数字图像处理第10章ppt课件

数字图象处理,第 10 章 图象分割,2019/5/12,数字图象处理第10章,2,前章小结,形态学基本概念 腐蚀与膨胀 开操作和闭操作 击中或击不中变换 二值图像形态学基本算法 灰度形态学,2019/5/12,数字图象处理第10章,3,本章主要内容,间断的检测 点检测、线检测、边缘检测 边缘连接和边界的检测 局部处理、整体处理 基于门限的分割方法 全局门限、自适应门限、 基于区域的分割方法 区域生长、分离与合并 基于形态学分水岭的分割方法 水坝构造、分水岭算法,2019/5/12,数字图象处理第10章,4,本章基本要求,基本要求 了解图象分割的目的和应用 掌握点检测、线检测、边缘检测等基本间断检测方法 掌握边界跟踪、hough变换等基本边缘检测方法 掌握阈值法和区域生长法等区域分割方法 学会工程应用中如何选择合适算法实现对图像进行分割 通过实验环节学会用C语言编程实现图象边界检测和区域提取 计划学时 4-5 学时,2019/5/12,数字图象处理第10章,5,图像分割的概述,1.图像分割的目的 区分图像中的前景（感兴趣的目标） 和 背景 在图像中将不同区域分离出来，提取目标 分割的依据就是图像的区域特性 灰度、颜色、纹理等,2019/5/12,数字图象处理第10章,8,10.1 并行边界技术,1.主要介绍内容 边缘检测 微分算子 梯度算子、拉普拉斯算子等 边缘的连续性-闭合处理 边界（线段）检测的变换检测法 哈夫变换,10.1 并行边界技术,点检测 线检测,2019/5/12,数字图象处理第10章,9,2019/5/12,数字图象处理第10章,10,10.1 并行边界技术,2.边缘（边界）检测 边缘：（相邻象素）灰度值不连续的结果可利用计算导数的方法进行检测，常用的方法有一阶和二阶导数 边缘出现在一阶导数具有较大值的位置，要检测边缘，需要采用对图像的微分运算，引入微分算子,2019/5/12,数字图象处理第10章,11,10.1 并行边界技术,3.微分算子 3.1梯度算子 在图像增强技术中采用梯度算子进行图像的锐化处理 水平、垂直方向的检测值的综合方式 矢量表示 不同范数表示,2019/5/12,数字图象处理第10章,12,10.1 并行边界技术,3.2梯度算子检测示例 图a：原图；图b：soble水平算子；图c：sobel 垂直算子； 图d-f分别为soble算子采用欧氏、城区、棋盘三种范数综合,2019/5/12,数字图象处理第10章,13,10.1 并行边界技术,3.3综合正交算子 边缘检测特例：图像中孤立点、直线段的检测 基本特点就是灰度不连续点 采用综合正交算子 模板中d= 边缘子空间基 d=2 soble 直线子空间基 45方向差 综合正交算子应用示例 图a：原图；图b：边缘子空间基；图c：直线子空间基；图d：平均子空间基 图e图h：边缘子空间基各模板单独结果； 图i 图l：直线子空间基各模板单独结果；,2019/5/12,数字图象处理第10章,14,10.1 并行边界技术,10.1 并行边界技术,3.4方向微分算子 8方向的Kirsch算子 12方向算子 0/180 30/210 60/240 90/ 270 120/300 150 / 330,2019/5/12,数字图象处理第10章,15,10.1 并行边界技术-多方向,2019/5/12,数字图象处理第10章,16,2019/5/12,数字图象处理第10章,17,10.1 并行边界技术,3.5拉普拉斯算子 二阶导数算子 特点： 中心为正，邻近为负；模板和为0 对噪声敏感、产生双象素宽边缘，没有方向信息 用途： 少用于边缘检测 常用于在边缘已知情况下，确定像素在明区或暗区。 示例,10.1 并行边界技术,3.6马尔(Marr)算子-（又称LoG算子） 根据人眼成像机理产生，具有去噪和检测边界的作用 算法： 2-D高斯平滑模板与图像卷积 计算卷积后的拉普拉斯结果 检测结果图中的过零点作为边界 算法构成 平滑函数 卷积过程 拉普拉斯梯度 采用离原点的径向距离表示 综合算子,2019/5/12,数字图象处理第10章,18,10.1 并行边界技术,马尔算子空间分布 马尔算子剖面图,2019/5/12,数字图象处理第10章,19,2019/5/12,数字图象处理第10章,20,10.1 并行边界技术,3.7边界闭合 原因 有噪声时：边缘象素常孤立或分小段连续 对同一目标，边界（轮廓）应该是封闭的 需要进行边缘象素连接 具体方法 利用象素梯度的幅度和方向 象素(s, t)在象素(x, y)的邻域 满足以上条件就可以进行像素连接,10.1 并行边界技术,3.8边界细化 思路 理想边界只有一个像素宽度，实际中边界很宽 需在边界垂直方向，判断最佳边界点，去除其他点 最佳点应该具有最大梯度 算法1：采用模板进行非最大梯度消除 水平、垂直、45、135四个方向模板 根据像素点梯度，选择相应模板 根据模板指定的邻域像素，判断本像素点是否有最大梯度 非最大梯度，则本点为非边界点 算法2：插值方法 P点是否边界，通过对比S1、S2梯度决定 S1、S2梯度通过插值得到 其中S1处梯度为：,2019/5/12,数字图象处理第10章,21,2019/5/12,数字图象处理第10章,22,10.1 并行边界技术,3.9哈夫变换-边界搜索的变换法 点-线的对偶性质 图象空间XY里所有过点(x, y)的直线，其方程为 y = px + q 将上述方程转换为参数PQ空间，其表达式为 q = px + y 图像空间XY中一条直线上的点，在参数空间PQ中都过点(p, q),2019/5/12,数字图象处理第10章,23,10.1 并行边界技术,点-线对偶 图象空间中共线的点参数空间里相交的线 参数空间中相交于同1个点的直线图象空间里共线的点 哈夫变换思路 把在图象空间中直线的检测问题转换到参数空间里， 通过在参数空间里进行简单的累加统计完成检测任务,2019/5/12,数字图象处理第10章,24,10.1 并行边界技术,具体方法 在参数空间PQ里建立1个2-D的累加数组A( p, q) P是XY空间直线的斜率 q是XY空间直线的截距 数组大小根据对待检测线段的斜率和截距的估计来确定 p pmin, pmax q qmin, qmax 累加方式 A( p, q) = A( p, q) + 1 A( p, q)值：共线点数 (p, q)值：直线方程参数 根据A( p, q)大小检测线段,10.1 并行边界技术,直线变换到哈夫空间的点 实际中的变换不采用斜率和截距 应用直线的极坐标描述方式 直线的检测,2019/5/12,数字图象处理第10章,25,10.2 串行边界技术,1.目标 并行处理受到噪声影响效果会变差 串行方法将检测边缘和连接边缘结合起来顺序完成 2.图搜索方法 边界点和边界段可以采用图结构表示 选定一边界段其代价可以定量描述 组成完成边界的边界段集合可以计算其总代价 具有最小代价的边界段集合就是搜索的结果,2019/5/12,数字图象处理第10章,26,10.2 串行边界技术,3.搜索举例 代价函数 代价与像素灰度差反比,2019/5/12,数字图象处理第10章,27,2019/5/12,数字图象处理第10章,28,10.3并行区域技术,1.原理与分类 1.1区域分割 不同区域有不同的灰度特征，根据灰度特征进行区域划分，最简单的方法就是灰度阈值法 1.2区域灰度特征 双峰直方图 对应目标和背景的2个单峰直方图混合而成 理想状态 大小接近，均值相距足够远，均方差足够小 1.3取阈值分割步骤 确定阈值（关键/难点） 根据阈值对象素进行分类,2019/5/12,数字图象处理第10章,29,10.3 并行区域技术,1.4阈值分割方法分类 T = T x, y, f (x, y), p(x, y) f (x, y) 某点的灰度信息，p(x, y)为某点的邻域信息 全局阈值方法： 仅根据f (x, y)来选取阈值 局部（区域）阈值方法： 根据f (x, y)和p(x, y)来选取阈值 动态阈值方法： 除根据f (x, y)和p(x, y)来选取，还与x, y有关 将前2种阈值也称为固定阈值,2019/5/12,数字图象处理第10章,30,10.3 并行区域技术,2.依赖像素的阈值选择 2.1极小值点阈值 将直方图的包络看作1条曲线，求曲线极小值,10.3 并行区域技术,简单阈值法分割结果,2019/5/12,数字图象处理第10章,31,阈值80,2019/5/12,数字图象处理第10章,32,10.3并行区域技术,2.2最优阈值 最小误差（误分割）阈值 设目标和背景均为高斯分布（混有加性高斯噪声），则混合概率密度： 未知系数：均值、方差、和先验概率 （P1+P2 = 1），所以共有5个未知的参数 误分概率： 总误差概率 E(T) = P2E1(T) + P1E2 (T),10.3并行区域技术,最小误差门限T的确定 对E(T) = P2E1(T) + P1E2 (T)关于T求最小值，可得到 P2p1(T) = P1p2 (T) 如果P1= P2，最佳门限在概率分布函数的交点 对于高斯分布的概率密度函数 最佳门限T满足方程 其中 最佳解忧两个根，只在两个分布的方差相同 有单根,2019/5/12,数字图象处理第10章,33,10.3 并行区域技术,最小误差阈值 阈值100 阈值130 阈值160,2019/5/12,数字图象处理第10章,34,2019/5/12,数字图象处理第10章,35,10.3 并行区域技术,3.依赖区域的阈值选择 3.1直方图变换概念 仅利用象素灰度可能出现的问题： 灰度直方图的谷被填充 借助邻域性质变换原来的直方图 图像梯度反映了像素点的邻域性质 梯度直方图 低梯度 目标 背景 高梯度 边界,2019/5/12,数字图象处理第10章,36,10.3 并行区域技术,3.2选择不同直方图 获得低梯度值象素的直方图 没有边界像素的干扰（第三类区域） 只有目标、背景两个区域（内部像素） 峰之间的谷比原直方图深 获得高梯度值象素的直方图 只有边界像素， 峰就是边界所在 位置也就是原直方图的谷值,10.3 并行区域技术,3.3 灰度值和梯度值散射图 在灰度值上，不同目标的分布受到边界干扰 在梯度值上，边界和目标有可能区分 灰度值作为水平坐标，梯度值作为垂直坐标 构成的2-D散射图有可能将边界的影响消除,2019/5/12,数字图象处理第10章,37,2019/5/12,数字图象处理第10章,38,10.3并行区域技术,4.依赖坐标的阈值选取 4.1问题提出 全局阈值不能兼顾图象各处的情况 用与坐标相关的一系列阈值来对图象分割 4.2基本思路 将图象分解成一系列子图象 对每个子图象计算1个阈值 对这些子图象阈值进行插值 用插值结果（阈值曲面）进行分割,2019/5/12,数字图象处理第10章,39,10.3 并行区域技术,4.3应用示例 图a 原图 图b 全局阈值 图c 子图划分 图d 阈值曲面 图e 变阈值分割,2019/5/12,数字图象处理第10章,40,10.4 串行区域技术,1.特点 从区域着手顺序的进行分析 当前的处理借助早期的结果 好处：抗噪声、抗干扰 坏处：复杂、耗时 主要串行区域技术 区域生长 分裂合并,2019/5/12,数字图象处理第10章,41,10.4 串行区域技术,2.区域生长 2.1思路： 将相似象素结合起来构成区域 2.2基本步骤： (1) 选择区域的种子象素 (2) 确定将相邻象素包括进来的准则 (3) 制定生长停止的规则,2019/5/12,数字图象处理第10章,42,10.4 串行区域技术,2.3举例 (a)种子选择 (b)门限T=3 (c)门限T=1 (d)门限T=8 首先确定可被区分的区域数量，并选定种子像素 根据相邻像素之间的灰度相似性，确定是否可以属于同一类别 对每一像素都经过这样的判断就可以结束分割过程 决定是否属于同一区域的灰度判定方式不同，分割结果不同,2019/5/12,数字图象处理第10章,43,10.4 串行区域技术,2.4算法的讨论 种子的选取方法 根据图像直方图，波峰数目代表图中目标的数目 波峰位置的灰度是目标的平均灰度。种子灰度 区域生长的判据 根据直方图，波峰之间的灰度差别可以作为生长判据 如果区域具有纹理特征，还可以引入纹理判据进行判断 可以根据对目标的先验知识（形状、大小等）来约束区域生长的过程,2019/5/12,数字图象处理第10章,44,10.4 串行区域技术,3.分裂合并 3.1基本思路 首先将图像分隔为初始区域，然后分裂和合并这些区 域直到获得均匀区域为止。 3.2基本步骤 初始分隔：一分为二（或一分为四）； 计算区域方差； 将方差大的区域继续划分，方差小的区域与邻域比较考虑合并。,2019/5/12,数字图象处理第10章,45,10.4 串行区域技术,3.3举例 (a)分裂 (b)分裂 (c)分裂 (d)合并 首先将图像一分为四； 一个区域不必再分，其他继续一分为四； 余下两个还需再分，其他可以根据灰度相似性判断门限决定是否合并（本例分别合并绿色和白色区域） 没有需要再分的区域，根据相似性合并所有可能的子区域,10.5 基于形态学分水岭的分割,1.基本概念 同一目标，有相近的灰度，有相邻的空间位置 灰度类比高程，可用地形学来理解图像中的目标 地形学中的汇水盆地类比目标（均匀的低灰度区） 地形学中的分水岭类比目标之间的分割线（突变的高灰度区） 目标的灰度并非都是最低值，分析的对象转换到梯度图像，更符合地形学的概念,2019/5/12,数字图象处理第10章,46,10.5基于形态学分水岭的分割,2.分水岭算法的思想 在梯度图像上分析 梯度值低的位置为中心，逐步向周边高梯度位置扩展 采用形态学膨胀的方式扩充空间连续的位置 同时受约束于图像的高梯度区域 扩展的同时遇到多区域交汇，交汇的位置就形成了分割的边界（分水岭、水坝）,2019/5/12,数字图象处理第10章,47,10.5 基于形态学分水岭的分割,3.分水岭分割算法 符号定义 梯度小于n的全部像素集合 包含梯度小于n的第i个区域的像素集合 初始化： 根据 得到初始k个区域 算法递归（以第n步为例） 梯度递增，分析范围扩大 各个区域膨胀， 新增加的范围内，其