數(shù)字信號處理與控制課件：圖像分割簡介

圖像分割一些基本概念圖像分割介紹傳統(tǒng)的圖像分割方法圖像分割方法圖像描述圖像分割具體應用實例圖像分割介紹圖像分割的目的是理解圖像的內容，提取出我們感興趣的對象。在圖像分析中,通常需要將所關心的目標物從圖像中提取出來,這種從圖像中將某個特定區(qū)域與其它部分進行分離并提取出來的處理,就是圖像分割.圖像分割按照具體應用的要求和具體圖像的內容將圖像分割成一塊塊區(qū)域。圖像分割是模式識別和圖像分析的預處理階段。圖像分割在圖像分析、圖像識別、圖像檢測等方面占有非常重要的地位。地位圖像處理著重強調圖像之間進行變換以改善圖像的效果圖像分析則主要是對圖像中感興趣的目標進行檢測和測量，以獲得它們的客觀信息從而建立對圖像的描述圖像理解的重點是在圖像分析的基礎上，進一步研究圖像中各目標的性質和它們之間的相互關系，并得出對圖像的解釋圖像分割介紹（續(xù)）分類—分割依據相似性分割：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。有時將它們地結合起來，以求得到更好的分割效果。圖像分割介紹（續(xù)）1.二值法

——

設計思想對每一個象素點確定一個閾值，閾值兩邊分別是前景和背景點。適合于前景與背景差別大的情況圖像分割方法直方圖分析——

示例圖像分割示例

——細菌檢測2.P-參數(shù)法

——

設計思想對固定分辨率下的目標物，根據目標物在畫面中所占的比例來選擇閾值，進行二值化處理。圖像分割方法P-參數(shù)法——

示例p=15.07%p-參數(shù)法對于已知目標物在畫面中所占比例的情況下使用比較有效。P-參數(shù)法——

基本原理如下圖所示，假設目標物為暗，背景為亮；先試探性地給出一個閾值（黃色），統(tǒng)計目標物的像素點數(shù)在整幅圖中所占的比例是否滿足要求，是則閾值合適；否則，閾值則偏大（右）或者偏?。ㄗ螅?，再進行調整，直到滿足要求（白色）。閾值閾值圖像分割方法

所謂的均勻性度量方法，是根據“物以類聚”的思想而設計的。其基本設計思想是：屬于“同一類別”的對象具有較大的一致性。實現(xiàn)的手段是：以均值與方差作為度量均勻性的數(shù)字指標。3.均勻性度量法

——

設計思想均勻性度量法

——處理效果示例Th=3,方差=61.7Th=31,方差=29.7Th=82,方差=24.44.聚類方法

——

基本設計思想聚類方法是采用了模式識別中的聚類思想。以類內保持最大相似性以及類間保持最大距離為最佳閾值的求取目標。圖像分割方法聚類方法

——

處理效果示例Th=82,方差=24.4Th=91,方差=24.8

聚類方法與均勻性度量方法的最大差別是考慮了類之間的距離。圖像分割方法

5.目標物體的輪廓提?。?）輪廓提取邊緣勾畫出目標物體，其蘊含了豐富的內在信息（方向、形狀等），是圖像識別中抽取圖像特征的重要屬性輪廓提取和跟蹤是為了獲取圖像的外部輪廓特征采用的方法二值圖像：掏空內部點非二值圖像：先進行圖像的二值化處理，然后掏空內部點圖像分割方法

5.目標物體的輪廓提取(續(xù))（1）輪廓提?。ɡm(xù)）如何判斷像素是否在內部？

p8p1p2p7pp3p6p5p4

只需要判斷p周圍8個像素灰度值是否相同，如果相同則p為內部點，否則不是。圖像分割方法

5.目標物體的輪廓提取(續(xù))（2）邊界跟蹤

顧名思義就是通過順序找出邊緣點來跟蹤出邊界。

目標物體的輪廓提取二值圖象閉合邊界的輪廓跟蹤算法<1>首先按從上到下，從左到右的順序搜索，找到的第一個黑點一定是最左上方的邊界點，記為A<2>A的右，右下，下，左下四個鄰點中至少有一個是邊界點，記為B<3>從開始B找起，按右，右上，上，左上，左，左下，下，右下的順序找相鄰點中的邊界點C。如果C就是A點，則表明已經轉了一圈，程序結束。<4>否則從C點繼續(xù)找，直到找到A為止。判斷是不是邊界點很容易：如果它的上下左右四個鄰居都是黑點則不是邊界點，否則是邊界點。圖像分割方法

6.模板匹配模板匹配如何在一幅圖象中找到已知的物體，比如抓拍到了一張射門的照片，如何在該照片中找到足球的位置？用已知的模板，和原圖象中同樣大小的一塊區(qū)域進行匹配基本方法模板的左上角點和圖象的左上角點是重合的，用模板和原圖象中同樣大小的一塊區(qū)域比較，然后平移到下一個像素，仍然進行同樣的操作……所有的位置都比較完后，差別最小的那塊就是我們要找的物體圖像分割方法

6.模板匹配（續(xù)）誤差用平方誤差之和來衡量原圖中的塊和模板之間的差別假設模板的大小為m*n(寬*高)；圖像的大小為W*H。模板中的某像素坐標為(x0,y0)，該像素的灰度為v(x0,y0)；與之重合的圖象中的像素坐標為(X0-x0,Y0-y0)，該點的灰度為f(X0-x0,Y0-y0)，則誤差：圖像分割方法

7.分水嶺分割分水嶺是地理學中的一個名詞。將兩個水域分開的山嶺。如秦嶺就是長江和黃河的分水嶺，秦嶺以北的降水流向黃河，秦嶺以南的降水流向長江。大別山是長江水系與淮河水系的分水嶺，南嶺是長江水系與珠江水系的分水嶺。圖像分割方法

7.分水嶺分割分水嶺算法的基本思想分水嶺分割(WatershedSegmentation)分水嶺的思想如何應用到圖像處理領域？把灰度圖像可以看作是一片地形,像素的灰度值代表該點的地形高度,在地形中有高地、分水線、集水盆等。分水嶺分割(WatershedSegmentation)地形圖：低洼：地形表面上總會有一些局部最小值點。落在這些點的雨水不會流向它處。集水盆地：在一些點上，降落的雨水會沿著地形表面往低處流，最終流向同一個低洼，這些點稱為與該低洼相關的集水盆地。分水嶺：在一些點上，降落的雨水可能會等概率地流向不同的低洼，將這些點稱為分水線，就是Watershed.分水嶺分割(WatershedSegmentation)

分水嶺分割算法的主要目的就是找出集水盆地之間的分水線。分水嶺算法有多種，降雨法（rainfall）和淹沒法（flooding）是常用的兩種基本算法。集水盆地Watershed分水嶺分割(a)(b)一維Watershed分割.(a)圖像數(shù)據的梯度幅值(b)Watershed分割.一個局部極小值產生一個聚水盆，局部極大值定義聚水盆之間的分水嶺[72]WatershedsCatchmentbasins分水嶺分割一、基本分水嶺算法降雨法：首先找出圖像中的低洼，給每個低洼賦予不同的標記；落在未標記點的雨水將流向更低的鄰點，最終達到一個低洼，將低洼的標記賦予該點；如果某點的雨水可能流向多個低洼，則標記為分水線。所有點處理完畢后，就形成了不同標記的區(qū)域和區(qū)域之間的分水線。淹沒法的基本思想是：假想每個低洼都有一個洞，把整個地形逐漸沉入湖中，則處在水平面以下的低洼不斷涌入水流，逐漸填滿與低洼相關的集水盆地；當來自不同低洼的水在某些點將要匯合時，即水將要從一個盆地溢出時，就在這些點上筑壩，阻止水流溢出；當水淹沒至地形最高點時，筑壩過程停止；最終所有的水壩就形成了分水線，地形就被分成了不同的區(qū)域或盆地。分水嶺分割

Vincent-Soille算法雖然降雨法和淹沒法的基本思想非常簡單，但是設計一個好非常好的算法實現(xiàn)他們，則是比較困難的。

1991年Vincent-Soille在IEEETransactionsonPatternAnalysisandMachineIntelligence上的一篇論文設計了一個非常好的算法實現(xiàn)基于淹沒法的思想，使得Watershed算法才真正實用起來。從而推動了圖像分割算法的發(fā)展。

分水嶺如何分割連接的目標任務：將兩個重疊的圓分開分水嶺如何分割連接的目標想法：在重疊處建一大壩分水嶺如何分割連接的目標步驟1：經過距離變換將一幅二值圖像變成灰度圖像，將該圖像取反，繪出其地形圖一幅圖像的距離變換定義為每個像素到最近邊界的距離（圖1）

分水嶺如何分割連接的目標步驟2：觀察經過距離變換后的地形圖,在連接處是否形成一個大壩?在連接處，降雨是否會等概率地流向兩側？如果是的，此處可以建一個大壩，將兩個籽粒分開。結合距離變換實現(xiàn)粘連目標分割

分水嶺分割算法尤其適合粘連區(qū)域的分割。

分水嶺算法分割醫(yī)學圖像分水嶺分割算法易于受噪音的影響，從而導致過分割。因此，需要一定的預處理。比如，例如均值濾波對圖像去噪，會減少一定的過分割。圖像分割方法

8.基于標記的分割在分割之前，首先標出要分割區(qū)域的數(shù)目和位置，在這些標記的指導下，分水嶺算法再進行分割，也是一種改進的方法。本質屬于一種交互式的區(qū)域合并算法。圖像分割方法

9.投影法

投影法就是把圖像在某一方向（常用的是水平方向和垂直方向）上進行投影。在投影圖上便可反映出圖像中目標對象的位置、尺寸等信息。圖像分割方法

9.差影法

差影法實際上就是圖像的相減運算(又稱減影技