第08章 图像分割
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)。
任何一种分割方法都有其局限性。
实际的算法只能根据实际情况选择方法和阈值。
8.4 图像的边缘检测
8.4.1 边缘检测的基本原理
基于灰度不连续性进行的分割方法。
图8.9 几种常见的边缘
用差分、梯度、拉普拉斯算子及各种高通滤波处理方法对图像 边缘进行增强，只要再进行一次门限化的处理，便可以将边缘 增强的方法用于边缘检测。
根据各个像素点的灰度不连续性进行分割； 根据同一区域具有相似的灰度进行分割。 （2）根据分割的处理策略不同进行分割： 并行算法，所有的判断和决策可以独立进行； 串行算法，后期的处理依赖前期的运算结果。
表8.1 常见的图像分割算法
分 类
并行 处理
串行 处理
边界 （不连续性）
并行边界类 （边缘检测等）
串行边界类 （边缘跟踪等）
区域 （相似性）
并行区域类（阈值分割、 聚类等）
串行区域类（区域生长、 分裂合并等）
8.2 像素的邻域和连通性
1. 4邻域
对一个坐(标x,为y) 的像素p，它可以有两个水平和两
个垂直的近邻像素。它们的坐标分别是
(x 1, y),(x 1, y),(x, y 1),(x, y 1)
（2）找出各个区域的特征（特征提取）。 （3）识别图像中的内容，或对图像进行分类（识别与分类）。 （4）给出结论（描述、分类或其他的结论）。
图8.1 目标为飞机的图像
（a）原图像
（b）分割后的图像
8.1.2 图像分割的集合定义
• 令集合R代表整个图像区域，对R的图像分割可以
视为将R分成N个满足以下条件的非空子集：
3．最小误差的方法
图8.5 直方图阈值分割示意图
图8.6 灰度级分布
8.3.3 局部阈值分割
当照明不均匀、有突发噪声或者背景灰度变化 比较大的时候，可以对图像进行分块处理，对 每一块分别选定一个阈值进行分割，这种与坐 标相关的阈值称为自适应阈值的方法。
这类算法的时间复杂度和空间复杂度比较大，但是 抗噪声的能力比较强 。
➢ 根据8连通准则，得到目标 是2个： L8 =1 1 1 0 0 0 0 0 11102200 11102200 11100020 11100020 11100020 11100220 11100000
8.3 图像的阈值分割技术
8.3.1 基本原理
灰度阈值分割方法。
若目标和背景具有不同的灰度集合，且两个灰 度集合可用一个灰度级阈值T进行分割。
8.1.1 图像分割的目的和任务
图像处理的重要任务就是对图像中的对象进行分析和理解。 在图像分析中，输出的结果是对图像的描述、分类或其他的某种
结论 。 图像分析主要包括以下几部分内容：
（1）把图像分割成不同的区域，或把不同的目标分开（分割）。即 把图像分成互不重叠的区域并提取出感兴趣目标。
第8章 图像分割
知识要点
• 图像分割的定义及其在图像处理中的地位。 • 像素间的关系：
–邻域和连通性。
• 阈值分割技术：
–全局阈值分割和自适应阈值分割技术。
• 边缘检测法：
–梯度算子、拉普拉斯算子、拉普拉斯-高斯算子、方向 算子、坎尼算子和边缘跟踪。
• 区域检测法。 • 霍夫变换。
8.1 概 述
【例8.1】根据4/8连通准则在二值图像中判断 目标。
解：应用函数bwlabel可以根据4连通或8连通准则，在 给定的二值图像矩阵BW中寻找目标。程序：
BW = [1 1 1 0 0 0 0 0; 1 1 1 0 1 1 0 0; 1 1 1 0 0 0 1 0; 1 1 1 0 0 1 1 0;
这பைடு நூலகம்就可以用阈值分割灰度级的方法在图像中 分割出目标区域与背景区域。
设图像为f (x, y) ，其灰度集范围是[Z1, ZK ]，在 Z1 和ZK 之间选择一个合适的灰度阈值T。
图像分割方法可由下式描述：
（8.1）
1 g(x, y) 0
f (x, y) T f (x, y) T
这样得到的是一幅二值图像。 图8.4给出了利用阈值分割图像的实例。
– （1）
N
URi R;
i 1
– （2）对于所有的i和j，i≠j ，有
Ri I Rj ；
– （3）对于i = 1, 2, …, N，有P(Ri) = TRUE；
– （4）对于i≠j ，有P(Ri∪Rj) = FALSE；
– （5）对于i = 1, 2, …, N，Ri是连通的区域。
8.1.3 图像分割的分类 根据分割方法的不同，通常有两种分类方法： （1）根据图像的两种特性进行分割：
8.4.2 梯度算子
对于一个连续函数f (x,y)，其在(x,y)处的梯度:
f
f
Gx G y
x f
y
（8.2）
常采用小型模板，然后利用卷积运算来近似，
Gx和Gy各自使用一个模板。
1. Roberts算子
1 0 0 1
0 1 1 0
%给定的二值图像矩阵 L4 = bwlabel(BW,4) L8 = bwlabel(BW,8)
1 1 1 0 1 1 0 0; 1 1 1 0 0 0 1 0; 1 1 1 0 0 0 1 0; 1 1 1 0 0 0 0 0];
%根据4连通准则判定目标 %根据8连通准则判定目标
➢根据4连通准则，得到的 目标是3个： L4 = 1 1 1 0 0 0 0 0 11102200 11102200 11100030 11100030 11100030 11100330 11100000
（a）是原图 （b）是对应的直方图 （c）是选择分割阈值为110的结果图。
（a）原图像
（b）直方图
（c）已分割的图像
图8.4 阈值分割
8.3.1 全局阈值分割 全局阈值是最简单的图像分割方法。根
据不同的目标，选用最佳的阈值。 1．实验法
需要知道图像的某些特征
2．直方图法
适用于目标和背景的灰度差较大，直方图 有明显谷底的情况。
这四个像素称为p 的4邻域。
互为4邻域的像素又称为4连通的。
2. 8邻域 取像素p四周的8个点作为相链接的邻域点， 除掉p本身外，剩下的8个点就是p的8邻域。
互为8邻域的像素又称为8连通的 。
目标和背景的连通性定义必须取不同，否 则会引起矛盾。
00000 01100 01010 01110 00000 图8.2 目标和背景连通性
实际的算法只能根据实际情况选择方法和阈值。
8.4 图像的边缘检测
8.4.1 边缘检测的基本原理
基于灰度不连续性进行的分割方法。
图8.9 几种常见的边缘
用差分、梯度、拉普拉斯算子及各种高通滤波处理方法对图像 边缘进行增强，只要再进行一次门限化的处理，便可以将边缘 增强的方法用于边缘检测。
根据各个像素点的灰度不连续性进行分割； 根据同一区域具有相似的灰度进行分割。 （2）根据分割的处理策略不同进行分割： 并行算法，所有的判断和决策可以独立进行； 串行算法，后期的处理依赖前期的运算结果。
表8.1 常见的图像分割算法
分 类
并行 处理
串行 处理
边界 （不连续性）
并行边界类 （边缘检测等）
串行边界类 （边缘跟踪等）
区域 （相似性）
并行区域类（阈值分割、 聚类等）
串行区域类（区域生长、 分裂合并等）
8.2 像素的邻域和连通性
1. 4邻域
对一个坐(标x,为y) 的像素p，它可以有两个水平和两
个垂直的近邻像素。它们的坐标分别是
(x 1, y),(x 1, y),(x, y 1),(x, y 1)
（2）找出各个区域的特征（特征提取）。 （3）识别图像中的内容，或对图像进行分类（识别与分类）。 （4）给出结论（描述、分类或其他的结论）。
图8.1 目标为飞机的图像
（a）原图像
（b）分割后的图像
8.1.2 图像分割的集合定义
• 令集合R代表整个图像区域，对R的图像分割可以
视为将R分成N个满足以下条件的非空子集：
3．最小误差的方法
图8.5 直方图阈值分割示意图
图8.6 灰度级分布
8.3.3 局部阈值分割
当照明不均匀、有突发噪声或者背景灰度变化 比较大的时候，可以对图像进行分块处理，对 每一块分别选定一个阈值进行分割，这种与坐 标相关的阈值称为自适应阈值的方法。
这类算法的时间复杂度和空间复杂度比较大，但是 抗噪声的能力比较强 。
➢ 根据8连通准则，得到目标 是2个： L8 =1 1 1 0 0 0 0 0 11102200 11102200 11100020 11100020 11100020 11100220 11100000
8.3 图像的阈值分割技术
8.3.1 基本原理
灰度阈值分割方法。
若目标和背景具有不同的灰度集合，且两个灰 度集合可用一个灰度级阈值T进行分割。
8.1.1 图像分割的目的和任务
图像处理的重要任务就是对图像中的对象进行分析和理解。 在图像分析中，输出的结果是对图像的描述、分类或其他的某种
结论 。 图像分析主要包括以下几部分内容：
（1）把图像分割成不同的区域，或把不同的目标分开（分割）。即 把图像分成互不重叠的区域并提取出感兴趣目标。
第8章 图像分割
知识要点
• 图像分割的定义及其在图像处理中的地位。 • 像素间的关系：
–邻域和连通性。
• 阈值分割技术：
–全局阈值分割和自适应阈值分割技术。
• 边缘检测法：
–梯度算子、拉普拉斯算子、拉普拉斯-高斯算子、方向 算子、坎尼算子和边缘跟踪。
• 区域检测法。 • 霍夫变换。
8.1 概 述
【例8.1】根据4/8连通准则在二值图像中判断 目标。
解：应用函数bwlabel可以根据4连通或8连通准则，在 给定的二值图像矩阵BW中寻找目标。程序：
BW = [1 1 1 0 0 0 0 0; 1 1 1 0 1 1 0 0; 1 1 1 0 0 0 1 0; 1 1 1 0 0 1 1 0;
这பைடு நூலகம்就可以用阈值分割灰度级的方法在图像中 分割出目标区域与背景区域。
设图像为f (x, y) ，其灰度集范围是[Z1, ZK ]，在 Z1 和ZK 之间选择一个合适的灰度阈值T。
图像分割方法可由下式描述：
（8.1）
1 g(x, y) 0
f (x, y) T f (x, y) T
这样得到的是一幅二值图像。 图8.4给出了利用阈值分割图像的实例。
– （1）
N
URi R;
i 1
– （2）对于所有的i和j，i≠j ，有
Ri I Rj ；
– （3）对于i = 1, 2, …, N，有P(Ri) = TRUE；
– （4）对于i≠j ，有P(Ri∪Rj) = FALSE；
– （5）对于i = 1, 2, …, N，Ri是连通的区域。
8.1.3 图像分割的分类 根据分割方法的不同，通常有两种分类方法： （1）根据图像的两种特性进行分割：
8.4.2 梯度算子
对于一个连续函数f (x,y)，其在(x,y)处的梯度:
f
f
Gx G y
x f
y
（8.2）
常采用小型模板，然后利用卷积运算来近似，
Gx和Gy各自使用一个模板。
1. Roberts算子
1 0 0 1
0 1 1 0
%给定的二值图像矩阵 L4 = bwlabel(BW,4) L8 = bwlabel(BW,8)
1 1 1 0 1 1 0 0; 1 1 1 0 0 0 1 0; 1 1 1 0 0 0 1 0; 1 1 1 0 0 0 0 0];
%根据4连通准则判定目标 %根据8连通准则判定目标
➢根据4连通准则，得到的 目标是3个： L4 = 1 1 1 0 0 0 0 0 11102200 11102200 11100030 11100030 11100030 11100330 11100000
（a）是原图 （b）是对应的直方图 （c）是选择分割阈值为110的结果图。
（a）原图像
（b）直方图
（c）已分割的图像
图8.4 阈值分割
8.3.1 全局阈值分割 全局阈值是最简单的图像分割方法。根
据不同的目标，选用最佳的阈值。 1．实验法
需要知道图像的某些特征
2．直方图法
适用于目标和背景的灰度差较大，直方图 有明显谷底的情况。
这四个像素称为p 的4邻域。
互为4邻域的像素又称为4连通的。
2. 8邻域 取像素p四周的8个点作为相链接的邻域点， 除掉p本身外，剩下的8个点就是p的8邻域。
互为8邻域的像素又称为8连通的 。
目标和背景的连通性定义必须取不同，否 则会引起矛盾。
00000 01100 01010 01110 00000 图8.2 目标和背景连通性