第八章图像分割技术

第一页，共六十二页，编辑于2023年，星期五定义(1) (2)对所有的

i和j，，有 (3)对i=1,2,…,n，有P(Ri)=TRUE (4)对，有 (5)对i=1,2,…,n，Ri是连通的区域

8.1图像分割定义和方法分类第二页，共六十二页，编辑于2023年，星期五图像分割算法分类不连续性和相似性并行处理策略和串行处理策略

分类表

①并行边界类

②串行边界类

③并行区域类

④串行区域类第三页，共六十二页，编辑于2023年，星期五

边缘检测：

①并行边界类基于边界分割方法的第一步

边缘：灰度值不连续的结果可利用导数方便地检测常用一阶和二阶导数来检测 8.2边缘检测第四页，共六十二页，编辑于2023年，星期五边缘和导数第五页，共六十二页，编辑于2023年，星期五

算子计算

对图像边缘的检测可借助空域微分算子通过模板卷积完成。几种简单的空域微分算子：（1）梯度算子（大小、方向）（2）拉普拉斯算子（3）马尔算子（拉普拉斯-高斯）边缘检测算子第六页，共六十二页，编辑于2023年，星期五（1）梯度算子

一阶差分算子矢量

幅度

方向角第七页，共六十二页，编辑于2023年，星期五梯度算子（一阶导数算子）

利用模板（与图像进行）卷积模板比较：

①边缘粗细（与模板大小有关）②方向性：水平模板(左)(垂直边缘)垂直模板(右)(水平边缘)第八页，共六十二页，编辑于2023年，星期五第九页，共六十二页，编辑于2023年，星期五第十页，共六十二页，编辑于2023年，星期五（2）拉普拉斯算子

(二阶差分算子)在（x，y）处的拉普拉斯值:第十一页，共六十二页，编辑于2023年，星期五（3）马尔算子（二阶）用一个2-D的高斯平滑模板与源图像卷积计算卷积后图像的拉普拉斯值检测拉普拉斯图像中的过零点作为边缘点高斯函数：马尔算子：拉普拉斯：第十二页，共六十二页，编辑于2023年，星期五第十三页，共六十二页，编辑于2023年，星期五串行边界类基本思路：

先检测边缘象素/边界段 再逐次连接成闭合边界（轮廓） 互相结合，顺序进行

1、轮廓跟踪

2、图搜索法8.3轮廓跟踪和图搜索第十四页，共六十二页，编辑于2023年，星期五

（1）确定搜索起点（2）采取合适的搜索机理确定新的轮廓点（3）在满足终结条件时结束搜索缺点：不适合于噪声比较大的图像1、轮廓跟踪第十五页，共六十二页，编辑于2023年，星期五

将边缘像素和边界段用图表示

图：G={N,A}

结点集{n1,...}

结点对集{(ni,nj)}

通路代价

父结点

父结点

子结点2、图搜索--计算量大、复杂度高、但适合噪声较大的图像第十六页，共六十二页，编辑于2023年，星期五边缘元素代价函数第十七页，共六十二页，编辑于2023年，星期五第十八页，共六十二页，编辑于2023年，星期五

阈值分割方法------③并行区域类图像模型： 双峰直方图（对应目标和背景的2个单 峰直方图混合而成） 大小接近，均值相距足够远，均方差足够小取阈值分割步骤：并行区域类

(1)确定阈值（关键/难点）

(2)根据阈值对像素分类8.4阈值分割第十九页，共六十二页，编辑于2023年，星期五阈值分割方法单阈值分割图像

第二十页，共六十二页，编辑于2023年，星期五阈值选取方法

（1）极小值点阈值第二十一页，共六十二页，编辑于2023年，星期五阈值选取方法

（2）最优阈值最小误差阈值目标和背景均高斯分布

第二十二页，共六十二页，编辑于2023年，星期五阈值选取方法

第二十三页，共六十二页，编辑于2023年，星期五阈值选取方法

（3）迭代阈值阈值处在与重心成反比的位置第二十四页，共六十二页，编辑于2023年，星期五第二十五页，共六十二页，编辑于2023年，星期五由直方图凹凸性确定的阈值 直方图的一个峰淹没在另一个峰旁的缓坡里

直方图的包络区域凸包最大凸残差分割阈值

8.5基于变换直方图选取阈值第二十六页，共六十二页，编辑于2023年，星期五依赖区域的阈值选取

直方图变换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 ①获得低梯度值象素的直方图

峰之间的谷比原直方图深 ②获得高梯度值象素的直方图

峰由原直方图的谷转化而来第二十七页，共六十二页，编辑于2023年，星期五直方图变换

①低梯度值像素的直方图图像模型：双峰直方图内部的像素具有较低梯度值边界上像素具有较高梯度值第二十八页，共六十二页，编辑于2023年，星期五

直方图变换

①低梯度值像素的直方图峰之间的谷比原直方图更深加权：1/（1+g）2

梯度小权重大梯度大权重小第二十九页，共六十二页，编辑于2023年，星期五

直方图变换②高梯度值像素的直方图峰由原直方图的谷转化而来加权：g

梯度小权重小梯度大权重大第三十页，共六十二页，编辑于2023年，星期五灰度-梯度散射图2-D直方图

2-D图象 1个轴是灰度值轴 1个轴是梯度值轴

示例 目标，背景聚类 第三十一页，共六十二页，编辑于2023年，星期五

阈值分割的推广

全局的方法特征值对应特征空间点灰度直方图像素灰度为特征灰度-梯度散射图像素灰度和梯度为特征8.6空间聚类第三十二页，共六十二页，编辑于2023年，星期五分割：像素分类 特征空间聚类（取阈值是1-D聚类） 多特征空间聚类的优点（分类能力较强）第三十三页，共六十二页，编辑于2023年，星期五K-均值聚类

优化的方法（最小化）将特征点赋给均值离它最近的类第三十四页，共六十二页，编辑于2023年，星期五K-均值聚类 (1) 任意选K个初始类均值 (2) 特征点赋类 (3) 更新类均值 (4) 判断算法收敛第三十五页，共六十二页，编辑于2023年，星期五K-均值聚类类数目：类数目不同结果不同

聚类品质：类内接近而类间区别大

根据聚类品质确定类数目第三十六页，共六十二页，编辑于2023年，星期五

从区域着手顺序进行 ④串行区域类

串行策略

特点：当前处理借助早期结果 优点：抗噪声，抗干扰 缺点：较复杂，费时间8.7区域生长第三十七页，共六十二页，编辑于2023年，星期五区域生长基本思想： 将相似像素结合起来构成区域基本步骤： (1)选择区域的种子像素 (2)确定将相邻像素包括进来的准则 (3)制定生长停止的规则

关键： (1)种子像素的选取

(2)生长准则依赖应用第三十八页，共六十二页，编辑于2023年，星期五生长准则

基于区域灰度差关键是灰度差阈值基于区域间平均灰度差利用平均灰度注意连通性第三十九页，共六十二页，编辑于2023年，星期五生长示例第四十页，共六十二页，编辑于2023年，星期五改进生长准则

（1）直接用新像素值：逐步合并而产生错误（2）用新像素所在区域平均值第四十一页，共六十二页，编辑于2023年，星期五第9章目标表达技术

9.1 轮廓的链码表达

9.2 轮廓线段的近似表达9.3 目标的层次表达

9.4*目标的骨架表达第四十二页，共六十二页，编辑于2023年，星期五

目标表达在图像分割的基础上（1）内部表达关心的是区域的反射性质（2）外部表达关心的是区域的形状9.1轮廓的链码表达第四十三页，共六十二页，编辑于2023年，星期五链码表达--外部表达对轮廓点的一种编码表示方法特点： 一系列有向直线段4-连接

8-连接①特定长度（固定）②方向数目有限（连接情况） 第四十四页，共六十二页，编辑于2023年，星期五紧凑的表达方式起点需用（绝对）坐标表示其余点只用接续方向来代表偏移量 常用：①4-方向链码②8-方向链码第四十五页，共六十二页，编辑于2023年，星期五链码归一化

①起点归一化 将链码看作由方向数构成的自然数选取值最小的自然数顺序第四十六页，共六十二页，编辑于2023年，星期五链码归一化 ②旋转归一化

利用链码的一阶差分差分码不随轮廓旋转而变化第四十七页，共六十二页，编辑于2023年，星期五形状数 轮廓差分码中其值最小的1个序列

4方向链码为：10103322

差分码为：33133030

形状数为：03033133第四十八页，共六十二页，编辑于2023年，星期五

多边形近似逼近轮廓

--（2）外部表达链码是多边形表达的特例多边形表达的目的：

用尽可能少的线段来代表轮廓，并保持轮廓的基本形状。多边形表达的特点：（1）抗干扰（2）省数据量9.2轮廓线段的近似表达第四十九页，共六十二页，编辑于2023年，星期五

常用多边形方法

（1）基于收缩的最小周长多边形第五十页，共六十二页，编辑于2023年，星期五

常用多边形方法

（2）基于聚合的最小均方误差线段逼近第五十一页，共六十二页，编辑于2023年，星期五

常用多边形方法

（3）基于分裂的最小均方误差线段逼近第五十二页，共六十二页，编辑于2023年，星期五多边形轮廓表达示例

第五十三页，共六十二页，编辑于2023年，星期五

基本思路