圖像處理和分析教程課件

圖像處理和分析教程章毓晉第12章 典型圖像分割算法12-2第12章隨著各學(xué)科許多新理論和方法的提出，人們也提出了許多結(jié)合一些特定理論、方法和工具的分割技術(shù)圖像分割至今為止尚無(wú)通用的自身理論。所以，每當(dāng)有新的數(shù)學(xué)工具或方法提出來(lái)，人們就試著將其用于圖像分割，因而提出了不少特殊的或者說(shuō)有特色的分割算法介紹幾個(gè)具有比較特殊思路的典型方法第12章 典型圖像分割算法12-3第12章SUSAN檢測(cè)算子主動(dòng)輪廓模型特色的取閾值技術(shù)分水嶺分割算法USAN原理檢測(cè)模板的中心稱(chēng)為“核”核同值區(qū)域與核像素的灰度相同或相似的模板區(qū)域利用USAN面積的變化可檢測(cè)邊緣或角點(diǎn)USAN面積較大（超過(guò)一半）時(shí)表明核像素處在圖像中的灰度一致區(qū)域，在模板核接近邊緣時(shí)該面積減少，而在接近角點(diǎn)時(shí)減少得更多，即在角點(diǎn)處面積取得最小值12-4第12章12.1

SUSAN檢測(cè)算子SUSAN算子邊緣檢測(cè)邊緣檢測(cè)SUSAN算子采用圓形模板來(lái)得到各向同性的響應(yīng)。將模板內(nèi)每個(gè)像素的灰度值與核的灰度值進(jìn)行比較游程和12.1

SUSAN檢測(cè)算子12-5第12章SUSAN算子邊緣檢測(cè)將游程和S與一個(gè)固定的幾何閾值G進(jìn)行比較，該閾值設(shè)為3Smax/4初始的邊緣響應(yīng)R(x0,y0)根據(jù)下式得到：當(dāng)圖像中有噪聲時(shí)，將閾值G設(shè)為3Smax/4可給出最優(yōu)的噪聲消除性能12.1

SUSAN檢測(cè)算子12-6第12章邊緣方向的檢測(cè)將邊緣分成兩類(lèi)來(lái)討論：區(qū)域A和B都對(duì)應(yīng)同一類(lèi)邊緣點(diǎn)的情況，即邊緣都通過(guò)USAN區(qū)域的重心，只是模板核分別落在邊緣的兩邊。區(qū)域C對(duì)應(yīng)模板核與USAN區(qū)域的重心位置相重合12.1

SUSAN檢測(cè)算子12-7第12章逐步改變封閉曲線(xiàn)的形狀以逼近圖像中目標(biāo)的輪廓，也稱(chēng)蛇模型（Snake

）主動(dòng)輪廓圖像上一組排序的點(diǎn)的集合處在輪廓上的點(diǎn)可通過(guò)解一個(gè)最小能量問(wèn)題來(lái)迭代地逼近目標(biāo)的邊界12.2

主動(dòng)輪廓模型12-8第12章設(shè)計(jì)能量函數(shù)內(nèi)部能量用來(lái)推動(dòng)主動(dòng)輪廓形狀的改變并保持輪廓上點(diǎn)之間的距離不要太遠(yuǎn)或太近連續(xù)能量項(xiàng)的作用是迫使不封閉的曲線(xiàn)變成直線(xiàn)，而迫使封閉的曲線(xiàn)變成圓環(huán)膨脹力可用于閉合的變形輪廓上以強(qiáng)制輪廓在沒(méi)有外來(lái)影響的情況下擴(kuò)展或收縮12.2

主動(dòng)輪廓模型12-9第12章設(shè)計(jì)能量函數(shù)外部能量將變形模板向感興趣的特征吸引圖像灰度能量函數(shù)為正將輪廓向低灰度區(qū)域移動(dòng)，為負(fù)將輪廓將向高灰度區(qū)域移動(dòng)圖像梯度能量函數(shù)將變形輪廓吸向圖像中的邊緣12.2

主動(dòng)輪廓模型12-10第12章多分辨率閾值選取圖像在小波變換后可分解為一系列尺度不同的分量。圖像直方圖在小波變換后也可進(jìn)行多分辨率分析首先利用在粗分辨率下的直方圖細(xì)節(jié)信息確定分割區(qū)域的類(lèi)數(shù)，即檢測(cè)出真正的峰點(diǎn)和谷點(diǎn)確定類(lèi)數(shù)后，可利用多分辨率的層次結(jié)構(gòu)在直方圖的相鄰峰之間確定最優(yōu)閾值，即對(duì)峰點(diǎn)和谷點(diǎn)進(jìn)行較精確的定位12-11第12章12.3

特色的取閾值技術(shù)多分辨率閾值選取用從負(fù)值變化到正值的零交叉點(diǎn)確定峰的起點(diǎn)用從正值變化到負(fù)值的零交叉點(diǎn)確定峰的終點(diǎn)用起點(diǎn)和終點(diǎn)間的最大值點(diǎn)確定峰的位置用前一個(gè)峰的終點(diǎn)和后一個(gè)峰的起點(diǎn)間的最小值點(diǎn) 確定這兩個(gè)峰之間谷點(diǎn)的位置12.3

特色的取閾值技術(shù)12-12第12章類(lèi)間最大交叉熵閾值交叉熵一種用來(lái)度量?jī)蓚€(gè)概率分布之間信息量差異的量，其對(duì)稱(chēng)形式稱(chēng)為對(duì)稱(chēng)交叉熵類(lèi)間最大交叉熵閾值的選取要使目標(biāo)與背景應(yīng)有盡可能大的差異，可以用交叉熵來(lái)度量目標(biāo)與背景間的差異12.3

特色的取閾值技術(shù)12-13第12章類(lèi)內(nèi)最小模糊散度閾值模糊散度可以表達(dá)圖像中的模糊性。它既能定量反映集合內(nèi)成員對(duì)該集合的隸屬程度，又能結(jié)合概率分布表征兩個(gè)集合之間的相似程度分割后得到的二值圖中包含目標(biāo)和背景當(dāng)模糊散度最小時(shí)可以看作在模糊信息意義上分割圖最接近原始圖，所以可利用類(lèi)內(nèi)最小模糊散度準(zhǔn)則，窮舉搜索最優(yōu)分割閾值12-14第12章12.3

特色的取閾值技術(shù)借助過(guò)渡區(qū)選擇閾值實(shí)際數(shù)字圖像中的邊界是有寬度的，它本身也是圖像中的一個(gè)區(qū)域，一個(gè)特殊的區(qū)域。一方面它將不同的區(qū)域分隔開(kāi)來(lái)，具有邊界的特點(diǎn)；另一方面，它面積不為零，具有區(qū)域的特點(diǎn)；可將這類(lèi)特殊區(qū)域稱(chēng)為過(guò)渡區(qū)先計(jì)算圖像中目標(biāo)和背景間的過(guò)渡區(qū)，再進(jìn)一步選取分割閾值12-15第12章12.3

特色的取閾值技術(shù)借助過(guò)渡區(qū)選擇閾值有效平均梯度在計(jì)算EAG時(shí)只用到梯度非零的像素，除去了零梯度像素的影響，因此稱(chēng)為“有效”梯度。

EAG是圖中非零梯度像素的平均梯度，它代表了圖像中一個(gè)有選擇的統(tǒng)計(jì)量12.3

特色的取閾值技術(shù)12-16第12章借助過(guò)渡區(qū)選擇閾值剪切變換把被剪切了的部分設(shè)成剪切值，避免了一般剪切在剪切邊緣造成大的反差而產(chǎn)生的不良影響高端剪切低端剪切12.3

特色的取閾值技術(shù)12-17第12章借助過(guò)渡區(qū)選擇閾值有效平均梯度的極值點(diǎn)典型的EAGhigh(L)和EAGlow(L)曲線(xiàn)都是單峰曲線(xiàn)，即它們都各有一個(gè)極值EAGhigh(L)的極值點(diǎn)EAGlow(L)的極值點(diǎn)12.3

特色的取閾值技術(shù)12-18第12章借助過(guò)渡區(qū)選擇閾值EAGhigh(L)和EAGlow(L)曲線(xiàn)的極值點(diǎn)對(duì)應(yīng)圖像灰度值集合中的兩個(gè)特殊值，它們?cè)诨叶戎瞪舷薅诉^(guò)渡區(qū)的范圍可借用過(guò)渡區(qū)

來(lái)幫助選取閾值，如

可取過(guò)渡區(qū)內(nèi)像素的

平均灰度值或過(guò)渡區(qū)

內(nèi)像素的直方圖的極值12.3

特色的取閾值技術(shù)12-19第12章分水嶺可借助地形學(xué)概念進(jìn)行討論要阻止水匯合，就需在山峰上修筑水壩，且水壩的高度要隨水位的上升而增高12.4

分水嶺分割算法12-20第12章分水嶺計(jì)算步驟分水嶺計(jì)算的思路即逐漸增加一個(gè)灰度閾值，每當(dāng)它大于一個(gè)局部極大值時(shí)，就把當(dāng)時(shí)的二值圖像（只區(qū)分陸

地和水域，即大于灰度閾值和小于灰度閾值兩部

分）與前一個(gè)時(shí)刻（即灰度閾值上一個(gè)值的時(shí)刻）的二值圖像進(jìn)行邏輯異或（XOR）操作，從而確定出灰度局部極大值的位置。根據(jù)所有灰度局部

極大值的位置集合就可確定分水嶺12-21第12章12.4

分水嶺分割算法分水嶺計(jì)算步驟將n逐漸增大，對(duì)處于平面n以下的像素，用“與”操作將和最低點(diǎn)Mi對(duì)應(yīng)的那些像素提取出來(lái)如果n繼續(xù)增加，不同的區(qū)域?qū)?huì)連通，這時(shí)就需要建分水嶺12.4

分水嶺分割算法12-22第12章教程作者（章毓晉）聯(lián)系信息12-23