第8章圖像分割PPT課件

1、 把圖像分成互不重疊的區(qū)域并提取感興趣目標(biāo)的技術(shù)圖像分割的概念第1頁/共39頁 令集合R代表整個(gè)圖像區(qū)域，對(duì)R的分割可看作將R分成N個(gè)滿足以下五個(gè)條件的非空子集（子區(qū)域）R1，R2，RN：1. 完備性： ；2. 獨(dú)立性：對(duì)所有的i和j，ij，有RiRj =；3. 單一性：對(duì)i = 1,2,N，有P(Ri) = TRUE；4. 互斥性：對(duì)ij，有P(Ri Rj ) = FALSE；5. 連通性：對(duì)i =1,2,N， Ri是連通的區(qū)域。 其中P(Ri)是對(duì)所有在集合Ri中元素的邏輯謂詞,代表空集圖像分割的定義RRNii1第2頁/共39頁 令集合R代表整個(gè)圖像區(qū)域，對(duì)R的分割可看作將R分成N個(gè)滿足以

2、下五個(gè)條件的非空子集（子區(qū)域） R1，R2，RN ：1. 完備性： 條件1指出在對(duì)一幅圖像的分割結(jié)果中全部區(qū)域的總和（并集）應(yīng)能包括圖像中所有像素（即原圖像） 也就是說，圖像上的每一個(gè)像素都被分到某一個(gè)子集（子區(qū)域）中去圖像分割的定義RRNii1第3頁/共39頁 令集合R代表整個(gè)圖像區(qū)域，對(duì)R的分割可看作將R分成N個(gè)滿足以下五個(gè)條件的非空子集（子區(qū)域） R1，R2，RN ：2. 獨(dú)立性：對(duì)所有的i和j，ij，有Ri Rj = 條件2指出分割結(jié)果中各個(gè)子區(qū)域是互不重疊的，或者說在分割結(jié)果中一個(gè)像素不能同時(shí)屬于兩個(gè)區(qū)域圖像分割的定義第4頁/共39頁 令集合R代表整個(gè)圖像區(qū)域，對(duì)R的分割可看作將R分

3、成N個(gè)滿足以下五個(gè)條件的非空子集（子區(qū)域） R1，R2，RN ：3. 單一性：對(duì)i = 1,2,N，有P(Ri ) = TRUE4. 互斥性：對(duì)ij，有P(Ri Rj ) = FALSE 其中P(Ri )是對(duì)所有在集合Ri中元素的邏輯謂詞 條件3指出屬于同一個(gè)區(qū)域中的像素應(yīng)該具有某些相同特征；條件4指出分割結(jié)果中屬于不同區(qū)域的像素應(yīng)該具有一些不同的特征圖像分割的定義第5頁/共39頁 令集合R代表整個(gè)圖像區(qū)域，對(duì)R的分割可看作將R分成N個(gè)滿足以下五個(gè)條件的非空子集（子區(qū)域） R1，R2，RN ：5. 連通性：對(duì)i =1,2,N， Ri是連通的區(qū)域 條件5要求分割結(jié)果中同一個(gè)區(qū)域內(nèi)的任意兩個(gè)像素在

4、區(qū)域內(nèi)互相連通，或者說分割得到的區(qū)域是一個(gè)連通區(qū)域 連通性：在一個(gè)連通集中的任意兩個(gè)像素之間，都存在一條完全由這個(gè)集合的元素構(gòu)成的連通路徑圖像分割的定義第6頁/共39頁分割算法基于灰度值的兩個(gè)基本特性：不連續(xù)性和相似性檢測(cè)圖像像素灰度級(jí)的不連續(xù)性，找到點(diǎn)、線（寬度為1）、邊（不定寬度）。先找邊，后確定區(qū)域圖像分割的基本原則第7頁/共39頁 檢測(cè)圖像像素的灰度值的相似性，通過選擇閾值，找到灰度值相似的區(qū)域，區(qū)域的外輪廓就是對(duì)象的邊P180頁改錯(cuò)圖像分割的基本原則第8頁/共39頁 基于邊緣的分割方法（梯度方法）先提取區(qū)域邊界，再確定邊界限定的區(qū)域 區(qū)域分割（灰度閾值法）確定每個(gè)像素的歸屬區(qū)域，從而

5、形成一個(gè)區(qū)域圖 區(qū)域生長(zhǎng)（區(qū)域生長(zhǎng)方法）將屬性接近的連通像素聚集成區(qū)域圖像分割的方法第9頁/共39頁 邊緣的定義：圖像中像素灰度有階躍變化或屋頂變化的那些像素的集合 邊緣的分類階躍狀屋頂狀圖像分割：基于邊緣的分割方法第10頁/共39頁階躍狀屋頂狀第11頁/共39頁第12頁/共39頁邊緣檢測(cè)算子 基本思想：計(jì)算局部微分算子一階微分截面圖邊界圖像第13頁/共39頁 梯度算子 Roberts算子 Prewitt算子 Sobel算子 Laplacian算子幾種常用的邊緣檢測(cè)算子一階微分二階微分第14頁/共39頁梯度算子函數(shù)f(x,y)在(x,y)處的梯度為一個(gè)向量： f = f / x , f / y

6、計(jì)算這個(gè)向量的大小為：G = (f / x)2 +(f / y)21/2近似為: G |fx| + |fy|梯度的方向角為： (x,y) = tan-1(fy / fx)可用下圖所示的模板表示-111-1第15頁/共39頁6661212121266612121212666121212126666666666666666666666666666梯度算子P165 圖7.146*(-1)+12*1=66*(-1)+6*1=0向量大?。簗6|+|0|=60000000060000006666000000000000000000000000000012*(-1)+12*1=012*(-1)+6*1= -

7、6向量大?。簗0|+|-6|=666-111-1第16頁/共39頁 為了檢測(cè)邊緣點(diǎn)，選取適當(dāng)?shù)拈撝礣，對(duì)梯度圖像進(jìn)行二值化，則有： 這樣形成了一幅邊緣二值圖像g(x,y) 特點(diǎn)：僅計(jì)算相鄰像素的灰度差，對(duì)噪聲比較敏感，無法抑止噪聲的影響梯度算子1 Grad()( , )0 x,yTg x y其它第17頁/共39頁Roberts算子 公式： 模板： 特點(diǎn)：與梯度算子檢測(cè)邊緣的方法類似，對(duì)噪聲敏感，但效果較梯度算子略好-11fx1-1fy(1,1)(1,1)(1,1)(1,1)xyff xyf xyff xyf xy 第18頁/共39頁P(yáng)rewitt算子 公式 模板： 特點(diǎn)： 在檢測(cè)邊緣的同時(shí)，能

8、抑止噪聲的影響0-110-110-11-1-1-1000111) 1, 1() 1,() 1, 1() 1, 1() 1,() 1, 1() 1, 1(), 1() 1, 1() 1, 1(), 1() 1, 1(yxfyxfyxfyxfyxfyxffyxfyxfyxfyxfyxfyxffyx第19頁/共39頁Sobel算子 公式 模板 特點(diǎn)： 對(duì)4鄰域采用帶權(quán)方法計(jì)算差分 能進(jìn)一步抑止噪聲 但檢測(cè)的邊緣較寬-220-110-110000-1-1-2112) 1, 1() 1,(2) 1, 1() 1, 1() 1,(2) 1, 1() 1, 1(), 1(2) 1, 1() 1, 1(),

9、1(2) 1, 1(yxfyxfyxfyxfyxfyxffyxfyxfyxfyxfyxfyxffyx第20頁/共39頁拉普拉斯算子 定義：二維函數(shù)f(x,y)的拉普拉斯是一個(gè)二階的微分定義為： 2f = 2f / x2 , 2f / y2 離散形式： 模板：可以用多種方式被表示為數(shù)字形式。對(duì)于一個(gè)33的區(qū)域，經(jīng)驗(yàn)上被推薦最多的形式是：),(4) 1,() 1,(), 1(), 1(),(2yxfyxfyxfyxfyxfyxf第21頁/共39頁拉普拉斯算子 定義數(shù)字形式的拉普拉斯的基本要求是，作用于中心像素的系數(shù)是一個(gè)負(fù)數(shù)，而且其周圍像素的系數(shù)為正數(shù)，系數(shù)之和必22頁/

10、共39頁 優(yōu)點(diǎn)：各向同性對(duì)細(xì)線和孤立點(diǎn)檢測(cè)效果較好 缺點(diǎn)：對(duì)噪音敏感不能檢測(cè)出邊的方向常產(chǎn)生雙像素的邊緣拉普拉斯算子第23頁/共39頁梯度算子Roberts算子Prewitt算子Sobel算子原始圖像Laplacian算子第24頁/共39頁邊緣跟蹤 出發(fā)點(diǎn)由于噪音的原因，邊界的特征很少能夠被完整地描述，在亮度不一致的地方會(huì)中斷因此典型的邊檢測(cè)算法后面總要跟隨著連接過程和其它邊界檢測(cè)過程，用來歸整邊像素，成為有意義的邊第25頁/共39頁 邊緣跟蹤的概念將檢測(cè)的邊緣點(diǎn)連接成線就是邊緣跟蹤 由邊緣形成線特征的兩個(gè)過程可構(gòu)成線特征的邊緣提取將邊緣連接成線 連接邊緣的方法啟發(fā)式搜索曲線擬合邊界跟蹤邊緣跟

11、蹤第26頁/共39頁 一幅圖像中屬于同一區(qū)域的像素應(yīng)具有相同或相似的屬性，不同區(qū)域的像素屬性不同 基本思想：確定一個(gè)合適的閾值T將大于等于閾值的像素作為物體或背景，生成一個(gè)二值圖像If f(x,y) T set 255Else set 0區(qū)域分割：灰度閾值法025525502550255255255第27頁/共39頁 特點(diǎn)：適用于物體與背景有較強(qiáng)對(duì)比的情況，重要的是背景或物體的灰度比較單一。（可通過先求背景，然后求反得到物體）這種方法總可以得到封閉且連通區(qū)域的邊界灰度閾值法灰度值f(x0,y0)T第28頁/共39頁 全局閾值法（固定的閾值）如果背景的灰度值在整個(gè)圖像中可合理地看為恒定，且所有目

12、標(biāo)與背景都具有幾乎相同的對(duì)比度，那么只要選擇了正確的閾值，使用一個(gè)固定的全局閾值就會(huì)有較好的分割效果 自適應(yīng)閾值法（變化的閾值）背景的灰度值并不是常數(shù)，目標(biāo)和背景的對(duì)比度在圖像中也有變化。在這種情況下，可把灰度閾值設(shè)置成一個(gè)隨位置變化而緩慢變化的函數(shù)值灰度閾值法第29頁/共39頁 閾值選定的好壞是此方法成敗的關(guān)鍵 閾值的選擇直方圖法自適應(yīng)閾值方法分水嶺算法灰度閾值法第30頁/共39頁 通過直方圖得到閾值基本思想：邊界上的點(diǎn)的灰度值出現(xiàn)次數(shù)較少取值的方法：取直方圖谷底，為最小值的灰度值為閾值T缺點(diǎn)：會(huì)受到噪音的干擾，最小值不是預(yù)期的閾值，而偏離期望的值灰度閾值法T第31頁/共39頁 通過直方圖得

13、到閾值改進(jìn)：取兩個(gè)峰值之間某個(gè)固定位置，如中間位置上。由于峰值代表的是區(qū)域內(nèi)外的典型值，一般情況下，比選谷底更可靠，可排除噪音的干擾灰度閾值法T第32頁/共39頁 簡(jiǎn)單全局閾值分割基本思想：用前述方法獲得閾值T，并產(chǎn)生一個(gè)二值圖，區(qū)分出前景對(duì)象和背景算法實(shí)現(xiàn)：1.規(guī)定一個(gè)閾值T，逐行掃描圖像2.凡灰度級(jí)大于T的，顏色置為255；凡灰度級(jí)小于T的，顏色置為0灰度閾值法025525502550255255255第33頁/共39頁 灰度閾值分割技術(shù)都沒有考慮到圖像像素空間的連通性。區(qū)域生長(zhǎng)的基本思想是將具有相似性質(zhì)的像素集合起來構(gòu)成區(qū)域1. 對(duì)每個(gè)需要分割的目標(biāo)區(qū)域找一個(gè)種子像素作為生長(zhǎng)的起點(diǎn)；2. 將種子像素周圍鄰域中與種子像素性質(zhì)相同或相似的像素合并到種子像素所在的區(qū)域中；3. 再將這些像素當(dāng)作新的種子像素繼續(xù)進(jìn)行上述過程，直到再也沒有能滿足條件的新像素加入?yún)^(qū)域?yàn)橹箞D像分割：區(qū)域生長(zhǎng)方法第34頁/共39頁 選擇一組能正確代表區(qū)域的種子像素根據(jù)圖像的不同應(yīng)用選擇一個(gè)或一組種子，它或者是最亮或最暗的點(diǎn)，或者是位于點(diǎn)簇中心的點(diǎn) 確定生長(zhǎng)過程中能將相鄰像素包括進(jìn)來的規(guī)則考慮像素間的連通性和近鄰性 制定讓生長(zhǎng)停止的條件或準(zhǔn)則區(qū)域生長(zhǎng)方法第35頁/共39頁面向區(qū)域的分割 區(qū)域A