第07章图像分割

第七章图像分割

7.1概述图像处理的重要任务:对图像中的对象进行分析和理解在图像分析中，输出的结果是对图像的描述、分类或其他的某种结论。7.1概述图像分析主要包括以下几部分内容：把图像分割成不同的区域，或把不同的目标分开（分割）。即把图像分成互不重叠的区域并提取出感兴趣目标；找出各个区域的特征（特征提取）；识别图像中的内容，或对图像进行分类（识别与分类）；给出结论（描述、分类或其他的结论）。

典型的图像分析和理解的系统

图像分割的目的图像分割是指通过某种方法，使得画面场景被分为“目标物”（前景目标）及“非目标物”（背景）两类,即将图像的像素变换为黑、白两种。因为结果图像为二值图像，所以通常又称图像分割为图像的二值化处理。图像分割的作用图像分割是图像识别和图像理解的基本前提步骤，图像分割质量的好坏直接影响后续图像处理的效果。图像图像识别图像预处理图像理解图像分割图像分割在整个图像处理过程中的作用图像的增强和恢复可以看作预处理，其输入、输出均是图像，传统的图像处理的内容;图像分割、特征提取及结构分析等称为图像识别，其输入是图像，输出是描述或解释。图像分割的作用图像分割示例图像分割示例——肾小球区域的提取?图像分割示例——细菌检测图像分割示例——印刷缺陷检测图像分割示例——印刷缺陷检测检测结果局部放大图图像分割的基本策略：分割算法基于灰度值的两个基本特性：不连续性和相似性。第一类性质的应用途径是基于灰度的不连续变化分割图像，比如图像的边缘。第二类性质的主要途径是依据事先制定的准则将图像分割为相似的区域。图像分割的方法

从分割依据出发“相似性分割”就是将具有同一灰度级或纹理的像素聚集在一起，形成图像中的不同区域。这种基于相似性原理的方法常称为“基于区域相关的分割技术”图像分割的方法

“相似性分割”就是将具有同一灰度级或纹理的像素聚集在一起，形成图像中的不同区域。这种基于相似性原理的方法常称为“基于区域相关的分割技术”两种方法具有互补性，一般在不同的场合需要不同方法，有时也将它们的处理结果相结合，以获得更好的效果。根据分割算法本身阈值法、边缘检测法、匹配法等图像分割的方法

分割结果中同一个子区域内的像素应当是连通的；同一个子区域内的任两个像素在该子区域内互相连通。图像分割相似性检测不连续性检测区域分割阈值分割区域分裂与合并自适应边界分割边缘检测边缘跟踪Hough变换图像分割算法7.2像素的邻域和连通性

4邻域对一个坐标为的像素p，它可以有两个水平和两个垂直的近邻像素。坐标分别为：这四个像素称为p的4邻域。互为4邻域的像素又称为4连通的。7.2像素的邻域和连通性

8邻域取像素p四周的8个点作为相链接的邻域点，除掉p本身外，剩下的8个点就是p的8邻域。互为8邻域的像素又称为8连通的。

目标和背景的连通性定义必须取不同，否则会引起矛盾。目标和背景连通性应用函数bwlabel根据4连通或8连通准则在二值图像中判断目标。BW=[11100000;11101100;11101100;11100010;11100010;11100010;11100110;11100000];%给定的二值图像矩阵L4=bwlabel(BW,4)%根据4连通准则判定目标L8=bwlabel(BW,8)%根据8连通准则判定目标根据4连通准则，得到的目标是3个：

L4=1110000011102200111022001110003011100030111000301110033011100000根据8连通准则，得到目标是2个：

L8=11100000111022001110220011100020111000201110002011100220111000007.3图像的阈值分割技术

灰度阈值分割方法：若图像中目标和背景具有不同的灰度集合，且两个灰度集合可用一个灰度级阈值T进行分割，这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域。设图像为，其灰度集范围是[0,L]，在0和L之间选择一个合适的灰度阈值T进行分割。图像分割方法得到一幅二值图像：（a）原图像（b）直方图（c）已分割的图像阈值分割一、全局阈值分割整幅图象使用同一个阈值做分割处理，是最简单的图像分割方法。根据不同的目标，选用最佳的阈值。最佳阈值的确定方法：实验法需要知道图像的某些特征直方图法适用于目标和背景的灰度差较大，直方图有明显谷底的情况。最小误差的方法基于灰度直方图的峰谷方法设计思想假设某图像的灰度直方图具有二峰性，则表明这个图像较亮的区域和较暗的区域可以较好地分离。

取二峰间的谷点为阈值点，可以得到好的二值处理的效果。基于灰度直方图的峰谷方法示例基于灰度直方图的峰谷方示例基于灰度直方图的峰谷阈值方法特点简单、有效的阈值方法局限性：图像的灰度直方图必须具有双峰性二、自适应阈值分割当照明不均匀、有突发噪声或者背景灰度变化比较大的时候，物体和背景的对比度在图象中不是各处一样的，这时很难用统一的一个阈值将物体与背景分开，可以根据图象的局部特征分别采用不同的阈值进行分割。实际处理时，需按照具体问题将图象分成若干子区域分别选择阈值，或者动态地根据一定的邻域范围选择每点处的阈值，进行图象分割。与坐标相关的阈值称为自适应阈值的方法或动态阈值方法。自适应阈值分割特点：算法的时间复杂度和空间复杂度比较大；抗噪声的能力比较强。7.4图像的边缘检测

基于灰度不连续性进行的分割方法。用差分、梯度、拉普拉斯算子及各种高通滤波处理方法对图像边缘进行增强，只要再进行一次门限化的处理，便可以将边缘增强的方法用于边缘检测。边缘检测=图像增强处理+门限化处理。其目的不是加强图像中边缘信息，而是抽取边缘轮廓，并用于区域分割。7.4图像的边缘检测

梯度算子图像中不同区域其灰度值是不同的，灰度值的不连续变化导致灰度边缘的存在，可利用导数检测到这种不连续。梯度对应于一阶导数，相应的梯度算子就对应于一阶导数算子。

对于一个连续函数f(x,y)，其在(x,y)处的梯度:1.Roberts算子

2.Prewitt算子3.Sobel算子通过算子检测后，还需作二值处理从而找到边界点。三种模板中，Sobel算子的检测效果最好。(a)原图像(b)Roberts算子检测

(c)Prewitt算子检测(d)Sobel算子检测

拉普拉斯算子

Laplacian是二阶导数算子，也是借助模板来实现。对模板有一些基本要求：模板中心的系数为正，其余相邻系数为负，且所有的系数之和为零。常用的模板有：方向算子利用一组模板对图像中的同一像素求卷积，然后选取其中最大的值作为边缘强度，而将与之对应的方向作为边缘方向。优点：不仅仅只考虑水平和垂直方向，还可以检测其他方向上的边缘。缺点：计算量将大大增加。常用的有8方向Kirsch（3×3）模板，方向间的夹角为45º。3×3Kirsch算子的八方向模板

Canny边缘检测算子

图像边缘检测必须条件：有效抑制噪声，具有较高的信噪比；尽量精确确定边缘的位置，使检测出的边缘在真正的边界上。Canny边缘检测：一种具有较好边缘检测性能的算子，利用高斯函数的一阶微分性质，把边缘检测问题转换为检测准侧函数极大的问题，能在噪声抑制和边缘检测之间取得较好的折中。考核边缘检测算子的指标是：低误判率，即尽可能少地把边缘点误认为是非边缘点；高定位精度，即准确地把边缘点定位在灰度变化最大的像素上；抑制虚假边缘。Canny算子设计过程：二维高斯函数为h1(x)=xh2(x),h1(y)=yh2(y),k为常数

将偏微分方程分别与图像f(x,y)进行卷积，得到方向微分输出A(i,j)是灰度梯度模值，反映了图像上点（i,j）处的灰度变化强度，是梯度方向，反映了该点处的灰度变化最快的方向，即该点的法向矢量（正交于边缘方向的方向）。

Canny算法过程：用高斯滤波器对图像进行滤波；用高斯算子的一阶差分对图像进行滤波，得到每个像素的位置梯度大小和方向判断一个像素是否为边缘点的条件为：像素(i,j)的边缘强度大于沿梯度方向的两个相邻像素的边缘强度；与该像素梯度方向上相邻两点的方向差小于45º；以该像素为中心的3×3邻域中的边缘强度的极大值小于某个阈值。判断一个像素是否为边缘点的条件为：如果条件（1）、（2）同时满足，那么在梯度方向上的两个相邻像素就从候选边缘点集合中取消，这样可以减少运算量。条件（3）相当于用区域梯度最大值组成的阈值图像与边缘点进行匹配，这一过程可以消除虚假的边缘点。Canny算子的检测比较优越，可以减少小模板检测中边缘中断，有利于得到较完整的边缘。MATLAB程序：I=imread('blood1.tif');

imshow(I);BW5=edge(I,'canny');figure,imshow(BW5,[]);

Canny算子边缘检测的结果图

边缘跟踪上述方法仅得到处在边缘上的像素点。噪声和不均匀的照明而产生的边缘间断的影响，使得经过边缘检测后得到的边缘像素点很少能完整地描绘实际的一条边缘。可以在使用边缘检测算法后，紧接着使用连接方法将边缘像素组合成有意义的边缘。光栅扫描跟踪法：一种简单的利用局部信息、通过扫描的方式将边缘点连接起来的方法。采用电视光栅行扫描顺序对遇到的像素进行分析，从而确定其是否为边缘。*由于光栅扫描跟踪和扫描方向有关，因此最好沿其他方向再跟踪一次。7.6区域生长法原理：将具有相似性质的像素集合起来构成区域步骤：对每个需要分割的区域找一个种子像素作为生长的起点；将种子像素周围邻域中与种子像素具有相同或相似性质的像素合并到这一区域中；将这些新像素当做新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。这样一个区域就长成了。实质：把具有相似性质的像素连通，构成最终的分割区域。利用图像的局部空间信息，可有效的客服其他方法存在的图像分割空间不连续的缺点。在实际应用区域生长法时需要解决三个问题：选择一组能正确代表所需区域的种子像素；种子像素的选取常可借助具体问题的特点进行。确定在生长过程中将相邻像素包括进来的准则；生长准则的选取不仅依赖于具体问题本身，也和所用图像数据的种类有关。制定让生长过程停止的条件或规则。一般生长过程在进行到再没有满足生长准则需要的像素时停止。

(a)原图像(b)T=3的生长结果(c)T=1的生长结果区域生长生长准则和过程区域生长的一个关键：选择适合的生长准则大部分区域生长准则使用图像的局部性（基于区域灰度差、基于区域内灰度分布统计性质、基于区域形状等）。生长准则可根据不同的原则制定，而使用不同的生长准则会影响区域生长的过程。基于区域灰度差区域生长法将图像以像素为基本单位进行操作。（1）对图像进行逐行扫描找出尚没有归属的像素；