七图像分割.pptx

12图像分割图像分割图图图图7.17.17.17.1图像分割在整个图像处理过程中的作用图像分割在整个图像处理过程中的作用图像分割在整个图像处理过程中的作用图像分割在整个图像处理过程中的作用 图图像像图像图像识别识别图像图像预处理预处理图像图像理解理解图像图像分割分割作用作用作用作用图像分割是图像识别和图像理解的基本前提步骤，图像分割质量的好坏图像分割是图像识别和图像理解的基本前提步骤，图像分割质量的好坏直接影响后续图像处理的效果。直接影响后续图像处理的效果。34 不连续性（突变性）不连续性（突变性）不连续性（突变性）不连续性（突变性）：不同区域的交界（边缘）：不同区域的交界（边缘）：不同区域的交界（边缘）：不同区域的交界（边缘）处像素灰度值具有不连续（突变）性，据此处像素灰度值具有不连续（突变）性，据此处像素灰度值具有不连续（突变）性，据此处像素灰度值具有不连续（突变）性，据此 先找到先找到先找到先找到区域交界处的点、线（宽度区域交界处的点、线（宽度区域交界处的点、线（宽度区域交界处的点、线（宽度1 1 1 1）、边（不定宽度），）、边（不定宽度），）、边（不定宽度），）、边（不定宽度），再确定区域。再确定区域。再确定区域。再确定区域。连续性连续性连续性连续性 ：同一区域内像素一般具有灰度相似性，据：同一区域内像素一般具有灰度相似性，据：同一区域内像素一般具有灰度相似性，据：同一区域内像素一般具有灰度相似性，据此找到灰度值相似的区域；区域的外轮廓就是对象此找到灰度值相似的区域；区域的外轮廓就是对象此找到灰度值相似的区域；区域的外轮廓就是对象此找到灰度值相似的区域；区域的外轮廓就是对象的边缘。门限的边缘。门限的边缘。门限的边缘。门限(阈值阈值阈值阈值)处理、区域生长、区域分裂合处理、区域生长、区域分裂合处理、区域生长、区域分裂合处理、区域生长、区域分裂合并都是这类方法的实例。并都是这类方法的实例。并都是这类方法的实例。并都是这类方法的实例。图像分割图像分割特征特征特征特征灰度图像分割的依据基于亮度值的两个基本特性基于亮度值的两个基本特性：不连续性-区域之间；相似性-区域内部。5 7.2 7.2 7.2 7.2 间断检测间断检测间断检测间断检测 7.3 7.3 7.3 7.3 边缘连接边缘连接边缘连接边缘连接 7.4 7.4 7.4 7.4 门限处理（阈值分割）门限处理（阈值分割）门限处理（阈值分割）门限处理（阈值分割）7.5 7.5 7.5 7.5 区域分割区域分割区域分割区域分割图像分割图像分割本章要点本章要点本章要点本章要点67.2间断间断检测检测这里是指点、线，边缘的检测 点检测点检测点检测点检测 线检测线检测线检测线检测 边缘检测边缘检测边缘检测边缘检测7间断检测技术包括点检测，线检测和边界检测三种。寻找间断最一般的方法是模板检测，使用一个模板对使用一个模板对整幅图像进行检测。整幅图像进行检测。计算模板所包围区域的灰度级与模板系数的乘积之和。1 1个个3333的模板的模板点检测点检测8点检测点检测孤立点的检测孤立点的检测孤立点的检测孤立点的检测使用右图模板使用右图模板,若若则在模板中心的位置已经检测则在模板中心的位置已经检测到一个孤立点。到一个孤立点。T为非负门限。为非负门限。孤立点：该点的灰度级与其背景的差异相当大，并且它所在的位置是一孤立点：该点的灰度级与其背景的差异相当大，并且它所在的位置是一个均匀的或者近似均匀的区域。个均匀的或者近似均匀的区域。如果一个孤立的点与它周围的点很不同如果一个孤立的点与它周围的点很不同,则很容易被这类模板检测到。则很容易被这类模板检测到。图图7.2 7.2 点检测模板点检测模板9线检测线检测图图7.3 7.3 线检测模板线检测模板 垂直垂直 水平水平第第1 1个模板对水平方向个模板对水平方向(一个像素宽度一个像素宽度)的线条有很强的响应。的线条有很强的响应。第第2 2个模板对个模板对+45+45度方向线有最佳响应。度方向线有最佳响应。第第3 3个模板对垂直线有最佳响应。个模板对垂直线有最佳响应。第第4 4个模板对于个模板对于-45-45度线有最佳响应。度线有最佳响应。每个模板系数相加总和为每个模板系数相加总和为0 0，保证了在灰度级恒定的区域，模板响应为，保证了在灰度级恒定的区域，模板响应为0 0。10线检测线检测若要检测特定方向上的线，应使用与这一方向有关的模若要检测特定方向上的线，应使用与这一方向有关的模板，并设置该模板的输出门限。板，并设置该模板的输出门限。令令R1,R2,R3,R4分别表示图分别表示图7.3中模板的响应中模板的响应,如果如果|Ri|Rj|,则此点被认为与在模板则此点被认为与在模板i方向上的线更相关。方向上的线更相关。1112例题：特定方向上的线检测 图(a)显示了一幅电路连接线模板的二值图像。假设要找到一个像素宽度的并且方向为-450的线条。使用图7.3的最后一个模板，图(b)显示了得到的结果的绝对值。图(c)显示了使用门限等于图像中最大值后得到的结果。(b)(c)(a)（1）图中水平和垂直的部分都被去掉了，并且在(b)中所有原图中接近-450的部分产生了最强响应。（2）加了门限之后，在(c）中有孤立点，可以使用点检测模板检测，然后删除，或者使用下一章的形态学腐蚀法删除。实例实例实例实例 13边缘检测边缘检测当人看一个有边缘的物体时当人看一个有边缘的物体时当人看一个有边缘的物体时当人看一个有边缘的物体时,首先感觉到的便是边缘。首先感觉到的便是边缘。首先感觉到的便是边缘。首先感觉到的便是边缘。在边缘处，灰度和结构等信息的产生突变。边缘是一个区在边缘处，灰度和结构等信息的产生突变。边缘是一个区在边缘处，灰度和结构等信息的产生突变。边缘是一个区在边缘处，灰度和结构等信息的产生突变。边缘是一个区域的结束，也是另一个区域的开始，利用该特征可以分割图域的结束，也是另一个区域的开始，利用该特征可以分割图域的结束，也是另一个区域的开始，利用该特征可以分割图域的结束，也是另一个区域的开始，利用该特征可以分割图像。像。像。像。图像的边缘有方向和幅度两个属性图像的边缘有方向和幅度两个属性图像的边缘有方向和幅度两个属性图像的边缘有方向和幅度两个属性,沿边缘方向像素变化平沿边缘方向像素变化平沿边缘方向像素变化平沿边缘方向像素变化平缓缓缓缓,垂直于边缘方向像素变化剧烈。垂直于边缘方向像素变化剧烈。垂直于边缘方向像素变化剧烈。垂直于边缘方向像素变化剧烈。边缘上的这种变化可以用边缘上的这种变化可以用边缘上的这种变化可以用边缘上的这种变化可以用微分算子检测出来微分算子检测出来微分算子检测出来微分算子检测出来,通常用一阶或二阶导数来检测边缘。通常用一阶或二阶导数来检测边缘。通常用一阶或二阶导数来检测边缘。通常用一阶或二阶导数来检测边缘。14人可以仅满足于边缘提供的信息15边缘16边缘检测边缘检测斜坡数字边缘模型斜坡数字边缘模型理想数字边缘模型理想数字边缘模型图像的灰度剖面图图像的灰度剖面图图像的灰度剖面图图像的灰度剖面图斜坡部分与边缘的模糊程度成正比斜坡部分与边缘的模糊程度成正比。17图7.1显示实际情况的放大：显示了边缘的模糊情况图中也显示了一、二阶导数作用的结果：一阶导数在边缘上是正的二阶导数在边缘上：从黑到边缘:正,从边缘到亮:负；在边缘上:0过零的特性:二阶导数在边缘上从正到负有一个过零的特性，这对确定一个宽的边缘的中心是很有用的灰度剖面图灰度剖面图一阶导数一阶导数二阶导数二阶导数（a）（b）图7.5，(a)由一条垂直边缘分开的两个不同区域，(b)边界附近的细节，显示了一个灰度级剖面图和一阶与二阶的剖面图18边缘检测边缘检测结论：1.一阶导数可以用于检测图象中的一个点是否在边缘上，(检测边缘)2.二阶导数的符号可以用于判定一个边缘象素是在边缘亮的一边还是在黑的一边，以及一个宽的边缘的中心。19阶跃型脉冲状 房顶状7.6图像边缘及其导数曲线规律示例20脉冲状边缘：线条、曲线、点。21阶跃边缘脉冲状边缘22边缘检测边缘检测基于一阶导数的边缘检测算子包括基于一阶导数的边缘检测算子包括RobertsRoberts算子、算子、SobelSobel算子、算子、PrewittPrewitt算子等。通过算子等。通过2222或者或者3333的模的模板作为核与图像中的每个像素点做卷积和运算板作为核与图像中的每个像素点做卷积和运算,然后选然后选取合适的阈值以提取边缘。取合适的阈值以提取边缘。拉普拉斯边缘检测算子是基于二阶导数的边缘检测算拉普拉斯边缘检测算子是基于二阶导数的边缘检测算子子,对噪声敏感对噪声敏感,一种改进方式是先对图像进行平滑处一种改进方式是先对图像进行平滑处理理,然后再应用二阶导数的边缘检测算子。然后再应用二阶导数的边缘检测算子。图像边缘对应一阶导数的极大值点和二阶导数的过零图像边缘对应一阶导数的极大值点和二阶导数的过零点。点。23边缘检测边缘检测梯度算子是梯度算子是一阶导数算子一阶导数算子一阶导数算子一阶导数算子幅值幅值幅值幅值方向角方向角方向角方向角 24梯度算子梯度算子 数字图像处理中用差分代替微分数字图像处理中用差分代替微分近似计算近似计算近似计算近似计算25梯度算子梯度算子RobertsRoberts算子算子算子算子 Z1Z2Z3Z4Z5Z6Z7Z8Z9-10010-11026梯度算子梯度算子PrewittPrewitt算子算子算子算子 Z1Z2Z3Z4Z5Z6Z7Z8Z9-1-1-1000111-101-101-10127梯度算子梯度算子SobelSobel算子算子算子算子 Z1Z2Z3Z4Z5Z6Z7Z8Z9-1-2-1000121-101-202-10128图7.4(a)原图，(b)|Gx|,x方向上的梯度分量，(c)|Gy|,y方向上的梯度分量，(d)梯度图像|Gx|+|Gy|(a)(b)(c)(d)可以看到(b)(c)中两个分量的方向性是很明显的。(b)中屋瓦、砖块的水平接缝和窗户的水平分段的图像非常清晰。(c)中表现出了垂直部分，诸如墙附近的拐角、窗户的垂直部分等的。例题：梯度和它的分量说明图7.4说明了梯度的两个分量|Gx|和|Gy|的响应与这两个分量之和生成的梯度图像。使用sobel水平和垂直模板。实例实例实例实例 29拉普拉斯拉普拉斯算子算子差分差分微分微分二阶导数算子二阶导数算子二阶导数算子二阶导数算子30拉普拉斯拉普拉斯算子算子 图图图图7 7 7 7.5.5.5.5 两种两种两种两种常用的常用的常用的常用的拉普拉斯算子模板拉普拉斯算子模板拉普拉斯算子模板拉普拉斯算子模板0101-410101111-8111131拉普拉斯算子一般不以其原始形式用于边缘检测，原因在于：(1)它是一个二阶导数，对噪声非常敏感。(2)拉普拉斯算子的幅值产生双边缘。(最大负值和最大正值)(2)不能检测边缘的方向。（无方向模版）那么它在分割中所起的作用:(1)利用它的零交叉性质进行边缘定位-该算子与平滑过程一起利用零交叉作为找到边缘的前兆。(2)确定一个象素在边缘暗的一边还是亮的一边。32噪声对边缘检噪声对边缘检测的影响测的影响右图讨论了noise的影响1。小的noise对一阶导数的影响较小，2。二阶导数对noise非常敏感3。Noise大时，对一、二导数影响都较大总之在存在较小的noise的应用中，noise是需要认真考虑的33算子比较算子比较 RobertsRoberts算算算算子子子子：RobertsRoberts算算子子利利用用局局部部差差分分算算子子寻寻找找边边缘缘，边边缘缘定定位位精精度度较较高高，但但容容易易丢丢失失一一部部分分边边缘缘，同同时时由由于于图图像像没没经经过过平平滑滑处处理理，因因此此不不具具备备抑抑制制噪噪声声的的能能力力。该该算算子子对对具具有有陡陡峭峭边边缘缘且含噪声少的图像效果较好。且含噪声少的图像效果较好。SobelSobel算算算算子子子子和和PrewittPrewitt算算算算子子子子：都都是是对对图图像像先先做做加加权权平平滑滑处处理理，然然后后再再做做微微分分运运算算，所所不不同同的的是是平平滑滑部部分分的的权权值值有有些些差差异异，因因此此对对噪噪声声具具有有一一定定的的抑抑制制能能力力，但但不不能能完完全全排排除除检检测测结结果果中中出出现现的的虚虚假假边边缘缘。虽虽然然这这两两个个算算子子边边缘缘定定位位效效果果不不错错，但但检检测测出出的的边边缘缘容易出现多像素宽度。容易出现多像素宽度。34算子比较算子比较 LaplacianLaplacian算算算算子子子子：是是不不依依赖赖于于边边缘缘方方向向的的二二阶阶微微分分算算子子，对对图图像像中中的的阶阶跃跃型型边边缘缘点点定定位位准准确确，该该算算子子对对噪噪声声非非常常敏敏感感，它它使使噪噪声声成成分分得得到到加加强强，这这两两个个特特性性使使得得该该算算子子容容易易丢丢失失一一部部分分边边缘缘的的方方向向信息，造成一些不连续的检测边缘，同时抗噪声能力比较差。信息，造成一些不连续的检测边缘，同时抗噪声能力比较差。35Robet算子总体检测结果Sobel水平方向边缘检测 Sobel垂直方向边缘检测 Sobel边缘检测总结果Prewitt水平方向边缘检测 Prewitt垂直方向边缘检测 Prewitt边缘检测总结果T180实例实例实例实例 36IN Matlab,we can use the function as following:edge().It has the parameter:“sobel”,“robert”,”log”,”prewitt”,”canny”,”zerocross”.For example,we have a programme as follows:I=imread(rice.tif);imshow(I);BW1=edge(I,prewitt);BW2=edge(I,canny);figure;Imshow(BW1);figure;imshow(BW2);37387.3 边缘连接（跟踪）边缘连接（跟踪）利用前面的方法检测出边缘点利用前面的方法检测出边缘点,但由于噪声、光照但由于噪声、光照不均等因素的影响，获得边缘点有可能是不连续的，必不均等因素的影响，获得边缘点有可能是不连续的，必须使用连接过程将边缘像素组合成有意义的边缘信息，须使用连接过程将边缘像素组合成有意义的边缘信息，以备后续处理。以备后续处理。边缘跟踪的方法 1.局部边缘连接法；2.光栅扫描跟踪法；3.Hough 变换法。39局部边缘连接法局部边缘连接法n局部边缘连接法 将边缘点连成边缘线的最简单的方法是依据事先确定的准则，把相似的边缘点连成线。该方法以局部梯度算子处理后的梯度图像作为输入，连接过程分为三步：40基本步骤基本步骤从图像中一个边缘点出发，然后根据某种判别准则搜索下从图像中一个边缘点出发，然后根据某种判别准则搜索下从图像中一个边缘点出发，然后根据某种判别准则搜索下从图像中一个边缘点出发，然后根据某种判别准则搜索下一个边缘点以此跟踪出目标边界。一个边缘点以此跟踪出目标边界。一个边缘点以此跟踪出目标边界。一个边缘点以此跟踪出目标边界。确定边界的起始搜索点，起始点的选择很关键，对某些图像，确定边界的起始搜索点，起始点的选择很关键，对某些图像，选择不同的起始点会导致不同的结果。选择不同的起始点会导致不同的结果。确定合适边界判别准则和搜索准则，判别准则用于判断一个确定合适边界判别准则和搜索准则，判别准则用于判断一个点是不是边界点，搜索准则则指导如何搜索下一个边缘点。点是不是边界点，搜索准则则指导如何搜索下一个边缘点。确定搜索的终止条件。确定搜索的终止条件。41局部边缘连接法局部边缘连接法如果满足：如果满足：如果满足：如果满足：如果大小和方向准则得到满足如果大小和方向准则得到满足,则在前面定义的则在前面定义的(x,y)(x,y)邻域中的点就邻域中的点就与位于与位于(x,y)(x,y)的像素连接起来的像素连接起来.分析图像中每个点（分析图像中每个点（分析图像中每个点（分析图像中每个点（x,yx,yx,yx,y）的一个小邻域，根据梯度确）的一个小邻域，根据梯度确）的一个小邻域，根据梯度确）的一个小邻域，根据梯度确定边缘像素的相似性。定边缘像素的相似性。定边缘像素的相似性。定边缘像素的相似性。该方法是基于边缘的局部特性进行边缘连接，所以容易受噪声或干扰的影响。427.47.4 门限处理门限处理(阈值分割阈值分割)由于图像门限处理的直观性和易于实现的性质由于图像门限处理的直观性和易于实现的性质,使它在图使它在图像分割应用中处于中心地位。像分割应用中处于中心地位。43基本原理基本原理上上图图(a)为一幅图像的灰度级直方图，其由亮的对象和暗的背景组成。为一幅图像的灰度级直方图，其由亮的对象和暗的背景组成。对象和背景的灰度级形成两个不同的模式。选择一个对象和背景的灰度级形成两个不同的模式。选择一个门限值门限值T,可以可以将这些模式分开。将这些模式分开。(b)包含包含3个模式个模式.(a)(a)具有双峰的灰度直方图具有双峰的灰度直方图(b)(b)多峰的灰度直方图多峰的灰度直方图44基本原理基本原理原始图像原始图像f f(x,yx,y)灰度阈值灰度阈值T T阈值运算得二值图像阈值运算得二值图像g g(x,yx,y)阈值选择直接影响分割效果，通常可以通过对灰度直方图阈值选择直接影响分割效果，通常可以通过对灰度直方图阈值选择直接影响分割效果，通常可以通过对灰度直方图阈值选择直接影响分割效果，通常可以通过对灰度直方图 的分析来确定它的值。的分析来确定它的值。的分析来确定它的值。的分析来确定它的值。对象点对象点背景点背景点45阈值选择阈值选择利用灰度直方图求双峰或多峰利用灰度直方图求双峰或多峰选择两峰之间的谷底作为阈值选择两峰之间的谷底作为阈值 46人工阈值人工阈值 人工选择法是通过人眼的观察，应用人对图像的知识，在分人工选择法是通过人眼的观察，应用人对图像的知识，在分析图像直方图的基础上，人工选出合适的阈值。也可以在人工选析图像直方图的基础上，人工选出合适的阈值。也可以在人工选出阈值后，根据分割效果，不断的交互操作，从而选择出最佳的出阈值后，根据分割效果，不断的交互操作，从而选择出最佳的阈值。阈值。47双峰法双峰法取双峰之间的最低谷取双峰之间的最低谷实例实例实例实例 48T T=155=155=155=155的二值化图像的二值化图像的二值化图像的二值化图像 T T=210210210210的二值化图像的二值化图像的二值化图像的二值化图像原始图像原始图像原始图像原始图像图像直方图图像直方图图像直方图图像直方图人工阈值人工阈值实例实例实例实例 49clc;I,map=imread(eight.tif);imshow(I);figure;imhist(I);M,N=size(I);for i=1:1:M for j=1:1:N if I(i,j)200 g(i,j)=0;else g(i,j)=1;end end end figure;imshow(g);实例实例实例实例 50实例实例实例实例 51自动阈值自动阈值迭代法迭代法迭代法迭代法 基本思想基本思想基本思想基本思想：开始时选择一个阈值作为初始估计值，然后按某种策略不：开始时选择一个阈值作为初始估计值，然后按某种策略不断地改进这一估计值，直到满足给定的准则为止。在迭代过程中，关键断地改进这一估计值，直到满足给定的准则为止。在迭代过程中，关键之处在于选择什么样的阈值改进策略，好的阈值的改进策略应该具备两之处在于选择什么样的阈值改进策略，好的阈值的改进策略应该具备两个特征，一是能够快速收敛，二是在每一个迭代过程中，新产生阈值优个特征，一是能够快速收敛，二是在每一个迭代过程中，新产生阈值优于上一次的阈值。于上一次的阈值。在无人介入的情况下自动选取阈值是大部分应用的基本要求在无人介入的情况下自动选取阈值是大部分应用的基本要求,自动阈值自动阈值法通常使用灰度直方图来分析图像中灰度值的分布法通常使用灰度直方图来分析图像中灰度值的分布,结合特定的应用领结合特定的应用领域知识来选取合适的阈值域知识来选取合适的阈值.52自动阈值自动阈值迭代法迭代法迭代法迭代法(1)(1)选择图像灰度的中值作为初始阈值选择图像灰度的中值作为初始阈值T Ti i=T T0 0。(2)(2)利利用用阈阈值值T Ti i把把图图像像分分割割成成两两部部分分区区域域，R R1 1和和R R2 2，并并计计算算其其灰灰度度均均值值(3)(3)计算新的阈值计算新的阈值T Ti+i+1 1(4)(4)重复步骤重复步骤2 2、3 3，直到，直到T Ti+i+1 1和和T Ti i的值差别小于某个给定值的值差别小于某个给定值迭代式阈值选择的基本步骤如下迭代式阈值选择的基本步骤如下:适用于背景和对象适用于背景和对象在图像中占据的面在图像中占据的面积相近的情况积相近的情况.53自动阈值自动阈值迭代法迭代法迭代法迭代法 原始图像原始图像迭代阈值二值化图象迭代阈值二值化图象图图图图10.20 10.20 10.20 10.20 迭代式阈值二值化图像迭代式阈值二值化图像迭代式阈值二值化图像迭代式阈值二值化图像54自动阈值自动阈值迭代法迭代法迭代法迭代法(a)原图原图(b)图像的直方图图像的直方图(c)通过用迭代估计的门通过用迭代估计的门限对图像进行分割限对图像进行分割的结果的结果552、最小误差分割是指使图像中目标物和背景分割错误最小的阈值。设一幅图像只由目标物和背景组成，图像中感兴趣目标的像点灰度级服从正态分布，密度为p1(z)，均值和方差分别为1和12；背景点的灰度级服从正态分布，密度为p2(z)，均值和方差分别为2和22。设目标的像素数占图像总像素数的百分比为，背景点占(1-)，则混合概率密度为5657当选定门限为t时，目标点错划为背景点的概率为把背景点错分为目标点的概率为则总错误概率为 58为了使这个误差最小，可令，则有由此得出若先验概率已知，例如59607.4 区域分割区域分割 61基本思想基本思想阈值分割法由于没有或很少考虑空间关系，使多阈值选择受到限制。阈值分割法由于没有或很少考虑空间关系，使多阈值选择受到限制。基于区域的分割方法可以弥补这点不足，它利用的是图像的空间性质，基于区域的分割方法可以弥补这点不足，它利用的是图像的空间性质，该方法认为分割出来的属于同一区域的像素应具有相似的性质，其概念是该方法认为分割出来的属于同一区域的像素应具有相似的性质，其概念是相当直观的。相当直观的。传统传统的的区域分割算法区域分割算法有有区域生长法区域生长法和和区域分裂合并法区域分裂合并法。该类方法。该类方法在没有在没有先验知识可以利用时，先验知识可以利用时，对含有复杂场景或自然景物等先验知识不足的图像对含有复杂场景或自然景物等先验知识不足的图像进行分割进行分割,也可以取得较好的性能也可以取得较好的性能。但是，但是，空间和时间开销都比较大空间和时间开销都比较大。62条件条件条件条件(1)(1)(1)(1)表明分割区域要覆盖整个图像且各区域互不重叠；表明分割区域要覆盖整个图像且各区域互不重叠；表明分割区域要覆盖整个图像且各区域互不重叠；表明分割区域要覆盖整个图像且各区域互不重叠；条件条件条件条件(2)(2)(2)(2)表明每个区域具有相同的性质；表明每个区域具有相同的性质；表明每个区域具有相同的性质；表明每个区域具有相同的性质；条件条件条件条件(3)(3)(3)(3)表明相邻的两个区域性质相异不能合并为一个区域。表明相邻的两个区域性质相异不能合并为一个区域。表明相邻的两个区域性质相异不能合并为一个区域。表明相邻的两个区域性质相异不能合并为一个区域。形式化地定义如下：令形式化地定义如下：令I表示图像表示图像,P表示集合表示集合Ri的的逻辑谓词逻辑谓词,图像分割把图像分割把I分解成分解成n个区域个区域 Ri i,i1,2,1,2,n,n,满足：满足：基本公式基本公式63区域生长区域生长区域生长法主要考虑象素及其空间邻域象素之间的关系区域生长法主要考虑象素及其空间邻域象素之间的关系区域生长法主要考虑象素及其空间邻域象素之间的关系区域生长法主要考虑象素及其空间邻域象素之间的关系方法步骤：方法步骤：(1)(1)确定要分割的区域数目，并在每个区域选择或确定一个能正确代表该确定要分割的区域数目，并在每个区域选择或确定一个能正确代表该区域灰度取值的像素点，称为种子点。区域灰度取值的像素点，称为种子点。(2)(2)选择有意义特征和邻域方式。选择有意义特征和邻域方式。(3)(3)确定相似性准则。确定相似性准则。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。区域内象素的相似性度量可以包括平均灰度值、纹理、颜色等信息。区域生长法定义：区域生长是把图像分割成特征相似的若干小区域，比区域生长法定义：区域生长是把图像分割成特征相似的若干小区域，比较相邻小区域的特征，若相似则合并为同一区域，如此进行直到不能合较相邻小区域的特征，若相似则合并为同一区域，如此进行直到不能合并为止，最后生成特征不同的各区域。这种分割方法也称为区域扩张法。并为止，最后生成特征不同的各区域。这种分割方法也称为区域扩张法。64区域生长区域生长区域增长示例区域增长示例区域增长示例区域增长示例 169269355169269355169269355169269355(a)初始情形初始情形(b)T=1(c)T=2(d)T=3生长准则生长准则:所考虑的像素点和种子点的灰度值的绝对值差小于或等于所考虑的像素点和种子点的灰度值的绝对值差小于或等于某个阈值某个阈值T T就将该像素点归入种子点所在的区域。就将该像素点归入种子点所在的区域。65区域生长区域生长选择合适的种子点选择合适的种子点确定相似性准则确定相似性准则(生长准则生长准则)确定生长停止条件确定生长停止条件步骤步骤步骤步骤 66区域生长区域生长实例实例实例实例 (a)显示有缺陷的焊显示有缺陷的焊缝的图像缝的图像(b)种子点种子点(c)区域生长的结果区域生长的结果(d)对有缺陷的焊缝对有缺陷的焊缝区域进行分割得区域进行分割得到的边界到的边界67例题：区域生长在焊缝检测中的应用图(a)显示了一幅焊缝的X射线图像。(b)为值为255的种子点。区域生长的准则：(1)任何像素和种子之间的灰度值绝对差必须小于65,这个数字是根据直方图得来的；(2)像素必须与此区域中至少一个像素是8连通的。(c)显示了区域生长的结果。(d)为对有缺陷的焊缝区域进行分割后得到的边界。68区域分裂区域分裂如果区域的某些特性差别比较大，即不满足一致性准则时，则区域应该采用分裂法，分裂过程从从图像的最大区域开始，一般情况下，是从整幅图像开始。注意：注意：注意：注意：确定分裂准则(一致性准则)确定分裂方法，即如何分裂区域，使得分裂后的子区域的特性尽可能都满足一致性准则值。69区域分裂区域分裂算法算法算法算法 形成初始区域形成初始区域 对图像的每一个区域对图像的每一个区域R Ri i，计算计算P P(R Ri i)，如果如果P P(R Ri i)=FALSEFALSE则沿着某一合适的边界分裂区域。则沿着某一合适的边界分裂区域。重复步骤重复步骤2 2，当没有区域需分裂时，算法结束。，当没有区域需分裂时，算法结束。70区域合并区域合并 合并运算就是把相邻的具有相似性质的区域合成为一个区域合并运算就是把相邻的具有相似性质的区域合成为一个区域合并算法中最重要的运算是确定两个区域的相似性合并算法中最重要的运算是确定两个区域的相似性评判区域相似性方法有许多，评判相似性的方法可以基于区评判区域相似性方法有许多，评判相似性的方法可以基于区域的灰度值，也可以基于区域边界的强弱性等因素。一种简单域的灰度值，也可以基于区域边界的强弱性等因素。一种简单的方法是比较它们的灰度均值的方法是比较它们的灰度均值基本思想基本思想基本思想基本思想单纯的区域分裂只能把图像分成许多满足一致性谓词的区单纯的区域分裂只能把图像分成许多满足一致性谓词的区域域,相邻的具有相同性质的区域并没有合成一体相邻的具有相同性质的区域并没有合成一体.71区域合并区域合并 使用某种方法进行图像的初始区域分割。使用某种方法进行图像的初始区域分割。对对于于图图像像中中相相邻邻的的区区域域，计计算算是是否否满满足足一一致致性性谓谓词词,若若满足则合并为一个区域。满足则合并为一个区域。重复步骤重复步骤2 2，直到没有区域可以合并，算法结束。，直到没有区域可以合并，算法结束。算算算算 法法法法72区域分裂合并区域分裂合并 数据结构数据结构数据结构数据结构 区域分裂合并法无需预先指定种子点区域分裂合并法无需预先指定种子点,它按某种它按某种一致性准则分裂或者合并区域。可以先进行分裂运一致性准则分裂或者合并区域。可以先进行分裂运算算,然后再进行合并运算然后再进行合并运算;也可以分裂和合并运算同也可以分裂和合并运算同时进行时进行,经过连续的分裂和合并经过连续的分裂和合并,最后得到图像的精最后得到图像的精确分割效果。确分割效果。分裂合并法对分割复杂的场景图像比较有效。分裂合并法对分割复杂的场景图像比较有效。73区域分裂合并区域分裂合并 数据结构数据结构数据结构数据结构 具体实现时具体实现时,分裂合并算法可以基于四叉树数据表示方式进行分裂合并算法可以基于四叉树数据表示方式进行.74区域分裂合并区域分裂合并 数据结构数据结构数据结构数据结构图图图图 7.77.77.77.7图像分裂示例图像分裂示例图像分裂示例图像分裂示例(a)(a)初始图像初始图像 (b)(b)第一次分割第一次分割 (c)(c)第二次分割第二次分割75区域分裂合并区域分裂合并 算法算法算法算法设整幅图像为初始区域设整幅图像为初始区域对对每每一一区区域域R R，如如果果P P(R R)=FLASE)=FLASE，则则把把该该区区域域分分裂裂成成四四个子区域个子区域重复上一步，直到没有区域可以分裂重复上一步，直到没有区域可以分裂 对图像中任意两个相邻的对图像中任意两个相邻的R R1 1和和R R2 2，如果，如果P P(R R1 1U UR R2 2)=)=TRUETRUE，则把这两个区域合并成一个区域。则把这两个区域合并成一个区域。重复上一步，直到没有相邻区域可以合并，算法结束重复上一步，直到没有相邻区域可以合并，算法结束 分水岭分割算法分水岭分割算法 分水岭（watershed，也称分水线/水线）把图像看成3-D地形的表示，即2-D的地基（对应图像空间）加上第3维的高度（对应图像灰度）计算过程是串行的，得到的是目标的边界1)分水岭分水岭建立不同目标间的分水岭谷底孔分水岭分水岭分割算法分水岭分割算法 分水岭分水岭是多阈值分割算法是多阈值分割算法是多阈值分割算法是多阈值分割算法分水岭是原始图像的边缘分水岭是原始图像的边缘分水岭是原始图像的边缘分水岭是原始图像的边缘分水岭分割算法分水岭分割算法 nObjective:finding the watershed linesnConstruction of dam to prevent catchment basins from mergingOriginal imageTopographic viewCatchment basinsWatershed lines分水岭分割算法分水岭分割算法 Water start merging,so shorter dam constructedLonger dam constructedFinal result分水岭分割算法分水岭分割算法 2)分水岭计算步骤分水岭计算步骤分水岭分割算法分水岭分割算法 2)分水岭计算步骤分水岭计算步骤 原始图 阈值分割 分水岭 叠加轮廓分水岭分割算法分水岭分割算法 L=watershed(f)L=watershed(f)MATLABMATLAB函数函数函数函数L=watershed(f)L=watershed(f)MATLABMATLAB函数函数函数函数 不准确标记分水岭算法导致过分割不准确标记分水岭算法导致过分割不准确标记分水岭算法导致过分割不准确标记分水岭算法导致过分割 原始图像原始图像分割结果分割结果 局部极小值局部极小值过分割过分割分水岭算法实例