数字信号处理 第九章 图像分析与识别基础

9.2.4 二值图像分割法
（3）开运算
E (B S ) S
先腐蚀再膨胀，能够消除细小物体，或在纤细点处 分离物体，以及平滑较大物体的边界时不至于明 显改变其面积。
9.2.4 二值图像分割法
（4）闭运算
E (B S ) S
先膨胀再腐蚀，能够填充区域的细小空洞，连接邻 近物体，以及在不明显改变物体面积的情况下平 滑其边界。
5 0 3
9.2.2 边缘检测法
确定了处于边缘的像素点以后，理想的情况 是这些边缘点连续，连接所有边缘点即构 成了区域的边缘，从而将各个区域分割开 来。
很多情况下，边缘点或边缘线段之间有间断， 此时，可用插值法来拟合，从而形成可用 边界。
9.2.3 区域增长法
可以把由性质相同的像素组成的集合看作一个区域。
9.2.5 图像的分割信息结构
1 区域隶属关系法 区域隶属关系（region subjecting relationship）法使用 一幅具有不同灰度值的不同部分的图像表示原图 像各个被分割部分的关系。该图像可以是与原图 像大小一样的另一幅图像。 区域隶属关系图中的每个像素的灰度值的编号，与 该像素点在原图中所属的区域编号一致。每个像 素的编码包括它的灰度值编号和它在原图中所处 的位置。 同一个分割区域中的像素点的灰度值相同，故可以 用一个代表相同灰度值的像素点个数的附加码使 分割图像的编码大大压缩。
9.1.1 模板匹配模式
一次模版匹配的过程分为三步（即相关运算，与卷 积运算不同之处在于不用翻转）： （1）移位 （2）相乘 （3）相加 把全部模版都与输入图像匹配一遍，从中找出匹配 相关数最大的那个模版，完成模版匹配再认的全 过程。 模版匹配再认模式难以解决三维物体图像的再认和 多物体重叠图像的再认。
9.2 图像分割
9.2.1 阈值分割法 9.2.2 边缘检测法 9.2.3 区域增长法 9.2.4 二值图像分割法 9.2.5 图像的分割信息结构 9.2.6 图像分割质量的评价
9.2.1 阈值分割法
利用图像灰度、颜色或纹理差别的阈值进行 区域分割，在物体与背景或物体各部分之 间的对比强烈的情况下十分有效。 阈值的选择是本方法的关键。
9.1 视觉再认模式
本节主要从心理学的角度分析视觉对景物的 再认模式，以便从更深的层次理解图像分 析与识别方法的原理。视觉再认模式主要 有以下四种： 9.1.1 模板匹配模式 9.1.2 特征分析模式 9.1.3 结构描述模式 9.1.4 傅立叶模式
9.1.1 模板匹配模式
随着经验和阅历的增长，人的记忆中存在着代 表各种景物形态的“模版”，当人注视某景 物时，大脑神经中枢就会搜索存储在大脑中 的各个模版，并与看到的景物进行匹配，一 旦匹配一致或相关性最大，则认为再认成功。 模版匹配模式可以看作是一个决策过程。
9.1.3 结构描述模式
对象景物的特征可以包括： 亮度：黑、白、灰、亮、暗、均匀、阴影等 颜色：红、橙、黄、绿、青、蓝、紫等 纹理：平滑、粒状、斑纹、条纹等 大小：长度、面积、体积、高度、宽度、深度、 大、小等 取向：水平、垂直、倾斜等 形状：正方形、矩形、三角形、圆形、椭圆形等 其他 特征的描述可以是文字的、数字的或符号的；可以 是具体的、确定的，也可以是模糊的。
1 0 1 2 0 2
f ( x , y ) g 1 ( x , y ),
1 0 1 1 2 1
f ( x , y ) g 2 ( x , y )
0 0 0 1 2 1
g1(x,y)
g2(x,y)
9.2.2 边缘检测法
l(x,y)
l(x,y)
9.2.2 边缘检测法
5 Kirsch边缘检测算子
g ( x , y ) max
5 3 3
3 3 5
f ( x , y ) g i ( x , y ), i
5 0 3 3 0 5 5 5 3 3 3 3 3 3 3 5 5 5 3 0 3 3 0 3 5 5 5 3 3 3
9.2.4 二值图像分割法
（5）互补运算
(A B) A
c
( A, A E )
c
可以突出图像的边缘。
9.2.5 图像的分割信息结构
一幅完整的图像经过分割以后可能还是完整 的，也可能被分成几幅分割图像。被分割 之后的图像各个部分仍然应该保持原有完 整图像的某些不可改变的性质，如图像各 个部分之间的关系，这些信息称为分割信 息。 保存分割信息的办法有区域隶属关系法、边 界链码法、线段编码法。
9.2.2 边缘检测法
1 Roberts边缘检测算子
g ( x, y)


f ( x, y)
f ( x 1, y 1 )

2

f ( x 1, y )
f ( x , y 1)

2 1/ 2
9.2.2 边缘检测法
2 Sobel边缘检测算子
g ( x , y ) max
3 Prewitt边缘检测算子
g ( x , y ) max
1 0 1 1 0 1
Baidu Nhomakorabea
f ( x , y ) g 1 ( x , y ),
1 0 1 1 1 1
f ( x , y ) g 2 ( x , y )
0 0 0 1 1 1
9.2.4 二值图像分割法
（1）直积运算
E B S { x , y | S xy B } E B S {e E | e s B , s S }
含义：结果图像E由这样一些像素点构成：如果S的 原点移动到B的（x,y）点，则S将完全包含在B之 内。 腐蚀运算。
g1(x,y)
g2(x,y)
9.2.2 边缘检测法
4 Laplace边缘检测算子
边缘处会产生一个陡峭的过零交叉；其传递函数 在频域空间的原点为0，滤波过的图像具有零平 均灰度。
g ( x, y ) f ( x, y ) l( x, y )
0 1 0 1 4 1 0 1 0 1 1 1 1 8 1 1 1 1
9.2.5 图像的分割信息结构
3 线段编码法
9.2.6 图像分割质量的评价
目前，分割评价方法可以分为分析法和实验法两大 类。 分析法是直接分析分割算法本身的原理和性能，实 验法是通过对测试图像的分割结果来评价算法的。 用分析法可以免除一些实验因素的影响，但不是所 有算法性能都能通过分析得到，实验法更具有实 际意义。 实验法又可以分为优度法和偏差法。优度法一般建 立在人的视觉基础上的某些图像特征为依据来评 价分割效果，比较符合人的视觉特性；偏差法往 往需要首先提供一个理想分割图像作为比较标准， 依此来计算实际分割结果与理想分割图像的差别。
区域生长法是把输入图像中的由一个或几个像素组 成的“核”扩展成为一个区域的方法。
首先对每个“生长核”赋予一组参数用以反映其所 属不同区域的特性，然后考察其邻近区域的所有 边界，若边界两侧的某种特性值（如平均灰度、 纹理或颜色等）相差明显，则认为是强边界（不 同区域的分界线）并保留；否则认为是弱边界 （相近区域的界线）并消除。
9.1.3 结构描述模式
景物各部分或各特性之间的关系包括：



包含：一部分、在内部、包含着、包围着、 嵌套等 邻接：接触、在旁边、在下面、在上面等 方向：在左、在右、在上、在下等 距离：远离、靠近等 其他
9.1.3 结构描述模式
结构描述再认模式对景物的描述，一般不易 丢失信息（景物各部分及其特征，以及各 部分之间的关系），可以把整个景物分成 几个部分进行描述，既方便又可以把同类 景物归类描述，所得到的信息便于进一步 分析与推理；但对于复杂的景物，其特征 及其关系的描述常常不能确定，影响了结 构描述模式的实际应用。
9.2.5 图像的分割信息结构
2 边界链码法 被分割区域的边界是连续的，且其封闭边界 之内必同属一个区域，因此描述一个区域 只需要描述其边界即可。 描述一个封闭边界，只需要从起点开始，沿 一定方向编码，最后回到起点即可，一个 像素点有8个可能的方向，故表示方向的编 码只需要3bit。 边界的编码是一个包括起点坐标和边界走向 的编码序列，且可以用链码的结果表示。
9.1.4 傅立叶模式
傅立叶再认理论认为人脑长期记忆存储的是 景物的傅立叶变换形式，而不是景物的原 型。 傅立叶变换的实质是将视网膜得到的景物的 密度矩阵分解成一定频率上的信号，也就 是把实际中的景物通过傅立叶变换转变到 频率空间里去，从而可以在频率空间里看 到实际中看不到的许多特性，进而根据这 些特性进行分析和识别。
9.1.4 傅立叶模式
当景物在一定范围内变化时，其傅立叶变换 后的某些量不会改变，且容易用光学、电 子器件或计算机软件实现傅立叶变换。 景物的平移不会改变傅立叶变换的幅度值； 景物的旋转不会改变傅立叶谱的形状，只 是傅立叶谱的方向随着景物旋转了相同的 角度。
9.2 图像分割
图像分割即把数字图像划分成互不相交（不重叠） 的区域的过程。 图像分割一般采用三种不同的原理来实现： （1）区域分割，把每个像素点划归到各个图像的区 域中； （2）边界分割，按照存在于各区域间的边界划分； （3）边缘分割，确定可以连接在一起的各像素构成 不同区域的边缘。 景物的图像分割以后，即可进一步处理，如测量、 分类、识别。
第9章
图像分析与识别基础
概述
图像分析（image analysis）也叫景物分析（scenery analysis）或图像理解（image understand），其目 的是从图像中提取有用测度（useful estimate）、 数据或信息，生成非图的描述或表示，如数值、 符号等等，不局限于对给定景物的区域在一定数 目的已知类别里进行分类，更重要是要对千变万 化和难以预测的复杂景物加以描述，从中找出潜 藏在景物图像中的深层次信息，涉及到物体的前 景与背景、物体之间的关系以及人工智能技术等 问题。其研究的内容包括特征提取、符号描述、 景物匹配和识别等等。
9.2.3 区域增长法
最简单的区域生长算法是阈值区域生长算法， 该方法假定图像中包含物体和背景，且根 据图像的灰度直方图（应是准双峰图）定 义一个阈值T，从而将图像划分成物体和背 景两部分。
9.2.4 二值图像分割法
1 卷积法 略
9.2.4 二值图像分割法
2 逻辑运算法 逻辑运算法是在数学形态学下的集合论方法基础上 发展起来的。 定义一个结构元素S，可以是任意大小的N×N点阵， 是0和1的任意组合。将S在二值图像G中移动，并 使它们之间进行逻辑运算，得到的结果是另一个 集合，是二进制的结果，其值取决于结构元素S的 大小、内容和逻辑运算性质。 当一个结构元素S的原点移动到二值图像的像素点 （x,y）处时，将其记为Sxy。
9.1.2 特征分析模式
特征分析模式是根据景物特征实现视觉再现 的理论，其过程为提取特征、特征分类、 分析与识别几个步骤。 需要较大的特征运算。难度在于：1）如何对 于不同的对象选择适合的特征；2）如何确 定各特征之间的关系。
9.1.3 结构描述模式
结构描述模式通常用“图”表示，“图”的 节点代表对象景物的某一部分或某一特性； 节点之间的有向边说明各部分或个特性之 间的关系。
0 ,1, ,8
3 3 3 5 5 3 3 0 5 3 5 5 3 3 3
5 0 3
3 0 5
5 3 3
3 3 5
3 3 3 3 5 5
9.2.4 二值图像分割法
（2）直和运算
E B S { x , y | S xy B } E B S {e E | e b s , b B , s S }
含义：结果图像E由这样一些像素点构成：如果S的 原点移动到B的（x,y）点，则S和B的交集非空。 膨胀运算。