第5章 特色分割算法

1、第1頁(yè)第5講第第5 5章章 特色特色分割算法分割算法 5.1 SUSAN檢測(cè)算子5.2 特色的取閾值技術(shù)5.3 分水嶺分割算法第2頁(yè)第5講5.1 SUSAN邊緣檢測(cè)邊緣檢測(cè)原理原理USAN: Univalue Segment Assimilating Nucleus核同值區(qū)(USAN)：相對(duì)于模板的核，模板中總有一定的區(qū)域與它有相同的灰度，這部分區(qū)域稱為USAN區(qū)域。第3頁(yè)第5講5.1.1 USAN原理USAN區(qū)域包含了與圖像結(jié)構(gòu)有關(guān)的信息：當(dāng)核像素處在圖像中的灰度一致區(qū)域，USAN的面積最大。當(dāng)核處在直邊緣處面積約為最大值的一半，當(dāng)核處在角點(diǎn)處時(shí)則為最大值的1/4；因此，使用USAN面積的變

2、化作為特征可以起到檢測(cè)邊緣和角點(diǎn)的效果；第4頁(yè)第5講5.1.2 SUSAN邊緣檢測(cè)SUSAN：最小（Smallest） 核同值區(qū)圓形檢測(cè)模板（各向同性）：37個(gè)像素, 半徑為3.4像素 t270-27cTyxfyxfTyxfyxfyxyxC),(),(0),(),(1),;,(000000如果如果第5頁(yè)第5講5.1.2 SUSAN邊緣檢測(cè) 檢測(cè)對(duì)模板中的每個(gè)像素進(jìn)行得到輸出的游程和（running total）實(shí)際使用SUSAN時(shí)，采用S與幾何閾值G（設(shè)為G = 3Smax/4 ）的差進(jìn)行比較：其中Smax是S所能取的最大值； USAN面積越小，邊緣響應(yīng)就越大。面積越小，邊緣響應(yīng)就越大。),(

3、),(0000),;,(),(yxNyxyxyxCyxS否則如果0),(),(),(000000GyxSyxSGyxR第6頁(yè)第5講5.1.2 SUSAN邊緣檢測(cè) 邊緣方向的確定邊緣方向的確定根據(jù)非零強(qiáng)度的像素確定邊緣的方向點(diǎn)A和B都是標(biāo)準(zhǔn)的邊緣點(diǎn)，各落在邊緣的一邊從USAN重心到模板核的矢量與邊緣局部方向垂直 Section of imagePosition of edgeABCABC第7頁(yè)第5講5.1.2 SUSAN邊緣檢測(cè) 邊緣方向的確定邊緣方向的確定根據(jù)非零強(qiáng)度的像素確定邊緣的方向點(diǎn)C落在兩個(gè)邊緣的中間USAN是沿邊緣方向的細(xì)條，找最長(zhǎng)的對(duì)稱軸 Section of imagePosit

4、ion of edgeABCABC第8頁(yè)第5講5.1.2 SUSAN邊緣檢測(cè)特點(diǎn)特點(diǎn)有噪聲時(shí)的性能較好 不需要計(jì)算微分對(duì)面積計(jì)算中的各個(gè)值求和（積分）非線性響應(yīng)特點(diǎn)易自動(dòng)化實(shí)現(xiàn)控制參數(shù)的選擇簡(jiǎn)單 參數(shù)的任意性較小 第9頁(yè)第5講5.2 特色的取閾值技術(shù)特色的取閾值技術(shù) 5.2.1多分辨率閾值選取 在較大尺度下檢測(cè)真正的峰點(diǎn)和谷點(diǎn)，較小尺度下對(duì)這些峰點(diǎn)和谷點(diǎn)精確定位。 5.2.2借助過(guò)渡區(qū)選擇閾值 第10頁(yè)第5講5.2.1 多分辨率閾值選取 1.確定分割區(qū)域的類數(shù)確定分割區(qū)域的類數(shù)利用在粗分辨率下的直方圖細(xì)節(jié)信息 尺度函數(shù) f (x)：低通濾波器 圖像直方圖H(x)的低通分量為直方圖的多分辨率小波

5、分解表示S2iH(x), W2iH(x), 1 i I )()()(22xxHxHSiif第11頁(yè)第5講5.2.1 多分辨率閾值選取 1.確定分割區(qū)域的類數(shù)確定分割區(qū)域的類數(shù)在分辨率為21時(shí)確定初始的區(qū)域分割類數(shù) 判斷直方圖中獨(dú)立峰的個(gè)數(shù)獨(dú)立峰應(yīng)滿足三個(gè)條件 :(1)具有一定的灰度范圍(2)具有一定的峰下面積(3)具有一定的峰谷差 第12頁(yè)第5講5.2.1 多分辨率閾值選取 2.確定最優(yōu)閾值確定最優(yōu)閾值(1)用從負(fù)值變化到正值的零交叉點(diǎn)確定峰的起點(diǎn)(2)用從正值變化到負(fù)值的零交叉點(diǎn)確定峰的終點(diǎn)(3)用起點(diǎn)和終點(diǎn)間的最大值點(diǎn)確定峰的位置(4)用前一個(gè)峰的終點(diǎn)和后一個(gè)峰的起點(diǎn)間的最小值點(diǎn)確定這兩個(gè)

6、峰之間谷點(diǎn)的位置 0H x ( )H x ( )S2iTBseeseBTH x ( )W2i第13頁(yè)第5講5.2.1 多分辨率閾值選取 2.確定最優(yōu)閾值確定最優(yōu)閾值分辨率增加 閾值數(shù)目也增加；設(shè)在兩相鄰尺度 2i+1 和 2i 所對(duì)應(yīng)的閾值分別為 和 當(dāng)l=k時(shí)取最小值，表明在尺度尺度 2i+1 的閾值 對(duì)應(yīng)在尺度2i的閾值因此，可以對(duì)在最低分辨率一層選取的所有閾值逐層跟蹤，最后選取在最高分辨率一層的對(duì)應(yīng)閾值作為最優(yōu)作為最優(yōu)閾值閾值1ijTikT1ijTikTiilijikijNlTTTT , , 1 , 0 ),(dis min),(dis11第14頁(yè)第5講5.2.2 借助過(guò)渡區(qū)選擇閾值 討

7、論區(qū)域和邊界算法時(shí)認(rèn)為區(qū)域的并集覆蓋了整個(gè)圖像而邊界本身是沒(méi)有寬度的。 實(shí)際數(shù)字圖像中邊界是有寬度的，它也是圖像中的一個(gè)區(qū)域，一方面它將不同的區(qū)域分隔開(kāi)來(lái)，具有邊界的特點(diǎn)，另一方面，它面積不為零，具有區(qū)域的特點(diǎn)，這類特殊區(qū)域稱為過(guò)渡區(qū)過(guò)渡區(qū)。 可以先計(jì)算圖像中目標(biāo)和背景間的過(guò)渡區(qū)，再進(jìn)一步選取閾值進(jìn)行分割。第15頁(yè)第5講1.過(guò)渡區(qū)和有效平均梯度過(guò)渡區(qū)和有效平均梯度5.2.2 借助過(guò)渡區(qū)選擇閾值有效平均梯度總梯度值非零梯度像素總數(shù)其中第16頁(yè)第5講5.2.2 借助過(guò)渡區(qū)選擇閾值為減少干擾，特定義如下特殊的剪切變換：將剪切了的部分定義為剪切值；高端剪切低端剪切其中，L為剪切值；若對(duì)剪切后的圖像求梯

8、度，則梯度函數(shù)必然與剪切值L有關(guān)，由此得到的EAG也成了L的函數(shù)EAG(L)第17頁(yè)第5講5.2.2 借助過(guò)渡區(qū)選擇閾值EAG(L)與剪切方式有關(guān)，對(duì)應(yīng)低端和高端剪切的EAG(L)可分別寫(xiě)成EAGlow(L)和EAGhigh(L)；通過(guò)對(duì)TG和TP的分析可知，典型的EAGlow(L)和EAGhigh(L)曲線都是單峰曲線；EAGlow(L)和EAGhigh(L)的極值點(diǎn)分別為L(zhǎng)low和Lhigh，兩極值點(diǎn)對(duì)應(yīng)圖像灰度集合中的兩個(gè)特殊值，由它們可確定過(guò)渡區(qū)。)(maxargL),(maxargLhighlowLEAGLEAGhighLlowL2. 有效平均梯度的極值點(diǎn)和過(guò)渡區(qū)邊界有效平均梯度的極

9、值點(diǎn)和過(guò)渡區(qū)邊界第18頁(yè)第5講 過(guò)渡區(qū)是一個(gè)由兩個(gè)邊界圈定的2D區(qū)域，其中像素灰度由兩個(gè)1D灰度空間的邊界灰度值Llow和Lhigh限定。這兩個(gè)極值點(diǎn)具有如下三個(gè)主要性質(zhì)： 對(duì)每個(gè)過(guò)渡區(qū)， Llow和Lhigh總是存在且只存在一個(gè)； Llow和Lhigh對(duì)應(yīng)的灰度值都具有明顯的像素特性區(qū)別能力； 對(duì)同一個(gè)過(guò)渡區(qū)， Lhigh不會(huì)比Llow低，實(shí)際圖像中， Lhigh總大于Llow5.2.2 借助過(guò)渡區(qū)選擇閾值第19頁(yè)第5講5.3 分水嶺分割算法分水嶺分割算法 分水嶺（watershed，也稱分水線/水線）把圖像看成3-D地形的表示，即2-D的地基（對(duì)應(yīng)圖像空間）加上第3維的高度（對(duì)應(yīng)圖像灰度）

10、計(jì)算過(guò)程是串行的，得到的是目標(biāo)的邊界5.3.1基本原理和步驟5.3.2算法改進(jìn)和擴(kuò)展第20頁(yè)第5講5.3.1 基本原理和步驟 1.分水嶺分水嶺建立不同目標(biāo)間的分水嶺（漲水法）谷底孔分水嶺對(duì)不同尺寸的接觸圓目標(biāo)的分割第21頁(yè)第5講5.3.1 基本原理和步驟 2.分水嶺計(jì)算步驟分水嶺計(jì)算步驟待分割圖像 f (x, y)，其梯度圖像為g(x, y)用M1, M2, , MR表示g(x, y)中各局部極小值的像素位置，C(Mi)為與Mi對(duì)應(yīng)的區(qū)域中的像素坐標(biāo)集合。用n表示當(dāng)前梯度閾值，Tn代表記為(u, v)的像素集合，g(u, v) n，對(duì)Mi所在的區(qū)域，其中滿足條件的坐標(biāo)集合Cn(Mi)可看作一幅

11、二值圖像 ),(| ),(nvugvunT)()(nTMCMCiin第22頁(yè)第5講5.3.1 基本原理和步驟 2.分水嶺計(jì)算步驟分水嶺計(jì)算步驟)()(nTMCMCiin)()(11nTMCMCiin第23頁(yè)第5講5.3.1 基本原理和步驟 2.分水嶺計(jì)算步驟分水嶺計(jì)算步驟 用Cn代表在灰度閾值為n時(shí)圖像中所有滿足梯度值小于n的像素 Cmax+1將是所有區(qū)域的并集(max是圖像灰度范圍的最大值） Cn1是Cn的子集，Cn是Tn的子集，所以Cn 1又是Tn的子集，因此每個(gè)Cn1中的連通組元都包含在一個(gè)Tn的連通組元中。RiinMCnC1)(RiiMCC11max)( 1max第24頁(yè)第5講5.3.

12、1 基本原理和步驟 2.分水嶺計(jì)算步驟分水嶺計(jì)算步驟 算法初始化Cmin+1=Tmin+1，然后算法逐步迭代。設(shè)步驟n時(shí)已經(jīng)建立了Cn-1，由Cn-1得到Cn的過(guò)程如下：令 S 代表Tn中的連通組元集合，對(duì)每個(gè)連通組元s Sn，有有3種可能性種可能性： (1)s Cn 1是1個(gè)空集 (2)s Cn 1里包含Cn 1中的一個(gè)連通組元 (3)s Cn 1里包含Cn 1中一個(gè)以上的連通組元分別處理如下分別處理如下： (1)Cn可由把連通組元 s 加到Cn 1中得到 (2)Cn可由把連通組元 s 加到Cn 1中得到 (3)需要在 s 中建分水嶺 第25頁(yè)第5講5.3.1 基本原理和步驟 2.分水嶺計(jì)算

13、步驟分水嶺計(jì)算步驟 原始圖 閾值分割 分水嶺 疊加輪廓第26頁(yè)第5講5.3.2 算法改進(jìn)和擴(kuò)展 1.利用標(biāo)記控制分割利用標(biāo)記控制分割過(guò)分割（over-segmentation）受圖像中噪聲和其它不規(guī)則結(jié)構(gòu)影響利用標(biāo)記（marker） 標(biāo)記本身是圖像中的一個(gè)連通組元內(nèi)部?jī)?nèi)部標(biāo)記標(biāo)記：對(duì)應(yīng)目標(biāo)，應(yīng)有相同灰度并組成一個(gè)連通的局部極小值區(qū)域；外部外部標(biāo)記標(biāo)記：對(duì)應(yīng)背景，運(yùn)用分水嶺算法，將得到的分水嶺作為外部標(biāo)記。第27頁(yè)第5講5.3.2 算法改進(jìn)和擴(kuò)展 1.利用標(biāo)記控制分割利用標(biāo)記控制分割流程框圖第28頁(yè)第5講5.3.2 算法改進(jìn)和擴(kuò)展 1.利用標(biāo)記控制分割利用標(biāo)記控制分割示例(a) 表示部分覆蓋的兩個(gè)區(qū)