31图像分割.pptx

1 3.图像处理与分析知识库知识库表示与描述表示与描述预处理预处理分割分割低级处理高级处理中级处理识别识别与与解释解释结果图像获取图像获取问题2分割出来的各区域对某种性质例如灰度，纹理而分割出来的各区域对某种性质例如灰度，纹理而分割出来的各区域对某种性质例如灰度，纹理而分割出来的各区域对某种性质例如灰度，纹理而言具有相似性，区域内部是连通的且没有过多小言具有相似性，区域内部是连通的且没有过多小言具有相似性，区域内部是连通的且没有过多小言具有相似性，区域内部是连通的且没有过多小孔；孔；孔；孔；区域边界是明确的；区域边界是明确的；区域边界是明确的；区域边界是明确的；相邻区域对分割所依据的性质有明显的差异。相邻区域对分割所依据的性质有明显的差异。相邻区域对分割所依据的性质有明显的差异。相邻区域对分割所依据的性质有明显的差异。3.1图像分割图像分割特征特征特征特征图像分割是指将一幅图像分解为若干互不交叠的、有意义图像分割是指将一幅图像分解为若干互不交叠的、有意义的、具有相同性质的区域。的、具有相同性质的区域。不同的分割算法总是在不同的约束之间寻找一种合理的平衡不同的分割算法总是在不同的约束之间寻找一种合理的平衡.3 第第第第1 1 1 1类性质的应用途径是基于亮度的不连续变化分割图像类性质的应用途径是基于亮度的不连续变化分割图像类性质的应用途径是基于亮度的不连续变化分割图像类性质的应用途径是基于亮度的不连续变化分割图像,比如比如比如比如图像的边缘图像的边缘图像的边缘图像的边缘.第第第第2 2 2 2类的主要应用途径是依据事先制定的准则将图像分割为相类的主要应用途径是依据事先制定的准则将图像分割为相类的主要应用途径是依据事先制定的准则将图像分割为相类的主要应用途径是依据事先制定的准则将图像分割为相似的区域似的区域似的区域似的区域.门限门限门限门限(阈值阈值阈值阈值)处理、区域生长、区域分离和聚合都是处理、区域生长、区域分离和聚合都是处理、区域生长、区域分离和聚合都是处理、区域生长、区域分离和聚合都是这类方法的实例。这类方法的实例。这类方法的实例。这类方法的实例。3.1图像分割图像分割特征特征特征特征图像分割算法一般是基于亮度值的两个基本特性之一图像分割算法一般是基于亮度值的两个基本特性之一:不连不连续性续性和和相似性相似性.4 3.1.1 3.1.1 3.1.1 3.1.1 间隔检测间隔检测间隔检测间隔检测 3.1.2 3.1.2 3.1.2 3.1.2 边缘连接和边界检测边缘连接和边界检测边缘连接和边界检测边缘连接和边界检测 3.1.3 3.1.3 3.1.3 3.1.3 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）3.1.4 3.1.4 3.1.4 3.1.4 区域分割区域分割区域分割区域分割3.1图像分割图像分割本章要点本章要点本章要点本章要点53.1.1.间隔检测间隔检测 1.1.1.1.点检测点检测点检测点检测 2.2.2.2.线检测线检测线检测线检测 3.3.3.3.边缘检测边缘检测边缘检测边缘检测6间隔检测的通用方法：间隔检测的通用方法：使用一个模板对整幅图像进行检测。使用一个模板对整幅图像进行检测。1 1个个3333的模板的模板71.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 点检测模板点检测模板82.线检测线检测图图 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.92.线检测线检测若要检测特定方向上的线若要检测特定方向上的线,应使用与这一方向有关的模板应使用与这一方向有关的模板,并设置该并设置该模板的输出门限模板的输出门限.令令R1,R2,R3,R4分别表示图分别表示图10.3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.103.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在边缘处，灰度和结构等信息的产生突变在边缘处，灰度和结构等信息的产生突变在边缘处，灰度和结构等信息的产生突变.边缘是一个区域的结束边缘是一个区域的结束边缘是一个区域的结束边缘是一个区域的结束,也是也是也是也是另一个区域的开始另一个区域的开始另一个区域的开始另一个区域的开始,利用该特征可以分割图像利用该特征可以分割图像利用该特征可以分割图像利用该特征可以分割图像.由于图像数据是二维的由于图像数据是二维的由于图像数据是二维的由于图像数据是二维的,而实际物体是三维的而实际物体是三维的而实际物体是三维的而实际物体是三维的,从三维到二维的投影必然从三维到二维的投影必然从三维到二维的投影必然从三维到二维的投影必然会造成信息的丢失会造成信息的丢失会造成信息的丢失会造成信息的丢失,再加上成像过程中光照的不均和噪声等因素的影响再加上成像过程中光照的不均和噪声等因素的影响再加上成像过程中光照的不均和噪声等因素的影响再加上成像过程中光照的不均和噪声等因素的影响,使使使使得有边缘的地方不一定能被检测出来得有边缘的地方不一定能被检测出来得有边缘的地方不一定能被检测出来得有边缘的地方不一定能被检测出来,而检测出来的边缘也不一定代表实而检测出来的边缘也不一定代表实而检测出来的边缘也不一定代表实而检测出来的边缘也不一定代表实际边缘际边缘际边缘际边缘.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缓沿边缘方向像素变化平缓沿边缘方向像素变化平缓沿边缘方向像素变化平缓,垂直于边垂直于边垂直于边垂直于边缘方向像素变化剧烈缘方向像素变化剧烈缘方向像素变化剧烈缘方向像素变化剧烈.边缘上的这种变化可以用微分算子检测出来边缘上的这种变化可以用微分算子检测出来边缘上的这种变化可以用微分算子检测出来边缘上的这种变化可以用微分算子检测出来,通常用通常用通常用通常用一阶或二阶导数来检测边缘一阶或二阶导数来检测边缘一阶或二阶导数来检测边缘一阶或二阶导数来检测边缘.113.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水平线通过图像的灰度剖面图水平线通过图像的灰度剖面图水平线通过图像的灰度剖面图水平线通过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.123.边缘检测边缘检测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一阶导数可以用于检测图像中的一个点是否一阶导数可以用于检测图像中的一个点是否在斜坡上在斜坡上.二阶导数的符号可以用于判断一个边缘像素二阶导数的符号可以用于判断一个边缘像素是在边缘亮的一边还是暗的一边是在边缘亮的一边还是暗的一边.(1)(1)对图像中的每条边缘二阶导数生成两个值对图像中的每条边缘二阶导数生成两个值(2)(2)一条连接二阶导数正极值和负极值的虚构一条连接二阶导数正极值和负极值的虚构直线直线将在边缘中点附近穿过零点将在边缘中点附近穿过零点.据此可以用据此可以用于确定粗边线的中心于确定粗边线的中心.133.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算子等算子等.通过通过2222或者或者3333的模板作为核与图像中的每个的模板作为核与图像中的每个像素点做卷积和运算像素点做卷积和运算,然后选取合适的阈值以提取边缘然后选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子拉普拉斯边缘检测算子是基于二阶导数的边缘检测算子,对噪声敏对噪声敏感感,一种改进方式是先对图像进行平滑处理一种改进方式是先对图像进行平滑处理,然后再应用二阶导数然后再应用二阶导数的边缘检测算子的边缘检测算子.图像边缘对应一阶导数的极大值点和二阶导数的过零点。图像边缘对应一阶导数的极大值点和二阶导数的过零点。143.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 151)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161)梯度算子梯度算子RobertsRoberts算子算子算子算子 Z1Z2Z3Z4Z5Z6Z7Z8Z9-10010-110171)梯度算子梯度算子PrewittPrewitt算子算子算子算子 Z1Z2Z3Z4Z5Z6Z7Z8Z9-1-1-1000111-101-101-101181)梯度算子梯度算子SobelSobel算子算子算子算子 Z1Z2Z3Z4Z5Z6Z7Z8Z9-1-2-1000121-101-202-101191)梯度算子梯度算子011-101-1-10-1-10-10101101-2-101-2-10-2-10-102012PrewittSobel用于检测对角边缘用于检测对角边缘的的Prewitt算子和算子和Sobel算子算子201)梯度算子梯度算子原图原图原图原图PrewittPrewitt算子算子算子算子 SobelSobel算子算子算子算子 RobertsRoberts算子算子算子算子 212)2)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222)2)拉普拉斯拉普拉斯算子算子 图图图图 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0101-410101111-81111232)2)拉普拉斯拉普拉斯算子算子拉普拉斯算子一般不以其原始形式用于边缘检测拉普拉斯算子一般不以其原始形式用于边缘检测,这是因为：这是因为：(1)作为一个二阶导数作为一个二阶导数,拉普拉斯算子对噪声具有无法接受的敏感性拉普拉斯算子对噪声具有无法接受的敏感性;(2)拉普拉斯算子的幅值产生双边缘拉普拉斯算子的幅值产生双边缘,这是复杂的分割不希望有的结果这是复杂的分割不希望有的结果;(3)拉普拉斯算子不能检测边缘的方向拉普拉斯算子不能检测边缘的方向.拉普拉斯算子在分割中所起的作用包括拉普拉斯算子在分割中所起的作用包括:(1)利用它的零交叉的性质进行边缘定位利用它的零交叉的性质进行边缘定位;(2)确定一个像素是在边缘暗的一边还是亮的一边确定一个像素是在边缘暗的一边还是亮的一边.24噪声对边缘检噪声对边缘检测的影响测的影响253)3)高斯拉普拉斯高斯拉普拉斯算子算子考虑函数考虑函数:h的拉普拉斯算子的拉普拉斯算子(h关于关于r的二阶导数的二阶导数):高斯型的拉普拉斯算子高斯型的拉普拉斯算子(LoG)模糊图像模糊图像用该函数对图像进行平滑滤波用该函数对图像进行平滑滤波,然后再应用拉普拉斯算子然后再应用拉普拉斯算子.263)3)高斯高斯拉普拉斯拉普拉斯算子算子高斯型拉普拉斯算子高斯型拉普拉斯算子三维曲线三维曲线图像图像横截面横截面55的模板的模板273)3)高斯高斯-拉普拉斯拉普拉斯算子算子284)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。294)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。方向信息，造成一些不连续的检测边缘，同时抗噪声能力比较差。304)算子比较算子比较 LOGLOG算算算算子子子子：该该算算子子首首先先用用高高斯斯函函数数对对图图像像作作平平滑滑滤滤波波处处理理，然然后后才才使使用用LaplacianLaplacian算算子子检检测测边边缘缘，因因此此克克服服了了LaplacianLaplacian算算子子抗抗噪噪声声能能力力比比较较差差的的缺缺点点，但但是是在在抑抑制制噪噪声声的的同同时时也也可可能能将将原原有有的的比比较较尖尖锐锐的的边边缘缘也也平滑掉了，造成这些尖锐边缘无法检被测到。平滑掉了，造成这些尖锐边缘无法检被测到。应应应应用用用用LOGLOGLOGLOG算算算算子子子子，高高高高斯斯斯斯函函函函数数数数中中中中方方方方差差差差参参参参数数数数的的的的选选选选择择择择很很很很关关关关键键键键，对对对对图图图图像像像像边边边边缘缘缘缘检检检检测测测测效效效效果果果果有有有有很很很很大大大大的的的的影影影影响响响响。高高高高斯斯斯斯滤滤滤滤波波波波器器器器为为为为低低低低通通通通滤滤滤滤波波波波器器器器，越越越越大大大大，通通通通频频频频带带带带越越越越窄窄窄窄，对对对对较较较较高高高高频频频频率率率率的的的的噪噪噪噪声声声声的的的的抑抑抑抑制制制制作作作作用用用用越越越越大大大大，避避避避免免免免了了了了虚虚虚虚假假假假边边边边缘缘缘缘的的的的检检检检出出出出，同同同同时时时时信信信信号号号号的的的的边边边边缘缘缘缘也也也也被被被被平平平平滑滑滑滑了了了了，造造造造成成成成某某某某些些些些边边边边缘缘缘缘点点点点的的的的丢丢丢丢失失失失。反反反反之之之之，越越越越小小小小，通通通通频频频频带带带带越越越越宽宽宽宽，可可可可以以以以检检检检测测测测到到到到的的的的图图图图像像像像更更更更高高高高频频频频率率率率的的的的细细细细节节节节，但但但但对对对对噪噪噪噪声声声声的的的的抑抑抑抑制制制制能能能能力力力力相相相相对对对对下下下下降降降降，容容容容易易易易出出出出现现现现虚虚虚虚假假假假边边边边缘缘缘缘。因因因因此此此此，应应应应用用用用LOGLOGLOGLOG算算算算子子子子，为为为为取取取取得得得得更更更更佳佳佳佳的的的的效效效效果果果果，对对对对于于于于不不不不同同同同图图图图像像像像应选择不同参数。应选择不同参数。应选择不同参数。应选择不同参数。313.1.2.边缘连接和边界检测边缘连接和边界检测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、光照不均等因素的影响，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，必须使用连接过程将边缘像素组合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，以备后续处理。成有意义的边缘信息，以备后续处理。321.局部处理局部处理分析图像中每个点（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）的一个小领域，根据梯度确）的一个小领域，根据梯度确）的一个小领域，根据梯度确）的一个小领域，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。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.332.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。像，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。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。确定搜索的终止条件。确定搜索的终止条件。34灰度图像边界跟踪灰度图像边界跟踪 35Hough变换变换HoughHoughHoughHough变换可以用于将边缘像素连接起来得到边界曲线变换可以用于将边缘像素连接起来得到边界曲线变换可以用于将边缘像素连接起来得到边界曲线变换可以用于将边缘像素连接起来得到边界曲线优点在于受噪声和曲线间断的影响较小优点在于受噪声和曲线间断的影响较小优点在于受噪声和曲线间断的影响较小优点在于受噪声和曲线间断的影响较小在已知曲线形状的条件下，在已知曲线形状的条件下，在已知曲线形状的条件下，在已知曲线形状的条件下，HoughHoughHoughHough变换实际上是利用分散变换实际上是利用分散变换实际上是利用分散变换实际上是利用分散的边缘点进行曲线逼近，它也可看成是一种聚类分析技术的边缘点进行曲线逼近，它也可看成是一种聚类分析技术的边缘点进行曲线逼近，它也可看成是一种聚类分析技术的边缘点进行曲线逼近，它也可看成是一种聚类分析技术.通过霍夫变换进行整体处理通过霍夫变换进行整体处理在图像上给出在图像上给出在图像上给出在图像上给出n n个点个点个点个点,我们希望找到这些点中位于直线上的点组成的我们希望找到这些点中位于直线上的点组成的我们希望找到这些点中位于直线上的点组成的我们希望找到这些点中位于直线上的点组成的子集子集子集子集.一种可行的方法就是先寻找所有由每对点确定的直线一种可行的方法就是先寻找所有由每对点确定的直线一种可行的方法就是先寻找所有由每对点确定的直线一种可行的方法就是先寻找所有由每对点确定的直线,然后找然后找然后找然后找到所有接近特定直线的点组成的子集到所有接近特定直线的点组成的子集到所有接近特定直线的点组成的子集到所有接近特定直线的点组成的子集.36Hough变换变换在图像空间中在图像空间中,经过经过(x,y)的直线的直线:y=ax+b a-斜率斜率,b-截距截距可变换为可变换为:b=-ax+y,表示参数空间中的一条直线表示参数空间中的一条直线.参数空间中交点参数空间中交点(a,b)即为图像空间中过点即为图像空间中过点(xi,yi)和和(xj,yj)的直线的斜的直线的斜率和截距率和截距.37Hough变换变换1)在参数空间建立一个二维数组在参数空间建立一个二维数组A,数组的第一维的范围为图像空间数组的第一维的范围为图像空间中直线斜率的可能范围中直线斜率的可能范围(amin,amax),第二维为图像空间中直线截距的可第二维为图像空间中直线截距的可能范围能范围(bmin,bmax),且开始时把数组初始化为零且开始时把数组初始化为零.2)然后对图像空间中的点用然后对图像空间中的点用Hough变换计算出所有的变换计算出所有的a,b值值,每计算出每计算出一对一对a,b 值值,就对数组中对应的元素就对数组中对应的元素A(a,b)加加1.计算结束后计算结束后,A(a,b)的值的值就是图像空间中落在以就是图像空间中落在以a为斜率为斜率,b为截距的直线上点的数目为截距的直线上点的数目.Hough变换的基本步骤变换的基本步骤:38Hough变换变换图图 HoughHough变换的计算过程变换的计算过程数组数组A A的大小对计算量和计的大小对计算量和计算精度的影响很大算精度的影响很大,当图像当图像空间中有直线为竖直线时空间中有直线为竖直线时,斜率斜率a a为无穷大为无穷大,此时此时,参数参数空间可采用极坐标空间可采用极坐标.39Hough变换变换原始图像原始图像原始图像原始图像二值化图像二值化图像二值化图像二值化图像细化图像细化图像细化图像细化图像HoughHough变换检测出的直线变换检测出的直线变换检测出的直线变换检测出的直线 直线检测直线检测直线检测直线检测 能将断了的线段连接起来能将断了的线段连接起来,并具有较强的抑制噪声的能力并具有较强的抑制噪声的能力,能够提取出在噪能够提取出在噪声背景中的直线声背景中的直线.HoughHough变换不仅可以检测直线变换不仅可以检测直线,它可以检测所有能够给出解析式的曲线它可以检测所有能够给出解析式的曲线.40通过图论技术进行全局处理通过图论技术进行全局处理基于图表达边缘线段的连接基于图表达边缘线段的连接,并搜索与重要边缘相对应的低开销路径并搜索与重要边缘相对应的低开销路径的图的图.这种表示提供了一种在有噪声环境下效能很好的抗干扰途径这种表示提供了一种在有噪声环境下效能很好的抗干扰途径.413.1.3.3.1.3.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.42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对象和背景的灰度级形成两个不同的模式.选择一个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)单一门限单一门限 (b)(b)多门限进行分割的灰度级直方图多门限进行分割的灰度级直方图43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441.直方图阈值选择直方图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 452.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，在分析图像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。也可以在人工选出阈值后，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，从而选择出最佳的阈值。根据分割效果，不断的交互操作，从而选择出最佳的阈值。46T 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2.人工阈值人工阈值473.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.483.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:适用于背景和适用于背景和对象在图像中对象在图像中占据的面积相占据的面积相近的情况近的情况.493.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 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503.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514.自动阈值自动阈值分水岭算法分水岭算法分水岭算法分水岭算法 分水岭算法分水岭算法分水岭算法分水岭算法(watershed)watershed)watershed)watershed)是一种借鉴了形态学理论的分割方法，是一种借鉴了形态学理论的分割方法，是一种借鉴了形态学理论的分割方法，是一种借鉴了形态学理论的分割方法，它将一幅图象看成为一个拓扑地形图，其中灰度值被认为是地形高度它将一幅图象看成为一个拓扑地形图，其中灰度值被认为是地形高度它将一幅图象看成为一个拓扑地形图，其中灰度值被认为是地形高度它将一幅图象看成为一个拓扑地形图，其中灰度值被认为是地形高度值。高灰度值对应着山峰，低灰度值处对应着山谷。将水从任一处流值。高灰度值对应着山峰，低灰度值处对应着山谷。将水从任一处流值。高灰度值对应着山峰，低灰度值处对应着山谷。将水从任一处流值。高灰度值对应着山峰，低灰度值处对应着山谷。将水从任一处流下，它会朝地势底的地方流动，直到某一局部低洼处才停下来，这个下，它会朝地势底的地方流动，直到某一局部低洼处才停下来，这个下，它会朝地势底的地方流动，直到某一局部低洼处才停下来，这个下，它会朝地势底的地方流动，直到某一局部低洼处才停下来，这个低洼处被称为低洼处被称为低洼处被称为低洼处被称为吸水盆地吸水盆地吸水盆地吸水盆地，最终所有的水会分聚在不同的吸水盆地最终所有的水会分聚在不同的吸水盆地最终所有的水会分聚在不同的吸水盆地最终所有的水会分聚在不同的吸水盆地,吸吸吸吸水盆地之间的山脊被称为水盆地之间的山脊被称为水盆地之间的山脊被称为水盆地之间的山脊被称为分水岭分水岭分水岭分水岭，水从分水岭流下时，它朝不同的吸水从分水岭流下时，它朝不同的吸水从分水岭流下时，它朝不同的吸水从分水岭流下时，它朝不同的吸水盆地流去的可能性是相等的。水盆地流去的可能性是相等的。水盆地流去的可能性是相等的。水盆地流去的可能性是相等的。将这种想法应用于图像分割，就是要在灰度图像中找出不同的吸将这种想法应用于图像分割，就是要在灰度图像中找出不同的吸将这种想法应用于图像分割，就是要在灰度图像中找出不同的吸将这种想法应用于图像分割，就是要在灰度图像中找出不同的吸水盆地和分水岭，由这些不同的吸引盆地和分水岭组成的区域即为我水盆地和分水岭，由这些不同的吸引盆地和分水岭组成的区域即为我水盆地和分水岭，由这些不同的吸引盆地和分水岭组成的区域即为我水盆地和分水岭，由这些不同的吸引盆地和分水岭组成的区域即为我们要分割的目标。们要分割的目标。们要分割的目标。们要分割的目标。524.自动阈值自动阈值分水岭算法分水岭算法分水岭算法分水岭算法(a)a)原始图像原始图像 (b)b)图像对应的拓扑地形图图像对应的拓扑地形图图图图图 图像对应的拓扑表面图图像对应的拓扑表面图图像对应的拓扑表面图图像对应的拓扑表面图 534.自动阈值自动阈值分水岭算法分水岭算法分水岭算法分水岭算法 分水岭阈值选择算法可以看成是一种自适应的多阈值分割算法分水岭阈值选择算法可以看成是一种自适应的多阈值分割算法分水岭阈值选择算法可以看成是一种自适应的多阈值分割算法分水岭阈值选择算法可以看成是一种自适应的多阈值分割算法图图图图 分水岭形成示意图分水岭形成示意图分水岭形成示意图分水岭形成示意图分水岭对应于原始图像中的边缘分水岭对应于原始图像中的边缘分水岭对应于原始图像中的边缘分水岭对应于原始图像中的边缘544.自动阈值自动阈值分水岭算法分水岭算法分水岭算法分水岭算法 L=watershed(f)L=watershed(f)MATLABMATLAB函数函数函数函数图图图图 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水岭分水岭分割结果分割结果局部极小值局部极小值分水岭算法是以梯度图的局部极小点作为吸水盆地的标记点分水岭算法是以梯度图的局部极小点作为吸水盆地的标记点分水岭算法是以梯度图的局部极小点作为吸水盆地的标记点分水岭算法是以梯度图的局部极小点作为吸水盆地的标记点,由由由由于梯度图中可能有较多的局部极小点于梯度图中可能有较多的局部极小点于梯度图中可能有较多的局部极小点于梯度图中可能有较多的局部极小点,因此可能会导致过分割因此可能会导致过分割因此可能会导致过分割因此可能会导致过分割.554.自动阈值自动阈值改进的分水岭算法改进的分水岭算法改进的分水岭算法改进的分水岭算法 图图图图 准确标记的分水岭算法分割过程准确标记的分水岭算法分割过程准确标记的分水岭算法分割过程准确标记的分水岭算法分割过程 原始图像原始图像原图像的距离变换原图像的距离变换标记外部约束标记外部约束标记内部约束标记内部约束由标记内外部约由标记内外部约束重构的梯度图束重构的梯度图分割结果分割结果563.1.4.区域分割区域分割 57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，其概念是相当直观的。概念是相当直观的。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。该类方法在在没有先验知识可以利用时，没有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的图像进行分割,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空间和时间开销都比较大较大。58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,H表示具有相同性质的谓表示具有相同性质的谓词词,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591.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开始时确定一个或多个象素点作为种子，然后按某种相似性准开始时确定一个或多个象素点作为种子，然后按某种相似性准则增长区域，则增长区域，逐步生成具有某种均匀性的空间区域，将相邻的具逐步生成具有某种均匀性的空间区域，将相邻的具有有相似相似性质的象素或区域归并从而逐步增长区域，直至没有可以性质的象素或区域归并从而逐步增长区域，直至没有可以归并的点或其它小区域为止。归并的点或其它小区域为止。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。信息。区域生长是一种根据事前定义的准则将像素或子区域聚合成更大区域的区域生长是一种根据事前定义的准则将像素或子区域聚合成更大区域的过程过程.601.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久将该像素点归入种子点所在的区域久将该像素点归入种子点所在的区域.611.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 621.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631.区域生长区域生长实例实例实例实例 图图图图 区域生长区域生长区域生长区域生长 原始图像及原始图像及种子点位置种子点位置三个种子点区域三个种子点区域生长结果生长结果原始图像及原始图像及种子点位置种子点位置四个种子点区域四个种子点区域生长结果生长结果642.区域分裂区域分裂 件件件件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.开注意：开注意：开注意：开注意：确定分裂准则(一致性准则)确定分裂方法，即如