CV06-图像分割

I( p
j ,k
) I ( p j 1,k ) I ( p j ,k ) I ( p j ,k 1 )
2
2
平滑性约束：
econ ( p j ,k ) p j ,k
1 (vi 1 vi 1 ) 2
气球约束：
ebal ( pi, j ) ni (vi p j ,k )
Snake算法
把初始轮廓上的所有点都向周围8个点移动一次，计算相应能量， 调整轮廓。
e( pi, j ) egrad ( pi, j ) econ ( pi , j ) ebal ( pi , j )
梯度能量：
egrad ( p j ,k ) I ( p j ,k )
树型结构，应用于二值图像。 三种节点：白、黑和灰度 不断作四分裂 只有灰度节点有叶节点 白、黑节点都为叶子节点 是一种节省空间的区域表示方法
分裂合并方法
• 区域邻接图（region adjacency graphs, RAG）
表示图像中区域与区域之间的关系，它 主要强调由区域构成的图像的划分和每 一个划分的特性．区域的不同特性可以 存贮在不同的节点数据结构中．
边界跟踪
跟踪虫技术（Tracking bug）
Step1: 定义虫，通常是一个矩形形状的具有相同权值的窗口； Step 2 :以当前边界点作为窗口的轴心； Step3:以上一边界点和当前边界点确定当前边界方向； Step 4 : 窗口在当前边界方向左右 角度内旋转，在每一 个窗口内确定平均梯度及对应梯度点； Step5 : 确定具有最高平均梯度的窗口，对应梯度点作为下一边界； Step6 : 重复Step5，直到终止条件满足。
第六章 图像分割 Chapter 6 Image Segmentation
图像分析
图像的增强和恢复可以看作预处理，其输入、输出均是图像，它 是传统的图像处理的内容。而图像分割、特征提取及结构分析等 称为图像分析、识别，其输入是图像，输出是描述或解释。
图像分割
图像分割定义：按照一定的规则将一幅图像分成各具特性的区
linking）的思想是：由图像梯度出发，依次搜索并连接相邻边
缘点从而逐步检测出边界。
边界跟踪的三个基本步骤：
（1）确定作为搜索起点的边缘点； （2）确定和采用一种合适的搜索机理，在已发现的边界点基 础上确定新的边界点； （3）确定搜索终结的准则或终止条件（如边界闭合或回到起 点）。则满足条件时，结束搜索。
3. Snake形变过程中的多边形顶点重采样 4. 形变步长选择(收敛性和速度的平衡) 5. 系数选择(内力和外力的平衡)
区域表示
定义
区域：相互连通的具有相似特性的一组像素 边缘：区域边界，不同区域之间的分界线
区域表示方法
封闭轮廓表示法：链码表示、曲线拟合…… 阵列表示法:标记法、模块法……
层级表示法:金字塔型、四叉树型……

ห้องสมุดไป่ตู้思想
利用图像中要提取的目标物与其背景在灰度特性上的差 异，把图像视为具有不同灰度级的两类区域 (目标和背景) 的组合，选取一个合适的阈值．以确定图像中每一个像 素点应该属于目标还是背景区域．

方法
为了使分割更加鲁棒，系统应能自动选择阈值。
模态方法、迭代式阈值选择、自适应阈值方法、双阈值
方法……
阈值分割
域，并提取出感兴趣目标，相应的技术和过程即为图像分割
形式化定义：令集合R代表整个图像区域，对R的分割可看作将
R分成若干个满足以下条件的非空子集（子区域） R1 ， R2 ， R3，… Rn:
(1) Ri
i 1
n
( 2)对所有的i和j , i j , 有Ri R j ( 3)对i 1,2,...,n, 有P ( Ri ) true (4)对i j , 有P ( Ri R j ) false (5)对i 1,2,...,n, Ri 是连通的区域
区域来增添丢失的边界
（1）区域合并
基本思想：利用RAG图，组合相似区域
关键：区域相似性的度量方法，两种方法
• 基于区域灰度均值
• 基于区域灰度概率分布……
区域合并

区域合并算法
1.
2.
使用阈值法（或其它简单的方法）进行图像的初始区 域分割，然后进行连通域标记,
建立图像的RAG ,
3. 对于图像中的每一个区域，完成下列步骤： a．查看是否与邻接区域相似,
聚类分割技术
聚类分割技术
适用 : 在模式类别数不清楚时 , 用聚类分析比较好 , 可以用相 似性和距离量度作为聚类分析准则 原则: 第1步:用适当的相似性准则对图像进行分类 第2步:对第一步分类结果测试,对各簇(子集)进行合并 第3步:反复对生成的结果再分类,测试和合并,直到没有新的 簇(或子集)进行合并 常见的相似性度量特征包括：强度值、 RGB值及由此推出 的颜色特征、计算到的特征、纹理特征值、……
首先选择一个近似阈值作为估计值的初始值，然后连续 不断地改进这一估计值．
算法描述
1. 选择一个初始阈值的估算值T，比如，图像强度均值就是 一个较好的初始值； 2. 利用阈值把图像分割成两组，R1和R2； 3. 计算区域R1和R2的均值 1 , 2
4. 选择新的阈值T
1 T ( 1 2 ) 2
特征表示法:最小外接矩形、几何中心、欧拉数、相邻区域 的相互位置关系……
区域层级表示法
（1）金字塔型表示方法（pyramid）
分辨率按二次方递减;上层图像中的像素值由下层图像中的
几个像素计算得到。计算方法多样。
可采用线性方法构 建金字塔，也可以 采用非线性方法构 建金子塔
区域层级表示法
（2）四叉树型表示方法(quarter-tree)
优点：参数简单
模式可变
缺点：输出要依靠
窗口大小 计算量大
D. Comaniciu and P. Meer, Mean Shift: A Robust Approach toward Feature Space Analysis, PAMI 2002.
边界跟踪
目的：要求目标轮廓边界细、连续无间断、准确。 边界跟踪（ boundary tracking ）或边缘点连接（ edge point
聚类分割技术
K-Means 聚类
简单的迭代爬山算法，利用亮度、颜色信息等将图像特征分
为k个聚类。
Image Intensity-based clusters Color-based clusters
分割过细
纹理区域 被分割
必须指定 类数
聚类分割技术

Mean Shift 聚类
Mean shift聚类算法是寻找密度极大值像素(也称模式点) 的过程 1.选择一个搜索窗口（给定大小和位置） 2.计算搜索窗口数据的平均值
图像分割
• 分割对象
灰度图像、彩色图像、遥感图像、红外图像、X光成像、
超声图像以及核磁共振成像等。
• 分割与识别的关系
没有对物体或其局部的认识，分割就无法进行。没有分 割，物体识别也是不可能的? 分割可视为一种特殊的识别问题。

分割依据
1. 区域内的一致性 2. 区域间的不一致性
图像分割
图像分割目的
5.重复2－4步，直到的1 , 2均值不再变化．
阈值分割
（3）自适应阈值方法 思想
处理不均匀照明或不均匀灰度分布背景的直接方法是首 先把图像分成一个个小区域，或子图像，然后分析每一 个子图像，并求出子图像的阈值。 图像分割的最后结果是所有子图像分割区域的逻辑并。
阈值分割
（4）双阈值方法
（1）模态方法
理想情况下，背景和物体的灰度值可以分的很开．大多数情 况下，物体和背景的强度值相互重叠．如果灰度级直方图呈 明显的双峰状，则选取两峰之间的谷底所对应的灰度级作为 阈值。
理想状态及包含 单个物体状态
包含多个物体状态
阈值分割
（1）模态方法
h ( z)
z 0 T
阈值分割
（2）迭代式阈值选择 思想

思想 可以使用一个保守一点的阈值T1来分离物体图像，称之为物 体图像核，然后，使用有关算法来增长物体图像．吸收低 于第二个阈值T2并且与原先物体图像点相连结的所有点．

算法描述 1. 选择两个阈值T1和T2． 2. 把图像分割成三个区域： R1 ，包含所有灰度值低于阈值 T1的像素；R2，包含所有灰度值位于阈值T1和T2之间的像 素；R3，包含所有灰度值高于阈值T2的像素． 3. 查看分配给区域 R2 中的每一个像素．如果某一像素邻接 区域R1，则把这一像素重新分配给R1． 4. 重复步骤3直到没有像素被重新分配． 5. 把区域R2剩下的所有像素重新分配给R3．
1 ）将图像分割成部分以便进一步分析，在简单情况下，对环 境进行控制，使分割过程能可靠地抽取出要进行分析的部分。 2）改变图像的表示方法。必须对图像像素进行组织，形成更 高级的表示单元，使这种高级表示单元比像素表示更有意义， 或者更有利于进一步分析。
图像分割是由图像处理进到图像分析的关健步骤。
阈值分割
±Ç µ °± ß ½ ç µ ã X ±Ç µ °² ½ Ï ò ò Ñ º ¡ ± ß ½ ç µ ã Y
Ï Ò É » ± ß ½ ç µ ã
窗口越大，对梯度的平滑作用越强，也越抗噪声。
Snake算法
算法思想
snake缠绕物体,随物体形状改 变而改变 , 最后紧贴物体 ,表达 物体的外形.
snake具有自身的能量,具有一 定的刚性和弹性 → 即使没有 外力作用 , 自身力的存在也会 改变形状,通常收缩为一点 外力作用 → snake 收敛于物体 外形
Snake算法
算法描述
1. 2. 3. 4. 初始化轮廓为一个圆，包含所要寻找的物体。初始轮廓超出图像边 界的部分赋值为边界，并采样若干个（比如100个）点。 规范化采样点，使得每两个相邻的采样点的距离在 3个像素和 7个像 素之间。 如果轮廓上某点和相邻的两个采样点形成的两个向量的夹角超过 90 度，则直接取中间的点。 把所有点都向周围 8个点移动一次，根据局部能量调整轮廓。对每个 领域的点，根据公式计算梯度(外部能量) ，平滑性约束(内部能量) ， 气球约束(内部能量)。 把三个能量进行规范化，然后加权相加，选择取具有最小能量的点 调整轮廓。 返回第2步进行下一步迭代，直到迭代到足够多的次数时结束。
阈值分割
优点
对含噪图像以及纹理图像分割的鲁棒性较好
缺点
1）在物体图像灰度值为常数的情况下特别有用。 2）需要有一定的图像先验知识，直方图表明图像中各个灰度 级上有多少个像素，并不描述这些像素的任何位置信息。
3）不适用于直方图中双峰差别很大或双峰间的谷比较宽广而 平坦的图像，以及单蜂直方图的情况。
2
H 1 : 属于不同物体的区域．在这种情况下，每一个区域的 2 2 灰度值服从不同的高斯分布 (1 , 1 )和( 2 , 2 ) ．
H0：
p ( g1 , g 2 , , g m1 m2 H 0 )
5. 6.
Snake算法
snake的抗噪声能力
snake抗轮廓细小毛刺
Snake算法
Snake的特点:
• 良好的抗噪声能力和边界适应性 • 初始边界依赖 • 形变过程不改变边界的拓朴关系
Snake数字化实现:
1. 多边形线近似连续轮廓(光滑曲线的折线近似)
2. 多边形顶点为Snake形变的控制点
b．合并相似的区域，并修改RAG,
4. 重复步骤3，直到没有区域可以合并．
区域合并
• 度量区域相似性的统计方法
假定两个相邻区域 R1 和 R2 分别包含有 m1 ， m2 个点,有 两种可能的假设： H 0 ：两个区域属于同一物体．在这种情况下，两个区域的 灰度值都服从单一高斯分布 (0 , 0 ) ．
节点表示区域，节点之间的弧线表示区 域的公共边界．
RAG形成的基本过程是：在进行基于灰 度值等基元特性的初始分割后，将分割 结果表示为 RAG，然后，可以再组合区 域以得到更好的分割．
分裂合并方法
思想：分裂和合并运算是通过合并属于同一物体的邻接区域来消 除错误的边界和虚假的区域，同时可以通过分裂属于不同物体的
3.将搜索窗口的中心位置移动到新的位置 4.重复这个过程，直到收敛
Mean Shift 聚类
感兴趣区域
聚集中心
平均位移矢量
Mean Shift 聚类
Mean Shift 聚类
Mean Shift 聚类
Mean Shift 聚类
Mean Shift 聚类
Mean Shift 聚类
Mean Shift 聚类