圖像分割10章.ppt

1、第10章 圖像分割,（Image Segmentation）,第2頁,第10章 圖像分割,第10章 圖像分割,10.1 概述 10.2 邊緣檢測 10.3 閾值分割 10.4 區(qū)域增長法 10.5 分裂-合并區(qū)域法,第3頁,第10章 圖像分割,10.1 概 述,圖像分割定義 按照一定的規(guī)則將一幅圖像分成各具特性的區(qū)域，并提取出感興趣目標(biāo)的技術(shù)和過程 其它名稱： 目標(biāo)輪廓技術(shù)（object delineation ） 目標(biāo)檢測（target detection） 閾值化技術(shù)（thresholding） 圖像處理到圖像分析的關(guān)鍵步驟,第4頁,第10章 圖像分割,形式化定義 令集合R代表整個圖像區(qū)域

2、，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:,10.1 概 述,第5頁,第10章 圖像分割,地位 圖像處理著重強(qiáng)調(diào)圖像之間進(jìn)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(biāo)進(jìn)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(diǎn)是在圖像分析的基礎(chǔ)上，進(jìn)一步研究圖像中各目標(biāo)的性質(zhì)和它們之間的相互關(guān)系，并得出對圖像的解釋,10.1 概 述,第6頁,第10章 圖像分割,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(guān)的分割技術(shù) 非連續(xù)性分割：首先檢測

3、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(diǎn)相關(guān)的分割技術(shù) 兩種方法是互補(bǔ)的。有時將它們地結(jié)合起來，以求得到更好的分割效果。,10.1 概 述,第7頁,第10章 圖像分割,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；并行邊界,10.1 概 述,第8頁,第10章 圖像分割,問題 不同種類的圖像、不同的應(yīng)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

4、視覺系統(tǒng)對圖像分割是相當(dāng)有效的，但十分復(fù)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(zhǔn)則的系統(tǒng)研究,10.1 概 述,第9頁,第10章 圖像分割,第10章 圖像分割,10.1 概述 10.2 邊緣檢測 10.3 閾值分割 10.4 區(qū)域增長法 10.5 分裂-合并區(qū)域法,第10頁,第10章 圖像分割,10.2 邊緣檢測,概述 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

5、像特征的一個重要屬性。 是一種并行邊界技術(shù),第11頁,第10章 圖像分割,階躍型 凸緣型 房頂型,邊緣導(dǎo)數(shù),10.2 邊緣檢測,第12頁,第10章 圖像分割,最早的邊緣檢測方法都是基于像素的數(shù)值導(dǎo)數(shù)的，在數(shù)字圖像中應(yīng)用差分代替導(dǎo)數(shù)運(yùn)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(jìn)行微分，將產(chǎn)生高值，因此在數(shù)學(xué)上可用灰度的導(dǎo)數(shù)來表示變化。 差分定義：,簡單邊緣檢測方法,10.2 邊緣檢測,第13頁,第10章 圖像分割,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(diǎn) 的梯度幅值為 其方向?yàn)?圖像經(jīng)過梯度運(yùn)算能靈敏地檢測出中邊界，而克服導(dǎo)數(shù)運(yùn)算的方向性，但是梯度運(yùn)

6、算比較復(fù)雜。,10.2 邊緣檢測,第14頁,第10章 圖像分割,對于數(shù)字圖像，可用一階差分替代一階微分： 根據(jù)梯度的定義，圖像 的梯度幅度為 為了避免平方和、開方運(yùn)算，可將上式表示為 或,10.2 邊緣檢測,第15頁,第10章 圖像分割,10.2 邊緣檢測,例11.1,(a)原圖 (b) (c) (d),第16頁,第10章 圖像分割,1）Robert梯度算子 梯度采用的是對角方向相鄰兩像素之差 模板,10.2 邊緣檢測,第17頁,第10章 圖像分割,2）Sobel梯度算子 先做加權(quán)平均，然后再微分,10.2 邊緣檢測,第18頁,第10章 圖像分割,3）拉普拉斯（ Laplacian ）算子 二

7、階微分算子 不依賴于邊緣方向 旋轉(zhuǎn)不變即各向同性的性質(zhì) 表示 離散形式,10.2 邊緣檢測,改進(jìn),第19頁,第10章 圖像分割,例子11.2,10.2 邊緣檢測,第20頁,第10章 圖像分割,10.2 邊緣檢測,問題： 在較大噪聲的場合，由于微分運(yùn)算會起到放大噪聲的作用，因此，梯度算子和拉普拉斯算子對噪聲比較敏感。 二種改進(jìn)的方法 （1）對圖像先進(jìn)行適當(dāng)?shù)钠交⒁砸种圃肼?，然后再進(jìn)行求微分，如Marr邊緣檢測 （2）先對圖像進(jìn)行局部線性擬合，然后再用擬合所得的光滑函數(shù)的導(dǎo)數(shù)來替代直接的數(shù)值導(dǎo)數(shù)，如曲面擬合方法,第21頁,第10章 圖像分割,實(shí)際信號都是有噪聲的，噪聲一般是高頻信號，在噪聲的前沿

8、或后沿，噪聲信號的導(dǎo)數(shù)一般要高于邊緣點(diǎn)處信號的導(dǎo)數(shù)。用一階導(dǎo)數(shù)(局部)最大值或二階導(dǎo)數(shù)過零點(diǎn)的方法檢測邊緣點(diǎn)，檢測出來的都是噪聲引起的假的邊緣點(diǎn)。 （1）Marr邊緣檢測方法 先對信號進(jìn)行平滑濾波，以濾去噪聲。然后再求一階或二階導(dǎo)數(shù)以檢測邊緣點(diǎn)。 如平滑濾波器的沖激響應(yīng)函數(shù)用 表示，可對信號先濾波，濾波后的信號為 然后再對 求一階或二階導(dǎo)數(shù)以檢測邊緣點(diǎn)。,10.2 邊緣檢測,第22頁,第10章 圖像分割,濾波運(yùn)算與卷積運(yùn)算次序有如下關(guān)系： 因此可將先平滑后微分的運(yùn)算合成一步。 邊緣檢測的的基本方法： (1)設(shè)計(jì)平滑濾波器 ； (2)檢測 局部最大值或 過零點(diǎn)。 平滑濾波器 應(yīng)滿足： （1）當(dāng)

9、為偶函數(shù)； （2） ； （3） 一階、二階可微。,10.2 邊緣檢測,第23頁,第10章 圖像分割,常用的平滑濾波器為高斯（Gauss）函數(shù)：,10.2 邊緣檢測,第24頁,第10章 圖像分割,對于圖像信號，Marr提出先用高斯函數(shù)進(jìn)行平滑： 對圖像進(jìn)行線性平滑，在數(shù)學(xué)上是進(jìn)行卷積。 令 為平滑前的圖像， 為平滑后的圖像，則,由于邊緣點(diǎn)是圖像中灰度值變化劇烈的地方，這種圖像強(qiáng)度的突變將在一階導(dǎo)數(shù)中產(chǎn)生一個峰，或等價于二階導(dǎo)數(shù)中產(chǎn)生一個零交叉點(diǎn)，而沿梯度方向的二階導(dǎo)數(shù)是非線性的，計(jì)算較為復(fù)雜。Marr提出用拉普拉斯算子來替代，即用下式的零交叉點(diǎn)作為邊緣點(diǎn)。,10.2 邊緣檢測,第25頁,第10章

10、 圖像分割,濾波器具有兩個顯著的特點(diǎn)： (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(jì)算量。 在具體實(shí)現(xiàn) 與 之間的卷積運(yùn)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。,10.2 邊緣檢測,第26頁,第10章 圖像分割,（2）曲面擬合,基本思想,先用一個平滑的曲面與待檢測點(diǎn)周圍某區(qū)城內(nèi)像素的灰度值進(jìn)行擬合，然后用這個平面或曲面的梯度代替點(diǎn)的梯度，從而實(shí)現(xiàn)邊緣檢測。,以減小噪聲及干擾的影響,目的,曲面,一次曲面 二次曲面,10.2 邊緣檢測,第27頁,第10章 圖像分割,一次曲面擬合： 令圖像面積元由f(x,

11、 y), f(x+1, y), f(x, y+1), f(x+1,y+1)4個相鄰元素組成，用一次平面 ax + by + c = 0 去擬合該面積元。即用,去逼近f(x,y)。 用最小平方誤差方法求參數(shù)a,b,c,即使誤差極小,對上式分別對a,b,c求偏導(dǎo),并令結(jié)果等于零,得關(guān)于a, b, c的3個方程組，解得,10.2 邊緣檢測,第28頁,第10章 圖像分割,解得,由梯度定義，平面ax+ by+ cx上的梯度幅度為：,10.2 邊緣檢測,第29頁,第10章 圖像分割,第10章 圖像分割,10.1 概述 10.2 邊緣檢測 10.3 閾值分割 10.4 區(qū)域增長法 10.5 分裂-合并區(qū)域法

12、,第30頁,第10章 圖像分割,10.3 閾值分割,利用圖像中要提取的目標(biāo)物與其背景在灰度特性上的差異，把圖像視為具有不同灰度級的兩類區(qū)域(目標(biāo)和背景)的組合，選取一個合適的閾值以確定圖像中每一個像素點(diǎn)應(yīng)該屬于目標(biāo)還是背景區(qū)域從而產(chǎn)生相應(yīng)的二值圖像。 要從復(fù)雜的景物中分辨出目標(biāo)，并將其形狀完整地提取出來，閾值的選取是閾值分割技術(shù)的關(guān)鍵。如果閾值選取過高，則過多的目標(biāo)點(diǎn)被誤認(rèn)為背景；閾值選得過低，則會出現(xiàn)相反的情況。至今還未能找到一種對所有圖像都能有效分割的閾值選取方法。,第31頁,第10章 圖像分割,以一定的準(zhǔn)則在原始圖像 中找出一合適的灰度值作為閾值，則分割后的圖像 如： 一般表示為：,10

13、.3 閾值分割,第32頁,第10章 圖像分割,10.3 閾值分割,(a)簡單直方圖分割法 60年代中期，Prewitt提出了直方圖雙峰法，即如果灰度級直方圖呈明顯的雙峰狀，則選取兩峰之間的谷底所對應(yīng)的灰度級作為閾值。,（1）直方圖閾值分割,第33頁,第10章 圖像分割,10.3 閾值分割,例11.3：,第34頁,第10章 圖像分割,應(yīng)用灰度直方圖雙峰法來分割圖像，需要有一定的圖像先驗(yàn)知識，因?yàn)橥恢狈綀D可以對應(yīng)若干種不同的圖像，直方圖表明圖像中各個灰度級上有多少個像素，并不描述這些像素的任何位置信息。只根據(jù)直方圖選擇閾值不定合適還要結(jié)合圖像內(nèi)容和分割結(jié)果來確定。 該方法不適用于直方圖中雙峰差別

14、很大或雙峰間的谷比較寬廣而平坦的圖像，以及單蜂直方圖的情況。,10.3 閾值分割,第35頁,第10章 圖像分割,最佳閾值:是指使圖像中目標(biāo)物和背景分割錯誤最小的閾值。 設(shè)一幅圖像只由目標(biāo)物和背景組成，已知灰度分布概率密度 分別為 和 ，目標(biāo)物像素占全圖像像素比是 。 假定選用的灰度級閾值為 ，總的錯誤概率為 求導(dǎo)，并令其等于零，得解,(b) 最佳閾值,10.3 閾值分割,第36頁,第10章 圖像分割,10.3 閾值分割,第37頁,第10章 圖像分割,第10章 圖像分割,10.1 概述 10.2 邊緣檢測 10.3 閾值分割 10.4 區(qū)域增長法 10.5 分裂-合并區(qū)域法,第38頁,第10章

15、圖像分割,10.4 區(qū)域增長法,基本思想 將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域 串行區(qū)域法 步驟 對每個需要分割的區(qū)域找一個種子像素作為生長的起點(diǎn) 將種子像素周圍鄰域中與種子像素有相同或相似性質(zhì)的像素合并到種子像素所在的區(qū)域內(nèi) 把新加入的像素作為新的種子繼續(xù)上面的過程，直到?jīng)]有滿足條件的像素加入?yún)^(qū)域,第39頁,第10章 圖像分割,例11.4 判斷準(zhǔn)則像素與種子像素灰度差的絕對值小于閾值T,（a）給出像素值為1和5的種子 （b）T=3，恰好分成兩個區(qū)域 （c）T=1，有些像素?zé)o法判斷 （d）T=6，整個圖被分成一個區(qū)域,10.4 區(qū)域增長法,第40頁,第10章 圖像分割,問題 選擇或確定一組能正

16、確代表所需區(qū)域的種子像素 具體問題具體分析 先驗(yàn)知識（如：軍用紅外圖像中檢測目標(biāo)時，選最亮的像素作為種子） 無先驗(yàn)知識（可根據(jù)直方圖選取灰度中像素個數(shù)多的像素作為種子） 確定在生長過程中能將相鄰像素合并的準(zhǔn)則 具體問題相關(guān)（目標(biāo)和背景的像素分布特點(diǎn)） 圖像數(shù)據(jù)種類（單色、灰度還是彩色） 像素間的連通性和鄰近性 制定讓生長過程停止的條件或規(guī)則 一般是沒有滿足生長的像素 應(yīng)考慮圖像的局部性質(zhì)（灰度、紋理和彩色） 目標(biāo)的全局性質(zhì)（尺寸、形狀等）,10.4 區(qū)域增長法,第41頁,第10章 圖像分割,生長準(zhǔn)則和過程 區(qū)域生長的關(guān)鍵是選擇合適的生長或相似準(zhǔn)則 1、基于區(qū)域灰度差 基本方法：種子像素的灰度值

17、與鄰域像素的差 改進(jìn)：先合并具有相同灰度的像素，然后求出所有鄰接區(qū)域間的平均灰度差，并合并最小灰度差的鄰接區(qū)域，重復(fù)上述步驟直到?jīng)]有區(qū)域合并。,平均灰度的均勻測度度量可以作為區(qū)域增長的相似性檢測準(zhǔn)則。 設(shè)某一圖像區(qū)域O，其中像素?cái)?shù)為N，均值表示為,10.4 區(qū)域增長法,第42頁,第10章 圖像分割,區(qū)域O均勻測度度量：,上式可解釋為：在區(qū)域O中，各像素灰度值與均勻值的差不超過某閾值K，則其均勻測度度量為真。,2、基于區(qū)域灰度分布統(tǒng)計(jì)性質(zhì) 基本方法：以灰度分布相似性作為生長準(zhǔn)則來決定區(qū)域的合并步驟： 1、把圖像分成互不重疊的小區(qū)域 2、比較鄰接區(qū)域的累積灰度直方圖，根據(jù)灰度分布的相似性進(jìn)行區(qū)域合

18、并 3、重復(fù)2，直到滿足終止條件,10.4 區(qū)域增長法,第43頁,第10章 圖像分割,灰度分布相似性的兩種檢測方法： （1）Kolmogorov-Smirnov 檢測 （2）Smoothed-Difference檢測,10.4 區(qū)域增長法,第44頁,第10章 圖像分割,3、基于區(qū)域形狀 基本方法：利用對目標(biāo)形狀的檢測結(jié)果來決定區(qū)域的合并 主要步驟： （1）把圖像分割成灰度固定的區(qū)域，設(shè)兩鄰接區(qū)域的周長分別是p1和p2，把兩區(qū)域共同邊界線兩側(cè)灰度差小于給定值的那部分長度設(shè)為L,滿足下列條件則合并。 合并的是兩鄰接區(qū)域的共同邊界中對比度較低部分占整個區(qū)域邊界份額較大的區(qū)域,10.4 區(qū)域增長法,第45頁,第10章 圖像分割,（2）把圖像分割灰度固定的區(qū)域，設(shè)兩鄰接區(qū)域的共同邊界長度為B，把兩區(qū)域共同邊界線兩側(cè)灰度差小于給定值的那部分長度設(shè)為L,滿足下列條件則合并。 合并的是兩鄰接區(qū)域的共同邊界中對比度較低部分比較多的區(qū)域,10.4 區(qū)域增長法,第46頁,第10章 圖像分割,第10章 圖像分割,10.1 概述 10.2 邊緣檢測 10.3 閾值分割 10.4 區(qū)域增長法 10.5 分裂-合并區(qū)域法,第47頁,第10章 圖像分割,10.5 分