影像分割(面特征提取).ppt

1、1、简述用Hough变换提取直线的原理。 2、简述用Hough变换提取直线的基本过程并给出程度框图。,作业与思考题,数字摄影测量 Digital photogrammetry,如何进行面特征提取？,影像分割,一、影像分割的 定义,二、影像分割的主要方法,一、影像分割的 定义,影像中的物体,除了在边界表现出不连续性之外,在物体区域内部具有某种同一性。 根据这种同一性,把一整幅影像分为若干子区域,每一区域对应于某一物体或物体的某一部分,这就是影像分割。,影像分割,一、影像分割的 定义,影像分割,令集合R代表整个图像区域，对R的分割可看做将R分成若干个满足以下5个条件的非空子集R1,R2,Rn: 1

2、)完备性： 2)连通性：每个Ri都是一个连通区域 3)独立性：对于任意ij，RiRj= 4)单一性：每个区域内的灰度级相等， P（Ri）= TRUE，i = 1,2,n 5)互斥性：任两个区域的灰度级不等， P（RiRj）= FALSE，ij,基本思想： 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。 If f(x,y) T f(x,y) =255 Else f(x,y) = 0 在四邻域中有背景的像素，既是边界像素。,二、影像分割的主要方法,一、阈值法,影像分割,二、影像分割的主要方法,一、阈值法,影像分割,阈值分割法的特点

3、： 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。,二、影像分割的主要方法,一、阈值法,影像分割,全局阈值分割 通过交互方式得到阈值 通过直方图得到阈值 基于邻域特性 基于多个变量的阈值,二、影像分割的主要方法,一、阈值法,影像分割,全局阈值分割,基本思想：用某种方法获得阈值T，并产生一个二值图，区分出前景对象和背景 算法实现： 规定一个阈值T，逐行扫描图像。 凡灰度级大于T的，颜色置为255；凡灰度级小于T的，颜色置为0 适用场合：灰度图像是可以控制的情况，例如用于工业监测系统中,二、影像分割

4、的主要方法,一、阈值法,影像分割,最佳阈值分割法,（1）搜索图像中最小和最大灰度值Imin和Imax，并计算初始阈值Tk (k=0)； （2）根据阈值将图像分割为目标和背景两部分，并计算两部分的平均灰度值Io和Ib； I(i,j)是图像上(i,j)点的灰度值，W(i,j)是权系数。,二、影像分割的主要方法,一、阈值法,影像分割,最佳阈值分割法,（3）计算新的阈值Tk1 ； （4）如果Tk与Tk1的差值小于某个小量的阈值，则迭代结束，否则重复（2）（4） 。,二、影像分割的主要方法,一、阈值法,影像分割,基本思想： 在通过交互方式下，得到对象（或背景 ）的灰度值，比得到阈值T容易得多。 假设：对

5、象的灰度值(也称样点值)为f(x0,y0),且： T = f(x0,y0) R 有： f(x,y) T f(x,y) f(x0,y0) R |f(x,y) f(x0,y0)| R 其中R 是容忍度，可通过试探获得。,通过交互方式得到阈值,二、影像分割的主要方法,一、阈值法,影像分割,通过直方图得到阈值,有突出目标和背景图像，直方图将具有明显的双峰。,二、影像分割的主要方法,一、阈值法,影像分割,直方图凹形分析法 自动门限法 最佳熵自动门限法 极大化分割以后图像的熵值 类别方差自动门限法 矩不变自动门限法 极小误差自动门限法,通过直方图得到阈值,二、影像分割的主要方法,一、阈值法,影像分割,基于

6、邻域特性,基于边缘特性 基于二阶灰度统计特性 共生矩阵（纹理分析） Md,x(i,j) x 方向上，相距d一对像素出现灰度i和j的频率 目标和背景在共生矩阵对角线附近，边界在远离对角线 基于二维熵 （图像的灰度，邻域灰度均值）组成联合概率,二、影像分割的主要方法,一、阈值法,影像分割,基于多个变量的阈值,基本思想： 把前面的方法扩展到多维空间，则寻找波谷的过程，变为寻找点簇的过程。 算法实现： 各维分量波谷之间进行逻辑与运算，从波谷重合的点，得到实际的阈值T。 应用场合： 有多个分量的颜色模型，如RGB模型、CMYK模型、HSI模型,二、影像分割的主要方法,一、阈值法,影像分割,二、影像分割的

7、主要方法,二、区域生长法,1、基本思想,区域增长法直接遵循影像分割定义，从某一 像素出发，逐步增加像素数（即区域生长），对由这些像素组成的区域使用某种均匀测度度量测试其均匀性。若为真，则继续扩大区域，直到均匀测度为假。,影像分割,二、影像分割的主要方法,2、使用平均灰度的均匀测度度量,二、区域生长法,影像分割,二、影像分割的主要方法,3、分-合影像分割法,1）构造四分树数据结构,2）分裂,影像分割,二、区域生长法,二、影像分割的主要方法,3、分-合影像分割法,二、区域增长法,1）构造四分树数据结构,2）分裂,3）基于四分树数据结构的合并,影像分割,二、影像分割的主要方法,3、分-合影像分割法,

8、二、区域增长法,1）构造四分树数据结构,2）分裂,3）基于四分树数据结 构的合并,4）合并,影像分割,二、影像分割的主要方法,3、分-合影像分割法,二、区域增长法,1）构造四分树数据结构,2）分裂,3）基于四分树数据结构的合并,4）合并, 3-5 影像分割,适用:在模式类别数不清楚时,用聚类分析比较好,可以用相识性和距离量度作为聚类分析准则,原则: 第1步:用适当的相识性准则对图像进行分类 第2步:对第一步分类结果测试,对各簇(子集)进行合并 第3步:反复对生成的结果再分类,测试和合并,直到没有新的簇(或子集)进行合并 注:相识性准则可取:点积,加权欧式距离等,二、影像分割的主要方法,三、聚类

9、分割法,影像分割,简单的聚类方法 K-Mean算法 ISODATA算法,二、影像分割的主要方法,三、聚类分割法,影像分割,简单的聚类方法,（1）随机确定一些点作为聚类中心； （2）计算每一个待分点与各个聚类中心的距离，若该点与某个聚类中心的距离小于某个阈值，则认为该点属于这一类，否则添加该点为一新的聚类中心； （3）遍历所有像点。,二、影像分割的主要方法,三、聚类分割法,影像分割,K-Mean算法,（1）选取K个初始类中心； （2）使用最小距离判别法将所有样本分给K类； （3）计算（2）分类结果的重心，作为新的聚类中心； （4）比较新旧聚类中心，若差值小于某个小量阈值，则认为类中心稳定，终止迭

10、代，否则重复（2）-（4）。,二、影像分割的主要方法,三、聚类分割法,影像分割,ISODATA算法 （Iterative Self-Organizing Data Analysis Techniques A）,在K-Mean算法的基础上，根据类内最大标准差和类间最小距离对聚类结果进行评价。 如果类内最大标准差超过给定阈值，则对该类进行分裂。 如果类间最小距离小于给定阈值，则对相应两类进行合并。,二、影像分割的主要方法,三、聚类分割法,影像分割,结构元素与二值图像进行逻辑运算，产生新的图像的图像处理方法。,图像B,结构元素S,二、影像分割的主要方法,四、数学形态学法,影像分割,膨胀 腐蚀 开运算 闭运算,二、影像分割的主要方法,四、数学形态学法,影像分割,腐蚀后,膨胀后,原图,使二值图像减小一圈,使二值图像扩大一圈,二、影像分割的主要方法,四、数学形态学法,影像分割,开运算,闭运算,开运算