第6章图像分割1

数字图像处理知识点回顾一、图像增强二、图像复原第6章图像分割6.1基于阈值的图像分割方法6.3基于区域的图像分割方法6.2基于边界的图像分割方法图像分割：把图像分成各具特征的区域并提取感兴趣目标的技术和过程。

1、什么是图像分割？特征：像素、颜色、纹理等提取目标：单个区域、多个区域理解图像内容，提取感兴趣的区域，以便进一步分析和说明。2、图像分割的目的图像分割的基本思路图像分割的基本策略分割出的区域需满足条件3、图像分割的概念(以车牌识别为例)把图像分解成构成它的部件和对象的过程有选择性地定位感兴趣对象在图像中的位置和范围3、图像分割的概念(以车牌识别为例)1、从简到难，逐级分割分割矩形区域、定位牌照、定位文字2、控制背景环境，降低分割难度

背景环境:路面、天空3、把焦点放在增强感兴趣对象，缩小不相干图像成分的干扰上

感兴趣的对象；汽车牌照不相干图像成分：非矩形区域图像分割的基本思路图像分割的基本策略，基于灰度值的两个基本特性：不连续性——区域之间相似性——区域内部根据图像像素灰度值的不连续性先找到点、线（宽度为1）、边（不定宽度）再确定区域图像分割的基本策略分割出的区域需满足条件★均匀性：指该区域中的所有像素点都满足特征的相似性准则，即边界所分开区域的内部特征或属性是一致的，而不同区域内部的特征或属性是不同的；★连通性：指该区域内任意两点存在相互连通

的路径。4、图像分割意义知识库低级处理识别与理解结果？图像获取预处理分割表示与描述5、图像分割分类★根据使用知识特点和层次：直接针对灰度值操作、基于模型操作★根据处理策略：并行算法、串行算法★根据实现技术：基于图像直方图的分割技术、基于邻域分割技术、基于物理性质分割技术★根据对象状态：静态图像分割和动态图像分割★根据应用目的：粗分割、细分割★根据借助区域像素灰度变换模式与否：纹理分割、非纹理分割★根据分割对象的属性：灰度图像分割和彩色图像分割5、图像分割分类图像分割示例

——细菌检测图像分割图像分割示例

——

肾小球区域的提取图像分割示例

——

印刷缺陷检测检测结果局部放大图第6章图像分割6.1基于阈值的图像分割方法6.3基于区域的图像分割方法6.2基于边界的图像分割方法6.1基于阈值的图像分割方法6.1.1阈值分割法基本原理6.1.2固定阈值分割法6.1.3直方图方法6.1.5统计最优阈值法6.1.4最大类间方差法确定一个合适的阈值T（阈值选定的好坏是此方法成败的关键）。将大于等于阈值的像素作为物体或背景，生成一个二值图像。iff(x,y)Tset255elseset0在四邻域中有背景的像素，即是边界像素。0255255025502552552556.1.1阈值分割法基本原理阈值分割法的基本思想：阈值分割法的特点：适用于物体与背景有较强对比的情况，重要的是背景或物体的灰度比较单一。（可通过先求背景，然后求反得到物体）这种方法总可以得到封闭且连通区域的边界。灰度值f(x0,y0)T6.1.1阈值分割法基本原理图像分割的难点：1、图像分割前，难以确定图像分割区域数目2、阈值的确定会直接影响分割精度和图像描述分析的正确性。6.1.2固定阈值分割法

设原图像为f(x,y)，以阈值T或某个合适的区域空间Ω作为该图像的特征值，将图像分割成两个部分，分割后的图像为6.1.2固定阈值分割法原多灰度图像T=130分割后的图像多阈值情况，分割后的图像

4阈值分割8阈值分割6.1.3直方图方法基本原理：图像的目标区域和背景区域在灰度上有明显的差别，其直方图会呈现双峰一谷状。一峰值对应与目标的中心灰度，另一峰值对应于背景中心灰度，选取谷值为阈值，易将目标和背景分开。T基本思想：边界上的点的灰度值出现次数较少缺点：1、图像中不存在明显灰度差异或灰度值范围有较大重叠，难以得到准确的分割结果。2、仅考虑灰度信息而不考虑图像空间信息，对噪声的灰度不均匀性敏感。直方图方法处理过程

将直方图的包络看成一条曲线，则选取直方图谷值可采用曲线极小值的方法。设h(z)表示图像直方图，z为图像灰度变量，那么极小值应满足：此方法计算出来的极小点可能是虚假的谷值，不是正确的分割阈值

6.1.3直方图方法解决方法：用高斯函数与直方图函数进行卷积运算，得到相对平滑的直方图，再求极小值

或取两个峰值之间某个固定位置，如中间位置上。由于峰值代表的是区域内外的典型值，一般情况下，比选谷底更可靠，可排除噪音的干扰T6.1.4最大类间方差法Ostu于1978年提出的典型的图像分割方法

假定某一阈值T将图像各像素按灰度分成两大类C0和C1；C0类包含灰度级为[0，1….z]的像素，C1类包含灰度级为[z+1，z+2….K-1]的像素，每个灰度级的概率为Pi；6.1.4最大类间方差法C0类的概率和为

C0的数学期望为C0均值C1类的概率和为C1的数学期望为C1均值图像的总平均灰度为μ=ω0μ0+ω1μ1则定义类间方差为σ最大时的z就是最佳分割阈值Tσ越大表示两部分差别越大，判错概率越小实际应用中，为减小计算量，采用等价公式

6.1.5统计最优阈值法

统计最优阈值分割方法：把背景误分割为目标区域或把目标误分割为背景区域的情况出现的概率最小。设一幅混有加性高斯噪声的图像，目标点出现的概率为θ，目标区域灰度值概率密度为po(z)，则背景点出现的概率为1-θ，背景区域灰度概率密度为pb(z)。则图像的灰度混合概率密度函数为:

p(z)=

θpo(z)+(1-θ)pb(z)

6.1.5统计最优阈值法根据灰度阈值T对图像进行分割，<T背景点，>T为目标点将目标点误判为背景点的概率为：

把背景误判为目标点的概率为6.1.5统计最优阈值法总的误差概率为：

对T求导得到6.1.5统计最优阈值法6.1.5统计最优阈值法对于高斯分布概率密度类型的图像

6.1.5统计最优阈值法代入