《数字图像处理与分析基础》第八章图像分割与描述
合集下载
数字图像处理图像分割课件
基于Mumford-Shah模 …
该方法可以获得更准确、更平 滑的分割结果，并且可以更好 地处理噪声和细节。此外，它 还可以更好地处理形状约束和 边界条件。
基于Mumford-Shah模 …
该方法需要更多的计算资源和 时间来处理每个时间点的水平 集，并且可能难以处理大规模 的形状变化和复杂的形状约束 。
响。
图像分割还可以帮助缩小处理和 分析的规模，提高处理效率，并 为后续的图像分析提供可靠的预
处理结果。
图像分割的分类
01
02
03
04
按照处理方式
图像分割可以分为阈值法、区 域生长法、边缘检测法、图切
割法等。
按照应用领域
图像分割可以分为医学图像分 割、遥感图像分割、人脸识别
等。
按照分割对象
图像分割可以分为二维图像分 割和三维图像分割。
该方法具有能够处理复杂的图像内容和噪声等优点，但也可能需要更多的计算资源和时间。
07
实例展示与结果分析
基于阈值的图像分割实例
总结词
简单、快速、有效的图像分割方法
详细描述
基于阈值的图像分割是一种基本的图像分割方法，通过设置不同的阈值将图像分 割成不同的区域。其优点是简单、快速、有效，适用于简单背景和对比明显的图 像。但是，对于复杂背景和低对比度图像，分割效果较差。
些方法可以自动适应不同图像的特点，且能够根据图像内容的变化自适
应调整阈值。
03
自适应阈值
根据图像的局部特征自适应地设置阈值，例如基于区域生长的方法、基
于边缘检测的方法等。这些方法能够更好地适应图像的局部特征，提高
分割的精度和鲁棒性。
阈值法的优缺点
优点
阈值法简单易行，适用于简单背景和 对比度较高的图像；对于实时性要求 较高的应用场景，阈值法具有较快的 处理速度。
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
[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
第八章 图像分割与描述
1 0 1 1 0 1 1 0 1
W0(0)
0 1 1 1 0 1 1 1 0
W1(45)
1 1 1 0 0 0 1 1 1
W2(90)
1 1 0 1 0 1 0 1 1
2、基于差分(梯度)算子的边缘检测
两个方向梯度分量的合成原则：
(1) G1 ( x, y) (2) G2 ( x, y )
x f ( x, y) y f ( x, y)
2
2
x f ( x, y ) y f ( x , y )
(3) G3 ( x, y ) max
X方向
1 2 1 0 0 0 1 2 1
Y方向
一、边缘检测(Edge detection)
原图
梯度算子
Roberts
Prewitt
Sobel
各向异性Sobel
W2 W3 W1 W0
W4
一、边缘检测(Edge detection)
W5
W7
W6
(4) 方向梯度算子——平均差分8方向梯度模板
一、边缘检测(Edge detection)
为使中心为正值，也可写为：
f ( x, y ) [ f ( x 1, y ) f ( x 1, y )
2
f ( x, y 1) f ( x, y 1)] 4 f ( x, y)
掩模表示:
0 1 0 1 4 1 0 1 0
(3) Sobel 算子——各向异性Sobel
1 0 2 0 1 0 1 2 1
由 Frei 和 Chen 提 出 ：以使水平、垂直 和对角边缘的梯度 相同。
W0(0)
0 1 1 1 0 1 1 1 0
W1(45)
1 1 1 0 0 0 1 1 1
W2(90)
1 1 0 1 0 1 0 1 1
2、基于差分(梯度)算子的边缘检测
两个方向梯度分量的合成原则：
(1) G1 ( x, y) (2) G2 ( x, y )
x f ( x, y) y f ( x, y)
2
2
x f ( x, y ) y f ( x , y )
(3) G3 ( x, y ) max
X方向
1 2 1 0 0 0 1 2 1
Y方向
一、边缘检测(Edge detection)
原图
梯度算子
Roberts
Prewitt
Sobel
各向异性Sobel
W2 W3 W1 W0
W4
一、边缘检测(Edge detection)
W5
W7
W6
(4) 方向梯度算子——平均差分8方向梯度模板
一、边缘检测(Edge detection)
为使中心为正值，也可写为：
f ( x, y ) [ f ( x 1, y ) f ( x 1, y )
2
f ( x, y 1) f ( x, y 1)] 4 f ( x, y)
掩模表示:
0 1 0 1 4 1 0 1 0
(3) Sobel 算子——各向异性Sobel
1 0 2 0 1 0 1 2 1
由 Frei 和 Chen 提 出 ：以使水平、垂直 和对角边缘的梯度 相同。
数字图像处理第八章课件
消除心理视觉冗余会导致数量信息的损失，又称量化。
Chapter 8 Image Compression
量化,不可逆，信息损失
IGS, Improved Gray-Scale quantization
IGS意识到眼睛对边缘特有的敏感性，通过加入伪随机数 来破坏边缘：
伪随机数从邻近像元的低4位获得，加入当前像元灰度值后 才量化。（图像的低bit面很象随机数，见p.89） 低4位的初值为0000，对高4位为1111的像素不加随机数。
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 ImaCompression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
8.1 基础
数据压缩——表示定量信息所需数据量的减少过程
数据、信息、知识。
比如，不同人讲相同的事件。
数据冗余：是数字图像压缩的中心问题。
这不是抽象的概念，而是可以用数学式子度量的实体：
如果表示相同信息的两组数据所用的信息载体单元数量
分别为n1和n2, 则第一组数据的相对(第二组数据的)
a
Chapter 8 Image Compression
量化,不可逆，信息损失
IGS, Improved Gray-Scale quantization
IGS意识到眼睛对边缘特有的敏感性，通过加入伪随机数 来破坏边缘：
伪随机数从邻近像元的低4位获得，加入当前像元灰度值后 才量化。（图像的低bit面很象随机数，见p.89） 低4位的初值为0000，对高4位为1111的像素不加随机数。
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 ImaCompression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
Chapter 8 Image Compression
8.1 基础
数据压缩——表示定量信息所需数据量的减少过程
数据、信息、知识。
比如，不同人讲相同的事件。
数据冗余：是数字图像压缩的中心问题。
这不是抽象的概念，而是可以用数学式子度量的实体：
如果表示相同信息的两组数据所用的信息载体单元数量
分别为n1和n2, 则第一组数据的相对(第二组数据的)
a
《数字图像处理与分析基础》电子教案-2930 第八章图像分割与描述
这两种方法具有互补性，一般来说在不同的场合需要不同 的方法，有时也将它们的处理结果相结合，以获得更好的 效果。
根据分割算法本身
阈值法、边缘检测法、匹配法等
数字图像处理与分析基础
路
路
路
(a)
(0,0) A1
A3 A A2
B1 C5
B2
B4
C4
B3
y (0,511)
分割的两种方法
(511,0)
x
g(x,y)10,,T1f(x,y)其 T2它
数字图像处理与分析基础
11111111 1 4 5 6 5 6 5 1 30
15788861
1 6 8 8 8 7 6 1 20 15788861
14877761 16545651
10
11111111
(a)
0
Th=4
Th=7
(c)
象 素 点
1 2 3 4 5 6 7 8 灰度级 (b)
f i f i , i 1 ,2 , ,N ,i j
其中ki是不同区域的增长核心。 基本要素：
1）区域的数目，各区域的生长核心（种子）； 2）区域间相区别的性质特征，由此构造同质判据。
数字图像处理与分析基础
区域生长算法
1）给定同质判据H； 2）扫描图像，获得不属于任何已分割区域的像素 点，作为生长核心ki； 3）以ki为核心，H为判据进行生长：将该像素与 它的4邻域或8邻域像素相比较，若满足规则H，就 将它们合并为同一个区域，并标记同样的区域符 号； 4）对于那些新并入的像素，重复3）的操作； 5）反复进行3）、4），直至区域不能再增长为止； 6）返回2），寻找新的区域核心，直至图像中的 所有像素点都已经归入某一个区域。
根据分割算法本身
阈值法、边缘检测法、匹配法等
数字图像处理与分析基础
路
路
路
(a)
(0,0) A1
A3 A A2
B1 C5
B2
B4
C4
B3
y (0,511)
分割的两种方法
(511,0)
x
g(x,y)10,,T1f(x,y)其 T2它
数字图像处理与分析基础
11111111 1 4 5 6 5 6 5 1 30
15788861
1 6 8 8 8 7 6 1 20 15788861
14877761 16545651
10
11111111
(a)
0
Th=4
Th=7
(c)
象 素 点
1 2 3 4 5 6 7 8 灰度级 (b)
f i f i , i 1 ,2 , ,N ,i j
其中ki是不同区域的增长核心。 基本要素：
1）区域的数目，各区域的生长核心（种子）； 2）区域间相区别的性质特征，由此构造同质判据。
数字图像处理与分析基础
区域生长算法
1）给定同质判据H； 2）扫描图像，获得不属于任何已分割区域的像素 点，作为生长核心ki； 3）以ki为核心，H为判据进行生长：将该像素与 它的4邻域或8邻域像素相比较，若满足规则H，就 将它们合并为同一个区域，并标记同样的区域符 号； 4）对于那些新并入的像素，重复3）的操作； 5）反复进行3）、4），直至区域不能再增长为止； 6）返回2），寻找新的区域核心，直至图像中的 所有像素点都已经归入某一个区域。
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。
遥感数字图像处理：第八章 图像分割
图像分割—形态学处理
闭运算通过填充图像的凹角点来平滑图像。
S1
S2
B 〇 S1= (BC 〇 S1)C
B 〇 S2
图像分割—形态学处理
采用开、闭运算交替使用（级联滤波）达到双边 滤波的目的。
B
S
B 〇S
B 〇S
(B 〇 S) S
(B 〇 S) 〇 S
图像分割—形态学处理
4.3.5 腐蚀和膨胀的变体 1）细化
–结果：使二值图像减小一圈。任何方向上，不 大于2个像元的物体将被除去。
图像分割—基本的形态学运算
结构元素不同，腐蚀的结果也不同
E
图像分割—基本的形态学运算
2）膨胀：将与物体接触的所有背景点合并 到该物体中的过程。
–定义：B S = { x,y | Sxy∩B ≠Ф} –算法：
•用3x3的结构元素，扫描图像的每一个像素 •用结构元素与其覆盖的二值图像做“与”操作 •如果都为0，结果图像的该像素为0。否则为1 –结果：使二值图像扩大一圈
图像分割—基本的形态学运算
能否将图像中的噪声点去掉，而保持原来 图像的尺寸不变？
在经过腐蚀的图像上，用同样的结构元素再进行 一次膨胀（“开运算”）就可以达到这个目的。
图像分割—基本的形态学运算
4.3.4 开运算与闭运算
1）开运算 –思路：先腐蚀，再膨胀
–定义：B S = （B S） S
–结果： 1）消除细小对象 2）在细小粘连处分离对象 3）在不改变形状的前提下，平滑对象的边缘
腐蚀可以看作将图像中每一个与结构元素全等的子集收缩为 一点；膨胀是将每一个点扩大为结构元素。
图像分割—基本的形态学运算
相当于原图像左上、下、左、右平以后的四个新图 与原图一起5个图像重叠的结果。 改变结构元素的形状，膨胀的结果不同。 如果结构元素中不包含原点（0,0），膨胀后 的结果不一定是原图像的扩充。 如果结构元素是不在原点的一个点，膨胀后 的结果与原图像一样，只是位置发生了平移。 膨胀对填补图像分割后产生的空洞很有用。
数字图像处理ch8imagesegmentation
4
Characteristic
图像分割是指将一幅图像分解为若干互不交叠的、有意 义的、具有相同性质的区域。
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。
5
Introduction
图8.10 高斯-拉普拉斯算子（LoG）
20
图8.10还显示了一个对该算子近似的55模板。这种近似 不是唯一的，其目的是得到该算子本质的形状，即一个正的中 心项，周围被一个相邻的负值区域围绕，并被一个零值的外部 区域所包围。模板的系数的总和为零，这使得在灰度级不变的 区域中模板的响应为零。这个小的模板仅对基本上无噪声的图 像有用。
拉普拉斯算子一般不以其原始形式用于边缘检测。 这是因为： (1)作为一个二阶导数,拉普拉斯算子对噪声具有无法接 受的敏感性; (2)拉普拉斯算子的幅值产生双边缘,这是复杂的分割不 希望有的结果; (3)拉普拉斯算子不能检测边缘的方向. 一种改进方式是先对图像进行平滑处理,然后再应用二 阶导数的边缘检测算子.
得更佳的效果，对于不同图像应选择不同参数。
24
8.2.2 边缘连接(Edge Connection)
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。 填充小的间隙可以简单地实现，通过搜索一个以某 端点为中心的5×5或更大的邻域，在邻域中找出其它端 点并填充上必要的边界像素，从而将它们连接起来。 对具有许多边缘点的复杂场景，这种方法可能会对 图像过度分割。 为了避免过度的分割，可以规定：两个端点只有在 边缘强度和走向相近的情况下才能连接。
印刷工程数字图像处理第八章
区域表示则倾向于反映区域的灰度、颜色、纹理等特征的特点
3
第八章 图像表示与描述
8.1 图像表示
4
第八章 图像表示与描述
链 码
1
2 1 2 3 0 4 5 7 6 (c) 8-链码 1 0
2
0
3
3
4
5
(a) 4-链码
(b) 6-链码
图8.1 三种链码的形式：4-链码，6-链码以及8-链码
数字图像一般是按固定间距的网格采集的，因此最简单的
过矩（Moments）的计算得到，也可以用求物体的最佳拟合直
线的方法求出。
28
第八章 图像表示与描述
长轴与短轴
y 最 小外 接 矩 形 y
O
x
O
x
外 接矩 形 (a ) (b )
图8.15 MER法求物体的长轴和短轴 （a） 坐标系方向上的外接矩形；（b） 旋转物体使外接矩形最小
29
第八章 图像表示与描述
长轴与短轴
计算MER的一种方法是，将物体的边界以每次3°左右的 增量在90°范围内旋转。每旋转一次记录一次其坐标系方向上 的外接矩形边界点的最大和最小x、y值。旋转到某一个角度后， 外接矩形的面积达到最小。取面积最小的外接矩形的参数为主 轴意义下的长度和宽度，如图8.15(b)所示。此外，主轴可以通
8
第八章 图像表示与描述
一阶差分链码
链码的一阶差分相当于把链码进行旋转归一化。差分可 用相邻两个方向数按反方向相减(后一个减去前一个)得到。
如图所示， 上面一行为原链码(括号中为最右一个方向数循环
到左边)，下面一行为上面一行的数两两相减得到的差分码。 左边的目标在逆时针旋转90°后成为右边的形状，可见，原
数字图像处理与分析-8图像分割
灰 度 剖 面 图
（b） 图10.5 (a)理想的数字边缘模型，斜坡数字边缘模型。斜坡部 分与边缘的模糊程度成比例。
（a）
灰度级剖面图的一阶二阶导数
当沿着剖面线从左到右 经过时，在进入和离开 斜面的变化点，一阶导 数为正。在灰度级不变 的区域一阶导为零。 在边缘与黑色一边相关 的跃变点二阶导数为正， 在边缘与亮色一边相关 的跃变点二阶导为负。 沿着斜坡和灰度为常数 的区域为零。
2 ∇f = mag (∇F ) = Gx2 + G y
[
]
12
（10.1.4）
给出了在梯度方向上每增加单位距离后f(x,y)值增大的最大变化率。
Gx 梯度向量在(x,y)点的方向： α ( x , y ) = arctan G y 那么边缘在该点处的方向与梯度方向垂直。
8.2.1 局部处理
方法：分析图像中每个边缘点(x,y)的一个小领域内像素的特点， 将所有相似点连接起来，这样就形成由共同满足一定准则的像素 组成的一条边缘。 确定边缘像素相似性的性质： (1)用于生成边缘像素的梯度算子的响应强度。 如果满足 ∇ f ( x , y ) − ∇ f ( x 0 , y 0 ) ≤ E (10.2.1) 则处在预先定义的(x,y)邻域内坐标为(x0,y0)的边缘像素， 在幅度上相似于位于(x,y)位置的像素。E为非负门限。 (2)梯度向量的方向。 (10.2.2) α ( x, y ) − α (x0 , y0 ) ≤ A 如果满足 则处在预定义的(x,y)邻域内的坐标为(x0,y0)的边缘像素具有 相似于位于(x,y)的像素的角度。A为非负角门限。 如果大小和方向准则得到满足，那么就可以将两点连接起来。
不连续性：指区域之间象素值差别比较大，在边界上具 有某种不连续性。-----基于边界的分割方法 相似性：指区域内部象素值之间具备一定的相似性。 ----基于区域的分割方法
（b） 图10.5 (a)理想的数字边缘模型，斜坡数字边缘模型。斜坡部 分与边缘的模糊程度成比例。
（a）
灰度级剖面图的一阶二阶导数
当沿着剖面线从左到右 经过时，在进入和离开 斜面的变化点，一阶导 数为正。在灰度级不变 的区域一阶导为零。 在边缘与黑色一边相关 的跃变点二阶导数为正， 在边缘与亮色一边相关 的跃变点二阶导为负。 沿着斜坡和灰度为常数 的区域为零。
2 ∇f = mag (∇F ) = Gx2 + G y
[
]
12
（10.1.4）
给出了在梯度方向上每增加单位距离后f(x,y)值增大的最大变化率。
Gx 梯度向量在(x,y)点的方向： α ( x , y ) = arctan G y 那么边缘在该点处的方向与梯度方向垂直。
8.2.1 局部处理
方法：分析图像中每个边缘点(x,y)的一个小领域内像素的特点， 将所有相似点连接起来，这样就形成由共同满足一定准则的像素 组成的一条边缘。 确定边缘像素相似性的性质： (1)用于生成边缘像素的梯度算子的响应强度。 如果满足 ∇ f ( x , y ) − ∇ f ( x 0 , y 0 ) ≤ E (10.2.1) 则处在预先定义的(x,y)邻域内坐标为(x0,y0)的边缘像素， 在幅度上相似于位于(x,y)位置的像素。E为非负门限。 (2)梯度向量的方向。 (10.2.2) α ( x, y ) − α (x0 , y0 ) ≤ A 如果满足 则处在预定义的(x,y)邻域内的坐标为(x0,y0)的边缘像素具有 相似于位于(x,y)的像素的角度。A为非负角门限。 如果大小和方向准则得到满足，那么就可以将两点连接起来。
不连续性：指区域之间象素值差别比较大，在边界上具 有某种不连续性。-----基于边界的分割方法 相似性：指区域内部象素值之间具备一定的相似性。 ----基于区域的分割方法
《数字图像处理入门》第8章(无水印)
第8章 图象的检测及模板匹配图象的分割与检测(识别)实际上是一项非常困难的工作。
很难说清楚为什么图象应该分割成这样而不是那样。
人类的视觉系统是非常优越的，它不仅包含了双眼，还包括了大脑，可以从很复杂的景物中分开并识别每个物体，甚至可以毫不费力地跟上每秒好几十帧变化的图象。
举两个例子来说明一下人类视觉系统的优越性。
图8.1 单词THE图8.2 看不见的三角 图8.1是单词THE ，这一点很容易看出来，但仔细观察一下，就会发现，图中少了很多线条。
在我们人类看来很简单的一件事，让计算机来做就很困难了。
图8.2中尽管没有任何线条，但我们还是可以很容易的看出中间存在着一个白色三角形。
计算机却很难发现。
由于人类在观察图象时适用了大量的知识，所以没有任何一台计算机在分割和检测真实图象时，能达到人类视觉系统的水平。
正因为如此，对于大部分图象应用来说，自动分割与检测还是一个将来时。
目前只有少数的几个领域(如印刷体识别OCR)自动识别达到了实用的水平。
也许算是题外话，我们可以憧憬这样一种应用：基于内容的搜索。
在一场足球比赛的录象中，用户可以输入命令，由计算机自动搜索出所有射门的镜头并显示在屏幕上。
目前，我们能从一幅图象中获得的信息只是每个象素的颜色或灰度值，除此以外别无其它，完成上述功能实在是太困难了。
所以说解决图象分割和检测最根本的方法是在编码(成象)时就给予考虑。
这也正是MPEG4及未来的视频压缩编码标准的主要工作。
正因为有上述的困难，所以我们今天要介绍的只是一些最基本，最简单的算法和思想，针对也只能是一些具体(而不是通用)的应用。
算法共有三个：投影法、差影法和模板匹配。
8.1 投影法在介绍投影法之前，我先出一道题目，下面的这幅照片是著名的华盛顿纪念碑(我记得在“阿甘正传”中曾经看到过它)，怎样从图中自动检测到水平方向上纪念碑的位置。
仔细观察，不难发现，纪念碑上象素的灰度都差不多而且与众不同，如果我们选取合适的阈值，做削波处理(这里选175到220)，将该图二值化，如图8.3所示：图8.3 华盛顿纪念碑图8.4 削波处理，将图8.3二值化 由于纪念碑所在的那几列的白色点比起其他列多很多，如果把该图在垂直方向做投影，如图8.5所示。
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）。
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。
图像处理与分析(8,9)图像分割-2015-5-15_and_22
7
图像分割
１、点检测
涡轮叶片的X射线图
点检测的结果
图像分割
T 90% R
8
２、线检测
R1
R2
R3
R4
Ri R j , j i, 则此点被认为与 在i方向上的线更相关。
9
图像分割
例：线检测
目的：找一个像素宽，且方 向为-45度的线条。
T max R
10
图像分割
３、边缘检测
局部处理
通过霍夫变换进行整体处理
25
图像分割
１、局部处理
分析图像中每个点的一个小邻域内像素的特点， 依据事先规定的准则，将相似的点连接起来，形成由 共同满足这些准则的像素组成的一条边缘。
26
图像分割
１、局部处理
确定边缘像素相似性的两个主要性质： •在幅度上相似性
f x, y f x0 , y0 E
66
图像分割
1、基本概念
67
图像分割
２、区域生长
区域生长：是一种根据事先定义的相似性准 则将像素或子区域聚合成更大区域的过程。 基本方法：以一组种子点开始，将与种子点 性质相似的相邻像素附加到生长区域的每 个种子上。
68
图像分割
２、区域生长算法实现
69
图像分割
２、区域生长
70
图像分割
例：区域生长在焊缝检测中的应用
35
图像分割
例：通过霍夫变换进行边缘连接
判断相连像素准则： •这些像素属于3个 最高计数的累加器 单元之一。 •像素之间的间隔小 于5个像素。
36
图像分割
三、门限处理(阈值处理)
优势： 直观性 易于实现
在图像分割中处中心地位
图像分割
１、点检测
涡轮叶片的X射线图
点检测的结果
图像分割
T 90% R
8
２、线检测
R1
R2
R3
R4
Ri R j , j i, 则此点被认为与 在i方向上的线更相关。
9
图像分割
例：线检测
目的：找一个像素宽，且方 向为-45度的线条。
T max R
10
图像分割
３、边缘检测
局部处理
通过霍夫变换进行整体处理
25
图像分割
１、局部处理
分析图像中每个点的一个小邻域内像素的特点， 依据事先规定的准则，将相似的点连接起来，形成由 共同满足这些准则的像素组成的一条边缘。
26
图像分割
１、局部处理
确定边缘像素相似性的两个主要性质： •在幅度上相似性
f x, y f x0 , y0 E
66
图像分割
1、基本概念
67
图像分割
２、区域生长
区域生长：是一种根据事先定义的相似性准 则将像素或子区域聚合成更大区域的过程。 基本方法：以一组种子点开始，将与种子点 性质相似的相邻像素附加到生长区域的每 个种子上。
68
图像分割
２、区域生长算法实现
69
图像分割
２、区域生长
70
图像分割
例：区域生长在焊缝检测中的应用
35
图像分割
例：通过霍夫变换进行边缘连接
判断相连像素准则： •这些像素属于3个 最高计数的累加器 单元之一。 •像素之间的间隔小 于5个像素。
36
图像分割
三、门限处理(阈值处理)
优势： 直观性 易于实现
在图像分割中处中心地位
- 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)。
(0,511)
数字图像处理与分析基础
特征集 对象1 图像 分块 化 对象n 分块化和描述
描述1
描述2 描述3 特征集
数字图像处理与分析基础
8.1.2基于灰度的分割 （区域相关技术）
两大类
基于阈值分割的技术 基于灰度均匀性的区域分裂——合并算法。
阈值分割算法实施时各像素间无相关性，原图 像可以分成几部分同时进行分割，又称为并行 区域技术（Region-Based Parallel Techniques）。 区域分裂——合并算法实施时，要利用像素间 的相关性，是一种串行区域技术。
根据分割算法本身
数字图像处理与分析基础
路
路 路
(b)
分割结果
对象 A B A1 B1 C1 A2 B2 C2 坐标点 A3 B3 C3 B4 C4 C5
(a)
(0,0) A1 A3
分割的两种方法
(511,0)
x
分割
A
B1
A2 C5 B2 C4
C1 C2 C3
B4
原 图
C
B3
y
图像与分割结果的表示 (511,511)
2 h ( z ) 0 2 z
数字图像处理与分析基础
T=120
（a）原图
（b）直方图 （c）二值化结果 图8-2 Rice图像双峰法分割
数字图像处理与分析基础
2、最优阈值算法
其中：“1”表示物体（对象、目标）， “0”表示背景。
数字图像处理与分析基础
多阈值二值化
有时对象的灰度分布相对集中，而背景的灰度分布 很散，就需要设置两个灰度阈值T1、T2, T1>T2，这 两个阈值间的灰度范围都对应于对象，即：
1 ,T x ,y ) T 1 f( 2 g ( x ,y ) 0 , 其它
数字图像处理与分析基础
Th=4
Th=7
(c)
1、极小值点阈值
“直方图双峰法”：如果灰度直方图呈现明显的双峰状，则选 取两峰之间的谷底对应的灰度级作为阈值。谷底就是直方图 的极小值。将各端点相连，形成直方图的包络线h(z)，这是 一条曲线，它的极小值满足
h ( z ) 0 , z
h(z)——直方图
数字图像处理与分析基础
连通性有两种度量准则，如果只依据四邻域 （上下左右）确定连通，就称为4连通（fourconnectivity），物体也被称为是4连通的。如 果依据八邻域（加上四个对角像素）确定连 通，就称为8连通（eight-connectivity）。在 同一类问题的处理中，应当采用一致的准则。 通常8连通的结果误差小，与人的感觉更相近。
数字图像处理与分析基础
并行区域技术
Region-Based Parallel Techniques
1、原理和分类 2、依赖像素的阈值选取 3、依赖区域的阈值选取
数字图像处理与分析基础
图像阈值分割（Image Segmentation ： Thresholding）
最常用的图像分割技术 主要利用图像中背景与对象之间的灰度差异。 理想状态下图像的灰度直方图上呈明显的双峰 分布，两类物体灰度级间无交叠。在直方图中 处于谷底的区域选取一个灰度值作为阈值，根 据灰度与阈值的关系将像素判定为对象点或背 景点，这个过程称为图像二值化。对二值图像 进行进一步的分析就可以获得图像的分割结果。
“同质”分割依据：灰度、颜色、纹理、灰度变化 分割结果 以区域的边界坐标表示
。
数字图像处理与分析基础
分割方法分类
从分割依据出发
“相似性分割”就是将具有同一灰度级或纹理的像素聚集 在一起，形成图像中的不同区域。这种基于相似性原理的 方法常称为“基于区域相关的分割技术” “非连续性分割”需要先检测图像的局部不连续性，然后 将它们连接起来形成边界，这些边界将图像分割成不同的 区域。这种基于不连续原理检测图像中物体边缘的方法也 称为“基于点相关的分割技术”。 这两种方法具有互补性，一般来说在不同的场合需要不同 的方法，有时也将它们的处理结果相结合，以获得更好的 效果。 阈值法、边缘检测法、匹配法等
数字图像处理与分析基础意义的区域与背景分离开， 并按其不同的内涵将它们分割开。 “区域”是图像中相邻的具有类似性质的点 组成的集合。同一区域（region）中的像素 是相邻的，就是说区域是像素的连通集。 “连通”（connectedness）：在连通集的任 意两个像素间，存在一个完全由这个集合中 的元素构成的路径。同一区域中的任意两个 像素间至少存在一条连通路径。
1、概述和分类 2、基于灰度的分割技术 3、基于梯度的分割技术 4、彩色图像分割技术 5、分割评价
数字图像处理与分析基础
7.1.1 概述与分类
General Introduction and Classification
图像分量以及相互关系 图像分析与理解、自动景物分析、模式 识别 机器抽取信息
ISBN 7-5084-2930
新世纪电子信息与自动化系列课程改革教材
数字图像处理与分析基础
第八章 图像分割与描述
黄爱民 安向京 骆力
第八章 图像分析基础
Image Analysis theory
1、图像分割 2、图像描述
数字图像处理与分析基础
8.1 图像分割 Image Segmentation
数字图像处理与分析基础
1 1 1 1 1 1 1 1
1 4 5 6 5 4 6 1
1 5 7 8 7 8 5 1
1 6 8 8 8 7 4 1
1 5 8 8 8 7 5 1
1 6 8 7 8 7 6 1
1 5 6 6 6 6 5 1
1 1 1 1 1 1 1 1
30 20 10
象 素 点
(a)
0
1 2 3 4 5 6 7 8 灰度级 (b) 灰度取域法，阈值对分割结果 影响很大 （a）数字图像 （b）直方图 （c）取阈结果Th=4,Th=7
数字图像处理与分析基础
二值化
设f(x,y)表示原图像，g(x,y)表示分割后的图像，T为 选定的灰度阈值，分割算法表示为
1 , f( x ,y ) T g ( x ,y ) 0 , f( x ,y ) T
或
1 , f( x ,y ) T g ( x ,y ) 0 , f( x ,y ) T