數(shù)字圖像處理-第10章 圖像分割

1第10章圖像分割數(shù)字圖像處理：使用MATLAB分析與實(shí)現(xiàn)2問(wèn)題的提出：在對(duì)圖像的研究和應(yīng)用中，人們往往僅對(duì)圖像中的某些目標(biāo)感興趣，這些目標(biāo)通常對(duì)應(yīng)圖像中具有特定性質(zhì)的區(qū)域。圖像分割（ImageSegmentation）是指把一幅圖像分成不同的具有特定性質(zhì)區(qū)域的圖像處理技術(shù)，將這些區(qū)域分離提取出來(lái)，以便進(jìn)一步提取特征和理解如何實(shí)現(xiàn)圖像分割？第10章圖像分割主要內(nèi)容10.1閾值分割10.2邊界分割10.3區(qū)域分割10.4基于聚類的圖像分割10.5分水嶺分割10.6綜合實(shí)例3410.1閾值分割閾值分割原理其中，f(x,y)為原始圖像，g(x,y)為結(jié)果圖像

（二值），T為閾值。顯然，閾值的選取決定了二值化效果的好壞。5閾值化概念上閾值化：灰度值大于等于閾值的所有像素作為前景像素，其余像素作為背景像素下閾值化：灰度值小于等于閾值的所有像素作為前景像素內(nèi)閾值化：確定一個(gè)較小的閾值和一個(gè)較大的閾值，灰度值介于二者之間的像素作為前景像素外閾值化：灰度值介于小閾值和大閾值之外的像素作為前景像素10.1閾值分割610.1.1基于灰度直方圖的閾值選擇10.1.2基于模式分類思路的閾值選擇10.1.3其他閾值分割方法10.1閾值分割710.1.1基于灰度直方圖的閾值選擇閾值分割（1）原理若圖像的灰度直方圖為雙峰分布，表明圖像的內(nèi)容大致為兩部分，分別為灰度分布的兩個(gè)山峰的附近。選擇閾值為兩峰間的谷底點(diǎn)對(duì)應(yīng)灰度值適用于圖像中前景與背景灰度差別明顯，且各占一定比例的情形，是一種特殊的方法。若圖像整體直方圖不具有雙峰或多峰特性，可以考慮局部范圍內(nèi)應(yīng)用。810.1.1基于灰度直方圖的閾值選擇閾值分割（2）實(shí)例一幅圖像的直方圖如圖所示，根據(jù)直方圖對(duì)其進(jìn)行分割，分成幾個(gè)區(qū)域？閾值點(diǎn)是什么？分成3個(gè)區(qū)域，閾值點(diǎn)為3峰之間的谷點(diǎn)對(duì)應(yīng)灰度級(jí)或內(nèi)閾值化，灰度值介于二者之間的像素作為前景像素或外閾值化：灰度值介于小閾值和大閾值之外的像素作為前景像素910.1.1基于灰度直方圖的閾值選擇閾值分割（3）例程實(shí)現(xiàn)基于雙峰分布的直方圖選擇閾值，分割圖像分析重點(diǎn)在于找到直方圖的峰和波谷，但直方圖通常是不平滑的，因此，首先要平滑直方圖，再去搜索峰和谷。程序設(shè)計(jì)中，將直方圖中相鄰三個(gè)灰度的頻數(shù)相加求平均作為中間灰度對(duì)應(yīng)的頻數(shù)，不斷平滑直方圖，直至成為雙峰分布。也可以采用其他方法確定峰谷。1010.1.1基于灰度直方圖的閾值選擇閾值分割（3）例程程序見(jiàn)教材【例10.1】1110.1.1基于灰度直方圖的閾值選擇閾值分割（3）例程效果原圖灰度直方圖平滑后的直方圖和波谷分割圖T=1181210.1.2基于模式分類思路的閾值選擇閾值分割（1）原理認(rèn)為像素值（或像素特征值）為待分類的數(shù)據(jù)，尋找合適的閾值，把數(shù)據(jù)分為不同類別，從而實(shí)現(xiàn)圖像分割。把所有的像素分為兩組（類），屬于“同一類別”的對(duì)象具有較大的一致性，“不同類別”的對(duì)象具有較大的差異性。如何衡量同類的一致性和類間的差異性，采用不同的衡量方法對(duì)應(yīng)不同的算法1310.1.2基于模式分類思路的閾值選擇閾值分割（2）最大類間方差法（OTSU）兩類像素在圖像中的分布概率：兩類像素值均值和總體灰度均值：準(zhǔn)則各級(jí)灰度出現(xiàn)的概率為：14使得類內(nèi)方差最小或類間方差最大、或者類內(nèi)和類間方差比值最小的閾值T為最佳閾值。10.1.2基于模式分類思路的閾值選擇閾值分割（2）最大類間方差法（OTSU）兩類方差：類內(nèi)方差和類間方差：準(zhǔn)則1510.1.2基于模式分類思路的閾值選擇閾值分割（2）最大類間方差法（OTSU）函數(shù)LEVEL=graythresh(I)：采用OTSU方法計(jì)算圖像I的全局最佳閾值LEVEL。BW=im2bw(I,LEVEL)：采用閾值LEVEL實(shí)現(xiàn)灰度圖像I的二值化。BW=imbinarize(I)：采用基于OTSU方法的全局閾值實(shí)現(xiàn)灰度圖像I的二值化。BW=imbinarize(I,METHOD)：采用METHOD指定的方法獲取閾值實(shí)現(xiàn)灰度圖像I的二值化1610.1.2基于模式分類思路的閾值選擇閾值分割（2）最大類間方差法（OTSU）程序Image=rgb2gray(imread('lotus1.jpg'));figure,imshow(Image),title('原始圖像');T=graythresh(Image);result=im2bw(Image,T);figure,imshow(result),title('OTSU方法二值化圖像');1710.1.2基于模式分類思路的閾值選擇閾值分割（2）最大類間方差法（OTSU）效果原圖分割圖，閾值T=1091810.1.2基于模式分類思路的閾值選擇閾值分割（2）最大類間方差法（OTSU）效果閾值T=80原圖1910.1.2基于模式分類思路的閾值選擇閾值分割（2）最大類間方差法（OTSU）效果Th=82類內(nèi)方差=24.4Th=31類內(nèi)方差=29.7原圖2010.1.2基于模式分類思路的閾值選擇閾值分割（3）最大熵法準(zhǔn)則熵作為分類的標(biāo)準(zhǔn)：若兩類的平均熵之和為最大時(shí)，從圖像中獲得最大信息量，對(duì)應(yīng)閾值是最佳閾值。2110.1.2基于模式分類思路的閾值選擇閾值分割（3）最大熵法例程見(jiàn)教材【例10.3】閾值T=120原圖2210.1.2基于模式分類思路的閾值選擇閾值分割（4）最小誤差法分類的錯(cuò)誤率最小時(shí)對(duì)應(yīng)的閾值為最佳閾值目標(biāo)和背景的概率密度分布目標(biāo)均值和標(biāo)準(zhǔn)差：背景均值和標(biāo)準(zhǔn)差：正態(tài)分布概率密度：準(zhǔn)則2310.1.2基于模式分類思路的閾值選擇閾值分割（4）最小誤差法背景誤判為目標(biāo)的概率：目標(biāo)誤判為背景的概率：誤判的概率：為目標(biāo)占圖像的比例。J(T)最小時(shí)對(duì)應(yīng)T為最佳閾值求解極值點(diǎn)，可得：需要已知目標(biāo)在圖像中所占比例，且目標(biāo)和背景的灰度概率密度符合正態(tài)分布，因此，往往需要用已知的正態(tài)分布來(lái)擬合直方圖的分布，實(shí)現(xiàn)較為復(fù)雜。2410.1.2基于模式分類思路的閾值選擇閾值分割（4）最小誤差法例程程序見(jiàn)教材【例10.4】，默認(rèn)目標(biāo)和背景服從正態(tài)分布，僅估計(jì)了參數(shù)，簡(jiǎn)化了求解閾值T=111原圖2510.1.3其他閾值分割方法閾值分割（1）基于迭代運(yùn)算的閾值選擇基本思路：先選擇一個(gè)閾值作為初始值，然后進(jìn)行迭代運(yùn)算，按照某種策略不斷改進(jìn)閾值，直到滿足給定的準(zhǔn)則為止。關(guān)鍵技術(shù)：閾值改進(jìn)策略的選擇，應(yīng)能使算法快速收斂且每次迭代產(chǎn)生的新閾值優(yōu)于上一次的閾值。2610.1.3其他閾值分割方法閾值分割（1）基于迭代運(yùn)算的閾值選擇一種常用的基于迭代運(yùn)算的閾值分割算法求出圖像中的最小和最大灰度值r1和r2，令

閾值初值為:根據(jù)閾值Tk將圖像分割成背景和目標(biāo)兩部分，求出兩部分的平均灰度值rB和rO27如果Tk=Tk+1，則結(jié)束，否則k增加1，轉(zhuǎn)入第二步10.1.3其他閾值分割方法閾值分割（1）基于迭代運(yùn)算的閾值選擇求出新的閾值28Image=im2double(rgb2gray(imread('lotus1.jpg')));T=(max(Image(:))+min(Image(:)))/2;equal=false;while~equalNewT=(mean(Image(Image>=T))+mean(Image(Image<T)))/2;equal=abs(NewT-T)<1/256;T=NewT;endresult=im2bw(Image,T);figure,imshow(result),title('迭代方法二值化圖像');10.1.3其他閾值分割方法閾值分割（1）基于迭代運(yùn)算的閾值選擇程序2910.1.3其他閾值分割方法閾值分割（1）基于迭代運(yùn)算的閾值選擇效果閾值T=109.7原圖3010.1.3其他閾值分割方法閾值分割（2）基于模糊理論的閾值選擇基本思路：模糊度表示一個(gè)模糊集的模糊程度，模糊熵是一種度量模糊度的數(shù)量指標(biāo)，用模糊熵作為目標(biāo)函數(shù),求解最佳閾值。

圖中的每一點(diǎn)對(duì)于目標(biāo)和背景均有一定的隸屬程度,隸屬度函數(shù)為C是一個(gè)常數(shù)，保證3110.1.3其他閾值分割方法閾值分割（2）基于模糊理論的閾值選擇模糊熵Shannon函數(shù):模糊熵取最小值時(shí)對(duì)應(yīng)的閾值為最佳閾值3210.1.3其他閾值分割方法閾值分割（2）基于模糊理論的閾值選擇例程程序見(jiàn)教材【例10.6】閾值T=135原圖3310.2邊界分割邊界分割：通過(guò)檢測(cè)區(qū)域的邊界輪廓來(lái)實(shí)現(xiàn)圖像分割的方法分割過(guò)程：邊界檢測(cè)：通過(guò)各種邊緣檢測(cè)算子從圖像中抽取邊緣線段邊界改良：執(zhí)行各種改良邊緣的處理：如邊界細(xì)化，邊緣閉合等邊界跟蹤：跟蹤邊緣形成邊界曲線3410.2.1基于梯度的邊界閉合10.2.2Hough變換10.2.3邊界跟蹤10.2邊界分割35目標(biāo)的部分邊界與相鄰部分背景相近或相同時(shí)，提取出的目標(biāo)區(qū)域邊界線會(huì)出現(xiàn)斷點(diǎn)、不連續(xù)或分段連續(xù)等情況；有噪聲干擾時(shí)，也會(huì)使輪廓線斷開(kāi)。要提取目標(biāo)區(qū)域時(shí)，應(yīng)使不連續(xù)邊界閉合方法多種多樣：Hough變換、基于梯度的邊界閉合技術(shù)、數(shù)學(xué)形態(tài)學(xué)等10.2.1基于梯度的邊界閉合邊界分割（1）邊界改良36（2）基于梯度的邊界閉合10.2.1基于梯度的邊界閉合邊界分割兩像素、互為鄰點(diǎn)，梯度幅度和方向滿足將兩像素連接起來(lái)。對(duì)所有邊緣像素進(jìn)行同樣的操作，則有希望得到閉合的邊界。3710.2.2Hough變換邊界分割（1）概述霍夫變換（Houghtransform）是檢測(cè)圖像中直線和曲線的一種方法。核心思想：建立一種點(diǎn)－線對(duì)偶關(guān)系，將圖像從圖像空間變換到參數(shù)空間，確定曲線的參數(shù)，進(jìn)而確定圖像中的曲線。若邊界線形狀已知，通過(guò)檢測(cè)圖像中離散的邊界點(diǎn)，確定曲線參數(shù)，在圖像空間重繪邊界曲線，進(jìn)而改良邊界。3810.2.2Hough變換邊界分割（2）檢測(cè)直線原理以截距式方程為例：一條確定的直線對(duì)應(yīng)一組確定的數(shù)據(jù)k、bxy空間一條確定的直線對(duì)應(yīng)參數(shù)空間的一個(gè)點(diǎn)直線變形為關(guān)于k和b的直線：參數(shù)空間的一條直線對(duì)應(yīng)xy空間的一個(gè)點(diǎn)綜上所述，xy空間一條直線上的n個(gè)點(diǎn)，對(duì)應(yīng)參數(shù)kb空間經(jīng)過(guò)一個(gè)公共點(diǎn)的n條直線39對(duì)于原圖中每一點(diǎn)，在參數(shù)空間確定一條直線，經(jīng)過(guò)直線最多的點(diǎn)為原圖中直線的參數(shù)10.2.2Hough變換邊界分割（2）檢測(cè)直線原理4010.2.2Hough變換邊界分割（2）檢測(cè)直線算法假設(shè)原圖像已經(jīng)處理為二值邊緣圖像，掃描圖中的每一個(gè)像素點(diǎn)：背景點(diǎn)，不作任何處理目標(biāo)點(diǎn)，確定直線：，參數(shù)空間上的對(duì)應(yīng)直線上所有的值累加1循環(huán)掃描所有點(diǎn)，重復(fù)上述操作參數(shù)空間上累計(jì)值最大的點(diǎn)(k*,b*)為所求直線參數(shù)，按照該參數(shù)繪制直線4110.2.2Hough變換邊界分割極坐標(biāo)形式（2）檢測(cè)直線直線方程y=kx+b對(duì)垂直線不起作用，采用極坐標(biāo)形式42xy空間一條確定的直線對(duì)應(yīng)ρθ參數(shù)空間的一個(gè)點(diǎn)參數(shù)空間的一條正弦曲線對(duì)應(yīng)xy空間的一個(gè)點(diǎn)xy空間一條直線上的n個(gè)點(diǎn)，對(duì)應(yīng)ρθ參數(shù)空間經(jīng)過(guò)一個(gè)公共點(diǎn)的n條正弦曲線對(duì)于原圖中每一點(diǎn)，在參數(shù)空間確定一條正弦曲線，經(jīng)過(guò)曲線最多的點(diǎn)為原圖中直線的參數(shù)10.2.2Hough變換邊界分割極坐標(biāo)形式（2）檢測(cè)直線4310.2.2Hough變換邊界分割函數(shù)（2）檢測(cè)直線[H,THETA,RHO]=hough(BW)[H,THETA,RHO]=hough(BW,PARAM1,VAL1,PARAM2,VAL2)：對(duì)輸入圖像BW進(jìn)行Hough變換LINES=houghlines(BW,THETA,RHO,PEAKS)LINES=houghlines(...,PARAM1,VAL1,PARAM2,VAL2)

根據(jù)Hough變換的結(jié)果提取圖像BW中的線段PEAKS=houghpeaks(H,NUMPEAKS)PEAKS=houghpeaks(...,PARAM1,VAL1,PARAM2,VAL2)

提取Hough變換后參數(shù)平面的峰值點(diǎn)4410.2.2Hough變換邊界分割例程（2）檢測(cè)直線Image=rgb2gray(imread('houghsource.bmp'));bw=edge(Image,'canny');figure,imshow(bw);[h,t,r]=hough(bw,'RhoResolution',0.5,'ThetaResolution',0.5);figure,imshow(imadjust(mat2gray(h)),'XData',t,'YData',r,'InitialMagnification','fit');xlabel('\theta'),ylabel('\rho');axison,axisnormal,holdon;P=houghpeaks(h,2);x=t(P(:,2));y=r(P(:,1));plot(x,y,'s','color','r');45lines=houghlines(bw,t,r,P,'FillGap',5,'Minlength',7);figure,imshow(Image);holdon;max_len=0;fori=1:length(lines)xy=[lines(i).point1;lines(i).point2];plot(xy(:,1),xy(:,2),'LineWidth',2,'Color','g');plot(xy(1,1),xy(1,2),'x','LineWidth',2,'Color','y');plot(xy(2,1),xy(2,2),'x','LineWidth',2,'Color','r');end10.2.2Hough變換邊界分割例程（2）檢測(cè)直線4610.2.2Hough變換邊界分割例程（2）檢測(cè)直線原始圖像ρθ參數(shù)空間檢測(cè)結(jié)果4710.2.2Hough變換邊界分割原理（3）檢測(cè)圓圓方程xy空間一個(gè)圓對(duì)應(yīng)三維參數(shù)空間一個(gè)點(diǎn)（a,b,r)xy空間圓上一個(gè)點(diǎn)(x,y)對(duì)應(yīng)參數(shù)空間一條曲線xy空間圓上n個(gè)點(diǎn)對(duì)應(yīng)參數(shù)空間n條相交于一點(diǎn)的曲線對(duì)于原圖中每一點(diǎn)，在參數(shù)空間確定一條曲線，經(jīng)過(guò)曲線最多的點(diǎn)為原圖中圓的參數(shù)4810.2.2Hough變換邊界分割算法（3）檢測(cè)圓假設(shè)原圖像已經(jīng)處理為二值邊緣圖像，掃描圖中的每一個(gè)像素點(diǎn)：背景點(diǎn)，不作任何處理目標(biāo)點(diǎn)，確定曲線：參數(shù)空間上的對(duì)應(yīng)曲線上所有的值累加1循環(huán)掃描所有點(diǎn)參數(shù)空間上累計(jì)值為最大的點(diǎn)(a*,b*,r*)為所求圓參數(shù)按照該參數(shù)與原圖像同等大小的空白圖像上繪制圓4910.2.2Hough變換邊界分割簡(jiǎn)化運(yùn)算（3）檢測(cè)圓三維參數(shù)空間，計(jì)算量大，可以采樣其他形式，如極坐標(biāo)式，進(jìn)行進(jìn)一步簡(jiǎn)化。5010.2.2Hough變換邊界分割（4）檢測(cè)任意曲線Hough變換可以推廣到具有解析形式f(x,a)=0的任意曲線，x表示圖像點(diǎn)，a表示參數(shù)向量過(guò)程初始化參數(shù)空間A[a]對(duì)每個(gè)邊緣像素x確定a，使得f(x,a)=0，并令A(yù)[a]+=1A的局部最大值對(duì)應(yīng)圖像中曲線參數(shù)5110.2.3邊界跟蹤邊界分割（1）跟蹤方法根據(jù)某些嚴(yán)格的“探測(cè)準(zhǔn)則”找出目標(biāo)物體輪廓上的像素，即確定邊界的起始搜索點(diǎn)；再根據(jù)一定的“跟蹤準(zhǔn)則”找出目標(biāo)物體上的其他像素，直到符合跟蹤終止條件。由二維圖像變?yōu)橐痪S的點(diǎn)序列5210.2.3邊界跟蹤邊界分割（2）函數(shù)B=bwboundaries(BW)：搜索二值圖像BW的外邊界和內(nèi)邊界。B=bwboundaries(BW,CONN,OPTIONS)[B,L,N,A]=bwboundaries(...)B=bwtraceboundary(BW,P,FSTEP)：跟蹤二值圖像BW中目標(biāo)輪廓5310.2.3邊界跟蹤邊界分割（3）例程讀取一幅灰度圖像，對(duì)其進(jìn)行閾值分割，并對(duì)分割的二值圖像進(jìn)行邊界跟蹤Image=im2bw(imread('algae.jpg'));Image=1-Image;[B,L]=bwboundaries(Image);figure,imshow(L),title('劃分的區(qū)域');holdon;fori=1:length(B)boundary=B{i};plot(boundary(:,2),boundary(:,1),'r','LineWidth',2);end5410.2.3邊界跟蹤邊界分割（3）例程原始圖像邊界跟蹤5510.3.1區(qū)域生長(zhǎng)10.3.2區(qū)域合并10.3區(qū)域分割一般認(rèn)為，同一個(gè)區(qū)域內(nèi)的像素點(diǎn)具有某種相似性，如灰度、顏色、紋理等，區(qū)域分割即是根據(jù)特定區(qū)域與其他背景區(qū)域特性上的不同來(lái)進(jìn)行圖像分割的技術(shù)。10.3.3區(qū)域分裂10.3.4區(qū)域合并分裂5610.3.1區(qū)域生長(zhǎng)區(qū)域分割（1）原理擬把圖像劃分成一系列區(qū)域，確定每個(gè)區(qū)域區(qū)別于其他區(qū)域的特征，由此生成相似性判據(jù)；從圖像某個(gè)像素開(kāi)始，判斷其應(yīng)該屬于哪個(gè)區(qū)域，使區(qū)域逐漸變大，直到被比較的像素與區(qū)域像素具有顯著差異為止。設(shè)計(jì)思路5710.3.1區(qū)域生長(zhǎng)區(qū)域分割實(shí)現(xiàn)方法在每個(gè)要分割的區(qū)域內(nèi)確定一個(gè)種子點(diǎn)，判斷種子像素周圍鄰域是否有與種子像素相似的像素，若有將新的像素包含在區(qū)域內(nèi)，并作為新的種子繼續(xù)生長(zhǎng)，直到?jīng)]有滿足條件的像素點(diǎn)時(shí)停止生長(zhǎng)。（1）原理5810.3.1區(qū)域生長(zhǎng)區(qū)域分割（1）原理種子點(diǎn)的選取

選擇待提取區(qū)域的具有代表性的點(diǎn)，可以是單個(gè)像素，也可以是包括若干個(gè)像素的子區(qū)域，根據(jù)具體問(wèn)題，利用先驗(yàn)知識(shí)來(lái)選擇。生長(zhǎng)準(zhǔn)則的確定（相似性準(zhǔn)則）

一般根據(jù)圖像的特點(diǎn)，采用與種子點(diǎn)的距離度量（彩色、灰度、梯度等量之間的距離）。區(qū)域停止生長(zhǎng)的條件

區(qū)域大小、迭代次數(shù)或區(qū)域飽和等條件。關(guān)鍵技術(shù)5910.3.1區(qū)域生長(zhǎng)區(qū)域分割（2）示例1000110001001155442665661055651101211111111111111122221222221122221111115種子點(diǎn)為：(2,2)相似性準(zhǔn)則：灰度值差小于2鄰域選選擇：4鄰域6010.3.1區(qū)域生長(zhǎng)區(qū)域分割（3）例程對(duì)圖像進(jìn)行區(qū)域生長(zhǎng)。交互式選取種子，生長(zhǎng)準(zhǔn)則采用“待測(cè)像素點(diǎn)與區(qū)域的平均灰度差小于40”，8鄰域范圍生長(zhǎng)，停止生長(zhǎng)條件為區(qū)域飽和。程序見(jiàn)教材【例10.10】原圖區(qū)域生長(zhǎng)6110.3.2區(qū)域合并區(qū)域分割（1）原理假設(shè)圖像已經(jīng)分為若干個(gè)小區(qū)域，合并具有相似性的相鄰區(qū)域。極端的情況，可以認(rèn)為每個(gè)像素為一個(gè)小區(qū)域，把具有相似性的像素合并到一個(gè)區(qū)域內(nèi)。6210.3.2區(qū)域合并區(qū)域分割（2）示例1000110001001155442665661055651101211000110001001155442665661055651101216310.3.2區(qū)域合并區(qū)域分割（3）例程通過(guò)區(qū)域合并將示例中的小圖像分割為兩個(gè)區(qū)域設(shè)計(jì)思路初始化：每個(gè)像素為一個(gè)小區(qū)域；相似性準(zhǔn)則采用：相鄰區(qū)域灰度均值差≤2；左上角第一個(gè)點(diǎn)設(shè)為區(qū)域1，其余為0，表示未標(biāo)記。第一次掃描圖像：從左到右，從上到下，判斷每一點(diǎn)與其左上、上、左鄰點(diǎn)的灰度距離，三個(gè)距離中最小的若符合合并規(guī)則，將對(duì)應(yīng)鄰點(diǎn)的標(biāo)記賦予當(dāng)前點(diǎn)；若沒(méi)有相似的點(diǎn)，則賦予當(dāng)前點(diǎn)新的標(biāo)記。64再次掃描圖像：若某一像素點(diǎn)上、左鄰點(diǎn)標(biāo)記不一致，但當(dāng)前點(diǎn)和其中一個(gè)鄰點(diǎn)標(biāo)記一致，則判斷兩個(gè)區(qū)域是否是同一個(gè)，若是，則將兩個(gè)區(qū)域標(biāo)記修改為較小的一個(gè)，即區(qū)域合并。10.3.2區(qū)域合并區(qū)域分割（3）例程設(shè)計(jì)思路6510.3.2區(qū)域合并區(qū)域分割（3）例程程序見(jiàn)教材【例10.11】效果同示例一種自下而上的方法，某些區(qū)域一旦合并，即使與后來(lái)的區(qū)域相似性并不好，也無(wú)法去除。6610.3.3區(qū)域分裂區(qū)域分割（1）原理認(rèn)為整幅圖像是一個(gè)完整區(qū)域，檢驗(yàn)整幅區(qū)域是否具有一致性，不具有時(shí)，分裂為幾個(gè)小區(qū)域；然后再檢測(cè)小區(qū)域的一致性，不具有時(shí)進(jìn)一步分裂；重復(fù)這個(gè)過(guò)程直到每個(gè)區(qū)域都具有一致性。每個(gè)區(qū)域可以具有不同的一致性通常在分裂區(qū)域時(shí)，采用一分為4的方法6710.3.3區(qū)域分裂區(qū)域分割（2）示例初始化及準(zhǔn)則、方法的確定區(qū)域內(nèi)最大灰度值與最小灰度值之差≤2采用一分為四的分裂方法分裂①②③④68對(duì)四個(gè)小區(qū)域分別計(jì)算最大與最小灰度差，與閾值2比較，每個(gè)區(qū)域均需分裂依此類推，直至所有的區(qū)域都不能再分裂10.3.3區(qū)域分裂區(qū)域分割（2）示例6910.3.3區(qū)域分裂區(qū)域分割（3）例程函數(shù)S=qtdecomp(I)S=qtdecomp(I,THRESHOLD)S=qtdecomp(I,THRESHOLD,MINDIM)S=qtdecomp(I,THRESHOLD,[MINDIMMAXDIM])S=qtdecomp(I,FUN)7010.3.3區(qū)域分裂區(qū)域分割（3）例程程序Image=imread('cameraman.jpg');S=qtdecomp(Image,0.27);blocks=repmat(uint8(0),size(S));fordim=[2561286432168421]numblocks=length(find(S==dim));if(numblocks>0)values=repmat(uint8(1),[dimdimnumblocks]);values(2:dim,2:dim,:)=0;blocks=qtsetblk(blocks,S,dim,values);endend71blocks(end,1:end)=1;blocks(1:end,end)=1;imshow(Image);figure,imshow(blocks,[]);10.3.3區(qū)域分裂區(qū)域分割（3）例程程序原始圖像四叉樹(shù)分解7210.3.4區(qū)域分裂合并區(qū)域分割（1）原理結(jié)合合并、分裂方法，將原圖分成若干個(gè)子塊，檢測(cè)子塊是否具有一致性，不具有則分裂該子塊，若某些子塊具有相似性，合并這些子塊7310.3.4區(qū)域分裂合并區(qū)域分割（2）步驟將原圖分為四個(gè)相等的子塊，計(jì)算子塊區(qū)域是否具有一致性（例如灰度均值或方差）如果子塊不具有一致性（例如：方差大于設(shè)定的閾值）分裂該塊對(duì)不需要分裂的子塊進(jìn)行比較，具有相似性的子塊合并重復(fù)上述過(guò)程，直到不再需要分裂或合并7410.3.4區(qū)域分裂合并區(qū)域分割（3）示例111222338888779911122233888877997510.4基于聚類的圖像分割把圖像分割看做對(duì)像素進(jìn)行分類的問(wèn)題，把像素表示成特征空間的點(diǎn)，采用聚類算法把這些點(diǎn)劃分為不同類別，對(duì)應(yīng)原圖則是實(shí)現(xiàn)對(duì)像素的分組，分組后利用“連通成分標(biāo)記”找到連通區(qū)域。（1）原理7610.4基于聚類的圖像分割（2）關(guān)鍵技術(shù)如何把像素表示成特征空間中的點(diǎn)

用向量來(lái)代表像素或像素周圍鄰域，向量的元素為與像素相關(guān)的特征，根據(jù)圖像的具體情況，判斷待分割區(qū)域的共性來(lái)設(shè)計(jì)。

聚類方法7710.4基于聚類的圖像分割（3）K均值聚類首先確定K個(gè)初始聚類中心，然后根據(jù)各類樣本到聚類中心的距離平方和最小的準(zhǔn)則，不斷調(diào)整聚類中心，直到聚類合理。原理步驟10.4基于聚類的圖像分割（3）K均值聚類計(jì)算新的聚類中心任選K個(gè)初始聚類中心逐一將樣本按最小距離原則分配給K個(gè)聚類中心若則為第m次迭代時(shí)，聚類中心為

的聚類域7879步驟10.4基于聚類的圖像分割（3）K均值聚類判斷算法是否收斂若算法收斂否則，重新分配，進(jìn)行下一次迭代。80函數(shù)10.4基于聚類的圖像分割（3）K均值聚類[IDX,C]=kmeans(X,K)；[IDX,C,SUMD,D]=kmeans(...,'PARAM1',val1,'PARAM2',val2,...)81例程10.4基于聚類的圖像分割（3）K均值聚類Image=imread('fruit.jpg');figure,imshow(Image);hsv=rgb2hsv(Image);h=hsv(:,:,1);h(h>330/360)=0;training=h(:);對(duì)一幅蘋果圖像，利用色彩信息，實(shí)現(xiàn)聚類分割82startdata=[0;60/360;120/360;180/360;240/360;300/360];[IDX,C]=kmeans(training,6,'Start',startdata);idbw=(IDX==1);template=reshape(idbw,size(h));figure,imshow(template),title('K均值聚類分割');例程10.4基于聚類的圖像分割（3）K均值聚類83例程10.4基于聚類的圖像分割（3）K均值聚類原始圖像K均值聚類分割8410.5分水嶺分割（1）原理地形圖與梯度圖像梯度圖像中各區(qū)域內(nèi)部對(duì)應(yīng)極小區(qū)域，邊界對(duì)應(yīng)高灰度，即分水嶺。確定分水嶺，即確定區(qū)域邊界，實(shí)現(xiàn)分割8510.5分水嶺分割（2）算法設(shè)水從谷底上涌，水位逐漸升高。若水位高過(guò)山嶺，不同流域的水就會(huì)匯合。在不同流域中的水面將要匯合到一起時(shí)，在中間筑起一道堤壩，阻止水匯合，且堤壩高度隨著水面上升而增高。當(dāng)所有山峰都被淹沒(méi)時(shí)，露出水面的只剩下堤壩，且將整個(gè)平面分成了若干個(gè)區(qū)域漲水法8610.5分水嶺分割（2）算法相關(guān)定義梯度圖像梯度圖像中的極小區(qū)域流域谷底和山峰漲水從谷底開(kāi)始，單灰值遞加，第n步時(shí)水深為n，定義：水深為n時(shí)，流域所對(duì)應(yīng)水平面區(qū)域第n步流域溢流部分的并8710.5分水嶺分割（2）算法的遞歸計(jì)算有三種情況不加堤壩加堤壩初始：n=n+1：確定T(n)中的連通成分Di，直至山峰8810.5分水嶺分割（2）算法步驟計(jì)算梯度圖像及其值的最小min和最大max初始化,并標(biāo)識(shí)出目前的極小區(qū)域n=n+1，確定中的連通成分：求，判斷屬于哪種情況，確定重復(fù)第三步，直到8910.5分水嶺分割（3）示例對(duì)f進(jìn)行分水嶺分割:采用Prewitt梯度算子計(jì)算梯度圖像求梯度圖像最大最小值漲水過(guò)程中：n=1～79010.5分水嶺分割（3）示例n=1極小區(qū)域三個(gè)：n=2三個(gè)連通成分9110.5分水嶺分割（3）示例n=3三個(gè)連通成分n=4結(jié)果同n=39210.5分水嶺分割（3）示例n=5一個(gè)連通成分D屬于第三種情況，三個(gè)極小區(qū)域即將連通在D中加堤壩，黑色底紋的點(diǎn)，其余陰影點(diǎn)為C(5)n=6結(jié)果同n=59310.5分水嶺分割（3）示例n=7一個(gè)連通成分D至此，所有流域均被淹沒(méi)，只剩下分水嶺露于水面上，分割完成，把最后分割出來(lái)的區(qū)域依次用編號(hào)1、2、3表示，分水嶺用0表示，則分割結(jié)果為：9410.5分水嶺分割（4）例程函數(shù)

L=watershed(A)：對(duì)矩陣A進(jìn)行分水嶺區(qū)域標(biāo)識(shí)，生成標(biāo)識(shí)矩陣L。L=watershed(A,CONN)9510.5分水嶺分割（4）例程程序

image=im2double(rgb2gray(imread('bricks.jpg')));figure,imshow(image),title('原圖');hv=fspecial('prewitt');hh=hv.';gv=abs(imfilter(image,hv,'replicate'));gh=abs(imfilter(image,hh,'replicate'));%g=sqrt(gv.^2+gh.^2);g=abs(gv)+abs(gh);figure,imshow(g),title('梯度圖像');96L=watershed(g);wr=L==0;figure,imshow(wr);title('分水嶺');image(wr)=0;figure,imshow(image);title('分割結(jié)果');10.5分水嶺分割（4）例程程序

產(chǎn)生過(guò)分