7_图像分割、图像分类与估计

遥感图像处理与分析（七）Remote Sensing ImageProcessingand Analysis第七章图像处理的模式识别基础主要内容：基本概念图像分割图像的纹理特征提取图像的分类与估计一、基本概念模式识别模式识别(Pattern Recognition)是指对表征事物或现象的各种形式的(数值的、图像的和逻辑关系的等)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程,是信息科学和人工智能的重要组成部分。

作为一门学科有其系统的理论和技术方法,随着计算机科学尤其人工智能技术的发展和应用,模式识别技术也得到了快速的发展和应用.模式识别的步骤主要包含两个步骤:图像分割和特征提取:对待识别的事物,进行特征提取,这些特征可以应用一定的数学方法通过计算进行量化表示。

决策分类:确定每个物体应该归属的预定义类别，通过一个分类的过程加以实现。

模式识别举例特征空间定义：将图像划分为各具特性的区域并提取出感兴趣的目标的技术和过程。

理解：检测出各个物体，并把它们的图像和其余景物分离。

在图像中检测并勾画出感兴趣物体。

将图像分为不相连的区域，通常这些区域对应于物体以及物体所处的背景。

二、图像分割图像分割图像分割的原则依据像元灰度值的不连续性进行分割（灰度阈值法）依据同一区域内部像元的灰度值具有相似性进行分割，以一定准则进行像元合并（区域增长法）图像分割的算法分类分割灰度特性：大致可分为相似性分割和非连续性分割分割目标特性：大致分为基于区域的方法、基于边缘的方法、区域与边缘相结合的方法分割处理策略：可分为并行算法和串行算法 分割算法本身：分为阈值法、界线探测法、匹配法等1、区域分割技术阈值分割利用了图像中要提取的目标与其背景在灰度特性上的差异，把图像视为具有不同灰度级的两类区域(目标和背景)组合，确定图像中每个像素点应该属于目标还是背景区域，所以阈值分割相当于对影像进行二值化，结果分割成两类：像素灰度值大于阈值的为一类，像素灰度值小于阈值的为另一类。

阈值分割算法主要有三个步骤：确定需要的分隔阈值。

将分割阈值与像素灰度值比较来划分该像素的归类。

把像素归类，并进行标记。

利用直方图进行阈值选择如果前景物体内部的灰度值分布比较均匀，背景灰度值的分布也比较均匀。

这时影像的灰度直方图将有明显的双峰现象。

当一幅影像的直方图具有双峰时，可选择两峰之间的谷底作为阈值。

a. 原始图像b. 阈值分割的结果图像全局阈值化9背景的灰度值在整个图像中可合理地看作恒定。

9所有物体与背景具有几乎相同的对比度。

9选择正确的阈值（简单的对象与背景）。

c选择初始的Td用T分割图像为G1和G2, G1>T, G2≤Te对G1和G2中所有象素计算均值μ1μ2。

f计算新的门限T=½(μ1 +μ2 )g重复d—f，直到两次计算的T值的差小于预先给定的阈值为止基本自适应阈值将整个图像进行细分，分成若干子图像，对每个子图像进行统计，若方差大于某个设定值，则对该子图像单独确定阈值进行分割，对方差小于设定值的子图像合并，并确定阈值进行分割。

最佳该算法的主要目标是确定一个阀值T ，对图像进行分类（目标与背景）并使分类出错率最小。

在区间[a,b]取值的随机变量的概率是它的PDF 在该区间的积分，因此将背景当作目标进行分类时的出错概率为（1）这是概率曲线P 2的下方位于门限左边区域的面积。

12()()TE T p z dz−∞=∫Otsu算法采用“影像灰度之方差加权和最小”的算法（Otsu,1979）来计算最佳阈值。

用于影像框标的自动提取。

二）区域生长法区域生长的基本思想是将具有相似性质的像素集合起来构成区域。

也就是寻找具有相似性的像素群。

首先，在要进行分割的某个区域内找一个像素（种子）作为生长的初始点，然后将种子周围邻域中与种子像素有相同或相似性质的像素（按照事先确定的生长准则或形似准则来判定）合并到种子像素所在的区域中，最后将这些新合并进来的像素作为新的种子像素继续进行上面的过程，直到再没有满足条件的像素被包括进来为止，则生长结束。

下图所示给出了区域生长的一个示例：其中邻域采取4邻域方法。

图中带有阴影的像素为初始的种子点。

假设生长的准则是种子点与所考虑像素的灰度值之差的绝对值，当其小于或等于某个阈值时就将该像素包括到该种子所在的区域中来。

三）分裂合并法区域生长的过程是从种子点开始的。

分裂合并的方法是开始时将影像分割为一系列任意不相交的区域，然后用一定的准则将它们进行聚合或拆分，达到影像分割的目的。

四）其他区域分割方法基于影像统计特性---Markov随机场的图像分割 模糊增强的阈值分割模糊聚类2、图像的边界分割技术通过边缘提取将图像划分为内部点集和外部点集。

利用边界具有高梯度值的性质直接找出边界。

边缘检测和连接检测每个像素与其邻域的状态，判断是否处于一个物体的边界上即边缘检测。

用灰度级来表示符合边缘像素要求的程度时，这种图像称为边缘图像。

边缘点勾画出各个物体的轮廓，将邻近的边缘点连接起来从而产生一条闭合的连通边界的过程称为边缘连接。

梯度图像边界跟踪适合于无噪声的单调点状物图像中。

微小噪声将导致边界跟踪的失败，即使没有噪声算法也有可能失控并走到图像边界外边。

梯度边缘检测算子-基于方向导数掩模求卷积常用算子Roberts边缘算子Sobel边缘算子Prewitt边缘算子Laplacian边缘算子LOG算子（基于高斯滤波器和拉普拉斯算子）Canny算子（基于高斯滤波器和梯度局部模极大）基于小波的边缘检测算子（基于Canny算子思想，利用小波变换的方向性）Hough/Radon变换-直线或曲线检测直角坐标系下的直线y=ax+b在极坐标系上表示为一个点。

利用这一特性，如果图像中有一条直线边缘，则该边缘对应直角坐标系平面上的一条直线，且这些直线对应于极坐标系上的点，检测这些局部极大值点即可得到边缘直线。

实际应用中，一般用直线的标准形式进行计算：x-y坐标系中的点对应平面上的正弦形曲线。

θθρsin cos y x +=θρ−二值图像处理二值图像通常由一个图像分割操作产生。

数学形态学图像处理是一个有效的二值图像处理方法形态学基本运算包括腐蚀和膨胀及由此发展出来的变体及开运算、闭运算等。

膨胀腐蚀开运算和闭运算设A 是原始图像，B 是结构元素图像，则集合A 被结构元素B 作开运算，记为A B,其定义为：A B=(A B)B 。

就是A 被B 腐蚀后的结果再被B 膨胀。

设A 是原始图像，B 是结构元素图像，则集合A 被结构元素B 作闭运算，记为A B，其定义为：A B=(A B) B 。

就是A 被B 膨胀后的结果再被B 腐蚀。

Θ⊕⊕D •D •Θ其它处理细化处理连接处理消除短线处理 求矩求重心等等三、图像的纹理特征提取主要的纹理特征标志:某种局部的序列在更大的区域内不断重复序列是由其基本部分非随机排列组成的各部分大致都是均匀的统一体,在纹理区域内的任何地方都有大致相同的结构尺寸那么,序列的基本部分称为纹理单元纹理特征的提取方法纹理特征提取的结果是通过对给定邻域内象元灰度值的空间变化的分析计算得出反映纹理特征的某一统计指标,形成纹理图像纹理提取的常用方法:空间自相关函数法傅立叶频谱法灰度共生矩阵法灰度差分统计法灰度行程长度法等等灰度共生矩阵的计算在图像中任意一点（x,y ）以及偏离它的另外一点（x+a,y+b ）,假设分别对应的灰度值为：（），令点（x,y ）在图像上移动，就会得到不同的（）值。

假设图像灰度级为k ，那么和的组合共有种对于整幅图像，统计出每一种（）值出现的次数，然后排成一个方阵，就可以得到大小为（）灰度共生矩阵。

21,f f k k ×21,f f 1f 2f 2k 21,f f考虑减小图像的灰度级，以降低共生矩阵的尺寸，提高运算效率原始灰度矩阵灰度降级后矩阵灰度共生矩阵生成纹理特征度量值计算反差熵2212111))(,(12ffffPCkfkf−=∑∑−=−=),(lg),(21211112ffPffPEkfkf∑∑−=−=−=四、图像分类与估计分类特征提取:理想的特征应具有可区别性，对不同类别的对象，特征值具有明显的差异。

可靠性，对同类的对象，特征值应比较接近。

独立性，特征之间应彼此不相关。

数量少，特征的个数（维数）。

分类器的设计分类器的设计包括：建立分类器的逻辑结构和分类规则的数学基础。

对每一个遇到的对象，分类器计算出表示该对象与每类典型之间的相似程度。

这个值是该对象特征的一个函数。

用来确定该对象属于哪一类。

大多数分类器的分类规则都转换成阈值规则，将测量空间划分成互不重叠的区域，每一个类对应一个(或多个)区域。

分类器的训练分类器的基本决策规则确定后，需要确定划分类别的阈值。

用一组已知的对象来训练分类器。

训练分类器时，可以使用简单的规则。

样本集应该具有代表性的，必须包括可能遇到的各种类型对象的例子。