图像分割ppt课件

1、一般的图像处理过程，图像处理有两个目的：1.画质的改善(增强，恢复)2.图像分析：记述图像的内容，第五章图像的分割和记述，图像分析：(也称为场面分析和图像理解)可以看作一种记述过程，主要的研究是使用自动或半自动装置和系统，从图像中提取有用的测度图像分割：提取对图像有意义的特征和应应用的特征。 (简单而难以实现的最基本的识别工作。 人类视觉系统对图像的分割非常复杂，非常有效。 但是，分割原理和模型还没有明确。 )第5章图像的分割和描述，第5章图像的分割和描述，第5.1阈值分割5.2边缘检测5.3区域分割5.4 Hough变换5.5邻近法分割5.6基于动态聚类的分割5.7基于神经网络的分割5.8轮

2、廓提取和边缘跟踪，第5章图像的分割和描述，不理想的情况下， 各段的边界不显眼，3种误差a )新的区域增加了的b )失去了原区域，c )区域分割边界的位置不正确的动态阈值：将图像分成子图像，直方图化子图像，重新设定不同的阈值，5.1阈值分割，1阈值分割原理，图像中的目标和背景的若设对象物在整体图像中所占的比例为t，则整体图像的灰度概率密度由下式决定，由当前阈值t划分： zT的情况下为背景，相反是对象物。 目标和背景概率密度分布、第二阈值的选择、最小误差阈值的选择方法、求出上式的最小值时的t是阈值。 即，为了对上式进行微分，该方法必须用已知的正态分布的曲线合成来对直方图的分布进行近似，并且提供两个

3、正态分布合成的比例t，实现复杂的背景误认为对象物的概率3360错误地区别将对象物误认为背景的概率：的概率：是基于假设的。 另外，在q(z )为已知的情况下，可求出阈值t .最小误差阈值选择方法也称为大津阈值，将直方图分割为两组，在两组的方差最大的情况下，确定阈值。 若将1张图像的灰度值设为1m灰度，将灰度值I的像素数设为ni，则像素总数以各值的概率，按t将其分成两组C0=1T和C1=T 1m，各组发生的概率如下，最大容许误差阈值选择法、C0发生从两组间的方差：1m之间改变t，求出上式为最大值时的t的最大容许阈值、最大容许阈值选择法、C0的平均值：C1的平均值：整体图像的灰度平均值，其中，实现处

4、理：从t到m各变化一个，对应于一个*虽然图像中有无双的峰值，但能得到良好的结果*部分图像的二值化效果更好*能展开为双阈值图像分割、能展开为双阈值分割、基于上式的：最大允许误差阈值选择法，例如：目标是图像面积的部分图像有噪声干涉，平滑后取阈值光的不均匀性： a先修正光的不均匀性，再取阈值。 b区分为减少光的不均匀的分割效果、3影响因素、噪音、照度的不均匀、结构特征等。 多频带： r、g、b的多个直方图同时出现谷值。 取局部特征：诸如纹理的粗糙度的结构特征优于灰度特征，与结构有关。 采取局部特征，在将局部特征图平滑化后，采取阈值，效果更好。 3影响因素，多特征阈值分割a灰度和平均灰度(33区)二维

5、直方图集中在对角线区表示灰度均匀的区。 -远离对角线的人(灰度和平均灰度不同)是区域边界。(接近对角线的构成直方图中有明显的峰值和阈值，远离对角线的人把灰度平均值作为阈值，区分两个区域。灰度、3影响因素、灰度、b灰度和灰度梯度图、c多带： r、g、b可以分别构成R-B、G-B、R-B的二维直方图，图表上的强之处反映一个区域。 多特征阈值分割，3个影响因素，从数学上看，图像模糊相当于图像被平均或积分，为了实现图像锐化，其逆运算“微分”:必须增强高频分量的作用，使轮廓变得清晰。 5.2边缘检测、一个边缘检测原理及其导数在边缘方向上取极值，梯度与一次导数对应，一个连续图像函数f(x，y): 梯度宽度

6、：梯度矢量定义：梯度方向：一个边缘检测原理、离散区域上微分变化为差分，然后从水平和垂直的双向模板中生成一次： x f(i，j)=f(i，j) - f(i，j-1) y f(i，j )=f j )的二次：x2 f(i，j)=x f(i，j1)-xff(i，j)=f(i，j 1) - f(i j) -(f(i，j) - f(i，j-1) y2f(i，j)=f(i，j) f(i-1，j) - 2f(i， j )，1边缘检测原理，a) Roberts运算符，近似式：1，0，0，- 1，0，- 1，0， Roberts运算子、2典型运算子、b) Sobel运算子c) Prewitt运算子、2代表运算子、

7、d) Kirsch运算子、2代表运算子由K0K7的8方向模板构成，分别将K0K7的模板算法与图像中的33个区域相乘，最大其中： k0，k1，k2，k3，k4，k5，k6，k7 d) Kirsch运算符，2典型运算符，e )方向性滤波器：在特定方向上强调，具有朔像效果，-1，-c，1，c，c -1，1，1，c，-c，-c，-1，-1，1，1，1，c，-c，- 1，注意：边缘检测对噪声敏感，总是在进行边缘检测之前对图像实施某种预处理，例如平滑处理和边缘强调等。 2典型算子，f )二次微分算子- laplace算子，特征：对噪声敏感，总是双像素宽度的边缘，无方向性，2典型算子，g) Canny算子，

8、2典型算子，1个边缘算子低错误率：边缘运营商仅对应于边缘响应，可找到所有的边缘且可对非边缘丢弃它。 2 )定位精度：在边缘运算符中发现的边缘像素和真边缘像素的距离要尽量小。 3 )单边响应：在一边存在的地方，检查结果不是多边的。 区域分割：利用图像的空间性质，认为属于被分割的同一区域的像素应该具有类似的性质。 当一个区域生长法：T=3时，生长结果，5.3区域划分：算法描述为为每个分割区域查找种子像素，以作为生长的起点，将类似于种子像素的性质的像素合并到种子像素附近的区域中。 上述过程将这些新像素作为新种子像素继续，直到满足条件的像素不包括。5.3区域分割、1区域生长法、重要的问题a )决定是否

9、选择能够正确地代表需要的区域的种子像素的人界面是直方图的峰值b )根据区域灰度差，根据区域内灰度分布的统计性质来决定在生长过程中能够包含相邻像素的基准，5.3区域分割、1区域生长法， 区域生长法生长基准根据区域灰度差方法来决定，5.3区域分割、1区域生长法、Step1:扫描像素，寻找还没有属于的像素的Step2:以该像素为中心检查其附近的像素，即一个一个地比较附近的像素，灰度差小于预定的阈值t 合并它们的Step3:以新合并的像素为中心，返回步骤2，检查新像素的相邻区域，检查区域直到不能进一步扩展为止Step4:返回步骤1，如果继续扫描直到所有像素都归属，则结束整个成长过程。区域生长法生长基准

10、是区域灰度差方法、5.3区域分割、1区域生长法，研究：生长基准和不足分割或过分割现象、T=1、T=6、区域生长法生长基准是以区域内灰度分布统计性质、5.3区域分割、1区域生长法、灰度分布相似性为生长基准来决定区域的合并。 具体的步骤是将像素分成相互不重叠的小区域，比较相邻区域的累积灰度直方图，根据灰度分布的相似性进行区域整合，区域生长法的生长基准是根据区域内的灰度分布的统计性质，5.3区域分割，1区域生长法， Kolmogorov-Smirnov检测： Smoothed-Difference检测：在检测结果小于规定的阈值的情况下，将两个区域合并。 另外，灰度直方图h(x )的累积灰度直方图实际

11、上被定义为所谓的分裂合并法，该分裂合并法是在将图像分割成任意大小的不重复的区域之后，将这些区域合并或分裂而满足分割要求。 可以基于灰度统计特征(例如，同质区域中的方差)选择一致度测度，假设阈值为t，则算法步骤为： ，如果对于邻接区域Ri和Rj，将两者进行合并 、5.3区域分割、2分裂合并法、分裂合并法分割图像例、简单的区域分割过程、5.3区域分割、2分裂合并法、5.4 Hough变换、Hough变换是检测和定位直线和解析曲线的有效方法。 将二值图转换为Hough参数空间，在参数空间中通过极值点的检测完成目标的检测。 以直线检测为例说明Hough变换的原理。 图像空间和参数空间点和线的对称性、5

12、.4 Hough变换、Hough变换是检测和定位直线和分析曲线的有效方法。 将二值图转换为Hough参数空间，在参数空间中通过极值点的检测完成目标的检测。 以直线检测为例说明Hough变换的原理。 由极坐标表示的虚线的对称性、5.4 Hough变换、图像的Hough变换如下图所示，可以基于先验知识设定pmin、pmax、qmin、qmax，累积数组的大小由检测分辨率和pmin、pmax、qmin和qmax决定。 随着图像、参数空间的累积阵列、5.4 Hough变换和检测分辨率的提高，时间和空间的成本越来越大，可以采用阶段性变换解决的阶段性Hough变换流程图、Hough变换的优点在噪声强、信噪

13、比低的条件下进行直线和分析缺点是，首先进行二值化和边缘检测等图像预处理，失去原图像的很多信息。 Hough变换二次曲线-以圆为例的方程式：5.4 Hough变换、5.4 Hough变换、Hough变换的改进：块处理随机Hough变换的应用：银行票据修正、5.5近邻法分割、1、最近邻法是c级的分类对象类判别函数可以定义成其中的角表示类，而类的样本中的第一个角表示类。 根据上述决策规则，决策的直观解释非常简单，通过将未知样本与已知类别样本的欧几里得距离相比较，可以写决策与最近的样本相同。 要点：第一个采样点是如何指定类别的，距离函数的制定，5.5近邻法分割，2，k近邻法，取未知样本x的k近邻，如果

14、看到这个k近邻多属于哪个类别，就把x分类为哪个类别？ 具体来说，从n个已知样本内找到x的k个邻居。 可将这n个样本中的来自类的样本定义为一个，来自类的样本为一个，来自类的样本为一个，且这些样本中的每一者均属于k个相邻类的样本的数目，则可将判别函数定义为确定规则。 关键点：初始采样点如何识别类别，距离函数的制定，1 k-平均聚类也称为“C-平均算法”，算法的基础是误差平方和标准。第一集群中的样本数目是这些样本的平均值，即，具有5.6动态聚类划分的样本y和平均值之间的误差平方和，其中1 k-平均集群是误差平方和聚类标准，以及c个样本对于不同集群，使用最小集群作为误差平方和规范的最佳结果。1 k-平

15、均聚类、分析、将样本y从类移动到类对误差平方和的影响：1 k-平均聚类、分析、将样本y从类移动到类对误差平方和的影响：的移动只有两种，对其他类没有任何影响， 只要计算这两种新的误差平方和就可以加入样本，误差的平方和就会减少.只有在距离比距离近的情况下，才决定上述不等式. 1k-means聚类、k-means算法流、Step1:个初始聚类群. 计算相应的集群中心Step2:来选择一个候选样本，假定当前在step :中，否则继续集群c类，1 k-平均集群、k-平均算法流、Step5: 从中央Step6:重新计算和的值，如果继续修正Step7:并且重叠n次，则停止，否则前进到步骤2，Step4:计算

16、1 k-平均簇，Step1:确定c个初始簇群，并且相应地Step2:对于每个集群对象样本，计算离c个集群中心的距离，并将集群对象样本汇总在最近的集群组中。 在将每个样本分类成c个集群之后，Step3:重新计算集群中心。 Step4:重复两三步，直到43360个集群中心改变为止。 k-平均简化算法，选择c个初始聚类中心，按照最近的距离测度对分类对象样本进行分类，k-平均聚类示例，1 k-平均聚类，重要问题， 在第一步骤：代表点的选择经验性选择代表点中，随机地将全部数据分类到c类，计算各类的重心，决定了以最初的c个采样点为代表点的第二步骤：代表点后，最初将该馀数分类的点最接近哪个代表点，分类为各代表点然后计算下一个样本的分类，直到所有样本都达到相应的类为止，1 k均值聚类、样本集的初始划分、重要问题、距离测度的选择会影响分类的结果，一般用空间、颜色的特征来产生距离函数或对两个特征进