《圖像處理與分析技術(shù)（第2版）》第7章 圖像分割技術(shù)

2023/5/131/32圖像處理和分析技術(shù)2023/5/132/32第7章圖像分割技術(shù)

7.1 分割定義和方法分類

7.2 邊緣檢測

7.3 輪廓跟蹤和圖搜索

7.4 哈夫變換

7.5 閾值分割

7.6 基于變換直方圖的閾值

7.7 基于過渡區(qū)的閾值

7.8 空間聚類

7.9 區(qū)域生長2023/5/133/327.1 分割定義和方法分類

目標或前景（其它部分稱為背景）

圖像分割：把圖像分成各具特性的區(qū)域 并提取出感興趣目標的技術(shù)和過程2023/5/134/327.1 分割定義和方法分類

圖像分割定義

(1)

(2)對所有的i和j，，有

(3)對i=1,2,…,n，有P(Ri

)=TRUE

(4)對，有

(5)對i=1,2,…,n，Ri是連通的區(qū)域2023/5/135/327.1 分割定義和方法分類

圖像分割算法分類

根據(jù)2個準則分成4類2023/5/136/327.2 邊緣檢測

邊緣檢測原理

邊緣是灰度值不連續(xù)的結(jié)果 利用求導(dǎo)數(shù)檢測不連續(xù) 一般常用一階和二階導(dǎo)數(shù)

3種邊緣剖面： ①階梯狀；②脈沖狀；③屋頂狀

2023/5/137/327.2 邊緣檢測2023/5/138/327.2 邊緣檢測

梯度算子

一階導(dǎo)數(shù)算子矢量2023/5/139/327.2 邊緣檢測

梯度算子模板

用模板卷積來近似計算偏導(dǎo)數(shù)

2023/5/1310/327.2 邊緣檢測

拉普拉斯算子2023/5/1311/327.3 輪廓跟蹤和圖搜索

輪廓跟蹤

(1)確定作為搜索起點的邊緣點，起點的選擇很重要，整個算法對此的依賴很大

(2)確定和采取一種合適的數(shù)據(jù)結(jié)構(gòu)和搜索機理，在已發(fā)現(xiàn)的輪廓點基礎(chǔ)上確定新的輪廓點，這里要注意研究先前的結(jié)果對選擇下一個檢測像素和下一個結(jié)果的影響

(3)確定搜索終結(jié)的準則或終止條件，并在滿足條件時停止進程，結(jié)束搜索2023/5/1312/327.3 輪廓跟蹤和圖搜索

圖搜索

將輪廓點和輪廓段用圖結(jié)構(gòu)表示

1個圖可表示為G={N,A} 對任1段弧(ni,nj)都可定義1個代價函數(shù)

在圖中進行搜索對應(yīng)最小代價的通道

2023/5/1313/327.3 輪廓跟蹤和圖搜索

圖搜索

邊緣元素是2個互為4-近鄰的像素間的邊緣

2023/5/1314/327.4 哈夫變換

點-線對偶性2023/5/1315/327.4 哈夫變換

計算步驟

(1)對參數(shù)空間中參數(shù)p和q的可能取值范圍進行量化，根據(jù)量化結(jié)果構(gòu)造一個累加數(shù)組A(pmin:pmax,qmin:qmax)，并初始化為零

(2)對每個XY空間中的給定點讓p取遍所有可能值，計算出q，根據(jù)p和q的值累加A：A(p,q)=A(p,q)

+1

(3)根據(jù)累加后A中最大值所對應(yīng)的p和q，定出XY中的一條直線，A中的最大值代表了在此直線上給定點的數(shù)目，滿足直線方程的點就是共線的2023/5/1316/327.4 哈夫變換

檢測圓周2023/5/1317/327.5 閾值分割

閾值分割2023/5/1318/327.5 閾值分割

極小值點閾值

最優(yōu)閾值

混有加性高斯噪聲的圖像的混合概率密度

2023/5/1319/327.5 閾值分割

最優(yōu)閾值2023/5/1320/327.5 閾值分割

最優(yōu)閾值2023/5/1321/327.5 閾值分割

迭代閾值2023/5/1322/327.6 基于變換直方圖的閾值

直方圖變換 ①具有低梯度值像素的直方圖 ②具有高梯度值像素的直方圖

2023/5/1323/327.6 基于變換直方圖的閾值

灰度-梯度散射圖

2-D直方圖，其中1個軸是灰度值軸，1個軸是梯度值軸2023/5/1324/327.7 基于過渡區(qū)的閾值

過渡區(qū)和有效平均梯度 有效平均梯度的計算2023/5/1325/327.7 基于過渡區(qū)的閾值

過渡區(qū)和有效平均梯度

剪切變換的計算 對應(yīng)高端和低端剪切的EAG(L)可分別寫成EAGhigh(L)和EAGlow(L)

2023/5/1326/327.7 基于過渡區(qū)的閾值

有效平均梯度的極值點和過渡區(qū)邊界 設(shè)EAGhigh(L)和EAGlow(L)曲線的極值點分別為Lhigh和Llow

2023/5/1327/327.8 空間聚類

聚類方法也是一種全局的方法，比僅基于邊緣檢測的方法更抗噪聲

K-均值聚類

最小化如下指標 運用K-均值法時，理論上并未設(shè)類的數(shù)目已知，實際中常使用試探法來確定K

2023/5/1328/327.8 空間聚類

ISODATA聚類

(1)設(shè)定N個聚類中心位置的初始值

(2)對每個特征點求取離其最近的聚類中心位置，通過賦值把特征空間分成N個區(qū)域

(3)分別計算屬于各聚類模式的平均值

(4)將最初的聚類中心位置與步驟(3)得到的新平均值進行比較，如果相同則停止，如果不同則返回步驟(2)繼續(xù)進行

2023/5/1329/327.9 區(qū)域生長

區(qū)域生長

一種從單個像素出發(fā)，逐漸合并以形成所需分割區(qū)域的基于區(qū)域的串行分割技術(shù) 需解決三個問題：

(1)選擇或確定一組能正確代表所需區(qū)域的種子像素(2)確定在生長過程中能將相鄰像素包括進來的準則(3)制定讓生長過程停止的條件或規(guī)則2023/5/1330/327.9 區(qū)域生長

區(qū)域生長 選擇合適的生長或相似準則 T=3

T=2

T=7

2023/5/1331/32本章要點7.1節(jié) 圖像分割的定義和方法分類7.2節(jié) 邊緣檢測的原理和方法7.3節(jié) 輪廓跟蹤的原理和圖搜索的方法7.4節(jié) 將邊緣點在變換空