第六节图象分割(上)
合集下载
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)。
2020/9/19
统计模式识别,监督分类方法:
目标与背景灰度不同,把灰度看作特征
已知:先验概率P(1),P(2),第1,2类出 现概率P(1)+P(2)=1
21
条件概率:p(z/1),p(z/2)
图像可统计直方图
p(z) = p(z/1)·p(1)+p(z/2)·p(2)——全概率 公式
p(z/1) p(z/2)
E(a,b,c) = [ax+by+c-f(x,y)] 2 + [a(x+1)+by+c-f(x+1,y)] 2 +
2020/9/19
[ax+b(y+1)+c-f(x,y+1)]2 + [a(x+1)+b(y+1)+c-f(x+1,y+1)]2
使 E0, E0, E0 a b c
可得a: f(x1,y)f(x1,y1)f(x,y)f(x,y1) 水平差
生长法,贯序分割法,松弛法(Relaxation)其它等等。
2020/9/19
实际分割中考虑几个因素: 噪音干扰--加大窗口 光强不均匀--用边缘检测法 本身不确定性与不连续性--智能性算法
(本章介绍方法与其说是典型性,不如说是启发性,分割方法太 多,开拓思路。 )
2020/9/19
6.2 象素分类法
区域特征相似的部分组成一目标区,给定某一初值m(区域灰度 均值)。m±t都属于同一个区。
灰度 目标 边界
背景
梯度
c 多波段:百度文库
R、G、B可分别组成R-B, G-B, R-B两维直方图,图上 强的地方反映一个区。
2020/9/19
6.4 边缘检测法 见本图“A”字,照度不均匀。
2020/9/19
方法1: 可调整亮度,再取阈值。 方法2:直接检测边界。
2020/9/19
求导取阈值——抽取边界,实质是在图像梯度图上取阈值来 找出边缘。
使 0 得
t
p1pz1 p2pz20 p1pz1p2pz2
解出 z即最佳分类阈
2020/9/19
举例讨论:设p(z/1), p(z/2)为正态分布
即: pz1
21expzu2
22
p
z 2
1
2
expzv2
22
u,v为中值,δ,τ为标准方差 (两边取对数即可得下式)
解出结 2t果 u2 : 2tv2222lnp1p2 tfu,v,,,p1,p2 解不出显函数
特例:当p(1)=p(2)=1/2 δ=τ时得 :
2020/9/19
t vu 2
6.3门限法(阈值法)Thresholding
(真实情况不知条件概率分布,用经验法近似) 直接从图象中选一门限将图象分成两区,或由 直方图选出谷值。
影响图素:噪音、照度不均匀,结构特征。
注意:人的识别不是绝对值,而是对灰度变化 最敏感。
第六章 图象分割 6.1概述
图象处理有两大类目的: 1.改善象质(增强、恢复) 2.图象分析:对图象内容作出描述
图像分析:(也叫景物分析或图像理解) 可看作是一种描述过程,主要研究用自动或半自动装置和系统,
从图像中提取有用测度,数据或信息生成非图的描述或表示。
图像分割:将图像中有意义的特征或需要应用的特征提取出来。 (简单而又难于实现的最基础的识别工作。由于目标特征不均匀, 图像中有噪声——分割困难。图象几何性质与象素位置有关,与灰 度值无关。往往以二值图像作为研究对象,对噪声的敏感性处理不
选择分类阈值t,使总的分类误差最小
即:z<t 属1类
z
z≥t 属2类
1类 t 2类
误分类情况:
2类误分为1类: pt2tpz2dz 1类误分为2类: pt1 tpz1dz1tpz1dz
2020/9/19
总误分概率: p1pt1p2pt2 p1 1 tpz1d zp2 tpz2dz
简单情况下取直方图谷值点作分割阈值。
图象中有噪音干扰,先做平滑处理,后取门 限。
光照不均匀:
a先修正光照不均匀,再取门限。
b 分区分割 目的:减少光照不均匀而影响的分割效果。
暗
暗
亮
暗
暗
2020/9/19
多波段: R、G、B多幅直方图同时出现谷值。
取局部特征:如纹理——粗糙度
此结构特征优于灰度特征,因为与结构有关,若取局部特征,并对 局部特征图平滑之后,再取阈值,则效果更好。
2
2
bf(x,y1)f(x1,y1)f(x,y)f(x1,y) 垂直差
2
2
c13f(x,y)f(x1,y)f(x,y1)f(x1,y1)axby
4
曲面z axby c之梯度值为
z
2
x
z y
2
a2 b2
2020/9/19
6.5 生长法--(与分裂法相对)
由单个象素开始合并成一定大小的区。
当相邻区相似时则合并(由单个象素算一个区开始)。实际上不 必非从单个象素开始,而是由小区开始,小区不仅速度快,而且对 噪音的敏感程度降低。
分割用特征: 灰度 灰度梯度 粗糙度
ABC DE F GH I
V x =∣A-B∣+∣B-C∣+∣D-E∣+∣E-F∣+∣G-H∣+∣H-I∣ V y=∣A-D∣+∣D-G∣+∣B-E∣+∣E-H∣+∣C-F∣+∣F-I∣
粗糙度 = Min(VX,VY) (纹理:边缘突变不考虑,边缘不属于纹理。)
分维数:盒维,以某个点为中心可以计算出局部维数。
算子:Robot、Sobel等。
曲面拟合法
以某一点的邻域的灰度拟合成某一曲面,将拟合后曲面梯度作 为该象素点的梯度。
如最简单用z = f(x,y) = ax+by+c函数与f(x,y), f(x+1,y), f(x,y+1), f(x+1,y+1)拟合
x,y x+1,y x,y+1 x+1,y+1
拟合误差:
好,将严重影响分析结果。 )
2020/9/19
人的视觉系统对图像分割是十分复杂的,也是相当有效的。但分割 原理和模型都未搞清楚。
分割方法分类: 人机交互--手工勾画,训练区办法。 分类--统计分类(统计模式识别方法) 阈值法--(与对象有关) 边缘检测法:边缘检测算子--已知算子
模板匹配--已知模板 最佳曲面拟合--已知函数 纹理检测
多特征阈值分割
a 灰度及平均灰度(3×3区)二维直方图
平均灰度
--若集中于对角线区则表示灰度均
匀区。
边界
--若远离对角线者(灰度与平均灰 度不同)是区之边界。
(近对角线构成直方图有明显峰值及
阈值,远离对角线者可用灰度平均值
作为阈值,用于区分两个区)。
背景
2020/9/19
目标 边界
灰度
b灰度与灰度梯度图