相干图像成分的 干扰上
第六章
6.1 图像分割 引言
图像分割
图像分割的基本思路 1. 从简到难，逐级分割 – 分割矩形区域 – 定位牌照 – 定位文字 2. 控制背景环境，降低分割难度 – 背景环境: 路面、天空 3. 把焦点放在增强感兴趣对象，缩 小不相干图像成分的干扰上 – 感兴趣的对象：汽车牌照 – 不相干图像成分：非矩形区域
第六章
图像分割
6.3 基于边界的分割——不连续性——点的检测
1）点的检测——算法描述 – 用空域的高通滤波器来检测孤立点 – 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
6.2 灰度阈值分割法——相似性－最佳全局和自适应门限－最小误差分割算法
则:
(6-1)
(T − μ1 )2 − (T − μ 2 )2 θσ 2 − = ln 2 (1 − θ )σ 1 2σ 12 2σ 2
对正态分布 :
p1 ( z ) ~ N (μ1 , σ 1 ) p 2 ( z ) ~ N (μ 2 , σ 2 )