數(shù)字圖象處理十 圖像分割

數(shù)字圖象處理十圖像分割第1頁，課件共64頁，創(chuàng)作于2023年2月一、概述:●什么是圖像分割？

按照一定的規(guī)則將一幅圖像分成若干子區(qū)域或對象的過程。人對圖像的分割例子：●樹木、天空、人。

第2頁，課件共64頁，創(chuàng)作于2023年2月●圖像分割所方法可以分成兩大類:1.非連續(xù)性分割：基于圖像亮度的不連續(xù)變化特性分割圖像2.相似性分割：依據(jù)確定的準則將圖像分割成相似區(qū)域

圖像分割方法的分類10.1間斷檢測

●采用模板運算的方法來尋找圖像中的間斷因素。

●圖像的間斷特性：點、線、邊緣第3頁，課件共64頁，創(chuàng)作于2023年2月10.1.1

點檢測設置非負門限T，使第4頁，課件共64頁，創(chuàng)作于2023年2月第5頁，課件共64頁，創(chuàng)作于2023年2月10.1.2

線檢測●檢測不同方向線條的模板第6頁，課件共64頁，創(chuàng)作于2023年2月線檢測實例●目的：檢測電路板中－45°方向，一個像素寬度的線條第7頁，課件共64頁，創(chuàng)作于2023年2月第8頁，課件共64頁，創(chuàng)作于2023年2月10.1.3邊緣檢測●邊緣對人的視覺系統(tǒng)是非常重要的?！襁吘壩挥诓煌瑓^(qū)域的交界處，是一組相連像素的集合。第9頁，課件共64頁，創(chuàng)作于2023年2月◆圖像處理中的邊緣模型第10頁，課件共64頁，創(chuàng)作于2023年2月圖像邊緣處的微分特性●通過圖像一階和二階導數(shù)來提取邊緣。

第11頁，課件共64頁，創(chuàng)作于2023年2月圖像求導的噪聲問題邊緣圖像和截面圖一階導數(shù)圖像和截面二階導數(shù)圖像和截面均值為0，標準差為0.1均值為0，標準差為1均值為0，標準差10分別加入高斯噪音：第12頁，課件共64頁，創(chuàng)作于2023年2月●對圖像求一階導數(shù)，我們常用梯度算子對圖像求二階導數(shù)，我們常用laplacian算子●用這兩個算子來提取邊緣，這兩個算子都是通過模板來實現(xiàn)的。第13頁，課件共64頁，創(chuàng)作于2023年2月◆梯度算子模板（一階導數(shù)）●Roberts、Prewitt和Sobel梯度算子都是提取邊緣常用的算子模板。第14頁，課件共64頁，創(chuàng)作于2023年2月◆檢測±45°邊緣的Prewitt和Sobel算子第15頁，課件共64頁，創(chuàng)作于2023年2月Sobel算子提取邊緣實例第16頁，課件共64頁，創(chuàng)作于2023年2月經(jīng)過平滑濾波后再用Sobel算子提取邊緣第17頁，課件共64頁，創(chuàng)作于2023年2月用檢測±45°斜邊緣的Sobel算子作用于圖像的結果●±45°方向的斜邊緣被加強了。第18頁，課件共64頁，創(chuàng)作于2023年2月◆拉普拉斯算子提取邊緣（二階導數(shù)）●拉普拉斯(Laplacian)算子通過下面的模板來實現(xiàn)。這些前面已介紹過第19頁，課件共64頁，創(chuàng)作于2023年2月●高斯函數(shù)

對取Laplacian運算：

稱為高斯型的Laplacian算子(LoG算子：LaplacianofGaussion:）◆LoG算子第20頁，課件共64頁，創(chuàng)作于2023年2月●LoG函數(shù)又稱為墨西哥草帽函數(shù)

LoG算子的函數(shù)形狀和模板第21頁，課件共64頁，創(chuàng)作于2023年2月二值化零交叉點：邊緣Laplacian算子和LoG算子實例第22頁，課件共64頁，創(chuàng)作于2023年2月Sobel梯度算子提取邊緣圖像。LoG算子提取的邊緣第23頁，課件共64頁，創(chuàng)作于2023年2月10.2邊緣連接和邊界檢測10.2.1局部處理●基本思想：判斷一個邊緣點(x,y)和其在一定區(qū)域內的相鄰邊緣點(x0,y0)是否相似，如果相似就連接起來。第24頁，課件共64頁，創(chuàng)作于2023年2月局部處理實例第25頁，課件共64頁，創(chuàng)作于2023年2月10.2.2通過霍夫（Hough）變換進行整體處理●霍夫（Hough）提出了一種在曲線參數(shù)空間尋找圖像中特定曲線的方法，稱為Hough變換。是關于a,b的直線。通過邊界點圖像中的點(xi,yi)直線可以表示為：改寫成：第26頁，課件共64頁，創(chuàng)作于2023年2月霍夫（Hough）變換的具體實現(xiàn)●在參數(shù)空間設置計數(shù)器，參數(shù)空間中的直線通過該點一次，就給計算器的值加1。第27頁，課件共64頁，創(chuàng)作于2023年2月●在具體使用Hough變換時，采用另外一種直線方程表達式：（10.2.30)第28頁，課件共64頁，創(chuàng)作于2023年2月霍夫（Hough）變換的舉例說明第29頁，課件共64頁，創(chuàng)作于2023年2月霍夫（Hough）變換的應用實例●目的是分割出跑道。第30頁，課件共64頁，創(chuàng)作于2023年2月第31頁，課件共64頁，創(chuàng)作于2023年2月10.3門限處理10.3.1基礎選取一個合適的閾值T．以確定圖像中每一個像素點應該屬于目標，還是背景區(qū)域。即：●閾值的分類：

(1)全局閾值；(2)局部閾值；(3)自適應閾值；第32頁，課件共64頁，創(chuàng)作于2023年2月10.3.2照明不均勻的影響成像過程模型：第33頁，課件共64頁，創(chuàng)作于2023年2月10.3.3基本全局門限●

通過實例來介紹：

第34頁，課件共64頁，創(chuàng)作于2023年2月計算機迭代尋找全局門限(1)選擇一個T的初始值；(2)用T分割圖像。這樣做會生成兩組像素：G1和G2；(3)對區(qū)域G1和G2中的所有像素計算平均灰度值μ1和μ2；

(4)

計算新的門限值：

(5)

重復步驟(2)到(4)，直到逐次迭代所得的兩次T值之差小于預先定義的參數(shù)。第35頁，課件共64頁，創(chuàng)作于2023年2月迭代尋找全局門限的實例:第36頁，課件共64頁，創(chuàng)作于2023年2月10.3.4基本自適應門限第37頁，課件共64頁，創(chuàng)作于2023年2月前頁圖像的直方圖T第38頁，課件共64頁，創(chuàng)作于2023年2月agcfebd●

子圖像分割不成功的原因：

第39頁，課件共64頁，創(chuàng)作于2023年2月背景目標目的：選擇一個最佳的閾值T,使分割出錯的概率最小。10.3.5最佳全局和自適應門限定義：整幅圖像的混合概率密度函數(shù)第40頁，課件共64頁，創(chuàng)作于2023年2月●出錯的整體概率為：●

目標被錯誤地分割的概率為

●

背景被錯誤地分割的概率為：

●求上式的極值，可得：●近似認為目標和背景的概率密度函數(shù)都是一個高斯函數(shù)，圖像的概率密度函數(shù)為：第41頁，課件共64頁，創(chuàng)作于2023年2月最佳門限應滿足的方程為：其中：求解上面的方程，得到兩個根，舍棄一個，得到最佳閾值T。(10.3.15)另一種方法：求其和直方圖的方差，即：迭代尋優(yōu)的方法使上式最小，就可以求得的值。第42頁，課件共64頁，創(chuàng)作于2023年2月最佳門限應用實例AB第43頁，課件共64頁，創(chuàng)作于2023年2月上圖中A區(qū)域的直方圖上圖中B區(qū)域的直方圖第44頁，課件共64頁，創(chuàng)作于2023年2月

分割結果

原圖第45頁，課件共64頁，創(chuàng)作于2023年2月Otsu方法基于直方圖，尋找合適的閾值k，使得其對圖像的分割使得類間方差，取最大值：第46頁，課件共64頁，創(chuàng)作于2023年2月10.3.6利用邊界特性改進直方圖和局部門限處理＋－●計算每一個圖像點的梯度和拉普拉斯算子并通過下面的判斷式生成一幅圖像：第47頁，課件共64頁，創(chuàng)作于2023年2月●方法：沿一行進行掃描，必然會出現(xiàn)這種情況（.......）(-+)(0或＋)（＋，－）（.......）掃描碰到邊緣，掃描碰到邊緣，第48頁，課件共64頁，創(chuàng)作于2023年2月實例第49頁，課件共64頁，創(chuàng)作于2023年2月梯度判斷的閾值T第50頁，課件共64頁，創(chuàng)作于2023年2月10.4基于區(qū)域的分割10.4.1基本公式將圖像R

分割成n個子區(qū)域Ri

（I=1,2,……,n）(a)(b)(c)(d)(e)第51頁，課件共64頁，創(chuàng)作于2023年2月10.4基于區(qū)域的分割10.4.2區(qū)域生長●基本步驟：(1)選擇區(qū)域的種子像素；

(2)按照一定的相似性準則將相鄰像素包括進來；

(3)按照一定的規(guī)則停止生長。第52頁，課件共64頁，創(chuàng)作于2023年2月例：找出圖像中的亮目標相似準則：每一步所接收的鄰近點的灰度級與先前目標的平均灰度級相差＜2。

選種子點m=9平均值m第53頁，課件共64頁，創(chuàng)作于2023年2月生長停止m=(3*8+9)/4=8.25m=(3*8+7+9)/5=8第54頁，課件共64頁，創(chuàng)作于2023年2月區(qū)域生長實例第55頁，課件共64頁，創(chuàng)作于2023年2月上幅圖像的直方圖：第56頁，課件共64頁，創(chuàng)作于2023年2月區(qū)域分離與合并算法：(1)定義相似性準則，謂詞P，對區(qū)域進行四拆分(2)在拆分的同時，按照相似性原則將拆分得到的小區(qū)域合并成一個大區(qū)域，即將滿足P(RiURj)=TRUE的兩個區(qū)域合并在一起。(3)反復進行這樣的拆分和合并。

10.4.2區(qū)域分離與合并第57頁，課件共64頁，創(chuàng)作于2023年2月例：相似性準則：子區(qū)域Ri中所有像素同為物體或背景。第58頁，課件共64頁，創(chuàng)作于2023年2月區(qū)域分離與合并實例第59頁，課件共64頁，創(chuàng)作于2023年2月10.5用形態(tài)學分水嶺的分割算法基本算法思想：類似于地形學，將圖像按灰度值的大小看作立體地貌，在每一個區(qū)域的最小值上打一個洞，讓水以均勻速度上升，從低到高逐漸淹沒整個地形，在不同區(qū)域的水要匯集時，修建一個水壩阻止其聚合。水面到達最高點時，水壩所形成的分水線，就構成對圖像內容的分水嶺分割。第60頁，課件共64頁，創(chuàng)作于2023年2月分水嶺算法原理說明第61頁，課件共64頁，創(chuàng)作于2023年2月分水嶺算法實現(xiàn)說明（1）利用膨脹結構元進行水壩構建利