《数字图像处理胡学龙等第07章图像分割.ppt》由会员分享，可在线阅读，更多相关《数字图像处理胡学龙等第07章图像分割.ppt（96页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、图6.14 内插法几何校正（4）变换编码基本原理是利用坐标变换，如果选择的变换坐标与图像特征相匹配就可以大大压缩二维数据。重要的变换编码方法是离散余弦变换DCT，它有快速算法，二维变换可以转化为二次一维变换。DCT变换后的系数相对集中，还可以进一步进行量化，从而更大幅度地压缩图像的数据量。（5）无损压缩降低编码的冗余，在不减少传送信息量的条件下减少了码率。主要类型有Huffman编码算术编码游程编码（6）JPEG标准适用于静止图像。它将图像分解为88的样值子块用DCT进行变换、量化、Z字形重排用霍夫曼码对量化系数进行编码，进一步压缩数据量。新的发展JPEG2000标准第七章第七章图像分割图像分
2、割 知识要点：图像分割的目的、定义和分类像素间的关系：邻域和连通性阈值分割技术：全局阈值分割和局部阈值分割边缘检测：梯度算子、拉普拉斯算子、拉普拉斯-高斯算子、方向算子、canning算子、边缘跟踪区域检测法霍夫变换7.1 7.1 概概 述述u 一、图像分割的目的和任务n典型的图像分析和理解的系统：n系统分为图像输入、预处理、图像分割（image segment）、图像识别、结构句法分析。图7.1 图像分析系统 图像分割的目的是将目标从背景中提取出来，为图像分析和图像理解做准备的处理过程。分割是将图像细分为一个个子区域或对象。分割的程度取决于要解决的问题。精确的分割决定着图像分析的成败。二、图
3、像分割的集合定义三、图像分割的依据和分类图像分割方法的分类根据分割方法的不同，通常有两种分类方法：1、根据图像的两种特性进行分割：一种是根据各个像素点的灰度不连续性进行分割；一种是根据同一区域具有相似的灰度进行分割；l分割结果中同一个子区域内的像素应当是连通的l同一个子区域内的任两个像素在该子区域内互相连通。图像分割相似性检测不连续性检测区域分割阈值分割区域分裂与合并自适应边界分割边缘检测边缘跟踪Hough变换图7.2 图像分割算法2、根据分割的处理策略不同进行分割：一种是并行算法，所有的判断和决策都可以独立进行；另一种是串行算法，后期的处理依赖前期的运算结果。后者运算时间较长，但抗干扰能力较
4、强。阈值分割：并行区域类边缘检测：并行边界类边缘跟踪：串行边界类区域生长：串行区域类根据应用目的的不同，分为粗分割和细分割。根据分割对象的属性，分为灰度图像分割和彩色图像分割。根据分割对象的状态，分为静态图像分割和动态图像分割。根据分割对象的应用领域，分为遥感图像分割，交通图像分割，医学图像分割，工业图像分割，军事图像分割等。7.2 7.2 像素的邻域和连通性像素的邻域和连通性1.4邻域 n对一个坐标为 的像素p，它可以有两个水平和两个垂直的近邻像素。它们的坐标分别是n这四个像素称为p 的4邻域。n互为4邻域的像素又称为4连通的。2.8邻域 n取像素p四周的8个点作为相链接的邻域点，除掉p本身
5、外，剩下的8个点就是p的8邻域。n互为8邻域的像素又称为8连通的。u目标和背景的连通性定义必须取不同，否则会引起矛盾。图7.3 目标和背景连通性根据连通性，可以定义图像的特征点和线。（1）边界点（boundary point):如果目标点集S中的点p,有邻点在S的补集,那么p便是 S的边界点,这种点的集合，便是S的边界，记为S。（2）S的内部（interior)和内点(interior point)：目标点集S和边界点集S之差称为S的内部，处于S内部的点称为S的内点。（3）孤点：没有邻接点的点。（4）封闭曲线：如果连通域S中的所有点都有两个邻点，则称连通域为封闭曲线。【例【例7.1】根据4/8
6、连通准则在二值图像中判断目标。解：解：应用函数bwlabel可以根据4连通或8连通准则，在给定的二值图像矩阵BW中寻找目标。MATLAB程序：BW=1 1 1 0 0 0 0 0;1 1 1 0 1 1 0 0;1 1 1 0 1 1 0 0;1 1 1 0 0 0 1 0;1 1 1 0 0 0 1 0;1 1 1 0 0 0 1 0;1 1 1 0 0 1 1 0;1 1 1 0 0 0 0 0;%给定的二值图像矩阵L4=bwlabel(BW,4)%根据4连通准则判定目标L8=bwlabel(BW,8)%根据8连通准则判定目标根据4连通准则，得到的目标是3个：L4=1 1 1 0 0 0
7、0 0 1 1 1 0 2 2 0 0 1 1 1 0 2 2 0 0 1 1 1 0 0 0 3 0 1 1 1 0 0 0 3 0 1 1 1 0 0 0 3 0 1 1 1 0 0 3 3 0 1 1 1 0 0 0 0 0根据8连通准则，得到目标是2个：L8=1 1 1 0 0 0 0 0 1 1 1 0 2 2 0 0 1 1 1 0 2 2 0 0 1 1 1 0 0 0 2 0 1 1 1 0 0 0 2 0 1 1 1 0 0 0 2 0 1 1 1 0 0 2 2 0 1 1 1 0 0 0 0 07.3 7.3 图像的阈值分割技术图像的阈值分割技术-并行区域类n灰度阈值分割
8、方法：n若图像中目标和背景具有不同的灰度集合，且两个灰度集合可用一个灰度级阈值T进行分割。n这样就可以用阈值分割灰度级的方法在图像中分割出目标区域与背景区域。n设图像为 ，其灰度集范围是0,L，在0和L之间选择一个合适的灰度阈值T。n图像分割方法可由下式描述：这样得到的是一幅二值图像。n 图7.4给出了利用阈值分割图像的实例。n（a）是原图n（b）是对应的直方图n（c）是选择分割阈值为110的结果图。（7.1）（a）原图像 （b）直方图 （c）已分割的图像图7.4 阈值分割 7.3.1 7.3.1 全局阈值分割全局阈值分割l全局阈值是最简单的图像分割方法。根据不同的目标，选用最佳的阈值。l1
9、1实验法实验法l如果分割之前就知道图像的一些特征，那么阈值确定就比较简单，只要用不同的阈值进行测试，即可检查该阈值是否适合图像的已知特征。l这种方法需要知道图像的某些特征，但有时这些特征是不可预知的。l2 2直方图法直方图法l先做出图像的灰度直方图，若直方图成双峰且有明显的谷底，则可以将谷底对应的灰度值作为阈值T,然后根据阈值进行分割，就可以将目标从图像中分割出来。l适用于目标和背景的灰度差较大，直方图有明显谷底的情况。3 3最小误差的方法最小误差的方法局部阈值分割7.3.3 7.3.3 自适应阈值的选取自适应阈值的选取l这类算法的时间复杂度和空间复杂度比较大，但是抗噪声的能力比较强。l对采用
10、全局阈值不容易分割的图像有较好的效果。l这种方法的关键问题是如何将图像进行划分和如何为得到的子图像估计阈值。l任何一种分割方法都有其局限性。l实际的算法只能根据实际情况选择方法和阈值。7.4 7.4 图像的边缘检测图像的边缘检测-并行边界类l在灰度渐变的图像中无法区别其灰度变化的边界，但如果边界灰度有突变，则可以区分两个灰度不同的区域，这是基于灰度不连续性进行的分割方法。l用差分、梯度、拉普拉斯算子及各种高通滤波处理方法对图像边缘进行增强，只要再进行一次门限化的处理，便可以将边缘增强的方法用于边缘检测。l边缘检测要按照图像的内容和应用的要求进行，可以先对图像做预处理，使边缘突出，然后选择合适的
11、阈值进行分割。7.4.1 梯度算子l梯度对应于一阶导数，相应的梯度算子就对应于一阶导数算子。l对于一个连续函数f(x,y)，其在(x,y)处的梯度:（7.2）MATLAB边缘检测的函数：BW=edge(I,edge-finding methods,thresh,direction)I:灰度图像BW:返回的相同大小的二值图像，若检测到边沿则返回1，否则返回0Edge函数：sobel:sobel方法prewitt sobel:prewitt方法robert”：robert方法Thresh：指定分割方法的阈值Direction：指定分割方法的方向，可以指定horizonal(水平）边缘;vertic
12、al（垂直）边缘both双向边缘通过算子检测后，还需作二值处理从而找到边界点。图7.5给出了利用这三个算子进行边缘检测的不同效果。(a)原图像 (b)Roberts算子检测(c)Prewitt算子检测 (d)Sobel算子检测 I=imread(blood1.tif);imshow(I);BW1=edge(I,roberts);%进行Roberts算子边缘检测，门限值采用默认值BW2=edge(I,prewitt);%进行Prewitt算子边缘检测，门限值采用默认值BW3=edge(I,sobel);%进行Sobel算子边缘检测，门限值采用默认值figure,imshow(BW1,);figu
13、re,imshow(BW2,);figure,imshow(BW3,);Robert算子：定位精度高，但也易丢失部分边缘，抗噪声能力差，适用于低噪声、陡峭边缘的场合。Prewitt算子、Sobel算子：首先对图像做平滑处理，因此有一定的抑制噪声的能力，但不能排除检测结果中的虚假边缘，易出现多像素宽度。二阶导数算子法：lLaplacian是二阶导数算子，也是借助模板来实现的。l对模板有一些基本要求：l模板中心的系数为正，其余相邻系数为负，且所有的系数之和为零。l常用的模板有：拉普拉斯算子对图像中阶跃型边缘定位准确，但对噪声具有极高的敏感性，可能丢失部分边缘的方向信息，造成不连续的检测边缘，所以在
14、边缘检测中用的比较少。如果先对图像做平滑降噪处理，则可以明显降低对噪声的敏感性，拉普拉斯-高斯算子就是基于这种思想提出的。LOG算子（Marr算子):用高斯函数对图像进行滤波，在对滤波后的图像进行拉普拉斯运算，结果为零的位置即为边缘点的位置。滤波提高了抗噪声的能力，但同时可能是原本比较尖锐的边缘平滑了，甚至检测不到。实现的MATLAB程序：I=imread(blood1.tif);imshow(I);BW4=edge(I,log);figure,imshow(BW4,);图7.6 Laplacian算子边缘检测的结果图图7.6所示是应用Laplacian算子，对图7.5(a)进行边缘检测的结果
15、。7.4.3 7.4.3 方向算子方向算子l利用一组模板对图像中的同一像素求卷积，然后选取其中最大的值作为边缘强度，而将与之对应的方向作为边缘方向。l相对于梯度算子的优点：不仅仅只考虑水平和垂直方向，还可以检测其他方向上的边缘。l但计算量将大大增加。l常用的有8方向Kirsch（33）模板，如图7.7所示，方向间的夹角为45。图7.7 33 Kirsch算子的八方向模板 7.4.4 Canny7.4.4 Canny边缘检测算子边缘检测算子l Canny的主要工作：推导了最优边缘检测算子。l考核边缘检测算子的指标是：l低误判率，即尽可能少地把边缘点误认为是非边缘点；l高定位精度，即准确地把边缘点
16、定位在灰度变化最大的像素上；l抑制虚假边缘。Canning算法的 步骤：（1）利用高斯函数平滑图像（2）计算滤波后的边缘强度和方向，通过阈值来检测边缘。l判断一个像素是否为边缘点的条件为：（1）像素(i,j)的边缘强度大于沿梯度方向的两个相邻像素的边缘强度；（2）与该像素梯度方向上相邻两点的方向差小于45；（3）以该像素为中心的33邻域中的边缘强度的极大值小于某个阈值。l 图7.8所示是应用Canny算子，对图7.5(a)进行边缘检测的结果。lCanny算子的检测比较优越，可以减少小模板检测中边缘中断，有利于得到较完整的边缘。lMATLAB程序：I=imread(blood1.tif);ims
17、how(I);BW5=edge(I,canny);figure,imshow(BW5,);图7.8 Canny算子边缘检测的结果图 7.4.5 7.4.5 边缘跟踪边缘跟踪l上述方法仅得到处在边缘上的像素点。l噪声和不均匀的照明而产生的边缘间断的影响，使得经过边缘检测后得到的边缘像素点很少能完整地描绘实际的一条边缘。l可以在使用边缘检测算法后，紧接着使用连接方法将边缘像素组合成有意义的边缘。l光栅扫描跟踪法：l一种简单的利用局部信息、通过扫描的方式将边缘点连接起来的方法。l该跟踪算法采用电视光栅行扫描顺序对遇到的像素进行分析，从而确定其是否为边缘。l由于光栅扫描跟踪和扫描方向有关，因此最好沿其
18、他方向再跟踪一次。7.5 7.5 霍夫变换霍夫变换-边界跟踪方法l霍夫（Hough）变换方法是利用图像全局特性而直接检测目标轮廓，将图像的边缘像素连接起来的常用方法。l1.直角坐标系中的霍夫变换l点线的对偶性。(duality)l在图像空间中同一直线上的点对应在参数空间（变换空间）中是相交的直线。反过来，在参数空间中相交于同一点的所有直线，在图像空间中都有共线的点与之对应。通过霍夫变换，可以将图像空间中直线的检测问题转化为参数空间中点检测问题。当给定图像空间的一些边缘点，就可以通过霍夫变换确定连接这些点的直线方程。霍夫变换的具体步骤：（1）在参数空间PQ中建立一个二维的累加数组A.(2)在图像
19、空间中的每一个边缘点，让p从pmin到pmax取值，根据q=-px+y得到对应的q值，将对应的数据元素进行累加，计算结束后，根据A(p,q)的值确定在(p,q)处共线的点的数量，根据A(p,q)的最大值所处的位置（p*,q*),可以找到图像空间中的参数为（p*,q*)的直线方程。2霍夫变换的实现l实际进行霍夫变换时，要在上述基本方法的基础上根据图像的具体情况采用一些措施。l使用极坐标直线方程用以提高精度和速度。7.6 7.6 区域生长法区域生长法（region growing)-region growing)-串行串行区域分割算法区域分割算法7.6.1 7.6.1 原理和步骤原理和步骤l将具有
20、相似性质（如灰度级，纹理，颜色）的像素集合起来构成区域。l先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素具有相同或相似性质的像素合并到这一区域中。l将这些新像素当做新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。这样一个区域就长成了。在实际应用区域生长法时需要解决三个问题：选择一组能正确代表所需区域的种子像素；n种子像素的选取常可借助具体问题的特点进行。确定在生长过程中将相邻像素包括进来的准则；n生长准则的选取不仅依赖于具体问题本身，也和所用图像数据的种类有关，制定让生长过程停止的条件或规则。n一般生长过程在进行到再没有满足生长准则
21、需要的像素时停止。(a)原图像 (b)T=3的生长结果 (c)T=1的生长结果图7.9 区域生长采用判断准则：如果所考虑的像素与种子像素的灰度值差的绝对值小于某个门限值，则将该像素包括进种子像素所在的区域。7.6.2 7.6.2 生长准则和过程生长准则和过程l区域生长的一个关键：l选择适合的生长准则，大部分区域生长准则使用图像的局部性质。l生长准则可根据不同的原则制定，而使用不同的生长准则会影响区域生长的过程。1.基于区域灰度差l区域生长方法将图像以像素为基本单位来进行操作。（1）对图像进行逐行扫描，找出尚没有归属的像素；（2）以该像素为中心检查它的邻域像素，即将邻域中的像素逐个与它比较，如果
22、灰度差小于预先确定的阈值，就将它们合并；（3）以新合并的像素为中心，返回到步骤2，检查新像素的邻域，直到区域不能进一步扩张；（4）返回到步骤1，继续扫描，直到不能发现没有归属的像素，则结束整个生长过程。2.基于区域内灰度分布统计性质l考虑以灰度分布相似性作为生长准则来决定区域的合并：（1）把图像分成互不重叠的小区域；（2）比较邻接区域的灰度直方图，根据灰度分布的相似特性进行区域合并；（3）设定终止准则，通过反复进行步骤2中的操作将各个区域依次合并，直到终止准则满足。图像分割方法的比较：边缘检测的优缺点：边缘检测利用不同区域间像素灰度不连续性的特点，因为不同图像灰度不同，边界处一般有明显的边缘，
23、利用此特征可以分割图像。通过求微分算子来检测边缘处的像素的灰度不连续值进行边缘检测。边缘跟踪是先检测到边缘再串行连接成闭合边界的方法，此方法很容易受起始点的影响。边缘检测的难点在于边缘检测是抗噪性和检测精度之间的矛盾。若提高检测精度，则噪声产生的伪边缘会导致不合理的轮廓；若提高抗噪性，则会产生轮廓漏检会或位置偏差。区域分割的优缺点：利用某种相似性质的像素连通，构成最后的分割区域，利用图像的局部空间信息，有效克服边缘检测存在图像分割空间不连续的缺点。基于区域的分割会造成图像的过度分割，单纯的边缘检测方法有时 不能提供较好的区域结构，为此将两种方法结合使用。第章 彩色图像处理彩色图像处理 内容提要
24、:u8.1 人类视觉与色度学基础u三基色原理、光度学基本知识u8.2 颜色空间的表示及其转换uRGB模型、Munsell模型、HSV模型、HSI模型、YUV模型uRGB与HSV空间的相互转换uRGB与YUV空间的相互转换uRGB与HSI空间的相互转换u8.3 颜色空间的量化u8.4抖动技术、u8.5假彩色处理u8.6彩色图像增强、真彩色增强、8.6.2 伪彩色增强u8.7彩色图像的灰度化教学建议本章的先修知识主要有：光学、线性代数、图像的量化等。要求了解彩色图像处理的基本概念和一些常用的彩色图像处理技术。用MATLAB工具对彩色图像进行处理如进行颜色空间的变换等。8.1 人类视觉与色度学基础人
25、类视觉与色度学基础人类色觉的产生是一个复杂的过程。除了光源对眼睛的刺激，还需要人脑对光刺激的解释。人感受到的物体颜色主要取决于反射光的特性。如果物体比较均衡地反射各种光谱，则看起来是白的。如果物体对某些光谱反射得较多，则看起来物体就呈现相对应的颜色。色度学（colorimetry）进行图像的彩色分析，需建立研究彩色计量的学科。8.1.1 人类的基本视觉特性人类的基本视觉特性视觉系统中存在着杆状和锥状细胞两种感光细胞。杆状细胞为暗视器官锥状细胞是明视器官，在照度足够高时起作用，并能分辨颜色。锥状细胞大致将电磁光谱的可见部分分为三个波段：红、绿、蓝。这三种颜色被称为三基色图图8.1 8.1 人类视觉系统三类锥状细胞的光谱敏感曲线人类视觉系统三类锥状细胞的光谱敏感曲线人类视觉对颜色的主观感觉颜色的三种主观感觉：色调、色饱和度和亮度。色调（hue）从一个物体反射过来的或透过物体的光波长是由颜色种类来辨别的，如红、橙、绿。色饱和度（saturation）即色纯度，指颜色的深浅例如：深红和浅红。亮度（brightness）颜色的明暗程度，从黑到白，主要受光源强弱影响。