图像分割与特征提取

像分割。
8.1 引言
1.
图像分割有二种不同的途径：
区域法：将各象素划归到相应物体或区域的 象素聚类方法 边界方法：通过直接确定区域间的边界来实 现分割
2.
8.2 图像的分割
8.2.1、并行区域技术－基于阈值的图像分割技术 8.2.2、串行区域技术 8.2.3、并行边界技术－基于边界的图像分割
8.2.2 串行区域技术

确定均匀性准则。例如以一个区对某种特征（如灰度、 彩色或纹理）的均匀性为准则，通常用门限T来约束。

对满足均匀性准则的小区则合并，不满足均匀性准则
的小区则采用四叉树的方式将此区等分为四个小区。
8.2.2 串行区域技术
1 1 0 0 4 3 8 8 0 1 0 0 4 3 7 7 0 1 0 0 3 4 1 1 0 1 0 1 3 4 1 1 8 8 7 7 7 8 1 1 7 8 8 8 8 8 1 1 7 8 8 8 1 1 1 0 7 8 8 7 0 0 1 1 1 1 0 0 4 3 8 8 0 1 0 0 4 3 7 7 0 1 0 0 3 4 1 1 0 1 0 1 3 4 1 1 8 8 7 7 7 8 1 1 7 8 8 8 8 8 1 1 7 8 8 8 1 1 1 0 7 8 8 7 0 0 1 1
8.1 引言

图像分割是将图像划分为若干互不相交的小区域的 过程。小区域是某种意义下具有共同属性的象素的 连通集合，如物体所占的图像区域、天空区域等。 连通的概念是指集合中任意两个点之间都存在着完 全属于该集合的连通路径。对于离散图像而言，连 通有4连通和8连通之分

4连通
8连通
8.1 引言

图像分割是图像理解的基础，而在理论上图 像分割又依赖图像理解，彼此是紧密关联的。 图像分割在一般意义下是十分困难的问题， 目前的图像分割一般作为图像的前期处理阶 段，是针对分割对象的技术，是与问题相关 的，如最常用到的利用阈值化处理进行的图
8.2.1并行区域技术－基于阈值

单阈值分割
只用一个阈值分割。 多阈值分割
1 g ( x, y ) 0
如f ( x, y ) T 如f ( x, y ) T

Biblioteka Baidu
用多个阈值分割。在一般的多阈值情况下，多阈值 分割取为：
g ( x, y) k
如T f ( x, y) T
k 1
8.2.2 串行区域技术
一、区域生长
二、分裂合并
8.2.2 串行区域技术
一、区域生长 区域生长方法是根据同一物体区域内象素的相似性质 来聚集象素点的方法，从初始区域（如小邻域或甚至 于每个象素）开始，将相邻的具有同样性质的象素或 其它区域归并到目前的区域中从而逐步增长区域，直 至没有可以归并的点或其它小区域为止。区域内象素 的相似性度量可以包括平均灰度值、纹理、颜色等信 息。关键是相似性度量准则以及初始区域或象素的确 定。
k
8.2.1并行区域技术－基于阈值
（1）极小值点阈值
对于双峰直方图，选取两个峰之间的谷对应的灰度
值作为阈值。
将直方图的包络看作一条曲线，求直方图包络线的 极小值点对应的灰度值作为阈值。
8.2.1并行区域技术－基于阈值
在阈值化处理之后，可以通 过直接跟踪物体边界的方法 将物体区域分割出来，得到 其轮廓并进一步分析其几何 形状特征。
8.2.2 串行区域技术

图像： 5 8 2 3 8 9 8 3 6 7 3 3 取跟踪门限T＝2 5 5 8 6 4 8 9 7 2 2 8 3 3 3 3 3
5 4 2 3

生长准则：区域任一象素与其邻点灰度差<T
结果与起始点选择和门限选择有关
8.2.2 串行区域技术

图像： 5 8 2 3 8 9 8 3 6 7 3 3 5 4 2 3 5 8 8 9 2 8 3 3 6 7 3 3 5 4 2 3 5 8 6 8 9 7 2 8 3 3 3 3
8.2 图像的分割
8.2.1、并行区域技术－基于阈值的图像分割技术 8.2.2、串行区域技术 8.2.3、并行边界技术－基于边界的图像分割
8.2.1并行区域技术－基于阈值
取阈值是最常见的并行的直接检测区域的分割方法。阈
值是在分割时作为区分物体与背景象素的门限，大于或 等于阈值的象素属于物体，而其它属于背景。这种方法 对于在物体与背景之间存在明显差别（对比）的景物分 割十分有效。实际上，在任何实际应用的图像处理系统 中，都要用到阈值化技术。为了有效地分割物体与背景， 人们发展了各种各样的阈值处理技术，包括全局阈值、 自适应阈值、最佳阈值、局部阈值等。
8.2.1并行区域技术－基于阈值 （4）灰度和灰度平均图
物体与背景各自的灰度都较均匀二者相差不大 时，分割时可以这样处理：横轴取象素的灰度 （r , r ) 为坐 r，纵轴取r的邻域的平均 r 。直方图 标点上的象素数目。边界上的点将远离对角线， 因此选远离对角线的点的灰度作为分割的灰度 门限将获得较好的分割效果。
8.2.1并行区域技术－基于阈值 （5）灰度值和梯度值散射图
做直方图（r，g）横轴取象素的灰度r，纵轴 取r的梯度g。直方图（r，g）为具有某个灰度 和梯度值的象素数目。
8.2 图像的分割
8.2.1、并行区域技术－基于阈值的图像分割技术 8.2.2、串行区域技术 8.2.3、并行边界技术－基于边界的图像分割
5 4 2 3

生长准则：待检测象素的灰度与已检测的区域的平
均灰度差<T 例：取跟踪门限T＝2
结果与起始点选择(如选6)和门限选择有关
8.2.2 串行区域技术

二、区域分裂与合并
从整个图像开始不断分裂得到各个区域。实际中常 常先把图像分成任意大小且不重叠的区域，然后再合 并或分裂这些区域以满足要求。
8.2.1并行区域技术－基于阈值
8.2.1并行区域技术－基于阈值
（2）最佳阈值
有时目标和背景的灰度值有部分交错，用 1个全局阈值不能将它们绝然分开。希望 减小误分割的概率，选取一个最佳阈值。 阈值的选择需要根据具体问题来确定， 一般通过实验来确定。
8.2.1并行区域技术－基于阈值 （3）直方图变换 利用象素邻域的局部性质变换原来的直 方图得到一个新的直方图。新的直方图 或者谷更深或者谷变成峰，更容易检测。 常用的方法是用象素的梯度值。