第六章 图像分割

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。
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
6.3 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
2 -1 -1 -1 2 -1 -1 -1 2
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。
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。
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
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
6.2 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
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
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
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
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。
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。
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
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
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 )
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
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:
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
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
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