第7章 图像分割技术(1).ppt

1、本章重点： 图像分割的基本概念及图像分割分类的基础 边缘分割法 阈值分割法 区域分割法,第7章 图像分割技术,7.1 图像分割概述 7.2 边缘检测 7.3 阈值分割 7.4 区域分割,第7章 图像分割技术,7.1 图像分割概述,目的：把图像空间分成一些有意义的区域，与图像中各种物体目标相对应。通过对分割结果的描述，可以理解图像中包含的信息。 图像分割是将像素分类的过程，分类的依据可建立在: 像素间的相似性 非连续性,图像分割和集合定义的描述 令集合R代表整个图像区域，对R的图像分割可以看作是将R分成N个满足以下条件的非空子集R1，R2，.，RN：,图像分割方法和种类 以不同的分类标准，图像分

2、割方法可以划分为不同的种类。,图像分割应用 机器阅读理解 OCR录入 遥感图像自动识别 在线产品检测 医学图像样本统计 医学图像测量 图像编码 图像配准的预处理,物体的边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，例如灰度值的突变、颜色的突变、纹理结构的突变等 ，同时物体的边缘也是不同区域的分界处。 通常沿边缘的走向灰度变化平缓，垂直于边缘走向的像素灰度变化剧烈 。,7.2 边缘检测,7.2.1 边缘检测概述,根据灰度变化的特点，常见的边缘可分为阶跃型、房顶型和凸缘型 边缘检测是边界分割方法的最基本的处理。,7.2.2 边缘检测方法,边缘检测的方法很多，主要有

3、以下几种: 1、空域微分算子，也就是传统的边缘检测方法。如Roberts算子、Prewitt算子和Sobel算子等 。 2、拟合曲面。该方法利用当前像素邻域中的一些像素值拟合一个曲面，然后求这个连续曲面在当前像素处的梯度。 3、小波多尺度边缘检测。 4、基于数学形态学的边缘检测。,Prewitt算子 用卷积模板为： 其中 Kirsch算子 边缘的梯度大小为 其中,几种常用的边缘检测微分算子,，,LOG（Laplacian-Gauss）算子 Marr和Hildreth将Gaussian滤波器和Laplacian边缘检测结合在一起，形成了LoG(Laplacian of Gaussian)算法。即

4、先用高斯函数对图像进行平滑，然后再用拉普拉斯算子进行运算，形成Laplacian-Gauss算法，它使用一个墨西哥草帽函数形式。 特点： 与高斯滤波器进行卷积，既平滑了图像又降低了噪声，孤立的噪声点和较小的结构组织将被滤除。 在边缘检测时仅考虑那些具有局部梯度最大值的点为边缘点，用拉普拉斯算子将边缘点转换成零交叉点，通过零交叉点的检测来实现边缘检测。,，,Canny（坎尼）算子 3个准则： 信噪比准则 定位精度准则 单边缘响应准则 具体步骤： 首先用2D高斯滤波模板进行卷积以平滑图像； 利用微分算子，计算梯度的幅值和方向； 对梯度幅值进行非极大值抑制。即遍历图像，若某个像素的灰度值与其梯度方向

5、上前后两个像素的灰度值相比不是最大，那么这个像素值置为0，即不是边缘； 使用双阈值算法检测和连接边缘。即使用累计直方图计算两个阈值，凡是大于高阈值的一定是边缘；凡是小于低阈值的一定不是边缘。如果检测结果大于低阈值但又小于高阈值，那就要看这个像素的邻接像素中有没有超过高阈值的边缘像素，如果有，则该像素就是边缘，否则就不是边缘。,，,图像的轮廓（边界）跟踪与边缘检测是密切相关的，因为轮廓跟踪实质上就是沿着图像的外部边缘“走”一圈。 轮廓跟踪也称边缘点连接，是一种基于梯度的图像分割方法。是指从梯度图中一个边界点出发，依次通过对前一个边界点的考察而逐步确定出下一个新的边界点，并将它们连接而逐步检测出边

6、界的方法。,7.2.3 边界跟踪,具体轮廓跟踪过程大致可分以下三步： (1) 确定轮廓跟踪的起始边界点。根据算法的不同，选择一个或多个边缘点作为搜索的起始边缘点。 (2) 选择一种合适的数据结构和搜索策略，根据已经发现的边界点确定下一个检测目标并对其进行检测。 (3) 制定出终止搜寻的准则(一般是将形成闭合边界作为终止条件)，在满足终止条件时结束搜寻。 常用的轮廓跟踪技术有两种:探测法和梯度图法。,一种简单的边界跟踪法(二值图像）： (1)根据光栅扫描发现像素从0开始变为1的像素时，存储它的坐标（i,j)值。 (2)从像素(i,j-1)开始反时针方向研究8-邻接像素，当第一次出现像素值为1的像

7、素记为pk，开始k=1,，也同样存储p1的坐标。 (3)同上，反时针方向从pk-1以前的像素研究pk的8-邻接像素，把最先发现像素值为1的像素记为pk +1。 (4)当pk= p0而且pk+1= p1时，跟踪结束。在其他情况下，把k+1更新当作k返回第(3)步。,右图描述了边界跟踪的顺序。 第一步，根据光栅扫描，发现像素p0，其坐标为(3,5)。 第二步，反时针方向研究像素p0的8-邻接像素(3,4)，(4,4)，(4,5)，由此发现像素p1。 第三步，反时针方问从p0以前的像素，即像素(3,4)开始顺序研究p1的8-邻接像素，因此发现像素p2。这时，因为p0 p1，所以令pk= p2，返回第

8、三步。 反复以上操作，以p0, p1, pn的顺序跟踪8-邻接的边界像素。,区域生长是区域分割最基本的方法。所谓区域生长就是一种根据事先定义的准则将像素或者子区域聚合成更大区域的过程。,7.4 基于区域的分割,7.4.1 区域生长,基本思想 以一组生长点（可以是单个像素，也可以是某个小区域）开始，搜索其邻域，把图像分割成特征相似的若干区域，比较相邻区域与生长点特征的相似性，若它们足够相似，则作为同一区域合并，形成新的生长点。以此方式将特征相似的区域不断合并、直到不能合并为止，最后形成特征不同的各区域。这种分割方式也称区域扩张法。,在实际应用时，要解决三个问题： 1）确定区域的数目，也就是选择一

9、组能正确代表所需区域的生长点像素； 2）选择有意义的特征，也就是确定在生长过程中将相邻区域像素包括进来的方式； 3）确定相似性准则，即获取生长过程停止的准则。,特征相似性是构成与合并区域的基本准则，相邻性是指所取的邻域方式。根据所用的邻域方式和相似性准则的不同，产生各种不同的区域生长法。 将灰度相关的值作为区域生长准则，区域生长可分为单一型(像素与像素)、质心型(像素与区域)和混合型(区域与区域)三种。,单一型区域生长法原理： 以图像的某个像素为生长点，将特征相似的相邻像素合并为同一区域；然后以合并的像素为生长点，重复以上的操作，最终形成具有相似特征的像素的最大连通集合。 下面给出以像素灰度为

10、特征进行简单区域生长的步骤。 (1)对图像进行光栅扫描，找出尚没有归属的像素。当寻找不到这样的像素时结束操作。 (2)把这个像素灰度同其周围(4-邻域或8-邻域)不属于任何一个区域的像素进行比较，若灰度差值小于某一阈值，则将它们合并为同一个区域，并对合并的像素赋予标记。 (3)从新合并的像素开始，反复进行(2)的操作，直到区域不能再合并为止。 (4)返回(1)操作，寻找能作为新区域出发点的像素。,优缺点： 这种方法简单，但如果区域之间的边缘灰度变化很平缓或边缘交于一点时，如图7-20，两个区域会合并起来。 解决方法： 为消除这一点，在步骤(2)中不是比较相邻像素灰度，而是比较已存在区域的像素灰

11、度平均值与该区域邻接的像素灰度值。,（a）平缓的边缘 （b）边缘的缝隙 图7-20 边缘对区域扩张的影响,质心型区域生长 与简单区域生长不同，它是比较单个像素的特征与其相邻区域的特征，若相似则将像素归并到区域中。 操作步骤 类似简单区域生长法，唯一不同的是在上述(2)的操作中，改为比较已存在区域的像素灰度平均值与该区域邻接的像素灰度值。若差值小于阈值，则合并。 例子 ：,（a）原始图像 （b）第一次生长结果 （c）第二次生长结果 （d）最终生长结果 图7-21 质心型区域生长,混合型区域生长 把图像分割成小区域，比较相邻小区域的相似性，如果相似则合并。 下面介绍两种混合型区域生长的方法。 1.

12、 不依赖于起始点的方法 (1)设灰度差的阈值为0，用简单区域生长法把具有相同灰度的像素合并到同一区域，得到图像的初始分割图像； (2)从分割图像一个小区域开始，求出相邻区域间的灰度差，将差值最小的相邻区域合并； (3)重复(2)的操作，把区域依次合并。 缺点：这种方法若不在适当的阶段停止区域合并，整幅图像经区域生长的最终结果就会为一个区域。,2. 假设检验法 不依赖于起始点的方法是把灰度差作为区域合并的判定标准，而假设检验法则是根据区域内的灰度分布的相似性进行区域合并。 具体步骤如下： (1)把图像分割成互不交迭的、大小为 的小区域。 (2)比较相邻小区域的灰度直方图，如果灰度分布情况都是相似

13、的，则合并成一个区域，相似性判断标准可选用下面其中之： (a)Ko1mogorov-Smirnov检测标准:,(b)Smoothed-Diffference检测标准：,其中H1(g)、H2(g)分别是相邻两区域的累积灰度直方图。在数字图像中，累积灰度直方图为：,(3)反复进行(2)的操作，直至区域不能合并为止。 这种方法不仅能分割灰度相同的区域，也能分割纹理性的图像。但采用这种方法难点在于n如何确定。 n太大，则区域形状变得不自然，小的目标就会遗漏； n太小，则(a)和(b)可靠性下降，导致分割质量差。实际中一般取510，由于检测标准(b)的要求比(a)的严，采用检测标准(b)比用(a)会带来

14、更好的结果。,7.4.2 区域分裂与合并,区域生长过程是从一组生长点开始，通过不断接纳新像素最后得到整个区域。 一种替换方法是在开始时将图像分割成一系列任意不相交的区域，然后将他们进行合并或分裂得到各个区域。 在这类方法中，最常用的方法是四叉树分解法：,设R表示整个图像区域，P代表逻辑谓词。对R进行分割的一种方法是反复将分割得到的结果图像再次分为四个区域，直到对任何区域Ri，有P(Ri)=TRUE。 具体的分割过程： 从整幅图像开始，如果P(Ri)=FALSE，就将图像分割为4个区域； 对分割后得到的区域，如果依然有P(Ri)=FALSE，就可以将这4个区域的每个区域再次分别分割为4个区域，如此类推，直到Ri为单个像素。,如果仅使用分裂，最后得到的分割结果可能包含具有相同性质的相邻区域。为此，可在分裂的同时进行区域合并。 合并规则： 只要P(RiU Rj)=TRUE，则可以将两个相邻的区域Ri和Rj进行合并。 基本的分裂合并算法步骤： 1） 对任何区域Ri，如