圖像分割-2015.7.21

1、2021-11-181圖像分割 第六章 分割I(lǐng) 6.1 閾值化分割 6.2 基于邊緣的分割 6.3 基于區(qū)域的分割 6.4 匹配分割 6.5 分割的評(píng)測(cè)問題6.1 閾值化6.1.1 閾值檢測(cè)方法P率閾值化法(p-tile thresholding) 印刷文本頁中，文本字符占紙張面積的1/p，使用這個(gè)先驗(yàn)信息，選擇一個(gè)閾值T使得1/p的圖像面積具有比T小的灰度值，而其他具有比T大的灰度值。這種方法稱為p率閾值化。模式方法 若圖像產(chǎn)生的直方圖是二模態(tài)的如圖6.3,物體像素構(gòu)成其中的一個(gè)峰,而背景像素構(gòu)成另一個(gè)峰,閾值取兩個(gè)極大值間的最小值。對(duì)于多模態(tài),取任意兩個(gè)極大值間的最小值得到多閾值。6.1.

2、2 最優(yōu)閾值化(optimal thresholding)定義：將圖像的直方圖用兩個(gè)或更多個(gè)正態(tài)分布的概率密度函數(shù)來近似的方法。 閾值取為離對(duì)應(yīng)于兩個(gè)或更多個(gè)正態(tài)分布最大值之間的最小概率處最近的灰度值。6.1.3 多光譜閾值化 實(shí)際圖像往往含有多個(gè)譜段的信息，這種情況下先在每個(gè)譜段中獨(dú)立地確定閾值，然后綜合起來形成單一的分割圖像。算法6.3 遞歸的多光譜閾值化1.將整個(gè)圖像初始化為單個(gè)區(qū)域。2.給每個(gè)譜段計(jì)算一個(gè)平滑的直方圖。在每個(gè)直方圖中找到一個(gè)最顯著的峰，確定兩個(gè)閾值分別對(duì)應(yīng)于該峰兩側(cè)的局部最小值。根據(jù)這些閾值將各個(gè)譜段的每個(gè)區(qū)域分割為子區(qū)域。將各個(gè)譜段的每個(gè)分割投影到多光譜分割中,見圖6

3、.7。下一步處理的區(qū)域是這些在多光譜圖像中的區(qū)域。3.對(duì)于圖像的每個(gè)區(qū)域重復(fù)第2步，直至每個(gè)區(qū)域的直方圖只含有一個(gè)顯著的峰。6.2 基于邊緣的分割 基于邊緣的分割首先由邊緣檢測(cè)算子找到的圖像邊緣，再采用后續(xù)的處理將邊緣合并為邊緣鏈，邊緣鏈能夠與圖像中的邊界很好地對(duì)應(yīng)。6.2.1 邊緣圖像閾值化 在邊緣圖像中幾乎沒有O值像素，但是小的邊緣值對(duì)應(yīng)于量化噪聲、弱不規(guī)則照明等引起的非顯著的灰度變化，可以對(duì)邊緣圖像做簡(jiǎn)單的閾值化處理排除這些小的數(shù)據(jù)。算法6.4 有方向的邊緣數(shù)據(jù)的非最大抑制1.根據(jù)8-鄰接將邊緣方向量化為8個(gè)方向。2.對(duì)于每個(gè)非0幅值的像素,考察由邊緣方向指出的兩個(gè)鄰接像素，圖6.103

4、.如果兩個(gè)鄰接像素的幅值有一個(gè)超過當(dāng)前考察像素的幅值，則將當(dāng)前考 察像素標(biāo)記出來刪除。4.當(dāng)所有的像素都考察過后，重新掃描圖像，以0抹去所有的標(biāo)記過的像素。 6.2.3 邊界跟蹤內(nèi)邊界跟蹤 如果區(qū)域的邊界未知，但區(qū)域本身在圖像中己經(jīng)定義了，那么邊界可以唯一地檢測(cè)出來。區(qū)域內(nèi)邊界是區(qū)域的一個(gè)子集。外邊界跟蹤 如果沒有定義區(qū)域的灰度圖像中跟蹤邊界，就會(huì)遇到比較困難的情況。 6.2.4 作為圖搜索的邊緣跟蹤 將邊界檢測(cè)過程轉(zhuǎn)換為在加權(quán)圖中搜索最優(yōu)路徑的問題，目標(biāo)是找到連接兩個(gè)指定結(jié)點(diǎn)即起點(diǎn)和終點(diǎn)的最好路徑。 如果對(duì)圖的建立和搜索沒有施加額外的限制，容易造成死循環(huán)(如圖6.22)。為了防止這種行為，不

5、允許將已經(jīng)訪問過的節(jié)點(diǎn)再次展開。另一種解決死循環(huán)問題的簡(jiǎn)單方法是不允許反向搜索。在這種情況下，按照如圖6.23所示的方式將要處理的圖像拉直。邊緣圖像按照如下方式作幾何卷繞:沿著與待尋找邊界的近似位置垂直的剖面線進(jìn)行重采樣。這種方法在檢測(cè)道路、河流、脈管等細(xì)而長(zhǎng)的物體邊界時(shí)非常有用。 6.2.5 作為動(dòng)態(tài)規(guī)劃的邊緣跟蹤 動(dòng)態(tài)規(guī)劃(dynamic programming)基于最優(yōu)化原理(principle of optimality),給出了從多個(gè)起點(diǎn)和終點(diǎn)中同時(shí)搜索最優(yōu)路徑的一個(gè)有效方法。 6.2.6 Hough變換 6.2.7 使用邊界位置信息的邊界檢測(cè) 對(duì)于噪聲低且邊界相對(duì)比較直的圖像，可以

6、利用基于終點(diǎn)的先驗(yàn)信息，迭代地對(duì)邊界進(jìn)行分割，如圖6.40。 6.2.8 從邊界構(gòu)造區(qū)域 有些圖像可以通過部分邊界構(gòu)建區(qū)域。超切面(superslice)方法 假設(shè)部分邊界的位置在圖像中已知，然后用不同的閾值對(duì)圖像數(shù)據(jù)作閾值化處理。將如下的區(qū)域作為正確的區(qū)域:該區(qū)域由閾值化產(chǎn)生，其檢測(cè)到的邊界與假設(shè)邊界片段最符合。6.3 基于區(qū)域的分割 6.3.3 分裂與歸并 分裂與歸并方法在金字塔圖像上進(jìn)行，以一致性標(biāo)準(zhǔn)衡量區(qū)域是否需要分裂與歸并。 若金字塔層中任一區(qū)域不是一致的(排除最底層)，就將其分裂為四個(gè)子區(qū)域，放入金字塔下一層。若金字塔的任一層中有四個(gè)區(qū)域具有接近相同的一致性度量數(shù)值，就將它們歸為金

7、字塔的上一層中的單個(gè)區(qū)域，見圖6.4。 6.3.4 分水嶺分割 圖像數(shù)據(jù)可以解釋為地形表面，區(qū)域邊緣對(duì)應(yīng)于高的分水嶺線，低梯度的區(qū)域內(nèi)部對(duì)應(yīng)集水盆地。6.4 匹配 匹配可以用于在圖像中定位已知表觀的物體，也可以用于搜索特殊的模式等。如下圖6.4.1 匹配標(biāo)準(zhǔn) 實(shí)際圖像中，模式通常由于噪聲、幾何變形、遮擋等因素?fù)p壞，搜索最大匹配位置。算法6.23 基于匹配的分割1.對(duì)于模式在圖像中的每個(gè)位置和旋轉(zhuǎn)，計(jì)算出衡量匹配的標(biāo) 準(zhǔn)。2.該標(biāo)準(zhǔn)的超過預(yù)先設(shè)置閾值的局部最大值代表了模式在圖像 中的位置。6.5 分割的評(píng)測(cè)問題6.5.1 監(jiān)督式評(píng)測(cè) 監(jiān)督式評(píng)測(cè)假設(shè)正確的結(jié)果已知，但實(shí)際問題中，受低分辨率、模糊及

8、其他歧義性的影響，很難獲得正確的結(jié)果。 第七章 圖像分割I(lǐng)I 7.1 均值移位分割 7.2 活動(dòng)輪廓模型-蛇行 7.3 幾何變形模型-水平集合 7.4 模糊連接性 7.5 面向基于3D圖的圖像分割 7.6 圖割分割 7.7 最優(yōu)單和多邊面分割7.1 均值移位分割 上一章給出的最優(yōu)閾值方法，假設(shè)灰度是高斯分布，需要事先確定一些率密度函數(shù)的參數(shù)。均值移位圖像分割算法(mean shift image segmentation)避免了概率密度函數(shù)的估計(jì),它分為兩步:不連續(xù)性保持濾波和均值移位聚類(discontinuity preserving filtering and mean shifting

9、 clustering)。 均值移位算法是一種核密度估計(jì)算法，它將每個(gè)點(diǎn)移動(dòng)到密度函數(shù)的局部極大值點(diǎn)出，即密度梯度為0的地方，也叫模式點(diǎn)。多元核密度估計(jì)7.2 活動(dòng)輪廓模型蛇行 活動(dòng)輪廓模型，也稱蛇行(snake),定義為最小的能量樣條曲線-snake能量由它的形狀和在圖像中的位置決定。局部能量最小對(duì)應(yīng)于想要的圖像屬性。7.3 幾何變形模型水平集和測(cè)地活動(dòng)輪廓7.4 模糊連接性7.5 面向基于3D圖的圖像分割7.5.1 邊界對(duì)的同時(shí)檢測(cè)(simultaneous border detection) 第六章介紹的邊界檢測(cè)方法是單獨(dú)確定區(qū)域邊界。如果目標(biāo)是確定細(xì)長(zhǎng)物體的邊界，且左右邊界是相關(guān)的，同時(shí)搜索左右邊界對(duì)會(huì)更有利。 搜索最優(yōu)邊界對(duì)，圖必須是三維的。7.5.2 次優(yōu)的表面檢測(cè)對(duì)于三維體數(shù)據(jù)，任務(wù)是確定在三維空間中的表示物體邊界的三維表面。 次優(yōu)表面檢測(cè)采用多維圖搜索來定位三維或更高維圖像數(shù)據(jù)中的合法表面。 表面在3D空間中是連續(xù)的，由3D連接的體索嚙合組成?？紤]一個(gè)在大小上與3D圖像數(shù)據(jù)體對(duì)應(yīng)的3D圖，圖結(jié)點(diǎn)對(duì)應(yīng)于圖像體素。每個(gè)圖結(jié)點(diǎn)關(guān)聯(lián)一個(gè)費(fèi)用，最優(yōu)的表面可以定義為:在3D體上定義的所有的合法表面中，具有最小總體費(fèi)用的那個(gè)。 定義費(fèi)用后，根據(jù)圖搜索原理來確定最優(yōu)表面。標(biāo)準(zhǔn)的圖搜索方法并不能從路徑的搜索直接地?cái)U(kuò)展到表面的搜索。