數(shù)字圖像處理-圖像分割PPT課件VIP

圖像分割,課程內(nèi)容,計算機圖像處理的兩個目的：產(chǎn)生更適合人觀察和識別的圖像有計算機自動識別和理解圖像圖像分割（ImageSegmentation）：圖像分割閾值選擇與閾值化處理邊界提取和輪廓跟蹤Hough變換區(qū)域生長,圖像分割,圖像分割的目標是重點根據(jù)圖像中的物體將圖像的像素分類，并提取感興趣目標圖像分割是圖像識別和圖像理解的基本前提步驟,圖像,圖像分割舉例,圖像分割舉例,圖像分割是把圖像分解成構(gòu)成的部件和對象的過程把焦點放在增強感興趣對象汽車牌照排除不相干圖像成分：非矩形區(qū)域,形式化的定義,形式化定義令集合R代表整個圖像區(qū)域，對R的分割可看作將R分成若干個滿足以下條件的非空子集（子區(qū)域）R1，R2，R3，Rn:,分類分割依據(jù)相似性分割：將相似灰度級的像素聚集在一起。形成圖像中的不同區(qū)域。這種基于相似性原理的方法也稱為基于區(qū)域相關的分割技術非連續(xù)性分割：首先檢測局部不連續(xù)性，然后將它們連接起來形成邊界，這些邊界把圖像分以不同的區(qū)域。這種基于不連續(xù)性原理檢出物體邊緣的方法稱為基于點相關的分割技術兩種方法是互補的。有時將它們地結(jié)合起來，以求得到更好的分割效果。,人眼圖像示例,分類連續(xù)性與處理策略連續(xù)性：不連續(xù)性：邊界相似性：區(qū)域處理策略：早期處理結(jié)果是否影響后面的處理并行：不串行：結(jié)果被其后的處理利用四種方法并行邊界；串行邊界；并行區(qū)域；串行區(qū)域,問題不同種類的圖像、不同的應用要求所要求提取的區(qū)域是不相同的。分割方法也不同，目前沒有普遍適用的最優(yōu)方法。人的視覺系統(tǒng)對圖像分割是相當有效的，但十分復雜，且分割方法原理和模型都未搞清楚。這是一個很值得研究的問題。研究層次圖像分割算法圖像分割算法的評價和比較對分割算法的評價方法和評價準則的系統(tǒng)研究,圖像分割的策略,圖像分割的基本策略是基于灰度值的兩個基本特性：區(qū)域之間的不連續(xù)性先找到點、線（寬度為1）、邊（不定寬度）再確定區(qū)域區(qū)域內(nèi)部的相似性通過選擇閾值，找到灰度值相似的區(qū)域區(qū)域的外輪廓就是對象的邊,點檢測,用空域的高通濾波器來檢測孤立點：R=(-1*8*8+128*8)/9=106可以設置閾值T=64若R=0，則說明？若RT，則說明？,點檢測,汽輪機葉片對應的X光圖像,點檢測的結(jié)果,改變閾值的結(jié)果,線檢測,通過比較典型模板的計算值，確定一個點是否在某個方向的線上你也可以設計其它模板：模板系數(shù)之和為0感興趣的方向系數(shù)值較大,線檢測,用4種模板分別計算R水平=-6+30=24R45度=-14+14=0R垂直=-14+14=0R135度=-14+14=0從這些值中尋找絕對值最大值，確定當前點更加接近于該模板所對應的直線,邊緣檢測,物體的邊緣是以圖像局部特性的不連續(xù)性的形式出現(xiàn)的，從本質(zhì)上說，邊緣意味著一個區(qū)域的終結(jié)和另一個區(qū)域的開始。圖像邊緣信息在圖像分析和人的視覺中都是十分重要的，是圖像識別中提取圖像特征的一個重要屬性。是一種并行邊界技術,階躍型凸緣型房頂型,邊緣導數(shù),邊緣檢測,邊緣上的這種變化可以通過微分算子進行檢測：一階導數(shù)：通過梯度來計算二階導數(shù)：通過拉普拉斯算子來計算,邊緣檢測,一階導數(shù)：用梯度算子來計算特點：對于亮的邊，邊的變化起點是正的，結(jié)束是負的。對于暗邊，結(jié)論相反。常數(shù)部分為零。用途：用于檢測圖像中邊的存在,邊緣檢測,二階導數(shù)：通過拉普拉斯來計算特點：二階微分在亮的一邊是正的，在暗的一邊是負的。常數(shù)部分為零。用途：確定邊上的像素是在亮的一邊，還是暗的一邊，0用于確定邊的準確位置,最早的邊緣檢測方法都是基于像素的數(shù)值導數(shù)的，在數(shù)字圖像中應用差分代替導數(shù)運算。由于邊緣是圖像上灰度變化比較劇烈的地方，在灰度變化突變處進行微分，將產(chǎn)生高值，因此在數(shù)學上可用灰度的導數(shù)來表示變化。差分定義：,簡單邊緣檢測方法,圖像經(jīng)過梯度運算能靈敏地檢測出邊界，但是梯度運算比較復雜。,梯度算子梯度是圖像處理中最為常用的一次微分方法。圖像函數(shù)在點的梯度幅值為其方向為,對于數(shù)字圖像，可用一階差分替代一階微分：則f(x,y)的梯度幅度可以=？,常用的邊緣檢測器,給定圖像中的一個3*3區(qū)域，使用下面的邊緣檢測濾波器進行檢測，它們都使用一階導數(shù),邊緣檢測舉例,邊緣檢測問題,邊緣檢測中經(jīng)常碰到的問題是：圖像中存在太多的細節(jié)。比如，前面例子中的磚墻圖像受到噪聲的干擾，不能準確的檢測邊緣解決的一個方法是在邊緣檢測之前對圖像進行平滑,常用的平滑濾波器為高斯（Gauss）函數(shù)：,對于圖像信號，Marr提出先用高斯函數(shù)進行平滑：對圖像進行線性平滑，在數(shù)學上是進行卷積。,由于邊緣點是圖像中灰度值變化劇烈的地方，這種圖像強度的突變將在一階導數(shù)中產(chǎn)生一個峰，或等價于二階導數(shù)中產(chǎn)生一個零交叉點，而沿梯度方向的二階導數(shù)是非線性的，計算較為復雜。Marr提出用拉普拉斯算子來替代，即用下式的零交叉點作為邊緣點。,濾波器具有兩個顯著的特點：(1)該濾波器中的高斯函數(shù)部分能把圖像平滑。（2）該濾波器采用拉普拉斯算子可以減少計算量。在具體實現(xiàn)與之間的卷積運算時：（a）取一個NN的窗口，通常，時，檢測效果較好。(b)窗口模板內(nèi)各系數(shù)之和為0。,濾波器具有兩個顯著的特點：(1)該濾波器中的高斯函數(shù)部分能把圖像平滑。（2）該濾波器采用拉普拉斯算子可以減少計算量。在具體實現(xiàn)與之間的卷積運算時：（a）取一個NN的窗口，通常，時，檢測效果較好。(b)窗口模板內(nèi)各系數(shù)之和為0。,平滑后的邊緣檢測舉例,Laplacian邊緣檢測,我們曾經(jīng)碰到過基于2階導數(shù)的Laplacian濾波器Laplacian由于對噪聲太敏感，因此一般不單獨使用通常和平滑Gaussian濾波器進行結(jié)合來進行邊緣檢測,高斯拉普拉斯（LOG）,高斯拉普拉斯(LaplacianofGaussian，LOG，或Mexicanhat，墨西哥草帽)濾波器使用了Gaussian來進行噪聲去除并使用Laplacian來進行邊緣檢測,高斯拉普拉斯舉例,閾值（Thresholding）,圖像分割的經(jīng)典方法是基于灰度閾值的分割方法我們已經(jīng)討論了簡單的單值閾值，它把一幅灰度圖像轉(zhuǎn)換成二值圖像簡單的單值閾值在數(shù)學上可以描述為：常用的方法是求解灰度直方圖中的雙峰或者多峰，并以兩峰之間的谷底作為閾值,閾值舉例,設想電腦玩家手中的撲克牌，我們需要對其進行視覺上的分析,但是小心,如果你設置了錯誤的閾值，結(jié)果是很糟糕的,全局閾值（GlobalThresholding）,全局閾值是指整幅圖像使用同一個閾值做分割處理，并產(chǎn)生一個二值圖，區(qū)分出前景對象和背景。適用于背景和前景對比度大的圖像算法實現(xiàn)：選取一個合適的閾值T，逐行掃描圖像凡灰度級大于T的，顏色置為255；凡灰度級小于T的，顏色置為0,基本的全局閾值算法,基本的全局閾值T可以按如下計算：1、選擇一個初時估計值T（一般為圖像的平均灰度值）2、使用T分割圖像，產(chǎn)生兩組像素：G1包括灰度級大于T的像素，G2包括灰度級小于等于T的像素3、計算G1中像素的平均值并賦值給1，計算G2中像素的平均值并賦值給24、計算一個新的閾值：5、重復步驟24，一直到兩次連續(xù)的T之間的差小于預先給定的上界T,閾值舉例1,選擇直方圖中雙峰之間的谷底作為全局閾值,閾值舉例2,通過算法迭代產(chǎn)生全局閾值,單值閾值的問題,單值閾值只能對雙峰直方圖工作得較好對于其它類型的直方圖，需要更多的閾值,單值閾值和光照,不均勻的光照會使單值閾值方案失效,基本的自適應閾值,解決單值閾值無法工作的一個方法是將圖像分割為子圖像，并分別進行閾值化處理由于每個像素的閾值依賴于其在圖像中的位置，因此稱為自適應（adaptive）閾值,基本的自適應閾值舉例,下圖為對前面提到的圖像進行自適應閾值后的圖像我們看到圖像得到了改善，但是需要對出錯的圖像進行進一步的細分，從而得到更好的效果,Hough變換,Hough(霍夫)變換可以用于將邊緣像素連接起來得到邊界曲線，它的主要優(yōu)點在于受噪聲和曲線間斷的影響較小,Hough變換,Hough變換的基本思想：在xy平面內(nèi)的一條直線可以表示為：將a、b作為變量，ab平面內(nèi)直線可以表示為：如果點(x1,y1)與點(x2,y2)共線，那么這兩點在參數(shù)ab平面上的直線將有一個交點在參數(shù)ab平面上相交直線最多的點，對應的xy平面上的直線就是我們的解這種從線到點的變換就是Hough變換,Hough變換,得到點A（a,b）是我們的解，(a,b)對應到圖像坐標系xy中所求直線的斜率和截距,Hough變換,算法思想：將a,b空間量化成許多小格。根據(jù)圖像內(nèi)的每個(x0,y0)點代入a的量化值，算出各個b，所得值（經(jīng)量化）落在某個小格內(nèi)，便使該小格的計數(shù)累加器加1，當全部(x,y)點變換后，對小格進行檢驗，有大的計數(shù)值的小格對應于共線點，其(a,b)值作為直線的擬合參數(shù)。,Hough變換,算法特點：對a、b量化過粗，直線參數(shù)就不精確，過細則計算量增加。因此，對a、b量化要兼顧參數(shù)量化精度和計算量。Hough變換檢測直線的抗噪性能強，能將斷開的邊緣連接起來。此外Hough變換也可用來檢測曲線，比如圓、橢圓等,區(qū)域生長,分割的目的是把一幅圖像劃分成一些區(qū)域，最直接的方法就是把一幅圖像分成滿足某種判據(jù)的區(qū)域，即將點組成區(qū)域。為了實現(xiàn)分組，首先要確定區(qū)域的數(shù)目，其次要確定一個區(qū)域與其他區(qū)域相區(qū)別的特征，最后還要產(chǎn)生有意義分割的相似性判據(jù)。,分割區(qū)域的一種方法叫區(qū)域生長或區(qū)域生成。假定區(qū)域的數(shù)目以及在每個區(qū)域中單個點的位置已知，則從一個已知點開始，加上與已知點相似的鄰近點形成一個區(qū)域。相似性準則可以是灰度級、彩色、組織、梯度或其他特性，相似性的測度可以由所確定的閾值來判定。從滿足檢測準則的點開始，在各個方向上生長區(qū)域，當其鄰近點滿足檢測準則就并入小塊區(qū)域中。當新的點被合并后再用新的區(qū)域重復這一過程，直到?jīng)]有可接受的鄰近點時生成過程終止。,從滿足檢測準則的點開始(或者已知點)在各個方向上生長出區(qū)域。例如：每一步所接受的鄰近點的灰度級與種子點的灰度級相差絕對值小于等于T。起始：,區(qū)域生長的過程,具體