基本图像分割技术

图像分割也是目前公认的图像处理难题，其困难 源于图像内容的多样性以及模糊、噪声等的干扰。 至今还没有普适性分割方法和通用的分割效果评 价标准，分割的好坏必须结合具体应用来评判。 总体而言，一个好的图像分割算法应该尽可能具 备以下特征：
(1) 有效性：对各种分割问题有效的准则，能将 感兴趣的区域或目标分割出来。
边缘的定义：
图像中像素灰度有阶跃变化或屋顶变化的那些像素 的集合,图像局部亮度变化最显著的部分。
边缘的分类
› 阶跃状、脉冲状、屋顶状
阶跃状
屋顶状
图像：
剖面：
一阶 导数： 二阶 导数：
各种边缘其一阶、二阶导数特点
一阶微分：用梯度算子来计算
› 特点：对于亮的边，边的变化起点是正的， 结束是负的。对于暗边，结论相反。常数部 分为零。
Sobel算子
f x 公f ( 式x 1 ,y 1 ) 2 f ( x 1 ,y ) f ( x 1 ,y 1 ) f ( x 1 ,y 1 ) 2 f ( x 1 ,y ) f ( x 1 ,y 1 )
f y f ( x 1 ,y 1 ) 2 f ( x ,y 1 ) f ( x 1 ,y 1 ) f ( x 1 ,y 1 ) 2 f ( x ,y 1 ) f ( x 1 ,y 1 )
3. 由于微分增强了噪音，平滑效果是Sobel 算子特别引人注意的特性
Kirsch算子（方向算子）
以不同的分类标准，图像分割方法可以划分为不同的 种类。
图像分割应用
机器阅读理解 OCR录入 遥感图像自动识别 在线产品检测 医学图像样本统计 医学图像测量 图像编码 图像配准的预处理
6.2 边缘检测算子
边缘检测是所有基于边界的图像分割方法的第一步。 边缘是灰度值不连续的结果，这种不连续常可利用求 导数方便地检测到。一般常用一阶和二阶导数来检测 边缘。
数字图像分析与处理
第八章 基本图像分割技术
在对图像的研究和应用中，人们往往仅 对图像中的某些部分感兴趣。这些部分常称为 目标或前景（其它部分称为背景），它们一般 对应图像中特定的、具有独特性质的区域。为 了辨识和分析目标，需要将这些有关区域分离 提取出来。
图像分割是指把图像分成各具特性的区 域并提取出感兴趣目标的技术和过程。
› 区域内部的像素一般具有灰度相似性，而在区域之 间的边界上一般具有灰度不连续性。
› 检测图像像素灰度级的不连续性，找到点、线（宽 度为1）、边（不定宽度）。先找边，后确定区域。
图像分割的基本策略
› 检测图像像素的灰度值的相似性，通过选择阈值， 找到灰度值相似的区域，区域的外轮廓就是对象 的边
图像分割方法和种类
-1 -1 1
1
为了检测边缘点，选取适当的阈值T，对梯度图 像进行二值化，则有：
g(x,y) 1 0
Graxd,)y(T 其它
这样形成了一幅边缘二值图像g(x,y)
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。
Roberts算子
公式：
fx f(x1,y1)f(x,y) fy f(x1,y)f(x,y1)
图像分割定义
可借助集合概念
n
(1)
Ri R
i1
(2) 对所有的i和j， i ，j 有
Ri Rj
(3) 对i = 1, 2,…, n，有P(Ri ) = TRUE
(4) 对 i ，j 有பைடு நூலகம்
P(Ri Rj)FALSE
(5) 对i = 1, 2, …, n，Ri是连通的区域
图像分割的基本策略
› 分割算法基于灰度值的两个基本特性：不连续性和 相似性。
模板 -1 0 1
-1 -2 -1
-2 0 2
000
-1 0 1
121
特点：
› 对4邻域采用带权方法计算差分 › 能进一步抑止噪声 › 但检测的边缘较宽
Sobel梯度算子的使用与分析
1. 直接计算y、x可以检测到边的存在， 以及从暗到亮，从亮到暗的变化
2. 仅计算|x|，产生最强的响应是正交 于x轴的边； |y|则是正交于y轴的边。
› 用途：用于检测图像中边的存在
二阶微分：通过拉普拉斯来计算
› 特点：二阶微分在亮的一边是正的，在暗的 一边是负的。常数部分为零。
› 用途：
1）二次导数的符号，用于确定边上的像素 是在亮的一边，还是暗的一边。
2）0跨越，确定边的准确位置
几种常用的边缘检测算子
› 梯度算子 › Roberts算子 › Prewitt算子 › Sobel算子 › Kirsch算子 › Laplacian算子 › Marr算子
(2) 整体性：即能得到感兴趣区域的封闭边界， 该边界无断点和离散点。
(3) 精确性：得到的边界与实际期望的区域边界 很贴近。
(4) 稳定性：分割结果受噪声影响很小。
8.1 图像分割定义和技术分类 8.2 并行边界技术 8.3 串行边界技术 8.4 并行区域技术 8.5 串行区域技术
6.1 图像分割定义和技术分 类
模板：
-1
fx’
1
1 fy’ -1
特点：
› 与梯度算子检测边缘的方法类似，对噪声敏感， 但效果较梯度算子略好
Prewitt算子
f 公x 式f ( x 1 ,y 1 ) f ( x 1 ,y ) f ( x 1 ,y 1 ) f ( x 1 ,y 1 ) f ( x 1 ,y ) f ( x 1 ,y 1 )
梯度算子——一阶导数算子
函数f(x,y)在(x,y)处的梯度为一个向量： f = [f / x , f / y]
计算这个向量的大小为： G = [(f / x)2 +(f / y)2]1/2 近似为: G |fx| + |fy|
或 G max(|fx|, |fy|) 梯度的方向角为：
φ(x,y) = tan-1(fy / fx) 可用下图所示的模板表示
f y f ( x 1 ,y 1 ) f ( x ,y 1 ) f ( x 1 ,y 1 ) f ( x 1 ,y 1 ) f ( x ,y 1 ) f ( x 1 ,y 1 )
模板： -1 0 1
-1 0 1 -1 0 1
-1 -1 -1 000 111
特点：
› 在检测边缘的同时，能抑止噪声的影响