机器视觉课件：第六章 《图像分割》

图像分割概述在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分一般称为目标或前景为了辨识和分析目标，需要将有关区域分离提取出来，在此基础上对目标进一步利用，如进行特征提取和测量图像分割就是指把图像分成各具特性的区域，并提取出感兴趣目标的技术和过程图像分割算法是基于亮度值的不连续性和相似性不连续性是基于亮度的不连续变化分割图像，如图像的边缘根据制定的准则将图像分割为相似的区域，如阈值处理、区域生长、区域分离和聚合图像分割的定义定义：把图像细分为有意义的区域。区域：是图像中相邻的具有类似性质的点组成的集合。同一区域中的像素是连通的。连通：同一个连通区域内任意两个像素之间，至少存在一个由这个区域内的像素连接的路径。连通非连通图像分割集合的解释图像可以看做是由像素组成的有序集合。图像分割是将此集合按某种规则划分为若干子集。一般地说，这些子集满足五个特性

连通分割成的所有子区域的并应能构成原来的区域R分割成的各子区域互不重叠分割得到的属于同一区域的像素应具有某些相同的特性

即分割得到的属于不同区域的像素应具有不同的性质同一子区域内的像素应当是连通的图像分割的作用图像分割在图像处理中的作用和意义图像分割简化或改变图像的表示形式，使得图像更容易理解和分析，是从图像处理到图像分析、图像理解和机器视觉的重要桥梁。许多图像理解和分析方法都是以图像分割为前提的。图像理解图像分析狭义图像处理目标识别图像描述图像分割图像处理图像分割示例如何从图像中，特别是复杂图像中分割或检测出目标，是图像分割的主要任务，也是图像和视觉研究中最困难的问题之一。阈值分割基本思想：确定一个阈值，然后把每个像素点的灰度值与阈值相比较，根据比较的结果把该像素归类—前景或背景。阈值分割步骤：确定阈值将阈值与像素比较像素归类（二值化过程）阈值分割T

基于单一阈值分割的灰度直方图

利用阈值T分割后的图像可定义为：

从暗的背景上分割出亮的物体：从亮的背景上分割出暗的物体：多阈值分割（1）

（2）

（3）

当在较暗的背景上有2个较亮的物体，且有如下的直方图和约定时：

可用两个阈值进行分割，更一般的多个阈值的情况为：

1.阈值化分割方法（7.26）（1）

（2）

（3）

当在较暗的背景上有2个较亮的物体，且有如下的直方图和约定时：

可用两个阈值进行分割，更一般的多个阈值的情况为：

阈值举例设想电脑玩家手中的扑克牌，我们需要对其进行视觉上的分析原始图像阈值图像如果你设置了错误的阈值，结果是很糟糕的太小的阈值太大的阈值阈值分割根据直方图谷底确定阈值如果图像的前景和背景区域的灰度值分布都比较均匀，那么这个图像的灰度直方图将具有明显的双峰，此时可选择两峰之间的谷底作为阈值T迭代选择阈值基本思想：选择一个初始阈值，按照某种规则不断更新这一估值，直到满足给定的条件为止。基本步骤：选择一个T的初始值利用T把图像分为两个区域R1和R2对R1和R2分别计算平均灰度值u1和u2计算新的阈值T=(u1+u2)/2重复(2)-(4)，直到T值小于事先定义的参数值。最小均方误差法估算阈值假设前景和背景都为正态分布，x表示灰度值，p(x)表示灰度值概率密度函数。设前景像素点灰度概率密度函数为p1(x)，背景像素点灰度概率密度函数为p2(x)，分布函数如图。前景像素个数占图像总像素数的百分比为，背景点为pq最小均方误差法估算阈值设分割阈值为T，前景像素被错分为背景的概率为

背景像素被错分为前景的概率为阈值T造成的错误分割概率为

最小误判概率法就是求一个使E(T)的数值最小的阈值Tpq最小均方误差法估算阈值E(T)取得最小值时，其导数为0假设图像中前景和背景像素灰度都呈正态分布,均值和方差分别为

所以有最小均方误差法估算阈值pq为了便于计算，假设最佳阈值公式阈值举例1选择直方图中双峰之间的谷底作为全局阈值阈值举例2通过算法迭代产生全局阈值单值阈值的问题单值阈值只能对双峰直方图工作得较好对于其它类型的直方图，需要更多的阈值动态阈值分割直方图中双峰的假设不满足时，无法进行全局的阈值分割。动态阈值分割基本思想：指定一个像素比其所处的背景亮多少或暗多少。对平滑窗口内的像素作平滑处理，输出结果作为背景灰度的估计。将图像与背景进行比较。对亮物体的动态阈值分割对暗物体的动态阈值分割其中，是输入图像，是平滑后的图像，用它来代表局部背景图像动态阈值分割平滑滤波器的尺寸决定了能被分割出来的物体的尺寸。滤波器尺寸太小，在物体中心估计出的局部背景将不理想滤波器尺寸越大，滤波后的结果越能更换地代表局部背景提取连通区域分割算法返回一个区域作为分割的结果，但区域中包含的多个物体在返回结果中应该是彼此独立的，因此需要将单个字符作为一个独立的区域来获取。通常，为获得每一个区域，可以通过计算分割后的区域内的所有连通区域。而连通区域是相互连通的像素集合而成。连通的两种定义4-连通8-连通前景和背景的连通性定义前景和背景需要使用不同的连通性定义计算连通区域全局阈值分割Halcon实现threshold(Image

:

Region

:

MinGray,

MaxGray

:)Image：输入图像Region：输出区域

MinGray

：灰度值下限MaxGray：灰度值上限灰度直方图阈值分割Halcon实现多阈值分割auto_threshold(Image

:

Regions

:

Sigma

:)Image

：输入图像Regions：输出区域Sigma：高斯滤波器的标准差，高斯滤波器针对灰度直方图进行滤波，得到多个极小值作为阈值，Sigma越大，极小值个数越少，得到的分割区域越少直方图阈值分割Halcon实现binary_threshold(Image

:

Region

:

Method,

LightDark

:

UsedThreshold)Image：输入图像

Region：分割以后的输出区域Method：'max_separability',

'smooth_histo’LightDark：提取的是明部分还是暗部分UsedThreshold：输出计算得到的阈值动态阈值分割Halcon实现dyn_threshold(OrigImage,

ThresholdImage

:

RegionDynThresh

:

Offset,

LightDark

:)OrigImage

：输入图像ThresholdImage：包含阈值的输入图像RegionDynThresh：输出阈值分割以后的图像Offset：偏移量LightDark：明或暗通常ThresholdImage平滑滤波以后的图像，offset是比滤波图像亮多少或暗多少连通区域提取Halcon实现connection(Region

:

ConnectedRegions

::)Region

：区域ConnectedRegions：连通区域

read_image(Image,'clip')dev_set_colored(12)threshold(Image,Dar