遥感图像的分割与描述概要
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)。
0
0 0
0 0
0 0
2 2
2 2
0 0
0 0
0
0 0 0 0 0
0
1 1 0 3 3
0
1 1 0 3 3
2
2 2 0 3 3
2
2 2 0 0 0
0
2 2 0 0 0
0
0 0 0 0 0
图 像 分 割
目的：把图像分成一些带有某种专业信
息意义的区域。
分割原则：
依据各个像元点的灰度不连续性进行分割，
这样形成一幅边缘二值图像g(x,y)。
-1
-1 1 1
梯 度 算 子 模 版
图 像 分 割
特点：仅计算相邻像素的灰度差，对噪声比较敏感，
无法抑止噪声的影响。
拉普拉斯边缘检测
图 像 行和列的二阶偏导数之和▽2f(i,j) 分 ? 2 f (i, j ) f (i + 1, j ) + f (i - 1, j ) + f (i, j + 1) 割
图 像 分 割
边缘增强法
基本思想：
如果直方图的各个波峰很高、很窄、对 称，且被很深的波谷分开时，有利于选 择阈值。 为了改善直方图的波峰形状，我们只把 区域边缘的像素绘入直方图，而不考虑
图 像 分 割
区域中间的像素。
用微分算子，处理图像，使图像只剩下 边界中心两边的值。
边缘增强法
值T，把直方图分成两个部分，这样相应的在图
像上也就勾画出了景物和背景之间的边界。
图 像 分 割
阈值T将直方图分为A和B两部分，其选择原则是：
使A部分尽量包含与背景相关联的灰度级， 而B部分则包含景物的所有灰度级。
为了找出水平方向和垂直方向上的边界。需
要两次扫描图像f(x,y) 。也就是说，在阈值T 确定之后，可按下例步骤执行：
来确定图像的区域或边界点的方法，是
一种最常用、最简单的图像分割方法 。
图 像 分 割
直方图及阈值
设一幅给定图像f(x,y)中的灰度级，由图可知，在
图像f(x,y)中大部分像元是偏暗的，另外一些像元 分布在较高的灰度级中。
可以认为这是由一些具有较高灰度值的物体叠加 在一个偏暗背景上所组成的图像。可以设一个阈
a 起 始 点 在 左 上 方
起点
图 像 分 割
白
黑 起点
b 起 始 点 在 右 上 方
使用本方法时，有如下两点需要注意：
(1)景物的某些小凸部可能被迂回过去，如图a所 示。为避免出现这种情况，应多选些起始点并 取不同方向重复进行实验，然后选取相同的轨 迹作为景标的轮廓。
(2)要防止“爬虫”掉入陷阱，即围绕某一区域重
此，对数字图像的每个像素计算关于
边缘点两旁像素的二阶导数异号。据
+ f (i, j - 1)- 4 f (i, j )
它是一个与方向无关的各向同性边缘检测算子。若 只关心边缘点的位置而不顾其周围的实际灰度差时， 一般选择该算子进行检测。采用拉普拉斯算子对图 (a)进行边缘检测的结果如图(b)所示。
首先作出图像的直方图P(g)，在直方图中找 出两个局部极大值以及它们之间的极小值。 设极大点分别为gl和gh，而在它们之间的直方 图的极小值点为gT。
图 像 分 割
直方图分析法
可以用参数KT进一步测定直方图双极性的强 弱，从而判断所选阈值gT的有效性：
P ( gT ) KT = min 轾 P ( g l ), P ( g h ) 臌
选取景物边界两侧点的灰度直方
图的谷底作为阈值，具体实现方法
如下：
第一步，对每个像元点进行边缘增强， 即
图 像 分 割
1é g (i, j ) = f (i, j )- f (i, j - 1) + f (i, j )- f (i, j + 1) ê ë 4 + f (i, j )- f (i - 1, j ) + f (i, j )- f (i + 1, j ) ù ú û
边缘检测法
梯度边缘检测
连续图像f(x,y)的梯度幅度和方向分 别为：
? f ( x, y ) 骣f ÷ 骣 抖 f ç ÷ ç + ? ÷ ç ç ÷ ç ÷ ç 桫 抖 x 桫y ÷
2 2
图 像 分 割
轾 骣f ÷ 骣 抖 f ç ÷ ç q = arctg 犏 / ? ÷ ç ç ÷ ÷ 犏 ç ÷ ç 桫 抖 x y 桫 臌
复跟踪爬行，回不到起点。为避免这种情况发 生，可以使“爬虫”具有某种记忆能力，当发 现其在重复走过的路径时，中断跟踪并重新选 择起始点和跟踪方向。
图 像 分 割
区域相关分割技术
模板匹配 一个模板可看作由各种权值所构成的。当 模板中n×n个权值具有不同数值时，模板 就具有不同的几何性质。如果把权模板中 的各行按首尾相连的规则接连起来，则可 得权向量为
遥感图像的分割与描述
遥感图像的分割与描述
*
图像分割
*
区域描述
概念：把图像按一定的规则划分出 感兴趣的部分或区域叫做分割。分 0 割也是一种标记过程，即对分割所 0 得属于同一区域的像元点给予相同 0 的标记值，例如可将感兴趣的不同 0 0 区域分别标为数字1、2、3、……， 0 其余作为背景标为0。 0
当KT值很小时，说明直方图谷底高和谷底较低的 峰高在数值上相差悬殊，这表明直方图有较强的 双极性，因此，gT是一个有效的阈值。
图 像 分 割
曲线拟合法 在用直方图分析法确定极大、极小 值时，往往会遇到困难，原因是直 方图往往很粗糙和参差不齐。此时， 可以用一个二次曲线来拟合直方图 的谷底部分，设该曲线方程为
拉普拉斯边缘检测
其特点是：各向同性、线性和位 移不变的；对细线和孤立点检测 效果好。但边缘方向信息丢失， 常产生双像素的边缘，对噪声有 双倍加强作用。 由于梯度算子和拉普拉斯算子都 对噪声敏感，因此一般在用它们 检测边缘前要先对图像进行平滑。
0 1 0
拉 普 拉 斯 算 子 a 原图
图 像 分 割
第一步，对图像f(x,y)中的每一行进
行检测，产生的中间图像f1(x,y)的灰
度级遵循如下原则：
图 像 分 割
ì LE ï ï f1 ( x, y ) = í ï ï î LB
若 f (x, y) 和 f (x, y - 1) 处 在 不 同 的 灰 度 区 间 内
其他
第二步，对图像f(x,y)中的每一列进行检
图 像 分 割
若f1 (x, y)或f2 (x, y)中的任意一个等于LE
其他
这种灰度取阈法可以有以下各种具体形式。例如， 适当地选择一个阈值后，再将每一像元灰度级和它 进行比较，大于和等于阈值就重新分配以最大灰度 (例如1)，小于阈值就分配以最小灰度(例如0)、这 样处理后就可以得到一个二值图像，并把景物从背 景中显示出来。即
? x f (i, j )
2
(? y f (i, j ))
? y f (i, j )
y
2
图 像 分 割
max ( 蜒x f (i, j ) ,
f (i, j ) )
其中，绝对相加法和取水平或垂直最大差分值法的计算简单一些。 梯度的大小代表边缘的强度，梯度方向与边缘走向垂直。一阶偏 导采用一阶差分表示：
因此，图像函数f(x,y)沿梯度向量方向具有最大变化率，
且变化率的大小为梯度幅度▽f(x,y) 。
梯度边缘检测 梯度边缘检测法可以采用下列三种公式， 它们对检测水平方向或垂直方向上的边缘 是一样的，分别是
? 1 f (i, j ) ? 2 f (i, j ) ? 3 f (i, j )
(? x f (i, j ))
称为点相关的分割技术。
图 像 分 割
依据同一区域具有相似的灰度特征和纹理特
征，寻找不同区域的边界，称为区域相关的
分割技术。
分割技术
点相关的分割技术
灰度取阈法
边缘检测法
边缘跟踪
图 像 分 割
区域相关分割技术
模板匹配
区域生长
点相关的分割技术
灰度取阈法
它是把灰度级分成许多区间，选用阈值
底所对应的灰度，即为所求之阈值。
边缘增强法
这种方法有以下优点： 不会造一个灰度级的波峰过高，而另一 个过低
1)在景物和背景所占区域面积差别很大时，
2)边缘上的点在区域内还是区域外的概率 是相等的，因此可以增加波峰的对称性
பைடு நூலகம்
图 像 分 割
3)基于梯度和拉普拉斯算子选择的像素，
可以增加波峰的高度
y = ax + bx + c
式中a,b,c为拟合系数。
于是直方图的谷底极小值点可取为
2
图 像 分 割
b x= 2a
其所对应的灰度值即可作为阈值。
缺点：会受到噪音的干扰，极小值不是预期的
阈值，而偏离期望的值； 改进：取两个峰值之间某个固定位置，如中间 位置上。由于峰值代表的是区域内外的典型值， 一般情况下，比选谷底更可靠，可排除噪音的 干扰
边缘增强法
第二步，将所得到的梯度图转化为二 值图，即取一阈值H，令
ì 1 ï ï h (i, j ) = í ï ï î0
当g (i, j ) ³ H 其他
图 像 分 割
第三步，用二值图像h(i,j)乘以原图，从而组
成新图h(i,j)f(i,j)，新图便是仅包含景物边界 两侧点的图像，则新图直方图双峰中间的谷
ì 1 ï ï g ( x, y ) = í ï ï î0 ì 1 ï ï g ( x, y ) = í ï ï î0
当T1 ＃ f ( x, y ) T2 其他 当f ( x, y ) ３T1或f ( x, y ) T2 其他
图 像 分 割
另外，还有一种所谓半阈值方法，这 种方法在保留边界的前提下，还保留 景物的原来图像，分割时仅把背景表 示成最白或最黑。实现方法如下：
? x f (i, j ) ? y f (i, j )
f (i, j )- f (i - 1, j ) f (i, j )- f (i, j - 1)
梯度边缘检测 为检测边缘点，选取适当的阈值T，对 梯度图像进行二值化，则有
ì 1 ï ï g ( x, y ) = í ï ï î0
当Grad ( x, y ) ³ T 其他
ì 1 ï ï g ( x, y ) = í ï ï î0 或 ì 0 ï ï g ( x, y ) = í ï ï î1
当f ( x, y ) ³ T 当f ( x, y ) < T 当f ( x, y ) > T 当f ( x, y ) £ T
图 像 分 割
• 若在图像f(x,y)的灰度动态范围内选取 一个灰度区间[T1,T2]为阈值，则又可 以得到下面两种二值图像，即
对于两类对象的图像，若其灰度分布的百
分比已知，则可用试探的方法选取阈值，
图 像 分 割
需掌握的原则是：只要使阈值化后图像的
灰度分布百分比能达到已知的百分比数就 可以了。
最佳阈值的设置
直方图分析法
曲线拟合法
边缘增强法
图 像 分 割
直方图分析法
基本思想：边界上的点的灰度值出现次 数较少
1
0
-4
1
1
0
b 边缘二值图
边缘跟踪
跟踪法并不对图像的每一像元点都独立地
进行计算。在决定每一像元点是否为目标
像元点(包括边缘像元点)时，依赖于以前 处理过的像元点的信息。它的计算通常分 为两部分——先对图像像元点进行检测运 算，然后再作跟踪运算。
图 像 分 割
设图像是仅由黑色景物和白色背景组成的
ì f ( x, y ) 当f ( x, y ) ³ T ï ï g ( x, y ) = í ï 其他 ï î 0或256 或 ì f ( x , y ) 当f ( x , y ) £ T ï ï g ( x, y ) = í ï 其他 ï î 0或256
图 像 分 割
灰度阈值的选取是否合适将严重影响图像 的分割质量。当阈值选得太高(低)时，会 把许多背景(景物)像元点误分为景物(背景) 像元点。
二值图像如图所示。现在要设法找出黑色 景物的边缘轮廓。
轮廓跟踪方法如下，靠近边缘任取一个起始点， 然后按如下规律进行跟踪： (1)每次只前进一个像元； (2)当由白区跨进黑区时，以后各步向左转，直到 穿出黑区为止； (3)当由黑区跨进白区时，以后各步向右转，直到 穿出白区为止 (4)重复(1)~(3)各步，直到环行景物一周后，回到 起始点．则跟踪过的轨迹就是景物的轮廓。
测，产生的中间图像f2(x,y)的灰度级遵循
如下原则：
ì LE ï ï f 2 ( x, y ) = í ï ï î LB
图 像 分 割
若f (x, y)和f (x - 1, y)处在不同的灰度区间内
其他
为了得到被阈值T所定义的景物和背景的
边缘图像g(x,y)，可用下述关系：
ì LE ï ï g ( x, y ) = í ï ï î LB
W= 轾 w1 , 鬃 鬃 , wn , wn+ 1 , 鬃 , w2 n , 鬃 ? , wnn 臌
0 0
0 0
0 0
2 2
2 2
0 0
0 0
0
0 0 0 0 0
0
1 1 0 3 3
0
1 1 0 3 3
2
2 2 0 3 3
2
2 2 0 0 0
0
2 2 0 0 0
0
0 0 0 0 0
图 像 分 割
目的：把图像分成一些带有某种专业信
息意义的区域。
分割原则：
依据各个像元点的灰度不连续性进行分割，
这样形成一幅边缘二值图像g(x,y)。
-1
-1 1 1
梯 度 算 子 模 版
图 像 分 割
特点：仅计算相邻像素的灰度差，对噪声比较敏感，
无法抑止噪声的影响。
拉普拉斯边缘检测
图 像 行和列的二阶偏导数之和▽2f(i,j) 分 ? 2 f (i, j ) f (i + 1, j ) + f (i - 1, j ) + f (i, j + 1) 割
图 像 分 割
边缘增强法
基本思想：
如果直方图的各个波峰很高、很窄、对 称，且被很深的波谷分开时，有利于选 择阈值。 为了改善直方图的波峰形状，我们只把 区域边缘的像素绘入直方图，而不考虑
图 像 分 割
区域中间的像素。
用微分算子，处理图像，使图像只剩下 边界中心两边的值。
边缘增强法
值T，把直方图分成两个部分，这样相应的在图
像上也就勾画出了景物和背景之间的边界。
图 像 分 割
阈值T将直方图分为A和B两部分，其选择原则是：
使A部分尽量包含与背景相关联的灰度级， 而B部分则包含景物的所有灰度级。
为了找出水平方向和垂直方向上的边界。需
要两次扫描图像f(x,y) 。也就是说，在阈值T 确定之后，可按下例步骤执行：
来确定图像的区域或边界点的方法，是
一种最常用、最简单的图像分割方法 。
图 像 分 割
直方图及阈值
设一幅给定图像f(x,y)中的灰度级，由图可知，在
图像f(x,y)中大部分像元是偏暗的，另外一些像元 分布在较高的灰度级中。
可以认为这是由一些具有较高灰度值的物体叠加 在一个偏暗背景上所组成的图像。可以设一个阈
a 起 始 点 在 左 上 方
起点
图 像 分 割
白
黑 起点
b 起 始 点 在 右 上 方
使用本方法时，有如下两点需要注意：
(1)景物的某些小凸部可能被迂回过去，如图a所 示。为避免出现这种情况，应多选些起始点并 取不同方向重复进行实验，然后选取相同的轨 迹作为景标的轮廓。
(2)要防止“爬虫”掉入陷阱，即围绕某一区域重
此，对数字图像的每个像素计算关于
边缘点两旁像素的二阶导数异号。据
+ f (i, j - 1)- 4 f (i, j )
它是一个与方向无关的各向同性边缘检测算子。若 只关心边缘点的位置而不顾其周围的实际灰度差时， 一般选择该算子进行检测。采用拉普拉斯算子对图 (a)进行边缘检测的结果如图(b)所示。
首先作出图像的直方图P(g)，在直方图中找 出两个局部极大值以及它们之间的极小值。 设极大点分别为gl和gh，而在它们之间的直方 图的极小值点为gT。
图 像 分 割
直方图分析法
可以用参数KT进一步测定直方图双极性的强 弱，从而判断所选阈值gT的有效性：
P ( gT ) KT = min 轾 P ( g l ), P ( g h ) 臌
选取景物边界两侧点的灰度直方
图的谷底作为阈值，具体实现方法
如下：
第一步，对每个像元点进行边缘增强， 即
图 像 分 割
1é g (i, j ) = f (i, j )- f (i, j - 1) + f (i, j )- f (i, j + 1) ê ë 4 + f (i, j )- f (i - 1, j ) + f (i, j )- f (i + 1, j ) ù ú û
边缘检测法
梯度边缘检测
连续图像f(x,y)的梯度幅度和方向分 别为：
? f ( x, y ) 骣f ÷ 骣 抖 f ç ÷ ç + ? ÷ ç ç ÷ ç ÷ ç 桫 抖 x 桫y ÷
2 2
图 像 分 割
轾 骣f ÷ 骣 抖 f ç ÷ ç q = arctg 犏 / ? ÷ ç ç ÷ ÷ 犏 ç ÷ ç 桫 抖 x y 桫 臌
复跟踪爬行，回不到起点。为避免这种情况发 生，可以使“爬虫”具有某种记忆能力，当发 现其在重复走过的路径时，中断跟踪并重新选 择起始点和跟踪方向。
图 像 分 割
区域相关分割技术
模板匹配 一个模板可看作由各种权值所构成的。当 模板中n×n个权值具有不同数值时，模板 就具有不同的几何性质。如果把权模板中 的各行按首尾相连的规则接连起来，则可 得权向量为
遥感图像的分割与描述
遥感图像的分割与描述
*
图像分割
*
区域描述
概念：把图像按一定的规则划分出 感兴趣的部分或区域叫做分割。分 0 割也是一种标记过程，即对分割所 0 得属于同一区域的像元点给予相同 0 的标记值，例如可将感兴趣的不同 0 0 区域分别标为数字1、2、3、……， 0 其余作为背景标为0。 0
当KT值很小时，说明直方图谷底高和谷底较低的 峰高在数值上相差悬殊，这表明直方图有较强的 双极性，因此，gT是一个有效的阈值。
图 像 分 割
曲线拟合法 在用直方图分析法确定极大、极小 值时，往往会遇到困难，原因是直 方图往往很粗糙和参差不齐。此时， 可以用一个二次曲线来拟合直方图 的谷底部分，设该曲线方程为
拉普拉斯边缘检测
其特点是：各向同性、线性和位 移不变的；对细线和孤立点检测 效果好。但边缘方向信息丢失， 常产生双像素的边缘，对噪声有 双倍加强作用。 由于梯度算子和拉普拉斯算子都 对噪声敏感，因此一般在用它们 检测边缘前要先对图像进行平滑。
0 1 0
拉 普 拉 斯 算 子 a 原图
图 像 分 割
第一步，对图像f(x,y)中的每一行进
行检测，产生的中间图像f1(x,y)的灰
度级遵循如下原则：
图 像 分 割
ì LE ï ï f1 ( x, y ) = í ï ï î LB
若 f (x, y) 和 f (x, y - 1) 处 在 不 同 的 灰 度 区 间 内
其他
第二步，对图像f(x,y)中的每一列进行检
图 像 分 割
若f1 (x, y)或f2 (x, y)中的任意一个等于LE
其他
这种灰度取阈法可以有以下各种具体形式。例如， 适当地选择一个阈值后，再将每一像元灰度级和它 进行比较，大于和等于阈值就重新分配以最大灰度 (例如1)，小于阈值就分配以最小灰度(例如0)、这 样处理后就可以得到一个二值图像，并把景物从背 景中显示出来。即
? x f (i, j )
2
(? y f (i, j ))
? y f (i, j )
y
2
图 像 分 割
max ( 蜒x f (i, j ) ,
f (i, j ) )
其中，绝对相加法和取水平或垂直最大差分值法的计算简单一些。 梯度的大小代表边缘的强度，梯度方向与边缘走向垂直。一阶偏 导采用一阶差分表示：
因此，图像函数f(x,y)沿梯度向量方向具有最大变化率，
且变化率的大小为梯度幅度▽f(x,y) 。
梯度边缘检测 梯度边缘检测法可以采用下列三种公式， 它们对检测水平方向或垂直方向上的边缘 是一样的，分别是
? 1 f (i, j ) ? 2 f (i, j ) ? 3 f (i, j )
(? x f (i, j ))
称为点相关的分割技术。
图 像 分 割
依据同一区域具有相似的灰度特征和纹理特
征，寻找不同区域的边界，称为区域相关的
分割技术。
分割技术
点相关的分割技术
灰度取阈法
边缘检测法
边缘跟踪
图 像 分 割
区域相关分割技术
模板匹配
区域生长
点相关的分割技术
灰度取阈法
它是把灰度级分成许多区间，选用阈值
底所对应的灰度，即为所求之阈值。
边缘增强法
这种方法有以下优点： 不会造一个灰度级的波峰过高，而另一 个过低
1)在景物和背景所占区域面积差别很大时，
2)边缘上的点在区域内还是区域外的概率 是相等的，因此可以增加波峰的对称性
பைடு நூலகம்
图 像 分 割
3)基于梯度和拉普拉斯算子选择的像素，
可以增加波峰的高度
y = ax + bx + c
式中a,b,c为拟合系数。
于是直方图的谷底极小值点可取为
2
图 像 分 割
b x= 2a
其所对应的灰度值即可作为阈值。
缺点：会受到噪音的干扰，极小值不是预期的
阈值，而偏离期望的值； 改进：取两个峰值之间某个固定位置，如中间 位置上。由于峰值代表的是区域内外的典型值， 一般情况下，比选谷底更可靠，可排除噪音的 干扰
边缘增强法
第二步，将所得到的梯度图转化为二 值图，即取一阈值H，令
ì 1 ï ï h (i, j ) = í ï ï î0
当g (i, j ) ³ H 其他
图 像 分 割
第三步，用二值图像h(i,j)乘以原图，从而组
成新图h(i,j)f(i,j)，新图便是仅包含景物边界 两侧点的图像，则新图直方图双峰中间的谷
ì 1 ï ï g ( x, y ) = í ï ï î0 ì 1 ï ï g ( x, y ) = í ï ï î0
当T1 ＃ f ( x, y ) T2 其他 当f ( x, y ) ３T1或f ( x, y ) T2 其他
图 像 分 割
另外，还有一种所谓半阈值方法，这 种方法在保留边界的前提下，还保留 景物的原来图像，分割时仅把背景表 示成最白或最黑。实现方法如下：
? x f (i, j ) ? y f (i, j )
f (i, j )- f (i - 1, j ) f (i, j )- f (i, j - 1)
梯度边缘检测 为检测边缘点，选取适当的阈值T，对 梯度图像进行二值化，则有
ì 1 ï ï g ( x, y ) = í ï ï î0
当Grad ( x, y ) ³ T 其他
ì 1 ï ï g ( x, y ) = í ï ï î0 或 ì 0 ï ï g ( x, y ) = í ï ï î1
当f ( x, y ) ³ T 当f ( x, y ) < T 当f ( x, y ) > T 当f ( x, y ) £ T
图 像 分 割
• 若在图像f(x,y)的灰度动态范围内选取 一个灰度区间[T1,T2]为阈值，则又可 以得到下面两种二值图像，即
对于两类对象的图像，若其灰度分布的百
分比已知，则可用试探的方法选取阈值，
图 像 分 割
需掌握的原则是：只要使阈值化后图像的
灰度分布百分比能达到已知的百分比数就 可以了。
最佳阈值的设置
直方图分析法
曲线拟合法
边缘增强法
图 像 分 割
直方图分析法
基本思想：边界上的点的灰度值出现次 数较少
1
0
-4
1
1
0
b 边缘二值图
边缘跟踪
跟踪法并不对图像的每一像元点都独立地
进行计算。在决定每一像元点是否为目标
像元点(包括边缘像元点)时，依赖于以前 处理过的像元点的信息。它的计算通常分 为两部分——先对图像像元点进行检测运 算，然后再作跟踪运算。
图 像 分 割
设图像是仅由黑色景物和白色背景组成的
ì f ( x, y ) 当f ( x, y ) ³ T ï ï g ( x, y ) = í ï 其他 ï î 0或256 或 ì f ( x , y ) 当f ( x , y ) £ T ï ï g ( x, y ) = í ï 其他 ï î 0或256
图 像 分 割
灰度阈值的选取是否合适将严重影响图像 的分割质量。当阈值选得太高(低)时，会 把许多背景(景物)像元点误分为景物(背景) 像元点。
二值图像如图所示。现在要设法找出黑色 景物的边缘轮廓。
轮廓跟踪方法如下，靠近边缘任取一个起始点， 然后按如下规律进行跟踪： (1)每次只前进一个像元； (2)当由白区跨进黑区时，以后各步向左转，直到 穿出黑区为止； (3)当由黑区跨进白区时，以后各步向右转，直到 穿出白区为止 (4)重复(1)~(3)各步，直到环行景物一周后，回到 起始点．则跟踪过的轨迹就是景物的轮廓。
测，产生的中间图像f2(x,y)的灰度级遵循
如下原则：
ì LE ï ï f 2 ( x, y ) = í ï ï î LB
图 像 分 割
若f (x, y)和f (x - 1, y)处在不同的灰度区间内
其他
为了得到被阈值T所定义的景物和背景的
边缘图像g(x,y)，可用下述关系：
ì LE ï ï g ( x, y ) = í ï ï î LB
W= 轾 w1 , 鬃 鬃 , wn , wn+ 1 , 鬃 , w2 n , 鬃 ? , wnn 臌