圖像的分割技術(shù)

圖像的分割技術(shù)第一頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義7.1圖像分割定義和方法分類圖像分割的定義

圖像分割是把圖像分成各具特性的區(qū)域并提取出感興趣目標(biāo)的技術(shù)和過程。

——圖像分割技術(shù)是圖像處理技術(shù)研究的熱點之一。第二頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義實例第三頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義第四頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義第五頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義第六頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義第七頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義圖像分割的性質(zhì)（1）（2）對所有i和j，i≠j，有（3）對i=1,2,…,n，有（4）對i≠j，有（5）對i=1,2,…,n，Ri是連通的區(qū)域第八頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義分割方法分類從分割依據(jù)出發(fā)“相似性分割”就是將具有同一灰度級或紋理的像素聚集在一起，形成圖像中的不同區(qū)域。這種基于相似性原理的方法常稱為“基于區(qū)域相關(guān)的分割技術(shù)”“非連續(xù)性分割”需要先檢測圖像的局部不連續(xù)性，然后將它們連接起來形成邊界，這些邊界將圖像分割成不同的區(qū)域。這種基于不連續(xù)原理檢測圖像中物體邊緣的方法也稱為“基于點相關(guān)的分割技術(shù)”。這兩種方法具有互補(bǔ)性，一般來說在不同的場合需要不同的方法，有時也將它們的處理結(jié)果相結(jié)合，以獲得更好的效果。根據(jù)分割算法本身閾值法、邊緣檢測法、匹配法等第九頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義分割算法分類根據(jù)策略分類串行算法串行邊界類、串行區(qū)域類并行算法并行邊界類、并行區(qū)域類第十頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義7.2邊緣檢測邊緣可定義為在局部區(qū)域內(nèi)圖像的差別，他表現(xiàn)為圖像上的不連續(xù)性。(灰度級的突變，紋理結(jié)構(gòu)的突變，顏色的變化)，可通過灰度門限法和空間特性分類得到。第十一頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義7.2邊緣檢測——邊緣分類相鄰區(qū)域灰度值不同圖像灰度剖面一階導(dǎo)數(shù)第十二頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義階躍第十三頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義脈沖第十四頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義第十五頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義微分算子1.梯度算子

G[f(x,y)]=[f/x,f/y]T第十六頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義

第十七頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義典型算子1-11-1Roberts-1-1-1111-1-11-111-1-2-1121-11-22-11PrewittSobel第十八頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義微分算子2.拉普拉斯算子0-10-14-10-10-1-1-1-18-1-1-1-1第十九頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義提取邊緣策略應(yīng)當(dāng)先對圖像去噪聲，再進(jìn)行邊緣提取。若先對圖像平滑處理，抑制噪聲，再求微分，則為Marr等算子第二十頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義MARR算子fs(x,y)=f(x,y)*G(x,y,)

取高斯濾波器作平滑濾波，可以使頻域具有通帶窄、空域方差小的最佳特點。馬爾和希爾德雷斯（Hildreth）提出的最佳邊緣檢測算子（簡稱M-H算子，常稱為Marr算子）。連接零交叉點的軌跡，就可以得到圖像的邊緣。第二十一頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義7.3輪廓跟蹤和圖搜索輪廓跟蹤

又稱邊緣點鏈接方法，從一個邊緣點出發(fā)，依次搜索，從鄰接點檢測出輪廓并連接。第二十二頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義輪廓跟蹤流程第二十三頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義圖搜索方法借助狀態(tài)空間搜索來尋求全局最優(yōu)的輪廓基本概念有向弧有向圖父節(jié)點、子節(jié)點展開層最小代價第二十四頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義圖搜索法例第二十五頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義7.4閾值分割最常用的圖像分割技術(shù)主要利用圖像中背景與對象之間的灰度差異。理想狀態(tài)下圖像的灰度直方圖上呈明顯的雙峰分布，兩類物體灰度級間無交疊。在直方圖中處于谷底的區(qū)域選取一個灰度值作為閾值，根據(jù)灰度與閾值的關(guān)系將像素判定為對象點或背景點，這個過程稱為圖像二值化。對二值圖像進(jìn)行進(jìn)一步的分析就可以獲得圖像的分割結(jié)果。第二十六頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義二值化設(shè)f(x,y)表示原圖像，g(x,y)表示分割后的圖像，T為選定的灰度閾值，分割算法表示為或其中：“1”表示物體（對象、目標(biāo)），

“0”表示背景。第二十七頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義多閾值二值化有時對象的灰度分布相對集中，而背景的灰度分布很散，就需要設(shè)置兩個灰度閾值T1、T2,T1>T2，這兩個閾值間的灰度范圍都對應(yīng)于對象，即：第二十八頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義1111111114565651157888611688876115788861148777611654565111111111012345678灰度級201030像素點(a)(b)Th=4Th=7(c)灰度取域法，閾值對分割結(jié)果影響很大（a）數(shù)字圖像（b）直方圖（c）取閾結(jié)果Th=4,Th=7第二十九頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義1、極小值點閾值h(z)——直方圖“直方圖雙峰法”：如果灰度直方圖呈現(xiàn)明顯的雙峰狀，則選取兩峰之間的谷底對應(yīng)的灰度級作為閾值。谷底就是直方圖的極小值。將各端點相連，形成直方圖的包絡(luò)線h(z)，這是一條曲線，它的極小值滿足第三十頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義T=120（a）原圖（b）直方圖（c）二值化結(jié)果Rice圖像雙峰法分割第三十一頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義2、最優(yōu)閾值算法設(shè)圖像由兩類對象1、2組成，它們的條件概率分別為：P(x/1)、P(x/2),其中x是灰度級，T是閾值二值化判斷：x>T,x2；x<T,x1最優(yōu)域值法示意圖P(x/w1)P(x/w2)x0T第三十二頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義最優(yōu)條件2誤為1的誤差概率：

1(T)=(-,T)P(x/2)dx1誤為2的誤差概率：

2(T)=(T,+)P(x/1)dx先驗概率P(2),P(1),P(2)+P(1)=1總誤判概率：

(T)=P(1)1(T)+P(2)2(T)let(T)/T=0,then1(T)/T=P(x/2),2(T)/T=-P(x/1),總誤差最小時有

P(2)P(x/2)x=T=P(1)P(x/1)x=T第三十三頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義

已知概率模型下的簡化若兩類對象均服從正態(tài)分布，總誤差最小時有：第三十四頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義IfP(2)=P(1)=1/2,12=22thenT=(2+2

)/2第三十五頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義7.5基于變換直方圖選取閾值1.直方圖變換具有低梯度值像素的直方圖，谷變深具有高梯度值像素的直方圖，峰變高可進(jìn)行加權(quán)變換例如:權(quán)值＝1/(1+g)2第三十六頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義灰度－梯度散射圖作圖：

分別以灰度和梯度為橫縱坐標(biāo)進(jìn)行投影。以形成的聚類團(tuán)作為分割的依據(jù)。第三十七頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義7.6空間聚類空間聚類可看作是閾值分割概念的推廣。空間聚類是把圖像中的像素點按照特征用相應(yīng)的特征點表示，這些點形成的類團(tuán)作為分割的依據(jù)灰度－梯度散射就屬于一種空間聚類的算法第三十八頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義K均值聚類算法：（迭代算法）設(shè)定任意類的均值進(jìn)行迭代，把任意像素點按下面的準(zhǔn)則進(jìn)行分配：分配完畢后更新類的均值直到類均值不再產(chǎn)生變化，即算法收斂為止。第三十九頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義K均值聚類其中K為初始設(shè)定的分類數(shù)實際采用試算方法來確定合理的K值。即首先根據(jù)圖像特征，設(shè)定不同的K值，然后根據(jù)聚類的結(jié)果選擇較合理的K值。第四十頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義ISODATA聚類和K均值法類似，采用聚類的中心來進(jìn)行迭代搜索確定N個聚類中心位置根據(jù)中心位置劃分各個像素點為不同區(qū)域重新確定區(qū)域的中心位置迭代至中心位置不在產(chǎn)生移動第四十一頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義最基本的區(qū)域分割方法，它按照一定的同質(zhì)判據(jù)H把圖像分解為N個相鄰的區(qū)域fk，即：7.7區(qū)域生長分解的區(qū)域滿足其中ki是不同區(qū)域的增長核心。基本要素：1）區(qū)域的數(shù)目，各區(qū)域的生長核心（種子）；2）區(qū)域間相區(qū)別的性質(zhì)特征，由此構(gòu)造同質(zhì)判據(jù)。第四十二頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義區(qū)域生長算法1）給定同質(zhì)判據(jù)H；2）掃描圖像，獲得不屬于任何已分割區(qū)域的像素點，作為生長核心ki；3）以ki為核心，H為判據(jù)進(jìn)行生長：將該像素與它的4鄰域或8鄰域像素相比較，若滿足規(guī)則H，就將它們合并為同一個區(qū)域，并標(biāo)記同樣的區(qū)域符號；4）對于那些新并入的像素，重復(fù)3）的操作；5）反復(fù)進(jìn)行3）、4），直至區(qū)域不能再增長為止；6）返回2），尋找新的區(qū)域核心，直至圖像中的所有像素點都已經(jīng)歸入某一個區(qū)域。第四十三頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義區(qū)域生長算法例子第四十四頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義區(qū)域生長算法改進(jìn)：設(shè)定灰度差的閾值為零，先進(jìn)行相似區(qū)域的擴(kuò)張，獲得一系列的小區(qū)域求出小區(qū)域的平均灰度值合并平均灰度值差小于門限的鄰接區(qū)域第四十五頁，共四十八頁，2022年，8月28日醫(yī)學(xué)圖像處理講義區(qū)域生長的誤差（1）區(qū)