第十章 图像分割.

4,0.10],1.5); figure,imshow(g_canny_best);
10.2边缘连接和边界检测
在得到的边缘上的像素点，由于噪声， 不均匀光照的影响而产生的边缘间断， 使得一组像素很少能完整地描绘一条边 缘。
使用边缘检测算法后，紧跟着使用连接 过程将边缘像素组合成有意义的边缘。
指定一个较高的阈值将弱边缘去掉 gv=edge(f,'sobel',0.15,'vertical'); figure,imshow(gv); 产生水平和垂直边缘 gboth=edge(f,'sobel',0.15,'both'); figure,imshow(gboth);
第十章 图像分割
异常图像的分割是图像处理中最困难的 任务之一。精确的分割决定着计算分析 过程的成败。
因此，应该对提高稳定分割的可能性予 以特别关注。
图像分割算法主要基于图像亮度值的两 个基本特性：
1不连续性（图像的边缘）
2相似性（预先定义准则将图像分割为相 似区域：门限处理、区域生长、区域分 离和聚合）
10.2.1局部处理
连接边缘点的最简单的方法之一： 分析图像中每个点(x,y)的一个小邻域
（3*3，5*5）内像素的特点。 该点是 一个得到的边缘点。 依据事先预定的准则，将所有被认为是 相似的点连接起来，形成满足这些准则 的像素组成的一条边缘。
边缘像素相似性的两个主要性 质：
1生成的边缘像素的梯度算子的响应强度 2 梯度向量的方向。
若在区域生长中没有使用连通信息，则 会产生错误结果。
区域生长的另一个问题是停止规则的表 达。一般来说，当不再有像素满足该区 域所包含的准则时，生长区域就会停止。
函数regiongrow实现区域生长。
[g,NR,SI,TI]=regiongrow(f,S,T)
S，T:是一个数组（与f大小相同）或一 个标量。
5)重复步骤2-4，直到迭代中的T的差比 预先指定的参数T0小为止。
函数graythresh实现全局阈值， 使用Otsu方法
T=graythresh(f); f=imread('globalthreshold.tif'); imshow(f); T=graythresh(f); g=f<=T*255; figure,imshow(g);
10.1.3边缘检测
边缘检测对于灰度级间断的检测是最为 普遍的检测方法。
利用微分方法求边缘 注意：导数受噪声的影响非常之大。 Sobel,Prewitt,Roberts Laplacian,LOG
使用edge函数的边缘检测
边缘检测的基本意图是使用如下两个基 本准则之一在图像中找到亮度快速变化 的地方
10.1.2线检测
模板 -1 -1 -1 2 2 2 -1 -1 -1
-1 -1 2 -1 2 -1 -1 2 -1 -1 2 -1 2 -1 -1 -1 2 -1
2 -1 -1 -1 2 -1 -1 -1 2
水平
+45度 垂直 -45度
f=imread('linedetect.tif'); imshow(f); w=[2 -1 -1;-1 2 -1;-1 -1 2]; g=imfilter(double(f),w); figure,imshow(g,[]) gtop=g(1:120,1:120); gtop=pixeldup(gtop,4); figure,imshow(gtop,[]);
由一个或多个开始点组成的集合的选择 通常要基于问题的性质。
当没有先验信息可用时，一种处理方法 是在每个像素上计算同一组属性，在生 长过程中，这些属性将像素分配到不同 区域。
相似性准则的选择不但依赖于所考虑的 问题，而且依赖于可用的图象数据类型。
但图象为单色图像时，图像分析应该用 一组基于灰度级和空间性质的描述符来 执行。
g:分割后的图象
NR:不同区域的数目，SI：一幅包含有 种子点的图像，TI:一幅包含在进行连通 性处理之前通过阈值测试的像素的图象。
例：区域生长对焊接孔隙检测 的应用
f=imread('regiongrowimage.tif'); imshow(f); imhist(f); [g,NR,SI,TI]=regiongrow(f,255,65); figure,imshow(g); figure,imshow(SI); figure,imshow(TI);
Sobel,LoG,Canny边缘检测器 比较
f=imread('edgedetect.tif'); imshow(f); [g_sobel_default,ts]=edge(f,'sobel'); figure,imshow(g_sobel_default); [g_log_default,tlog]=edge(f,'log'); figure,imshow(g_log_default); [g_canny_default,tc]=edge(f,'canny'); figure,imshow(g_canny_default);
利用直线的斜截式公式
yi axi b b xi a yi
在参数空间中，相交的直线表示在xy平 面中两点共线。
为了表示垂直的情况，使用直线标准表 达
x cos y sin
Hough变换将 参数空间细分为了
累加器单元。坐标为(i,j)的单元，对应
10.3.2局部阈值处理
针对背景照明不均匀时，全局阈值处理 可能无效。针对照明问题作预处理进行 补偿，同时使用形态学变换对图像进行 处理。
使用局部变化的阈值函数对图像进行阈 值处理。
10.4基于区域的分割
分割的目的是把图象分成区域。区域内 部像素具有相似性
10.4.1基础公式 用R表示整个图象区域，将R分成n个子
区域，满足：
n
Ri R
i 1
R 是一个连通区域，i 1,2,...,n
Ri R j , 对所有的i, j，i j P(Ri ) TRUE, 对i 1,2,...,n P(Ri R j ) FALSE, 对任何区域Ri和R j
10.4.2区域生长
预先定义生长的准则，将像素或子区域 合成较大的区域。
函数houghpeaks得到Hough变换的峰值点 [r,c,hnew]=houghpeaks(h,numpeaks,
threshold,nhood) h：Hough变换矩阵 numpeaks:指定要寻找的最大峰 threshold:阈值以下的认为不是峰 nhood:抑制的邻域大小
函数houghpixels找到图像中影响到峰 值的每一个非零值点的位置。
函数houghlines采用一些策略，将位置 相关的像素组合成线段。
10.3阈值处理
10.3.1全局阈值处理 步骤： 1）为T选一个初始估计值 2）使用T分割图像，产生两组像素
G1,G2
3) 计算G1和G2范围内的像素的平均亮 度值u1，u2，
4）计算新阈值T=(u1+u2)/2;
gbot=g(end-119:end,end-119:end); gbot=pixeldup(gbot,4); figure,imshow(gbot,[]); g=abs(g); figure,imshow(g,[]); T=max(g(:)); g=g>=T; figure,imshow(g);
direction:’horizontal’/’vertical’/’both’ Sigma:标准差 g:2值结果。t：阈值
例：使用Sobel模板提取边缘
f=imread('edgedetect.tif'); imshow(f); [gv,t]=edge(f,'sobel','vertical'); figure,imshow(gv); t
f (x, y) f (x0 , y0 ) E
(x, y) (x0 , y0 ) A
如果同时满足这两个条件，则将边缘连接起来， 在图像的每个位置重复这样的操作。
10.2.2通过Hough变换进行整 体处理
根据给定图像上的一个点集，如何找到 位于直线上的所有点的子集？
-1 -1 -1
点检测
f=imread('pointdetect.tif'); imshow(f); w=[-1 -1 -1;-1 8 -1;-1 -1 -1 ]; g=abs(imfilter(double(f),w)); T=max(g(:)); g=g>=T; figure,imshow(g);
g_sobel_best=edge(f,'sobel',0.05); figure,imshow(g_sobel_best); g_log_best=edge(f,'log',0.003,2.25
); figure,imshow(g_log_best); g_canny_best=edge(f,'canny',[0.0
10.5使用分水岭变换的分割
在地理学中，分水岭是指一个山脊，在 该山脊两边的区域中有着不同流向的水 系。
分水岭变换将在图象中找到汇水盆地和 脊线。在求解时，关键概念是将初始图 象变换成另一幅图象，在变换后，汇水 盆地就是我们想要识别的 对象或区域。
10.5.1使用距离变换的分水岭 分割
二值图像的距离变换是一个相对简单的 概念：它是每一个像素到最近非零值像 素的距离。